基于STARFM模型的遥感影像融合

彭检贵,罗为检,宁小斌,邹泽林

(国家林业和草原局中南调查规划设计院,长沙 410014)

引言

Landsat数据已被广泛应用于地表覆盖分类与变化、农作物估产与特征研究、植被生长监测等方面，进而延伸到林业、农牧业、生物等多个应用领域[1]。但是，Landsat数据的弊端是数据更新周期较长，需16 d，这一缺陷极大地限制了Landsat数据应用于如监测农作物在生长季节的生长情况等地表快速变化方面的可能性，加之云雾的影响，使得数据的重访周期再次延长，因此，Landsat数据在季节变化动态监测上的功用再次受到影响。

MODIS产品已经广泛应用于各种领域，比如地表覆盖变化、气候预测以及生态环境监测等领域[2]。而且Terra和Aqua卫星可以每天在早晚各过境1次，每天最多能够获得4次资料。但MODIS数据的空间分辨率最高只有250 m，常常会产生混合像元，使得其仅较适合应用于大尺度区域的研究，不适宜用于对空间分辨率要求较高的研究。

基于以往的研究可以看出，Landsat数据具有较高的空间分辨率，但时间分辨率却较低；与其相反，MODIS数据具有较高的时间分辨率，但空间细节信息不丰富。为得到同时得到高时间分辨率和高空间分辨率的影像，研究人员提出了遥感影像时空融合技术。遥感影像时空融合技术是指，将一系列具有不同时间分辨率和空间分辨率的、来源于不同传感器的遥感影像数据通过某些模型进行融合处理的技术，其目的是为了获得既有高空间分辨率又有高时间分辨率的、可满足各种应用要求的时间序列的融合影像[3-4]。Zhukov等[5]和Maselli[6]以线性混合模型为基础，分析了像元反射率在空间上的可变性，提出根据某一标准选取一些像元参与目标像元的解算，如一个距目标像元一定距离的像元集；Busetto等[7]则更进一步，不仅考虑了空间距离的问题，还分析了与目标像元在光谱上的差异，但是如果将该方法应用于NDVI值的计算，当MODIS影像像元相应的土地上既有春季作物又有冬季作物时，那么使用该方法得到的结果会有一定的偏差；Gao等[8]又更进一步地分析了与目标像元在时间上的差异，提出了一种时空适应性反射率融合模型STARFM；Hilker等[9]则提出了一种反映反射率变化的时空适应性算法STAARCH(Spatial Temporal Adaptive Algorithm for mapping Reflectance Change)。国内学者在遥感影像时空融合算法上也有很多研究和改进，万华伟等[10]提出了一种将全年的MODIS LAI产品和几景ASTER数据融合的方法，最后成功生成了具有高时空分辨率特性的LAI产品；邬明权等[11]提出了一种时空数据融合模型STDFA(Spatial Temporal Data Fusion Model)；蒙继华等[12]在STARFM的基础上进行研究，提出了一种时空适应性植被指数融合模型STAVFM(Spatial and Temporal Adaptive Vegetation index Fusion Model)，成功构建了具有高时空分辨率特性的NDVI数据集；张鹏[13]在STARFM的基础上进行研究，提出了一种专门针对绿度植被指数(GVI)的融合模型GSTARFM(GVI STARFM)；王昆等[14]利用半方差函数对STARFM移动窗口的宽度进行了调整，有效地提高了融合影像的质量；黄永喜等[15]提出了一种基于 ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)的改进算法，该算法通过对距离权重、移动窗口的大小和转换系数的计算方法进行了调整，以及进行了BRDF校正，成功地提高了融合精度，还提高了计算速度；赵永光等[16]在融合前丰富了MODIS数据的空间信息，成功提高了STARFM的融合精度。

同样，国内学者在时空融合算法的应用方面也有诸多研究。蔡德文等[17]以石河子为实验区，通过STARFM成功获得了具有高时空分辨率的Landsat影像，还进一步分析了不同农作物在原始影像和融合影像上的反射率的相关性，分析表明，将STARFM应用于农作物监测时，应注意选择满足算法前提条件的影像进行使用；朱长明等[18]利用STARFM对Landsat7 ETM+的SLC-off数据进行了修复；李玉东等[19]将STARFM，STAARCH和ESTARFM三种数据融合方法在山区进行了应用和对比，表明如果在山区进行植被动态监测，ESTARFM是适应性最好的融合方法；黄登成等[20]利用STARFM降低了MODIS NDVI数据的尺度，成功提高了NPP(Net Primary Productivity，植被净初级生产力)的估算精度。

国内外学者的研究表明，遥感数据时空融合技术已发展得较为成熟，但在国内这些技术在适用性上的研究仍然比较少。在各种时空融合技术中，STARFM是应用较为广泛、较成熟的模型，因此本文将以长沙市为例，研究该模型的适用性。

1 研究区概况与数据

1.1 研究区概况

长沙市位于湖南省东北部湘江下游，在27°51′—28°41′ N和111°53′—114°15′ E之间，南高北低，湘江贯穿南北；属亚热带季风气候，气候温和，降水充沛，雨热同期，四季分明。

1.2 数据与处理

实验采用两景Landsat8 OLI影像的红色波段(Band4)和近红外波段(Band5)，轨道号为123/40和123/4，过境时间分别为2013-07-31和2013-09-17，空间分辨率为30 m，时间分辨率为16 d，为覆盖整个长沙市，对图像进行了镶嵌。Landsat数据采用ENVI的Landsat定标工具进行辐射定标，采用FLAASH大气校正模块进行大气校正，生成反射率数值影像。使用研究区1∶5000地形图进行了几何校正，经检验，几何校正误差在半个像元之内，符合精度要求。

实验采用MODIS数据中的MODIS日反射率产品(MOD09 GQ)，属于二级产品。轨道号为h27/v06，过境时间分别为2013-07-31和2013-09-17，空间分辨率为250 m，时间分辨率为1 d。数据质量较好，无云层覆盖。MODIS数据采用MODIS重投影工具(MODIS Reprojection Tool,MRT)重投影为UTM-WGS84坐标系，转换成Geo-tif 格式，并重采样到30 m空间分辨率，以便于后续运算。采用ENVI矢量裁剪模块，对处理后Landsat8数据和MODIS数据进行裁剪，裁剪出实验区域。

实验所用Landsat数据和MODIS数据均从http：//glovis.usgs.gov/网站上免费下载。

2 研究方法

STARFM对多源遥感数据要求严格，应满足以下条件：经过重采样等处理满足空间分辨率相同、经过几何校正满足空间位置绝对对应、经过辐射校正将数据转换为反射率数据。在满足上述条件的情况下，对于一个低空间分辨率MODIS影像的同类像元，它与相对应的高空间分辨率Landsat影像的像元应满足以下关系，即：

L(xi,yi,tk)=M(xi,yi,tk)+εk

(1)

式中:(xi，yi)代表给定像元的空间位置，tk是获取影像的时间，εk是Landsat与MODIS地表反射率数据之间的差异(由不同的波段宽度和太阳几何造成)。与之类似，t0时刻(即预测时刻)融合生成的Landsat数据的反射率，与对应的MODIS影像的同类像元的反射率也应满足以下关系：

L(xi,yi,t0)=M(xi,yi,t0)+ε0

(2)

假定从tk到t0之间，给定位置处的地表覆盖类型和系统误差没有发生改变，即ε0=εk，而且M(xi，yi，t0)已知，则：

L(xi,yi,t0)=M(xi,yi,t0)+L(xi,yi,tk)-

M(xi,yi,tk)

(3)

然而，这个理想的情况由于以下原因一般很难得到满足：MODIS像元可能是混合像元，即覆盖了多种地物类型；土地覆盖的类型可能会随时间发生变化；土地覆盖情况和太阳几何双向反射分布函数的变化会引起反射率的改变。不过，通过引入邻近像元的附加信息，我们可以使用光谱相似的邻近像元的权重和来计算中心像元的地表反射率，计算方式如下：

(M(xi,yi,t0)+L(xi,yi,tk)-M(xi,yi,tk))

(4)

式中:w是搜寻窗口的大小，(xw/2，yw/2)是搜寻窗口的中心像元。为了保证只有合适的邻近像元被使用，只有移动窗口内的Landsat地表反射率数据中光谱相似和无云的像元才会被用来计算反射率。权重系数Wijk代表了各个邻近像元对计算中心像元的反射率的贡献程度。

3 结果与分析

3.1 融合结果

将Landsat8 OLI影像的红色波段和近红外波段，以及MOD09 GQ影像的红色波段和近红外波段，分别输入到STARFM模型中进行融合，输出得到2013-09-17分辨率为30 m的Landsat融合影像的红色波段和近红外波段影像。用目视判别法对原始影像和融合影像进行评价，可以发现红色波段原始影像与融合影像(图1)差异都很小，肉眼基本无法区分，但原始近红外波段与预测近红外波段(图2)差异较红色波段要大。

3.2 融合精度评价

由于相关系数表征的是两个事物间的相似程度，且可以避免主观性，是一个客观的评价标准，因而本文利用相关系数R来评价融合影像与原始影像之间的相关程度，以评价融合算法的精度。相关系数的计算公式如下：

(6)

相关性为融合影像与参考影像之间相关关系的直接反映，相关系数(R)的平方称为判定系数(R2)，相关系数呈正值，则呈正相关，相反，两者呈负相关，相关系数绝对值越大，两者相关程度越高，判定系数越大，两者之间关系越密切。

图1红色波段的原始与融合OLI影像

(a) 原始(b) 融合

从两个散点图来看，红色波段的原始影像和融合影像的判定系数达到0.940(图3)，近红外波段的原始影像和融合影像的判定系数达到0.696(图4)，红色波段的相关性比近红外波段的相关性要高，这主要由两个方面的原因造成的：一是由于波段通道的差异，近红外波段比红波段对误差较敏感，即使微小的差异会对近红外波段有较大影响，近红外波段尤其对植被信息的变化较敏感，若在融合过程中，植被与非植被的反射率变化信息不能被正确地考虑，将导致融合效果较差；二是STARFM算法本身对数据的要求较高，高空间分辨率影像能反映的细节信息在低空间分辨率影像上不能反映出来，因此若初期数据数量较少或者数据存在质量问题，将会导致融合影像和原始影像相比，部分信息缺失，预测融合结果较差。

图3 融合红色波段影像与原始OLI红色波段影像相关性分析

图4 融合近红外波段影像与原始OLI近红外波段影像相关性分析

4 结论

本文简要介绍了遥感图像时空融合研究背景及意义、遥感图像时空融合算法的发展和国内外研究现状，详细说明了STARFM算法的基本原理。以湖南省长沙市为研究区，采用STARFM融合方法，利用原始OLI影像反射率与融合影像反射率的相关性分析，分析了STARFM的适应性。

1) 利用STARFM获得的融合影像与原始影像的相关性较高，整体融合效果较好，但在具体应用STARFM融合算法时，应认真选取参加融合的数据，保证数据的数量与质量。

2) 本实验采用的Landsat数据只进行了辐射定标和大气校正。如果进行了地形等其他校正，可能最后融合结果的精度会有所提升。实际应用本算法时，应根据实际的地形、天气情况和精度要求对数据进行合适的预处理。

3) 本文所分析的影像波段较少，影像期数较少，且只是做了一个图像整体的探讨，即在假设满足STARFM算法的前提条件下进行的实验，并未分析若不满足前提条件是否会出现较差的效果，比如一副图像的某些部分是否会因为地貌改变而无法融合。因此进行进一步深入研究是十分有必要的。