Поиск
Найти:
Подписка/отписка
на рассылку новостей
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2019. Т. 16. № 6. С. 143-154

Интерполяционный алгоритм восстановления длинных временных рядов данных спутниковых наблюдений растительного покрова

Т.С. Миклашевич 1 , С.А. Барталев 1 , Д.Е. Плотников 1 
1 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 25.11.2019
DOI: 10.21046/2070-7401-2019-16-6-143-154
С появлением возможности регулярных спутниковых наблюдений земной поверхности с высокой частотой возросла важность развития методов анализа временных рядов данных дистанционного зондирования. Анализ динамики отражательных характеристик земной поверхности часто используется для мониторинга сезонных изменений растительного покрова. При этом снежный покров, атмосферная дымка, облачность и тени от облаков часто препятствуют непрерывному наблюдению растительности. Предварительная обработка изображений позволяет фильтровать искажённые данные спутниковых наблюдений, возникшие вследствие неблагоприятных условий съёмки и аппаратных шумов. Однако это приводит к пропускам во временных рядах данных, не обеспечивая при этом полное исключение искажённых измерений. В статье приведён алгоритм восстановления длинных временных рядов спутниковых измерений спектрально-отражательных характеристик растительного покрова, отличающийся универсальной по отношению к входным данным возможностью восстановления недоступной для непосредственного наблюдения информации. Использование длинных временных рядов позволяет осуществлять непрерывный мониторинг растительности как в период вегетации, так и в состоянии покоя на территориях с неустойчивым или непродолжительным снежным покровом, в том числе для оценки её многолетней динамики под влиянием различных факторов.
Ключевые слова: дистанционное зондирование, временные ряды, спутниковые данные, вегетационные индексы, интерполяция, восстановление данных, MODIS
Полный текст

Список литературы:

  1. Барталев С. А., Егоров В. А., Жарко В. О., Лупян Е. А., Плотников Д. Е., Хвостиков С. А., Шабанов Н. В. Спутниковое картографирование растительного покрова России. М.: ИКИ РАН, 2016. 208 c.
  2. Егоров В. А., Ильин В. О., Лупян Е. А., Мазуров А. А., Прошин А. А., Флитман Е. В. Возможности построения автоматизированных систем обработки спутниковых данных на основе программного комплекса XV_SAT // Современные проблемы дистанционного зондирования Земли из космоса. 2004. Вып. 1. С. 431–436.
  3. Лупян Е. А., Прошин А. А., Бурцев М. А., Балашов И. В., Барталев С. А., Ефремов В. Ю., Кашницкий А. В., Мазуров А. А., Матвеев А. М., Суднева О. А., Сычугов И. Г., Толпин В. А., Уваров И. А. Центр коллективного пользования системами архивации, обработки и анализа спутниковых данных ИКИ РАН для решения задач изучения и мониторинга окружающей среды // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. С. 263–284.
  4. Плотников Д. Е., Миклашевич Т. С., Барталев С. А. Восстановление временных рядов данных дистанционных измерений методом полиномиальной аппроксимации в скользящем окне переменного размера // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 2. С. 103–110.
  5. Плотников Д. Е., Колбудаев П. А., Барталев С. А., Лупян Е. А. Автоматическое распознавание используемых пахотных земель на основе сезонных временных серий восстановленных изображений Landsat // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 2. С. 112–127.
  6. Bannari A., Morin D., Bonn F., Huete A. R. A review of vegetation indices // Remote Sensing Reviews. 1995. V. 13. Iss. 1. P. 95–120.
  7. Cleveland W. S. Robust Locally Weighted Regression and Smoothing Scatterplots // J. American Statistical Association. 1979. V. 74. No. 368. P. 829–836.
  8. Ding C., Liu X., Huang F. Temporal Interpolation of Satellite-Derived Leaf Area Index Time Series by Introducing Spatial-Temporal Constraints for Heterogeneous Grasslands // Remote Sensing. 2017. V. 9(9). 968. URL: https://doi.org/10.3390/rs9090968.
  9. Gao F., Masek J., Schwaller M., Hall F. On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance // IEEE Trans. Geoscience and Remote Sensing. 2006. V. 44. No. 8. P. 2207–2218.
  10. Gerber F., Furrer R., Schaepman-Strub G., de Jong R., Schaepman M. E. Predicting missing values in spatio-temporal satellite data: e-prints. 2016. 35 p. arXiv:1605.01038.
  11. Moreno-Martinez A., Maneta M., Camps-Valls G., Martino L., Robinson N. P., Allred B. W., Running S. W. Interpolation and Gap Filling of Landsat Reflectance Time Series // IGARSS 2018 ― 2018 IEEE Intern. Geoscience and Remote Sensing Symp. Valencia. 2018. P. 349–352.
  12. Olsson L., Eklundh L. Fourier-series for analysis of temporal sequences of satellite sensor imagery // Intern. J. Remote Sensing. 1994. V. 15. Iss. 18. P. 3735–3741.
  13. Roerink G. J., Menenti M., Verhoef W. Reconstructing cloudfree NDVI composites using Fourier analysis of time series // Intern. J. Remote Sensing. 2000. V. 21. No. 29. P. 1911–1917.
  14. Savitzky A., Golay M. J. E. Smoothing and Differentiation of Data by Simplified Least Squares Procedures // Analytical Chemistry. 1964. V. 36. Iss. 8. P. 1627–1639.
  15. Sellers P. J., Dickinson R. E., Randall D. A., Betts A. K., Hall F. G., Berry J. A., Collatz G. J., Denning A. S., Mooney H. A., Nobre C. A., Sato N., Field C. B., Henderson-Sellers A. Modeling the exchanges of energy, water, and carbon between continents and the atmosphere // Science. 1997. V. 275. No. 5299. P. 502–509.
  16. Verger A., Baret F., Weiss M., Kandasamy S., Vermote E. The CACAO method for smoothing, gap filling, and characterizing seasonal anomalies in satellite time series // IEEE Trans. Geoscience Remote Sensing. 2013. V. 51. No. 4. P. 1963–1972.
  17. Viovy N., Arino O., Belward A. S. The best index slope extraction (BISE) — A method for reducing noise in NDVI time-series // Intern. J. Remote Sensing. 1992. V. 13. No. 8. P. 1585–1590.
  18. Wu M., Wu C., Huang W., Niu Z., Wang C., Li W., Hao P. An improved high spatial and temporal data fusion approach for combining Landsat and MODIS data to generate daily synthetic Landsat imagery // Information Fusion. 2016. No. 31. P. 14–25.
  19. Zhou J., Jia L., Menenti M., Gorte B. On the performance of remote sensing time series reconstruction methods ― A spatial comparison // Remote Sensing of Environment. 2016. V. 187. P. 367–384.
  20. Zhu X., Helmer E. H., Chen J., Liu D. An Automatic System for Reconstructing High-Quality Seasonal Landsat Time-Series // Remote Sensing: Time Series Image Processing. Taylor and Francis Series in Imaging Science. Boca Raton, CRC Press, 2018. 263 p.