基于ESTARFM 的MODIS 与Sentinel-2三江平原EVI 与LSWI 时空融合质量评价

曾令辉 佟欣羽

（辽宁师范大学地理科学学院，辽宁 大连 116029）

时序遥感数据可以用于描述不同时期的农作物生长状况，揭示农作物在生长周期中各自特征，因此，时序遥感数据已广泛用于农作生产管理、检测等应用中[1]。但在由于遥感卫星自身因素及天气条件等影响导致难以获得连续且高质量的遥感数据。时空融合模型是综合多源数据的空间信息及时间信息对未知时间的高空间分辨率卫星影像进行预测的融合分析技术[2]。因此时空融合模型是一种可以有效模拟受云雨天气及重访周期限制而缺失的遥感影像的手段。

目前在农业生产中不同时空融合模型制作高时空分辨率数据集广泛用于农作物的分类、生产力估算、物候提取等。而目前作为时空融合输入数据的数据源多为MODIS 与LANSAT，这导致了在部分种植结构复杂情况难以处理实际应用中的问题。随着遥感技术的发展，遥感卫星的分辨率和重访周期突破了限制，欧空局于2015年开始发射的Sentinel-2 卫星，重访周期可达5 天，空间分辨率最高为10m[3]，在一定程度上克服了“时空矛盾”的影像，但在夏季多雨等热带地区，云雨天气影响时间较长，任难以获取连续的高质量时序遥感数据。

因此本文计划对黑龙江省三江平原选取一定范围农耕区作为研究区，基于增强型时空自适应反射率融合模型ESTARFM（Enhanced spatial and temporal adaptive reflectance fusion） 时 空 融 合 方 法[4]，对MODIS 与Sentinel-2 卫星影像数据构建高时空分辨率MODIS-Sentinel-2 EVI、LSWI 数据集，评价融合结果质量，以拓展时空融合数据源的选取，为遥感影像在农业中的应用提供更高时空分辨率的数据支持。

1 数据与研究区

1.1 研究区概况

研究区位于我国三江平原东北部，饶河县、抚远县、同江市、富锦市四县的交界处（图1），长38km 宽43.2km，113°17′29″E-113°48′23″E，47°18′27″N-47°41′24″N。三江平原是黑龙江省重要的产粮基地，区域气候为温带湿润、半湿润的大陆性季风气候，雨热同季，水资源丰富，土质肥沃，适于农作物生长。

图1

1.2 数据获取及预处理

研究选取MDOIS 产品中8-day 合成的地表反射率产 品MOD09Q1 及 MOD09A1， 与 Sentinel-2 A/ B Level-2A 级别数据作为时空融合模型的输入数据。影像信息及获取日期见表1。MODIS 数据下载于美国地质勘探 局 官 网（https://ladsweb.modaps.eosdis.nasa.gov/），Sentinel-2 数据下载于欧空局数据中心（https://sentinel.esa.int/web/sentinel/home）。MODIS 数据数据下载后首先使用经过MRT、ENVI 5.3 进行镶嵌、剪裁和重采样至10m 数据处理工作。Sentinel-2 在影像数据获取后，首先利用欧洲航天局所提供的SNAP 软件中进行影像的重采样（10m）镶嵌和剪裁。影像信息及获取日期见表1。

2 研究方法

为基于ESTARFM 时空融合方法生成高质量高时空分辨率EVI、LSWI 数据集。首先使用ENVI 5.3 批量对对预处理后的MODIS 于Sentienl-2 数据进行波段运算，得到EVI、LSWI 时间序列数据，计算如式（1）、（2）所示。然后对MODIS 的时序EVI、LSWI 数据集进行平滑，研究使用Savitzky-Golay 滤波方法对MODIS 的时序LSWI、EVI数据集进行平滑，以避免时序植被指数数据集中的噪点影响后续时空融合结果精度[5]；使用ESTARFM 时空融合方法，选择t1、t2 两个日期平滑后MODIS 植被指数及Sentinel-2 植被指数数据为基础影像对，预测tp 日期的植被指数。以此方法来构建2020 年农作物整个生育期的高时空分辨率LSWI、EVI 时序数据集。具体方法如图2 所示。

图2 技术路线

增强型植被指数（EVI）对不同植被类型的冠层结构变化较为敏感。因此，EVI 时序数据能有效间接反映农作物整个生长季内的植被冠层变化。

其计算公式为：

式中：ρNIR、ρRed、ρBlue分别为近红外、红、蓝波段的表反射率。

地表水分指数（LSWI）可以综合反应地表植被冠层及土壤水分状况，其LSWI 计算公式为：

式中：ρNIR、ρSWIR分别为近红外、短波红外波段的地表反射率。

ESTARFM 时空融合方法：

本研究选取增强型时空自适应反射率融合模型对Sentinel-2 与MODIS 数据进行时空融合，与其它的时空融合方法相比较，ESTARFM 在空间异质性较大的地区的融合效果更好。ESTARFM 需要在预测日期（tp）附近获取t1 及t2 时刻Sentinel-2 与MODIS 影像对，以及在预测日期（tp）的MODIS 影像，生成预测日期（tp）高空间分辨率影像。本文采用基于Python 编译的ESTARFM 时空融合算法，对MODIS 影像和Sentinel-2 A/B 影像进行时空融合，生成生长季内每8 天10m 空间分辨率的EVI、LSWI 融合时序数据集（EVIM-S、LSWIM-S），具体时空融合基础影像与验证影像如表1 所示。

表1 Sentinel-2 与MODIS 影像详细信息

3 结果与分析

将研究区内时空融合结果与未参与融合的真实Sentinel-2 的EVIS、LSWIS影像与三种主要农作物（水稻、玉米、大豆）MODIS 纯像元时序EVIM、LSWIM数据评估ESTARFM 时空融合的效果与准确性。

从图3 可以看出，对比基于ESTARFM 时空融合模型融合后的EVIS-M、LSWIS-M时序曲线与原始和平滑后的EVIM、LSWIM时序曲线可以发现，在纯像元中经过ESTARFM 时空融合后的时序曲线变化趋势与MODIS 平滑后曲线变化一致，且在Sentinel-2 的EVIS、LSWIS基础影像和预测影像数值与MODIS 的EVIM、LSWIM影像数值接近的日期范围内，二者时序曲线可以保持良好的一致性。

图3 融合后时序数据与平滑前后MODIS 数据对比

将预测日期影像DN 值减去对应日期的融合结果影像后（详细日期见表1），将结果进行绝对值便于更直观的展示融合影像与预测日期真实影像之间的误差，并选取在统计学中的RSME（Root Mean Squared Error，均方根 误 差）、MSE （Mean Square Error，均 方 误 差）、R2（Correlation coefficient，相关系数）来定量计算预测日期真实影像与融合影像之间的差异（图3）。各验证日期的融合影像与真实影像相关性R2均值为0.878，根据图4差值影像可以看出差值大面积为0-0.1 之间，表明融合结果接近真实影像。图3（d）处于5 月中旬至六月中旬，在这个时间段内，水稻处于泡田、分蘖阶段，此时水田中LSWI 数值会发生较为剧烈的变化，这给时空融合带来较大的影响，因此在此时间段内，融合的精度较低，RMSE 与MAE 数值均大于0.1；在7 月18 日的差值中可以发现，由于基础影像与预测影像之间的日期间隔较大，且在六月下旬至八月中旬期间水旱田内农作物EVI、LSWI 均处于上升阶段。在此情况下，时空融合的结果会同时受混合像元及像元DN 值变化幅度较大的影响；而在10 月1 日的融合结果中，基础影像日期较为接近，且在此期间内，农作物均处于成熟阶段，因此时空融合的效果最好。

图4 验证日期真实Sentienl-2 影响数据与融合结果差值和统计学差异

4 结论

本研究表明，通过单个日期与时序上的时空融合质量评价，ESTARFM 融合Sentinel-2 与MODIS 数据的结果与真实影像相关性可达0.9 以上，也可以模拟出符合地物变化规律的时序曲线。表明ESTARFM 可以理想的模拟出受云雨及重放周期影响而缺失的Sentinel-2 数据。为遥感影像在农业中的应用提供更高时空分辨率的数据支持。