基于GF-4 PMS的高时空分辨率遥感数据融合分析

皮 新 宇，王 盼 成，曾 永 年，卢 晗

(1.中南大学空间信息技术与可持续发展研究中心，湖南 长沙 410083; 2.国网湖南省电力公司防灾减灾中心电网输变电设备防灾减灾国家重点实验室，湖南 长沙 410129)

0 引言

高时空分辨率遥感影像数据在大气环境、地表特征动态监测等研究中具有重要意义[1-4],但目前单一传感器无法实现高空间分辨率、高频次的对地观测[5,6]。为此，基于多源遥感数据的时空融合技术得到发展与应用[7-14]，其中，时空自适应反射率融合模型(STARFM)[7]、增强性时空自适应反射率融合模型(ESTARFM)[15]应用最广泛。当前时空融合实验及应用研究中，常用的低空间分辨率、高回访率数据为MODIS数据，常用的中高空间分辨率数据为Landsat数据[8,16-18]，前者的像元尺度(250 m、500 m、1 km)远大于后者(30 m)，相对于GF-1 WFV/PMS、GF-2 PMS、IKNOS、Quickbird、Sentinel-2等更高空间分辨率数据像元尺度差异更大，从而影响时空融合过程中高、低空间分辨率数据的配准，而且低空间分辨率数据存在大量混合像元，对以光谱混合理论为基础的STARFM及其改进模型应用的影响较大，为融合过程中选择与确定光谱相似像元带来较大的不确定性，从而影响时空融合的效果。另外，尽管MODIS与Landsat数据在可见光、近红外具有相近的波段，但各波段光谱响应范围仍存在一定差异，进而影响时空融合的效果与精度[19,20]，如何有效解决上述问题是目前遥感时空融合面临的挑战。

GF-4卫星是中国第一颗民用高分辨率静止轨道光学成像卫星，能实现中国及周边地区日内持续若干小时的观测，其多光谱数据的空间分辨率优于50 m。目前，GF-4 PMS数据已应用于干旱监测[21]、地表发照率反演[22]、云检测[23]、气溶胶反演[24]、地表水分类[25]等领域，其真实效果亟需论证与评价[26]。同时，GF-4 PMS数据较高的时空分辨率对遥感数据时空融合效果与精度的影响也值得深入探讨，然而相关研究却尚未见报道。为此，本文应用3种典型的时空融合模型(STARFM、ESTARFM、FSDAF)，分析基于GF-4 PMS 数据融合的高时空分辨率数据(GF-1 WFV、Landsat OLI)的效果及精度，并与基于MODIS数据的融合结果进行对比分析，以期为GF-4 PMS数据的时空融合应用及像元空间尺度差异对时空融合的影响研究等提供参考。

1 研究区与数据

1.1 研究区

选取地表景观复杂程度不同的两个研究区(图1)进行遥感影像数据时空融合的效果与精度分析。研究区1位于湖南省湘潭市，影像的中心经纬度为112°57′15″E、27°57′25″N，面积为92.16 km2(320×320 Landsat像元)，土地利用类型主要为林地、裸地与建设用地，各地类分布集中，地表景观复杂程度较低；研究区2位于河南省信阳市，影像的中心经纬度为114°48′41″E、32°22′41″N，面积为144 km2(400×400 Landsat像元)，主要地类为林地、耕地、裸地与建设用地，相对于研究区1，研究区2地表覆盖类别较复杂、异质性较高，其地表景观复杂程度也较高。

图1 研究区假彩色影像Fig.1 False colour images of the study areas

1.2 数据及预处理

本文选择GF-1 WFV、GF-4 PMS、Landsat8 OLI以及MOD09GA的可见光与近红外波段进行研究。其中，GF-1 WFV、 GF-4 PMS的时间分辨率分别为4 d、20 s，空间分辨率分别为16 m、50 m，均下载于中国资源卫星应用中心；Landsat8 OLI与MOD09GA的时间分辨率分别为16 d、1 d，空间分辨率分别为30 m、500 m，均下载于美国地质调查局(USGS),覆盖研究区1、2的Landsat8 OLI的行列号分别为123/41、123/38，MOD09GA的行列号分别为h27v06、h27v05，各研究区数据说明见表1。由于受高分辨率数据获取时间分辨率及天气的影响，实际应用中很难获得时相完全一致的基期和验证高、低分辨率数据对。为此，本文选择基期和验证高、低分辨率融合数据对的时间差异均小于5 d，能满足融合实验的要求。首先，对获取的4类数据进行辐射定标及大气校正，获得地表反射率；其次，以Landsat8 OLI为基准，分别对GF-1 WFV、GF-4 PMS及MOD09GA进行几何配准处理，误差小于0.5个像元；另外，对于GF-4 PMS、MOD09GA数据，采用最邻近法重采样至16 m和30 m空间分辨率，以便后续融合处理；最后，按研究区范围裁剪所有数据，并选取可见光(红、绿、蓝)及近红外波段作为融合对象。

表1 遥感数据类型及获取时间Table 1 Types and acquisition dates of remote sensing data

2 研究方法

首先，以GF-4 PMS、MOD09GA(简称GF-4、MODIS)为低空间分辨率遥感数据，以GF-1 WFV、Landsat OLI(简称GF-1、Landsat)为高空间分辨率遥感数据，基于STARFM、ESTARFM、FSDAF模型进行影像融合，对融合影像与真实影像进行定性分析与定量精度评价，然后对比分析各融合结果。在本文融合实验中，不同的模型由于理论假设不同，其输入数据不同，STARFM、FSDAF模型输入一对基期的高、低空间分辨率数据以及预测期的低空间分辨率数据进行时空融合，ESTARFM模型输入两对基期的高、低空间分辨率数据以及预测期的低空间分辨率数据进行时空融合。

2.1 时空融合模型

STARFM 模型[7]和ESTARFM模型[15]算法见式(1)和式(2)，FSDAF模型[27]融合过程为：1)对基期(t0)高空间分辨率影像(GF-1/Landsat)进行分类处理；2)求低空间分辨率影像中各地物类别从基期(t0)到预测期(tp)的光谱时间变化估值；3)基于各地类光谱时间变化预测高空间分辨率融合影像并计算残差；4)利用薄板样条插值函数将残差分配到高空间分辨率像元上；5)基于相似像元，利用权重函数获得融合的高空间分辨率影像。

(1)

式中：F、C分别为高、低空间分辨率影像的地表反射率；(xw/2,yw/2)为中心像元坐标，w为移动窗口大小；Wijk为i行j列像元的综合权重；tp和tk分别为预测期与基期影像获取时间；k为基期影像对的序号；n为参与融合的基期影像对的数量。

(2)

式中：t0和tp分别为基期与预测影像获取的时间；B为波段；N为包括中心像元在内的相似像元总数；Wi与Vi分别为第i个相似像元的权重和转换系数。

2.2 精度评价

为比较基于两种不同低空间分辨率数据时空融合的精度，以预测期真实的高分辨率数据为验证数据，在融合影像与真实影像上随机选取75%像元为样本，采用相关系数(R)和均方根误差(RMSE)进行定量评价，R值越接近1、RMSE越趋近于0，表示光谱信息越相似、融合精度越高。

3 结果与分析

3.1 GF-1高时空分辨率影像融合及分析

以GF-1为高空间分辨率数据，以GF-4、MODIS为低空间分辨率数据，利用STARFM、ESTARFM、FSDAF 3种时空融合模型获得GF-1高时空分辨率融合影像(图2、图3)。对于研究区1，基于GF-4数据的GF-1融合影像地表覆盖的空间细节得到有效融合，且植被的光谱信息得到较准确预测；相对而言，基于MODIS数据的GF-1融合影像尽管空间细节得到有效融合，但地物的光谱信息存在明显差异，尤其是基于FSDAF模型的融合结果，光谱差异最显著(图2)。对于研究区2，基于GF-4数据的GF-1融合影像植被空间细节得到有效融合，植被的光谱信息得到较准确预测；相对而言，基于MODIS的GF-1融合影像除基于FSDAF模型的结果外，其余两种模型的融合结果较差(图3)。

图2 研究区1基于GF-4和MODIS影像及不同模型的GF-1融合结果Fig.2 Fused GF-1 images based on GF-4 and MODIS images by using different fusion models in study area 1

图3 研究区2基于GF-4和MODIS影像及不同模型的GF-1融合结果Fig.3 Fused GF-1 images based on GF-4 and MODIS images by using different fusion models in study area 2

由表2可知，相对于基于MODIS的融合影像，3种模型中基于GF-4融合的GF-1高时空分辨率影像在研究区1与真实影像的RMSE均值分别降低了15.63%、24.24%、17.14%，R均值分别增加了10.38%、5.81%、16.48%，在研究区2与真实影像的RMSE均值分别降低了20.93%、15.79%、18.18%，R均值分别增加了2.21%、5.73%、2.18%。两个研究区的结果分析表明，基于GF-4融合的GF-1 WFV影像和基于MODIS融合的GF-1 WFV影像均能表达出清晰的空间细节和准确的光谱信息，前者与真实影像的R均值为0.844、RMSE均值为0.031，后者与真实影像的R均值为0.823、RMSE均值为0.038，可见基于GF-4融合的GF-1 WFV影像与真实影像的R提升了2.55%、RMSE降低了18.42%，表明基于GF-4融合的GF-1高时空分辨率融合影像优于基于MODIS融合的GF-1高时空分辨率融合影像。

表2 研究区精度评价Table 2 Accuracy assessment results of the study areas

3.2 Landsat高时空分辨率影像融合及分析

以Landsat为高空间分辨率数据，以GF-4、MODIS为低空间分辨率数据，利用STARFM、ESTARFM、FSDAF模型获得Landsat高时空分辨率融合影像(图4、图5)。对于研究区1，基于GF-4数据的Landsat融合影像空间细节得到有效融合，而且植被的光谱信息得到较准确预测；相对而言，基于MODIS数据的Landsat高时空分辨率融合影像与真实影像相比，尽管空间细节得到有效融合，但地物的光谱信息存在明显差异(图4)。对于研究区2，基于GF-4数据的Landsat融合影像植被的空间细节也得到有效融合，植被的光谱信息得到较准确预测；相对而言，基于MODIS的Landsat融合影像与真实影像相比，ESTARFM模型的融合结果较差(图5)。

图4 研究区1基于GF-4和MODIS影像及不同模型的Landsat融合结果Fig.4 Fused Landsat images based on GF-4 and MODIS images by using different fusion models in study area 1

图5 研究区2基于GF-4和MODIS影像及不同模型的Landsat融合结果Fig.5 Fused Landsat images based on GF-4 and MODIS images by using different fusion models in study area 2

由表3可知，相对于基于MODIS的融合影像，3种模型基于GF-4数据的Landsat高时空分辨率融合影像在研究区1与真实影像的RMSE均值分别降低了8.70%、0.00%、8.70%，R均值分别增加了3.11%、3.31%、6.37%，在研究区2 与真实影像的RMSE均值分别降低了35.14%、36.59%、40.00%，R均值分别增加了1.83%、3.26%、1.36%。两个研究区的结果分析表明，基于GF-4融合的Landsat影像与真实影像的R均值为0.907、RMSE均值为0.023，基于MODIS融合的Landsat影像与真实影像的R均值为0.870、RMSE均值为0.031，可见基于GF-4融合的Landsat影像与真实影像的R提升了4.25%、RMSE降低了25.81%，表明基于GF-4融合的Landsat高时空分辨率融合影像优于基于MODIS融合的Landsat高时空分辨率融合影像。

表3 研究区精度评价Table 3 Accuracy assessment results of the study areas

3.3 融合精度分析

进一步分析参与融合的高、低空间分辨率数据尺度差异对融合精度的影响(图6、图7),可以看出，随着尺度差异的增大，融合结果的R逐渐降低、RMSE逐渐增大。这是由于随着高、低空间分辨率数据间尺度差异的减小，参与融合的低空间分辨率数据中像元混合的程度随之减少，从而降低了融合过程中几何配准的不确定性以及同质像元选取的不确定性。因此，参与融合的高、低空间分辨率数据的尺度差异对融合数据的精度、质量具有显著影响;同时也说明相对于MODIS数据，GF-4数据在时空融合中具有显著优势。另外，在两个研究区，基于GF-4数据融合的高时空分辨率数据(GF-1、Landsat)的精度对不同融合模型的差异性不敏感(1.67倍和3.125倍尺度差异)，因此，基于GF-4数据的遥感数据时空融合可尽量选择简洁的融合模型。

图6 基于不同尺度差异和不同模型的融合精度对比(研究区1)Fig.6 Comparison of fusion accuracy for different scale differences and fusion models in study area 1

图7 基于不同尺度差异和不同模型的融合精度对比 (研究区2)Fig.7 Comparison of fusion accuracy for different scale differences and fusion models in study area 2

4 结论

本文基于3种典型的时空融合模型(STARFM、ESTARFM、FSDAF)，分析基于GF-4 PMS 数据融合的高时空分辨率数据(GF-1 WFV、Landsat OLI)的融合效果及精度，并与基于MODIS数据的融合结果进行对比分析。结论如下：1) 在不同地表复杂程度的两个研究区，利用3种不同的时空融合模型，基于GF-4融合的GF-1、Landsat影像均能清晰表达出空间细节以及准确的光谱信息，与真实影像的R均值分别为0.844、0.907，RMSE均值分别为0.031、0.023；基于MODIS融合的GF-1 WFV、Landsat影像与真实影像的R均值分别为0.823、0.870，RMSE均值分别为0.038、0.031。相对于MODIS数据，融合的GF-4影像与真实影像的R均值分别提升了2.55%、4.25%，RMSE均值分别降低了18.42%、25.81%。定性与定量分析结果均表明，GF-4数据在时空融合中具有显著优势。2)参与融合的高、低空间分辨率数据的尺度差异对融合数据的精度、质量具有显著影响，基于GF-4 数据的时空融合结果对不同模型差异不敏感，在实际应用中，基于GF-4 数据的时空融合可尽量选择简洁的融合模型。

本研究探讨了GF-4 PMS在高时空分辨率数据融合中的优势，并初步探究了数据尺度差异对时空融合效果的影响,后续研究将增加低空间分辨率梯度差异数据的对比实验，以进一步探究数据尺度对数据融合效果的影响。