高质量植被指数产品生产:NDVI时间序列重建技术综述
qq26116294
qq26116294 Lv.2
2022年05月23日 10:38:06
只看楼主

LI S, XU L, JING Y, et al. High-quality vegetation index product generation: a review of ndvi time series reconstruction techniques[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 105: 102640. DOI:10.1016/j.jag.2021.102640.

LI S, XU L, JING Y, et al. High-quality vegetation index product generation: a review of ndvi time series reconstruction techniques[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 105: 102640. DOI:10.1016/j.jag.2021.102640.

摘要

卫星遥感归一化植被指数(NDVI)已经广泛应用于遥感领域,然而由于大气扰动、云覆盖、传感器故障等原因,NDVI时间序列中存在大量噪声,因此,NDVI产品在使用前进行去噪非常有必要。在过去的几十年里已经提出了大量的技术方法来缓解这个问题,但是目前没有对此进行系统性的总结和分析各种NDVI时间序列重建技术的现状。因此本文对当前NDVI重建方法进行了概括,解释了各种方法的原理、优缺点。目前常用的NDVI重建方法主要有以下三类:

  1. 基于时间的方法
  2. 基于频率的方法
  3. 混合算法

介绍了NDVI重建质量评价方法,讨论了未来的发展趋势。

常见的NDVI卫星遥感数据产品

如下表所示,本表来自于论文原文,GIMMS NDVI目前已经发展到了V3版本,时间1981-2015,可以使用R语言gimms包获取,下面的链接有误。

Sensors Products Resolutions Dates Data Sources
MODIS Terra/Aqua MOD13Q1 16-day, 250 m 1999~ https://ladsweb.modaps.eosdis.nasa.gov

MOD13A1 16-day, 500 m


MOD13A2 16-day, 1 km


MOD13A3 Monthly, 1 km


MOD13C1 16-day, 0.05 deg


MOD13C2 Monthly, 0.05 deg

VIIRS VNP13A1 16-day, 500 m 2011~ https://ladsweb.modaps.eosdis.nasa.gov

VNP13A2 16-day, 1 km


VNP13A3 Monthly, 1 km


VNP13C1 16-day, 1 km


VNP13C2 Monthly, 1 km

Landsat 5 TM Landsat5 C1 16-day, 30 m 1984 ~ 2012 https://earthexplorer.usgs.gov
Landsat 7 ETM Landsat7 C1 16-day, 30 m 1999~
Landsat 8 OLI Landsat8 C1 16-day, 30 m 2013~
Sentinel-2 S2 L1C 5-day, 10 m 2015~ https://earthexplorer.usgs.gov/
NOAA-AVHRR GVI 7-day, >=15 km 1982~ https://ladsweb.modaps.eosdis.nasa.gov

GIMMS 15-day, 8 km 1981 ~ 2006 https://ecocast.arc.nasa.gov/data/pub/gimms
SPOT VGT-S10 10-day, 1 km 1998~ https://earth.esa.int/eogateway

遥感影像重建方法

基于空间的方法

基于空间的方法是重建单幅遥感影像的最常用技术,基于临近像素的相关性,根据影像有效部分恢复丢失的部分像元。空间插值是典型代表,包括线性插值、双线性插值、克里金插值等,基于空间的方法对于少量丢失像元或简单纹理有较好的效果,但不适于时间序列重构。本文不过多讨论。

时间序列重构方法

根据重构方法原理可以主要分为三类:

 
NDVI时间序列重建技术发展
Category Method Advantage Disadvantage Scope
Temporal interpolation MVC Simplicity Neglecting atmospheric interference Data without long-term gaps

IDR Retaining the valid pixels Overestimating during dormant period

DA Smoother temporal evolution Poor performance at the onset of spring green

BISE Close to original time series Bad for long-term decline trend
Temporal filters SG Reaching the upper envelope Bad for peak growth and crop harvest Long-term accumulated data

MVI Good with uniform spatial–temporal distribution Bad for areas with high interannual changes

MA Retaining the seasonal peak of the curve Changing the width and height of the curve

CW Maintaining the shape and amplitude of the curve Remaining residual noises
Temporal function-fitting AG Extracting phenological parameters while smothing Bad for very short growing seasons Vegetation without suddenly explodes or perishes

DL Revealing the trend of NDVI time series Remaining problematic with NDVI in winter
Temporal deep learning models Deep-STEP_FE Good performance with a very large dataset High computational complexity Nearly all data
Frequency-based methods FFT Smooth reconstructed curve Poor performance for irregular time series Vegetation without abruptly changes

HANTS Reduction of the amount of data Over-parameterized

WT Preserving patterns of time series while smoothing Reducing some reasonable high values
Hybrid methods TSF Restoring the seasonal trends Restriction of QC data Nearly all data

SFA-MOM Good performance in data deficient scenario Restriction of LULC data

STSG Available for local low values during harvest Bad for the data with high spatial resolution

ST-tensor Available for spatio-temporal continuous gaps Restriction of RI data

重建数据质量评价

质量评价从定性和定量两方面进行评价。

定性评价

一种通过目视检查的主观评价,简单、直观,主要两种方式:

  1. 观察单个像元的时间序列曲线,判断是否符合该类植被物候
  2. 观察重建图像,通过影像清晰度、噪声残留程度、重建轨迹等来评估性能。

定量评价

本文以湖北神农架地区的2011-2020年平均值NDVI作为基准数据,使用相关系数(Correlation Coefficient, CC)和均方根误差(Root Mean Square Error, RMSE)来对重建后的结果进行质量评定。

发展趋势

尽管目前已经提出了很多的NDVI重建技术,但仍有很多方面可以改进。未来的发展趋势包括:

  1. 加强时空信息的有效利用
  2. 多源数据融合应用
  3. 机器学习方法的应用
  4. 任务驱动,例如,植被分类、物候提取所需的NDVI产品特性不一样,根据任务需求选择适合的重建方法
  5. 算法和效率的平衡

免费打赏
热爱生活的老李
2022年05月24日 11:20:09
2楼

感谢楼主分享

回复
戒大酒的李白
2022年05月24日 16:53:19
3楼

感谢楼主分享

回复

相关推荐

APP内打开