[发明专利]一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型

权利要求书

1.一种基于直方图聚类的高时空归一化植被指数NDVI的融合方法，其特征在于，包括：

S1，获取t₀时刻的高空间分辨率NDVI数据HS_t0，并对高空间分辨率NDVI数据进行高斯滤波处理，根据局部直方图特征，获取分类图1；

S2，基于S1的结果，采用线性混合模型对t₀与t_p时刻下获取的低空间分辨率NDVI数据进行上采样，获得不同时刻下与HS_t0同等分辨率的HS_u0和HS_up；

S3，基于S2的结果，将HS_t0、HS_u0和HS_up作为输入数据，利用线性混合模型初次预测t_p时刻下高空间分辨率NDVI数据，记为HS_tp1；

S4，根据HS_t0与HS_tp1的局部直方图特征，生成分类图2；

S5，基于S4的结果，将HS_t0、HS_u0和HS_up作为输入数据，利用线性混合模型再次预测t_p时刻下高空间分辨率NDVI数据，记为HS_tp2；

S6，基于不同新粗像元的大小，进行多次HS_tp2的预测，然后求算术平均值，最终生成t_p时刻的高分辨率NDVI；

其中，HS_u0表示t₀时刻低空间分辨率NDVI数据上采样产生的HS_t0同等分辨率数据；

HS_up表示t_p时刻低空间分辨率NDVI数据上采样产生的HS_t0同等分辨率数据；

采用线性混合模型对t₀与t_p时刻下获取的低空间分辨率NDVI数据进行上采样，具体包括：

S101：提取每个混合像元内各类别的丰度，得到类别丰度图；

S102：根据粗像元NDVI值等于该像元内各类别NDVI值与其丰度的线性组合原理，对LS_t0和LS_tp分别构建两个相同的高低分辨率NDVI值线性混合模型；

S103：采用最小二乘方法对LS_t0和LS_tp分别构建的高低分辨率NDVI值线性混合模型进行求解，生成不同时刻下与HS_t0同等分辨率的HS_u0和HS_up；

LS_t0为t0时刻的低空间分辨率NDVI数据；

LS_tp为tp时刻的低空间分辨率NDVI数据；

步骤S3与S5分别利用分类图1与分类图2求解线性混合模型生成HS_tp1与HS_tp2，具体包括：

S301：利用丰度计算公式，根据分类图1提取每个粗像元内各类别的丰度，得到类别丰度图1，用于预测HS_tp1；

S302：利用丰度计算公式，根据分类图2提取每个粗像元内各类别的丰度，得到类别丰度图2，用于预测HS_tp2；

S303：粗像元(x_i,y_i)的NDVI短期增量ΔNDVI_C(x_i,y_i)能够通过NDVI_C,tp(x_i,y_i)和NDVI_C,t0(x_i,y_i)进行估算，计算公式如下：

ΔNDVI_C(x_i,y_i)＝NDVI_C,tp(x_i,y_i)-NDVI_C,t0(x_i,y_i)

式中，ΔNDVI_C(x_i,y_i)为粗像元在(x_i,y_i)处t₀至t_p时间内NDVI的增量，此处粗像元是基于HS_u0和HS_up数据按预定数量细像元组成的新粗像元，NDVI_C,tp(x_i,y_i)为t_p时刻的粗像元NDVI值，NDVI_C,t0(x_i,y_i)为t₀时刻的粗像元NDVI值；

S304：根据空间相似性、时间相似性和线性混合理论，低空间分辨率NDVI粗像元的NDVI增量ΔNDVI_C(x_i,y_i)是高空间分辨率NDVI精细像元NDVI增量的线性叠加，粗象元与细像元NDVI短期增量之间的关系式如下：

式中，ΔNDVI_C(x_i,y_i)为粗像元(x_i,y_i)从t₀至t_p时间内NDVI的增量，l为分类数，f_l(x_i,y_i)为l类别在粗像元(x_i,y_i)内的丰度，ΔNDVI_F,l为粗像元(x_i,y_i)处l类别细像元从t₀至t_p时间内NDVI的增量；

S305：采用最小二乘法对S304中线性混合模型求解，分别获得预测HS_tp1与HS_tp2的ΔNDVI_F,l；

S306：粗像元(x_i,y_i)处l类别在t_p时刻的细像元NDVI预测值能够通过ΔNDVI_F,l(x_i,y_i)和获得，分别生成HS_tp1和HS_tp2；公式如下，

式中，为粗像元(x_i,y_i)内的l类别细像元在t_p时刻的NDVI预测值，ΔNDVI_F,l(x_i,y_i)为粗像元(x_i,y_i)内的l类别细像元从t₀至t_p时间内的NDVI增量，粗像元(x_i,y_i)内的l类别细像元在t₀时刻的NDVI值。