遥感图像的高时空融合前期学习总结

一、融合方法

为什么需要研究遥感图像的高时空融合呢？根据看了几篇论文之后，自己的理解是因为遥感图像的高时间分辨率和高空间分辨率不可兼得，并且得到一张清晰的遥感图像并不是那么简单的事情，因此人们就考虑将具有高时间低空间和高空间低时间分辨率的遥感图像相融合，并可以得到高空间高时间的遥感图像，目前高时空融合的方法大致分为三大类：

1.基于变换模型的融合：以数据变换模型为基础，对变换后的数据进行信息的筛选和加工，最后再经过反变换，获得未知时刻的高分辨率数据。典型模型：小波变换模型、主成分分析的模型。

2.基于重建模型的融合：基于像元分解的办法，对多幅低空间高时间分辨率的像元进行分解并计算其不同时间的变化关系，然后与已知的高空间低时间分辨率的数据进行对应，同时求出高低分辨率影像间的变化关系，进而插值计算求出未知的另一时刻高空间分辨率数据。典型模型：时空自适应融合模型。

3.基于学习模型的融合：主要运用了压缩感知和稀疏表达的方法进行图像的处理。

二、STARFM==>预测Landsat地表反射率日变化

其步骤为：

1）使用高分辨率数据搜索与移动窗口中的中心像素光谱相似的像素。

2）对样本进行过滤。

3）根据权重函数确定权重。

4）利用公式计算预测值。

具体计算方式见论文《On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance》。

STARFM局限性：

1）若干扰引起的变化是暂时的，且至少在LandSat基图像中没有记录，此方法无法预测干扰事件

2）它是由双向反射分布函数描述的太阳目标传感器几何形状的函数，没有明确处理反射率的方向依赖性

3）预测的类陆地卫星的质量取决于感兴趣的地理区域

三、 ESTARFM==>针对复杂非均匀区域的增强时空自适应反射融合模型

这是针对STARFM的优化版本，其具体步骤为：

1）使用两个高分辨率图像搜索与本地窗口中的中心像素相似的像素

2）计算所有相似像素的权重（Wi）

3）利用线性回归确定转换系数（Vi）

4）利用计算低分辨率图像在期望预测日期的高分辨率

与STARFM不同的是引入了一个新的变量Vi，作为线性回归确定的转换系数。并且ESTARFM针对不同的像素点使用不用的公式计算，当像素简单时，使用简单的公式，此时不用计算Wi和Vi。当像素点复杂时，引入Vi和Wi，并且权值的计算与STARFM不同。

具体计算公式见论文《An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions》。

四、SADFAT=>以Landsat解度生成每日地表温度 

这是融合Landsat TM和MODIS LST数据实现的，其具体步骤为：

1）所有图像都注册到同一个坐标系中，并对其进行大气标定和表面亮度校正

2）利用这两幅L图像，按照预先设定的远侧搜索光谱相似的像素点

3）为每个相似的像素分配组合权值

4）通过回归分析确定转换系数

5）利用tp处的M图像和计算出的转换系数，得到预测的L辐射图像，利用普朗克定律将计算出的辐射图像转换为LST

具体计算公式见论文《Generating daily land surface temperature at Landsat resolution by fusing Landsat and MODIS data》。