香港中文大学黄波教授团队研发了针对复杂地表变化的鲁棒性卫星影像时空融合模型与算法

点击图片上方蓝色字体“慧天地”即可订阅

（点击图片可放大观看，更多精彩请留意文末推荐)

近日，香港中文大学地理与资源管理系及太空与地球信息科学研究所的黄波教授团队在遥感领域顶级学术期刊《Remote Sensing of Environment》上发表了研究论文“A robust adaptive spatial and temporal image fusion model for complex land surface changes”（一种针对复杂地表变化的鲁棒性自适应时空影像融合模型；作者：赵涌泉、黄波、宋慧慧）。

在单个卫星影像传感器的时间和空间分辨率相互制约的这一背景之下，即单个卫星无法同时获得高时空分辨率的遥感影像，大量针对不同时相变化、应用目的、数据类型、算法原理的时空融合算法相继涌现，但是现有的研究鲜有深入地去综合考虑复杂多样的地表时相变化。这些变化主要包括：无形状变化的类别变化（如农作物轮作）、有形状变化的类别变化（如城市扩张）、以及传统的地物季节变化（如森林植被的季节变化）。

针对这一难题，本研究以目前应用最广泛的两种卫星遥感数据（Landsat及MODIS）为基础，构建了一种能全面应对复杂多样地表时相变化的稳健性自适应时空影像融合模型RASTFM，旨在进一步推动时空影像融合算法的发展以及时空影像融合算法在诸多遥感应用研究中的使用。RASTFM是在本研究提出的NL-LR（Non-Local Linear Regression）理论基础之上实现的，主要包含两个核心模块：（1）非形状变化的预测（包含无形状变化的类别变化以及传统的季节变化）；（2）形状变化的预测（有形状变化的类别变化）。这两个模块都是先基于非局部均值的方式去寻找目标像元的相似性临近像元，然后利用局域线性回归的方式去求解这些相似性像元的权重，从而得到更严谨、更稳健的时空预测值。

此外，黄波教授团队还研发了基于ArcMap以及ENVI平台的影像融合分析软件，可以提供给用户使用。虽然目前的软件只是1.0版，但该团队还会对其做出进一步的改进和完善，以满足用户多样化的需求。

ImgFusion Analyst影像融合分析软件

黄波教授团队在卫星影像时空融合方面做了大量工作，开发了多个模型与算法。RASTFM的研发过程中测试了团队能获得的所有数据，其中澳洲的一套数据时空变化剧烈且复杂，最具挑战性。结果表明RASTFM胜过其它所有算法，尤其在在澳洲的这套数据上表现更加优异，显示了该算法的鲁棒性及处理复杂地表变化的能力。

原文：

Yongquan Zhao, Bo Huang, Huihui Song, A robust adaptive spatial and temporal image fusion model for complex land surface changes, Remote Sensing of Environment, Volume 208, April 2018, Pages 42-62, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2018.02.009.

荐读

点击下文标题即可阅读

编辑 / 张洁     审核 / 张洁 韩磊

指导：万剑华教授(微信号wjh18266613129）