构建高空间分辨率NDVI时间序列数据的方法

摘要

本发明公开了一种构建高空间分辨率NDVI时间序列数据的方法，该方法通过已知的MODIS NDVI数据中的低空间分辨率的MODIS像素和TMNDVI数据中的高空间分辨率的TM像素，预测构建高空间分辨率NDVI时间序列数据。本发明所提供的上述方法融合了TM数据和MODIS数据，可以高效获得高空间分辨率的NDVI时间序列数据并具有相当好的精度。

说明书

技术领域

本发明涉及一种构建高空间分辨率NDVI时间序列数据的方法，该方法 可通过已知的MODIS NDVI数据和TM NDVI数据产生高空间分辨率NDVI 时间序列数据。

背景技术

归一化差值植被指数（Normalized difference vegetation index，缩写为 NDVI）是一种广泛使用的植被指数，它可以根据卫星遥感获得的红光和近红 外波段的地表反射率求得（参见附录17），例如，美国陆地卫星的TM以及 MODIS数据中即包含有卫星遥感获得的NDVI数据，该NDVI数据可以从相关 网站下载或者购买获得。

NDVI可用于检测植被生长状态、植被覆盖度等，其可反映出植物冠层的 背景影响，如土壤、潮湿地面、雪等与植被覆盖有关的参数。NDVI大于等于 -1小于等于+1，负值表示地表或者地表对应的空中区域为云、水、雪等，对 可见光高反射；0表示有岩石或裸土等；正值，表示有植被覆盖，且随覆盖度 增大而增大。

将卫星探测获得的NDVI数据置于地图上就可以形成一幅数字化的NDVI 数值“图片”，该“图片”中的每个像素点都对应着地表的一个正方形区域， 该正方形区域具有一个特定的NDVI数值，所有像素点以其具有的NDVI数值 排列在一起就构成了一幅以NDVI数值表现出来的数字“图片”，而“图片” 的每个像素的NDVI数值可用于表示地图上该位置的地表植被情况。

其中，所述TM NDVI数据指的是，美国国家航空航天局开发的美国陆地 探测卫星系统Landsat搭载的Thematic Mapper(TM)传感器获取的地表数据，T M NDVI数据中的每个地表像素具有对应的NDVI数值。同样的，所述MODI S NDVI数据指的是，美国地球观测系统系列卫星Aqua和Terra上搭载的中分 辨率成像光谱仪(Moderate-resolution imaging spectroradiometer，缩写为MOD IS)获取的地表数据，MODIS NDVI数据中的每个地表像素具有对应的NDVI 数值。

其中，TM NDVI数据中的NDVI数值的空间分辨率为30m*30m，时间分 辨率为16天，而MODIS NDVI数据中的NDVI数值的最大空间分辨率为 250m*250m，时间分辨率为1天（MODIS NDVI数据实际上可以由两颗卫星提 供，这两颗卫星所获得的MODIS NDVI数据的空间分辨率和时间分辨率是相 同的，不同的是两颗卫星分别是上午和下午过境，因此对于同一地区，每天 可以获得两次MODIS NDVI数据，本申请中为简化起见，选取的是同一地区 同一天上午过境的MODIS NDVI数据）。也就是说，对于地球上同一位置， 例如黄土高原某处，Landsat卫星每16天会通过一次，其上的TM传感器获得的 地表图像的每个像素代表30m*30m的尺度范围，因此TM传感器在空间尺度上 获得的NDVI数据的空间分辨率为30m*30m。同样的，Aqua或Terra卫星每天 都会通过该处位置一次，其上的MODIS传感器获得的图像的每个像素代表 250m*250m的尺度范围，因此MODIS传感器在空间尺度上获得的NDVI数据 的空间分辨率为250m*250m。

从上述对于TM NDVI数据和MODIS NDVI数据介绍可知，TM NDVI 数据具有较高的空间分辨率和较低的时间分辨率，而MODIS NDVI数据具有 较低的空间分辨率和较高的时间分辨率。TM NDVI数据的空间分辨率较高， 其对于地面植被情况的探测精度要比MODIS NDVI数据要好很多，但是缺陷 是，其提供的NDVI数值并不是每天都有，需要间隔16天才能获取一次，对 于特定区域的连续监控存在难度，无法获得精确时间范围内的植被变化情况， 例如，对于某山区的森林火情的监控或地质灾害的监控存在时间上的盲点。 另一方面，MODIS NDVI数据虽然每天都能获得，但是其空间分辨率却不够， 对于较小范围内的森林火情或地质灾害也无法给出变化情况的数据。

因此，需要提供一种方法，用以通过已知的MODIS NDVI数据中的低空 间分辨率的MODIS像素和TM NDVI数据中的高空间分辨率的TM像素，预 测构建高空间分辨率NDVI时间序列数据

发明内容

为解决上述技术问题，本发明提供了一种构建高空间分辨率NDVI时间序 列数据的方法，该方法通过已知的MODIS NDVI数据中的低空间分辨率的M ODIS像素和TM NDVI数据中的高空间分辨率的TM像素，预测构建高空间分 辨率NDVI时间序列数据。

所述方法包括如下步骤：

（A）将t₁时刻和t₂时刻的低空间分辨率的MODIS像素按照TM像素尺 度进行填充，然后将这些TM像素依据NDVI阈值划分成总类为l的地物类 别c，设定同一地物类别c的TM像素具备相同的NDVI增长率；

（B）测量获得从t₁到t₂时刻的MODIS像素的NDVI增长率；

（C）将所述不同地物类别的TM像素的NDVI增长率乘以该地物类别的 TM像素在其所在的MODIS像素中所占的面积比之后加起来，就获得了填充 在所述MODIS像素中的所有TM像素的NDVI增长率的平均值，该平均值 等于上述步骤（B）中的所述MODIS像素的NDVI增长率；

（D）设定与上述MODIS像素相邻的至少（l–1）个MODIS像素中， 同样地物类别的NDVI增长率相同，对所述（l–1）个MODIS像素重复上 述步骤（A）到（C），从而计算获得每个地物类别的所述TM像素的NDVI 增长率；

（E）测量获得t₁时刻的TM像素的NDVI数值，设定NDVI数值随着时 间呈线性变化，根据步骤（D）中获得的所述每个地物类别的所述TM像素 的NDVI增长率，计算获得t₂时刻的TM像素的NDVI数值；

（F）将所述计算获得的t₂时刻的TM像素的NDVI数值与所述已知的t₁时刻的TM像素的NDVI数值按照时间排列，就获得了所述高空间分辨率 NDVI时间序列数据。

优选地，其中步骤E中，所述设定NDVI数值随着时间呈线性变化由公 式（1）获得：

NDVI₂=NDVI₁+k×（t₂-t₁）                （1）

其中，NDVI_i是t_i（i=1,2）时刻的NDVI值；k表示从t₁到t₂时刻对应的 NDVI增长率。

优选地，其中步骤C中，所有TM像素的NDVI增长率的平均值等于所 述MODIS像素的NDVI增长率由公式（2）获得：

k^MODIS(x,y,t₁→t₂)=∑^l_c=1f_c(x,y,t₁)×k_c^TM(x,y,t₁→t₂)    （2）

其中，k^MODIS(x,y,t₁→t₂)是从t₁到t₂时刻的MODIS像素（x,y）的增长率； k_c^TM(x,y,t₁→t₂)是从t₁到t₂时刻MODIS像素（x,y）中对应的第c类TM像 素的增长率；f_c(x,y,t₁)是t₁时刻像素（x,y）中第c类地物的面积比；l是像 素（x,y）中总的地物类型。

优选地，其中步骤D中，所述每个地物类别的所述TM像素的NDVI增 长率由公式（3）获得：

其中，△t代表从t₁到t₂时刻。

优选地，所述地物类别l为5或6。

本发明提供了一种构建高空间分辨率NDVI时间序列数据的方法，其根 据MODIS NDVI数据和TM NDVI数据所具备的关联性，预测高空间分辨率 NDVI数值，从而可以构建高空间分辨率NDVI时间序列数据。该方法融合 了TM数据和MODIS数据，可以高效获得更高分辨率的NDVI时间序列数 据并具有相当好的精度。

附图说明

以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范 围。其中，

图1示意性显示的是TM NDVI数据和MODIS NDVI数据的对应情况；

图2，其显示的是在图1基础上，根据MODIS NDVI数据预测对应的TM NDVI数据的示意图；

图3显示的是MODIS像素与TM像素的对应关系示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图 说明本发明的具体实施方式。其中，相同的部件采用相同的标号。

图1示意性显示的是TM NDVI数据和MODIS NDVI数据的对应情况， 图1中将TM NDVI数据和MODIS NDVI数据直观地表示成“图片”的形式， 用以表示二者在时间分辨率和空间分辨率的差别。

本领域技术人员应当理解，正如前述，图1中TM NDVI数据和MODIS NDVI数据是想象成的一种“图片”形式，其中，TM NDVI数据是由按照时 间顺序排列的这样一组数字“图片”构成的，其中相邻的“图片”拍摄的时 间间隔为16天，每个“图片”中的每个像素对应着地表的一个30m*30m的正 方形区域，该正方形区域具有其特定的NDVI数值；类似的，MODIS NDVI 数据也是由按照时间顺序排列的这样一组数字“图片”构成的，其中相邻的 “图片”拍摄的时间间隔为1天，每个“图片”中的每个像素对应着地表的一 个250m*250m的正方形区域，该正方形区域具有其特定的NDVI数值。

如图所示，时间轴上方表示的是TM NDVI数据，也就是说，以某个时 间点为原点，每间隔16天可获得一个30m*30m的空间分辨率的“图片”，因 此，可以将TM NDVI数据中的每个“图片”的像素称为TM像素，每个TM 像素具有与其对应的NDVI数值。而时间轴下方表示的是MODIS NDVI数据， 以同样的时间点为原点（实际上MODIS NDVI数据要比该原点相差不到30 分钟，但是该延迟对于每天24小时来说可以忽略不计），每间隔1天可获得 一个250m*250m的空间分辨率的“图片”，因此，可以将MODIS NDVI数据 中的每个“图片”的像素称为MODIS像素，每个MODIS像素具有与其对应 的NDVI数值。

本发明提供了一种构建高空间分辨率NDVI时间序列数据的方法，其根 据MODIS NDVI数据和TM NDVI数据所具备的关联性，通过MODIS NDVI 数据所具备的低空间分辨率NDVI数值，预测出同一时刻TM NDVI数据的 高空间分辨率NDVI数值，最后将这些预测出来的TM NDVI数据的高空间 分辨率NDVI数值按照时间排列，就可以构建高空间分辨率NDVI时间序列 数据。

具体说明如下：

实施例1

参照图2，其显示的是在图1基础上，根据MODIS NDVI数据预测对应 的TM NDVI数据的示意图，其中虚线所示为预测获得的TM NDVI数据。

由于获取TM NDVI数据和MODIS NDVI数据的卫星有相似的轨道参数 以及不足30分钟的卫星过境时间间隔，因此，在理论上就可以假设，在时间 序列上，TM NDVI数据和MODIS NDVI数据在短时间内均可以假设是线性 变化的。

也就是说，图2中，时间轴上方的TM NDVI数据中，相邻“图片”的 TM像素的NDVI数值假设是随着时间呈线性变化的，由于时间轴下方的 MODIS NDVI数据与TM NDVI数据从卫星轨道到过境时间上存在的相似性， 因此同样可以推断，时间轴下方的MODIS NDVI数据中，相邻“图片”的 MODIS像素的NDVI数值也是呈线性变化的。

因此，对于两个不同时刻t₁、t₂之间的NDVI数值，其线性变化关系可表 示为公式（1）：

NDVI₂=NDVI₁+k×（t₂—t₁）                （1）

其中，NDVI_i是t_i（i=1,2）时刻的NDVI值；k表示从t₁到t₂时刻对应的 NDVI增长率。

也就是说，上述公式（1）对于MODIS NDVI数据与TM NDVI数据是 通用的，并且对于二者来说，应当具有相关的增长率k。因此，只要获得了 MODIS像素的NDVI增长率k，就获得了TM像素的NDVI增长率，代入公 式（1）即可以用来预测t₂时刻的TM像素的NDVI数值。

亦即，我们可以根据1天间隔的MODIS像素的NDVI增长率k，将其转 化为TM像素的NDVI增长率，同样可以推算出1天间隔的TM像素的NDVI 数值，从而使得高空间分辨率的NDVI数值同样可以是1天间隔的，如图2 中虚线所示方块代表的就是推算出的高空间分辨率NDVI数值（TM像素的 NDVI数值），这些数值按照时间排列所获得的就是高空间分辨率NDVI时间 序列数据。

具体到实现上，由于MODIS NDVI数据与TM NDVI数据存在不同的空 间分辨率，MODIS像素的NDVI增长率表现的是地表250m*250m区域的 NDVI增长情况，而TM像素的NDVI增长率表现的是地表30m*30m区域的 NDVI增长情况。因此，可以想象，在同样一片地表区域，例如地表250m*250m 区域中，只包含1个MODIS像素，但是却包含有大概8*8=64个TM像素， 因此，该区域的1个MODIS像素的NDVI增长率应当大体上等于其中的64 个TM像素的NDVI增长率的平均值。

因此，本发明提供了一种解决方案，首先将低空间分辨率的MODIS像 素按照TM像素尺度进行填充，例如，将图2中时间轴下方的t₁时刻和t₂时 刻的MODIS像素按照TM像素尺度进行填充，然后将这些TM像素划分成 不同的类别，同一类别的TM像素具备相同的NDVI增长率，测量从t₁到t₂时刻相邻的MODIS像素中，相同位置的TM像素的NDVI增长率，将测量 获得的不同类别的TM像素的NDVI增长率乘以该类别的TM像素在其所在 的MODIS像素中所占的面积比之后加起来，就获得了填充在MODIS像素中 的所有TM像素的NDVI增长率的平均值，该平均值就应当等于上述MODIS 像素的NDVI增长率。

即，MODIS像素的NDVI数值和TM像素的NDVI数值的NDVI增长率 的关系可以用公式（2）表示：

k^MODIS(x,y,t₁→t₂)=∑^l_c=1f_c(x,y,t₁)×k_c^TM(x,y,t₁→t₂)（2）

其中，k^MODIS(x,y,t₁→t₂)是从t₁到t₂时刻的MODIS像素（x,y）的增长率， 这个可以通过测量获得；k_c^TM(x,y,t₁→t₂)是从t₁到t₂时刻MODIS像素（x,y） 中对应的第c类TM像素的增长率，这是需要获得的未知参数；f_c(x,y,t₁)是 t₁时刻像素（x,y）中第c类地物的面积比，这个可以通过测量获得；l是像 素（x,y）中总的地物类型，这个是根据地表情况设定的数值。

也就是说，我们假设，认为具有相似NDVI的像素其增长率也相同，这 样就可以将TM像素划分成l种地物类型，例如根据不同地物表现在NDVI 数值上的阈值的不同，将TM像素划分成不同的地物类型c，考虑到水体NDVI 低于0，裸地NDVI的取值范围在0到0.2之间，低盖度植被的NDVI在0.2 至0.5之间，高盖度植被的NDVI基本在0.5以上，因此可以使用阈值分类如 下：-1.0-0是水，0-0.2是裸土，0.2-0.5是低植被覆盖，0.5-1.0是茂密的植被， 以此避免单一地物类型带来的偏差。

公式（2）式使得利用MODIS像素获得TM像素的增长率成为可能。但 是，仍然存在一个问题，地物类型总数l往往是大于1的，这意味着除非有 至少另外（l–1）个方程，否则将无法获得未知参数的取值。

为了解决这一问题，引入MODIS邻近像素来提供更多的信息，假设这 些邻近像素中，同类地物的增长率一致。N个邻近像素的线性混合模型具有 通用的矩阵形式的公式（3）：

其中，△t代表从t₁到t₂时刻，公式（3）中的k^MODIS(x,y,△t)和f_c(x,y) 可以根据已有的MODIS时间序列数据和TM单时刻数据获得。因此，k_c^TM(x, y,△t)可以通过求解线性方程组进行估计。最后再根据公式（1），利用TM像 素的增长率来计算获得t₂时刻的NDVI数值，从而就预测获得了如图2虚线 所示的NDVI数值。

以上根据TM NDVI数据和MODIS NDVI数据的特性，直观的以相邻 NDVI数字“图片”的像素的方式进行了举例说明，因此，对于整个NDVI 数字“图片”来说，只要针对每个MODIS像素和TM像素遍历一遍上述步 骤，就可计算获得TM NDVI数据的每个像素在t₂时刻的NDVI数值。

同样的，如图2所示，对于t₂时刻之后的TM像素，例如t₃时刻的TM 像素，也可以运用同样的方法，以相邻的t₂到t₃时刻MODIS像素的NDVI 增长率，基于已经预测出来的t₂时刻TM像素的NDVI数值，进一步计算获 得t₃时刻的TM像素的NDVI数值，依此类推。最后依次将预测获得的t₁、t₂、 t₃……等时刻的NDVI数值按照时间排列起来，就获得了一系列高空间分辨率 NDVI时间序列数据。

基于上述分析，本发明的方法可以概括为包括如下步骤：

（A）将t₁时刻和t₂时刻的低空间分辨率的MODIS像素按照TM像素尺 度进行填充，然后将这些TM像素依据NDVI阈值划分成总类为l的地物类 别c，设定同一地物类别c的TM像素具备相同的NDVI增长率；

（B）测量获得从t₁到t₂时刻的MODIS像素的NDVI增长率；

（C）将所述不同地物类别的TM像素的NDVI增长率乘以该地物类别的 TM像素在其所在的MODIS像素中所占的面积比之后加起来，就获得了填充 在所述MODIS像素中的所有TM像素的NDVI增长率的平均值，该平均值 等于上述步骤（B）中的所述MODIS像素的NDVI增长率；

（D）设定与上述MODIS像素相邻的至少（l–1）个MODIS像素中， 同样地物类别的NDVI增长率相同，对所述（l–1）个MODIS像素重复上 述步骤（A）到（C），从而计算获得每个地物类别的所述TM像素的NDVI 增长率；

（E）测量获得t₁时刻的TM像素的NDVI数值，设定NDVI数值随着时 间呈线性变化，根据步骤（D）中获得的所述每个地物类别的所述TM像素 的NDVI增长率，计算获得t₂时刻的TM像素的NDVI数值；

（F）将所述计算获得的t₂时刻的TM像素的NDVI数值与所述已知的t₁时刻的TM像素的NDVI数值按照时间排列，就获得了所述高空间分辨率 NDVI时间序列数据。

其中步骤E中，所述设定NDVI数值随着时间呈线性变化由公式（1）获 得。

其中步骤C中，所有TM像素的NDVI增长率的平均值等于所述MODIS 像素的NDVI增长率由公式（2）获得。

其中步骤D中，所述每个地物类别的所述TM像素的NDVI增长率由公 式（3）获得。

实施例2

下面进一步以一个具体示例描述根据本发明的构建高空间分辨率NDVI 时间序列数据的方法。如图3所示，其显示的是MODIS像素与TM像素的 对应关系示意图。

参见图3，其中，图中左侧表示的是一个3*3的MODIS像素，每个小方 格表示一个MODIS像素，总共就是9个MODIS像素。图中右侧表示的是左 侧带有星型标示的MODIS像素（目标MODIS像素）的放大图，其中按照 TM像素尺度进行了填充，也就是右侧的每个小方格表示的是对应的一个TM 像素。需要说明的是，由于MODIS像素空间分辨率为250m*250m，而TM 像素的空间分辨率为30m*30m，为了方便后期的计算，将MODIS像素重采 样到240m*240m因此每个MODIS像素等于8*8=64个TM像素，为简化说 明，图中以8*8的方式将MODIS像素分割成了64个TM像素，也就是说， 图中左侧的目标MODIS像素按照TM像素尺度填充了64个TM像素。

首先，依据已知的时刻t₁的TM像素的NDVI值，以阈值0和0.2对所 有的像素进行分类，NDVI小于0的为第一类地物，0-0.2的为第二类地物， 大于0.2的为第三类地物，得到的分类结果如图所示，其中，目标MODIS像 素中包含第1类地物共有24个TM像素，第2类地物共有20个TM像素， 第3类地物共有20个TM像素。

根据分类，可以计算各个类别地物在MODIS像素中所占的面积比例。 根据图3，计算得到目标MODIS像素中三类地物的面积比分别为f₁=0.375， f₂=0.3125，f₃=0.3125。

依照公式（2）：

k^MODIS(x,y,t₁→t₂)=∑^l_c=1f_c(x,y,t₁)×k_c^TM(x,y,t₁→t₂)    （2）

对于本示例，简化表示该像素从t₁到t₂时刻的变化率可获得如下等式：

k^MODIS=f₁*k₁^TM+f₂*k₂^TM+f₃*k₃^TM    （4）

等式（4）中，由于左侧的k^MODIS可以通过测量t₁时刻到t₂时刻的MODIS 像素的NDVI增长率获得，因此需要获得等式右侧的三个未知数k₁^TM、k₂^TM、 k₃^TM，但是，一个MODIS像素仅可获得上述一个与这三个未知数相关的等式 （4），因此为了获得三个未知数，则需要引入更多的方程。

根据假设，邻近像素中同类地物的NDVI增长率一致，如图3所示，选 择离目标MODIS像素最近的2个像素（例如，示例图中左侧目标MODIS像 素b上方的像素a和下方的像素c）。然后，逐个像素计算从观测时刻(t1)到预 测时刻(t2)的TM像素NDVI变化率。

根据上述步骤得到的TM像素的NDVI变化率以及每个TM像素对应的 各个类别所占的比例，可以列出3个形如下式的方程：

k_a^MODIS=f_a,1*k₁^TM+f_a,2*k₁^TM+f_a,3*k₃^TM    （4a）

k_b^MODIS=f_b,1*k₁^TM+f_b,2*k₂^TM+f_b,3*k₃^TM    （4b）

k_c^MODIS=f_c,1*k₁^TM+f_c,2*k₂^TM+f_c,3*k₃^TM    （4c）

其中，目标MODIS像素上方的像素a对应的是方程（4a），目标MODIS 像素b本身对应的是方程（4b），目标MODIS像素下方的像素c对应的是方 程（4c）。

上述三个方程左侧的MODIS像素的变化率是已知的，t₁时刻每类地物的 面积比也是已知的，因此由上述三个方程就可以求解获得三个未知数k₁^TM、 k₂^TM、k₃^TM。

实际操作的过程中，为提高计算精度，可以选择针对最靠近目标像素的 8个MODIS像素a、c、d1、d2、d3、e1、e2、e3分别列一个方程，这样就可 以获得9个方程，只要地物种类l小于等于9，就可以通过普通最小二乘方法 求解得到每一个地物类型所对应的NDVI变化率。

将求解获得的每一个地物类型所对应的NDVI变化率代入公式（1），即 可获得t2时刻每个地物类型的NDVI数值。将这些数值按照时间排列所获得 的就是高空间分辨率NDVI时间序列数据。

本申请提出了一种基于MODIS NDVI时间序列数据和TM NDVI数据产 生高空间分辨率NDVI时间序列数据的方法，该方法将NDVI线性增长模型 以及扩展的NDVI线型混合模型结合在一起，将原始的预测问题转化为线性 系统求解问题。由于在线性系统中由若干个参数需要估计（各类TM像素的 增长率），基于邻近像素的相同类别增长率一致这一假设，该方法从邻近像素 中引进可用的信息。

根据我们所进行的若干实验，该方法被证明是有效并且精确地。首先， 实验结果表明类别数对于结果的影响包括精度和纹理信息两个方面，综合这 两个方面进行考虑，基于现有的研究区数据推荐使用5~6类进行预测。

其次，对于匀质区域和异质区域该方法的表现可能会有一定的差异。我 们对两块不同的区域分别进行了若干实验，其中一块匀质性较强而另一块则 异质性强。匀质区域的实验结果表明本发明预测的精度至少与ESTARFM方 法（参见附录16）的精度可比，甚至在许多时候均高于ESTARFM。与此同 时，异质区域的实验结果表明新方法可以得到比ESTARFM更好地结果。

此外，在该方法中需要对TM像素基于NDVI值进行分类，在分类中会 存在时相效应这一潜在问题。基于不同时相的数据进行的分类会得到不同的 预测结果，因此，我们对该问题进行了若干实验验证。这些实验的结果表明 时相效应在长时间周期的预测中有着重要的影响，必须选择合适的影像才会 将误差降至最低，因此，在进行长时间的预测时，推荐使用植被生长最好的 时刻的TM NDVI数据。但是，对于短时间周期的预测，时相效应的影响则 是次要的，因为短时间内，相似NDVI值的像素其变化是相似的，故对于TM NDVI数据没有具体的时相的要求。

本申请所提出的方法还有一个十分重要的优势，即效率。ESTARFM方 法（参见附录16）在融合上具有很好的精度，但是其时间成本极高，处理一 个时相的一景TM数据需要耗费2-3个小时，如果想要得到全年的数据则需 要至少40个小时，这使得其在全球或者区域尺度上的应用变得不现实。而本 申请所提出的方法，处理一景TM数据全年的数据仅需要1.5-2个小时的时间， 这个高效的性质使得该方法适合推广到全球或者区域尺度上的生态模型中进 行应用。

以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范 围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的 等同变化、修改与结合，均应属于本发明保护的范围。

现有技术附录：

[1]利用小麦光谱反射率估算吸收光和辐射以及叶面积指数，农学学报 (1984)，76,300-306（Asrar,G.,Fuchs,M.,Kanemasu,E.T.,&Hatfield,J.L. Agronomy Journal,76,300–306）。

[2]结合中空间分辨率与低空间分辨率卫星数据改善亚像素NDVI时间 序列估计，环境遥感，112(2008)，118–131（Busetto,L.,Meroni,M.,&Colombo, R.(2008).Remote Sensing of Environment）。

[3]一种基于Savitzky–Golay滤波器重建高质量NDVI时间序列数据集的 简单方法，环境遥感，91(2004)332–344（Chen,J.,Jo¨nsson,P.,Tamura,M.,Gu, Z.,Matsushita,B.,Eklundh,L.,(2004).Remote Sensing of Environment 91(2004) 332–344）。

[4]利用模拟和真实NOAA-AVHRR数据在异质性景观区域反演反射率 时间剖面，遥感国际学报(2000),21,753-775（Cherchali,S.,Amram,O.,& Flouzat,G.International Journal of Remote Sensing,21,753-775）

[5]估算用于气候水文模型输入参数的亚像素地表变量，国家空间研究中 心（法国）INRS-Eau研究报告(2000)，Vol.564.64pp（Fortin,J.P.,Bernier,M., El Battay,A.,& Gauthier,Y.Rapport de recherche INRS-Eau,Vol.564.64pp）。

[6]融合Landsat和MODIS地表反射率：预测每天Landsat地表反射率 （Gao,F.,Masek,J.,Schwaller,M.,& Hall,F.(2006).IEEE Transactions on  Geoscience and Remote Sensing,44,22072218）。

[7]一种基于Landsat与MODIS NDVI数据用于高时空分辨率森林制图 的新数据融合方法，环境遥感(2009)113,1613-1627（Hilker,T.,Wulder,M.A., Coops,N.C.,Linke,J.,McDermid,G.,Masek,J.,et al..Remote Sensing of  Environment）。

[8]利用时空自适应反射率融合模型融合MODIS NDVI数据生成密集时 间序列合成Landsat数据，环境遥感(2009)（Hilker,T.,Wulder,M.A.,Coops,N. C.,Sritz,N.,White,J.C.,Gao,F.,et al.(2009).Remote Sensing of Environment, 113,1988-1999）。

[9]在地形复杂区域融合多时相MODIS和Landsat NDVI数据的实时植 被动态降尺度研究，环境遥感(2011)（Hwang,T.,Song,C.,Bolstad,V.P.,Band, E.L.,(2011).Remote Sensing of Environment 115(2011)2499–2512）。

[10]阿根廷潘帕地区基于线性混合理论的NOAA-AVHRR NDVI分解与 亚像素分类研究（Kerdiles,H.,& Grondona,M.O.(1995).International Journal  of Remote Sensing,16,1303-1325）。

[11]用于地中海环境植被监测的高空间分辨率和低空间分辨率NDVI数 据融合方法（Maselli,F.,Gilabert,M.A.,& Conese,C.(1998).Remote Sensing  of Environment,63,208-218）。

[12]利用低空间分辨率卫星数据进行多种地表覆盖类型反射率数据混合 像素分解研究（Oleson,K.,Sarlin,S.,Garrison,J.,Smith,S.,Privette,J.,& Emery,W.(1995).Remote Sensing of Environment,54,98-112）。

[13]冠层反射率，光合作用和蒸散（Sellers,P.J.(1985).International  Journal of Remote Sensing,6,1335–1372）。

[14]线性混合理论和地表覆盖类型比例的估计（Settle,J.J.,&Drake,N. A.(1993).International Journal of Remote Sensing,14,1159-1177）。

[15]用于植被监测的红光和红外波段的线性融合（Tucker，C.J.(1979). Remote Sensing of Environment,8,127-150）。

[16]复杂异质性区域的强化时空自适应反射率融合模型（Zhu,X.L.,J. Chen,F.Gao,X.H.Chen & J.G.Masek(2010).Remote Sensing of Environment, 114，2610-2623）。

[17]MODIS植被指数的辐射和生物物理表现回顾（Huete,A.,K.Didan,T. Miura,E.P.Rodriguez,X.Gao & L.G.Ferreira(2002).Remote Sensing of  Environment,83，195-213）。

[18]利用AVHRR,VEGETATION和MODIS的NDVI时间序列数据监测 高山草甸物候——与实际测量进行比较（Fontana,F.,C.Rixen,T.Jonas,G. Aberegg & S.Wunderle(2008).Sensors,8，2833-2853）。

[19]利用NDVI时间序列数据和傅里叶分析评价植被物候的时空变化： 纳米比亚干旱草原环境的结果（Wagenseil,H.&C.Samimi(2006).International  Journal of Remote Sensing,27，3455-3471）。

[20]生长季前温度和降水对青藏高原中东部草原春季物候的影响（Shen, M.G.,Y.H.Tang,J.Chen,X.L.Zhu & Y.H.Zheng(2011).Agricultural and  Forest Meteorology,151，1711-1722）。

[21]1981-1991北半球高纬度地区加速的植被生长（Myneni,R.B.,C.D. Keeling,C.J.Tucker,G.Asrar & R.R.Nature,386，698-702）。

[22]1981-1994AVHRR数据观测的北部植被活动的年纪变化分析 （Shabanov，N.V.,L.M.Zhou,Y.Knyazikhin,R.B.Myneni &C.J.Tucker (2002).IEEE Transactions on Geoscience and Remote Sensing,40，115-130）。

[23]1982-1999北半球高纬度地区归一化差值植被指数和生长季变化趋 势（Tucker,C.J.,D.A.Slayback,J.E.Pinzon,S.O.Los,R.B.Myneni & M.G. Taylor(2001).International Journal of Biometeorology,45，184-190）。

[24]1981-1999利用卫星植被指数数据推测的北半球植被活动变化（Zhou, L.M.,C.J.Tucker,R.K.Kaufmann,D.Slayback,N.V.Shabanov & R.B. Myneni(2001).Journal of Geophysical Research-Atmospheres,106， 20069-20083）。

[25]埃及农业土地状态：利用Landsat TM获得的多式样NDVI特征 （Lenney,M.P.,C.E.Woodcock,J.B.Collins & H.Hamdi(1996).Remote  Sensing of Environment,56，8-20）。

[26]评价用于干旱地区森林物候分析的Landsat和MODIS NDVI数据融 合产品（Walker,J.J.,K.M.de Beurs,R.H.Wynne & F.Gao(2012).Remote  Sensing of Environment,117，381-393）。

[27]生成高时空分辨率NDVI数据并用于作物生物量估计（Meng,J.,X. Du & B.Wu(2011).International Journal of Digital Earth）。