中文    English
当前位置: 本站首页 » 新闻 » 正文

【GeoScience Café】傅鹏:时序遥感分析的算法和应用

发布日期:2017-06-14 21:44:09 阅读次数:[434]次 作者:

核心提示:时序遥感分析是目前遥感领域的研究热点。 本期报告将探讨如何充分利用时序的Landsat和MODIS温度数据产品评估城市化对城市热环境的影响。同时,报告以地表温度的研究为例,介绍如何生产高质量的时序遥感影像数据

文字:张洁  摄影:马宏亮  摄像:陈必武  主持:张洁


>>>人物名片

傅鹏,美国印第安纳州立大学在读博士生。2012年获华中农业大学地理信息系统专业学士学位,2014年获印第安纳州立大学地理学硕士学位。研究方向为城市遥感,具体包括多源数据融合、时序影像分析、地表不透水层估算等。目前是国际地球观测组-全球城市观测与信息项目成员。研究获得ASPRS,IndianaView以及印第安纳州立大学研究基金的支持。已在Remote Sensing of Environment 和 Remote Sensing等期刊上发表SCI论文(含合作者)12篇。


>>>报告现场

5月26日19:30,傅鹏做客GeoScience Café第163期学术交流活动,介绍时序遥感分析的相关算法和应用。使用2003年到2015年的MODIS影像探索美国本土的年温度周期变化,通过Landsat和MODIS数据融合,生成日陆地表面温度,基于Irregularly Spaced Landsat图像生产高质量的时序温度数据……傅鹏带来了一场精彩报告,现场氛围活跃,观众认真听讲并获益匪浅。

 

使用MODIS影像,探索美国的年温度周期变化

温度年变化即年温度循环(ATC),通过研究年温度循环,可以探索许多方面的研究。傅鹏特别介绍了四个与年温度循环相关的研究:第一个是通过气温的时间变化研究环境变化,例如林木生长、大气中的碳动态、虫媒传染病的传播;第二个是研究气候变化的卫星视图;第三个是城市化效果估计的研究;最后一个则是时间序列图像分析。

对于年温度循环的研究问题,傅鹏介绍主要有三项:研究时序变化的数据从气象站变为遥感影像,ATC是随时间变化的,以及城市化进程对ATC变化的影响还不清楚。针对这项研究,傅鹏提出了三个问题以待解决:(1)从20032015年,年温度变化参数,即年平均温度、振幅和相位,是增加或是减少的?(2)城市化增加还是减少了年温度变化参数?(3)不同气候环境下的城市在城乡温度梯度上是否存在差异?

在这项研究中,研究的区域是美国的50个城市,使用的数据则是MODIS数据和NLCD数据。傅鹏按照1公里的空间分辨率划分了城乡梯度,并以每年0320(春分)至次年同期为一个温度周期,按照公式LST(d)=MAST+YAST×sin(2πd∕365+Θ)进行ATC参数建模,之后使用普通线性回归进行不同气候环境下的ATC趋势分析,得到了ATC结果参数。分析ATC参数趋势,进行相关讨论后,得出了一些结论:在区域尺度中,对于在全球范围内了解气候变化和城市化相关活动对环境变化的影响,识别ATC的微妙变化是非常重要的。且只有大约50%的图像像素表现出显著的趋势(正的和负的趋势值)。在城市梯度的ATC参数的高度多样化的变化表明,城市增长对热环境的影响,应以更系统的方式进行调查。

 

通过LandsatMODIS数据融合,生成高时空分辨率的陆地表面温度

傅鹏介绍,日陆地表面温度的研究主要应用范围有两个:(1)环境应用,包括地表能量平衡、地表水分和蒸散量、不同空间尺度的气候变化和城市热岛效应等。(2)公共卫生,例如热危害及相关健康问题,媒介传播疾病的爆发与传播,生命质量等。

在此项研究中,存在一些问题:没有高空间分辨率和时间分辨率的热红外数据。基于这个问题,如何使用恰当的物理方法和统计方法来提高空间分辨率和时间分辨率就很重要了。傅鹏介绍了LST与生物物理、社会经济、辅助数据的统计方法和像素块强度调制的物理方法。

傅鹏讲述了温度映射时空自适应数据融合算法(SADFAT),算法的目的是从MODISLandsat的高空间分辨率信息融合的高频时间信息,以产生“每日”陆地卫星样地面温度(LST)。他采用了图一来描述这个算法。他所做的主要工作就是将数据融合并进行相关改进。傅鹏接着讲述道,他以洛杉矶的城市为研究区域,以Landsat和每日MODIS温度产品(MOD11A1)和反射率产品(MOD09GA)等为研究数据,在进行了大气和几何校正后,展开了这项研究。

图1.SADFAT算法描述示意图

为了描述采用SADFAT进行研究的工作流程,傅鹏借助了图2的工作流程图来介绍自己的研究流程:(1)光谱相似像素的数据预处理与选择。(2)计算权重。(3)中心像元转换系数与LST计算。

图2.SADFAT算法工作流程图

根据SADFAT算法,使用研究数据可以得出如图3的结果。

图3.SADFAT研究结果图

到此,本项研究的算法部分就结束了。傅鹏对这项算法进行了总结。算法的好处在于可以得出年温度循环的非线性变化特征与光谱混合分析的热景观异质性。同时,这种算法也存在一定的局限性,即在恶劣的大气条件下,预测的精度是不高的,且这种算法只能进行短期的而非长期的预测。

 

基于Irregularly Spaced Landsat图像生成地表温度数据

随后,傅鹏介绍了自己的第三项研究:基于Irregularly Spaced Landsat图像生成地表温度数据。首先,傅鹏依然介绍了这项研究的意义,他认为这项研究主要有两项价值:(1)环境应用,包括地表城市热岛定量、土壤水分和蒸散量估算和空间连续气温反演。(2)“挖掘”陆地卫星宝藏,如何充分利用时序(30-40年)的Landsat影像提取有价值的信息。

之后,傅鹏讲述了研究背景,具体包括Landsat图像的地表温度反演算法、热降尺度算法和数据融合算法。研究目标则是生产高质量的地表温度时序数据,并克服目前研究过程中出现的云覆盖、土地变化、温度的年际变化等问题。这次的研究区域,傅鹏选在了北京市的6个城区、8个郊区、2个农村县。他选择了从1984到2011共512 L1T Landsat图像为研究数据,并进行了数据预处理。

在介绍过了研究区域和数据之后,傅鹏又继续介绍了这次所采用的算法——Delta算法。该算法的工作流共有四步,为了将这个工作流表示的更加明确,他使用了一张流程图来讲述。根据流程图的描述,这四个步骤分别是:(1)数据过滤,(2)时间分割,(3)周期性趋势建模,(4)高斯过程。

图4.Delta算法工作流程图

同时,使用时间分割来确定干扰事件,傅鹏也讲述了这个时间分割的具体公式:

根据这个方程来拟合,需要使用六个的温度值来预测下一个温度值。采用高斯过程回归来模拟随机温度变化,输入温度的残差和日期,可以得出每天随机变化的残差值。

根据气象站点提供的2008-2010年的数据,按照以上的算法,傅鹏进行了计算。他将计算的结果展示了出来,如表1所示。发现相关系数在0.80-0.98之间,是一个可以接受的精度范围。傅鹏为了验证结果的可靠性,又拿到了相关的Landsat影像数据进行对比,并计算了城市热岛效应。将一些变量因素考虑进去之后,他认为得出的结果是可靠的。

表1. 2008-2010年计算结果

Station

Correlation Coefficient

Mean Error (K)

Mean Absolute Error

Land cover Type

S1

0.94

-0.9

2.4

Impervious surface

S2

0.94

-0.8

2.7

Forest

S3

0.89

0.4

2.4

Cropland

S4

0.98

-2.5

2.8

Impervious surface

S5

0.96

-0.1

1.8

Grassland

S6

0.92

-1.0

2.3

Impervious surface

S7

0.98

-0.6

2.5

Impervious surface

S8

0.80

-0.3

2.5

Impervious surface

S9

0.95

-0.8

2.4

Impervious surface

S10

0.87

-0.6

1.8

Forest

S11

0.92

1.4

2.1

Impervious surface 


  在进行了这些研究计算之后,傅鹏继续讨论了这个项目的意义。根据这个算法,可以拟合年温度的随机变化和趋势,还可以准确识别土地覆盖的变化。该项目还有一些潜在的应用,例如长期城市热岛监测,城市增长影响等。

 

>>>互动交流

观众A:我们都知道,一些趋势的变化是和相应的地理元素相关的。例如你刚才所举的例子,一些城市的温度比周围的温度低。但是在具体分析的时候,你是如何把分析所得的影像上的变化趋势与实际的变化趋势相关联的呢?例如如何具体解释城市温度低而周围的城市温度高?

傅鹏:这个问题也有很多人问过我。我觉得主要有两方面的原因:第一是参考文献,许多文献都会研究这些异常值,如城市的温度比乡村的温度低。所以在写讨论的时候,我们需要阅读大量的文献。第二个则来源于经验,这种经验首先来自于你在研究过程中对异常值的发现,比如你发现了拉斯维加斯的温度值是异常的,它的温度比郊区的温度低。这种发现会促使我去搜索相关的文章,参考这些方面的研究之后就可以得出相应的结论了。最难的部分其实是实际的应用,在进行一些分析研究之后,这个研究的实际意义是什么?这是一个实用性的问题。

观众B:在第二部分中,你提到其中一个很重要的步骤是确定各部分的权重,那么请问,这个权重是如何确定的呢?确定权重都需要考虑哪些因素?

傅鹏:权重的计算有一些参数值。第一是与中心像素之间的距离,距离越近,则说明相关性越高。第二是光谱的相似性,相似性越高则权重越大。距离与光谱是相互影响的,因此我们还进行了一个叠加处理。我们在研究中计算权重的时候,其实是在做一个归一化问题。权重的分配存在一定的主观性,但是这种主观性也是基于一定的研究的。

观众C:针对第二部分,请问这种预测对于长期的数据而言,预测拟合的效果怎么样呢?

傅鹏:我们使用这个算法进行了一年即52周的预测,预测效果并不是特别好。另外使用预测的结果来分析它的时序特征,结果也不是很满意。针对预测效果不好的部分,我们分析了原因,认为可能是土地发生了变化而导致的结果。从而,我们发现,对于突变和长期的变化,这个算法预测的效果都不是特别好。但是对于短期内的预测,例如预测三个月内的温度,效果会很好。因此我建议,如果使用这种算法来进行预测的话,比较好的方法就是找到离预测的日期相近的日期的数据来计算,会得到一个较为满意的效果。

观众D:你之前提到,在一篇论文中,它的分析是很重要的,那你能不能和我们分享一下,如何写好一篇论文中的分析部分呢?

傅鹏:对于这个问题,我个人也依然在学习之中。从我自己的经历而言,我最开始写论文,处理最多的是它的引言部分。我刚去美国时,导师告诉我要每周至少精读一篇文献,每周五之前把精读的文章和自己写的评论交上去。自己写的评论需要包括一段总结,以及自己对这篇文章的思考。我坚持写了两年半。

我的心得是:多看文章并且多总结。一些文章需要精读,另外一些文章需要泛读。最终达到的目标是,在拿到一篇自己研究领域的文章时,五分钟之内可以浏览完毕。多读文章多写文章,多思考,时间长了,就会有很大的提高。

傅鹏作精彩报告

踊跃互动

傅鹏(右三)与观众合影留念

(编辑:肖珊)

GeoScience Café谈笑间成就梦想为口号,采取最自由的交流方式,每期邀请1-4位报告人,针对自己正在进行的研究展开报告。每周五晚7:30,在测绘遥感信息工程国家重点实验室四楼休闲厅举行当期活动。报告内容不仅涉及一切与测绘有关的学科内容及学术方法,如测绘基础学科、地理信息系统、摄影测量与遥感、全球定位系统、激光雷达技术、信号处理,还包括地理信息科学以外的话题,如法律和艺术等。让任何感兴趣的人——不仅是地理信息相关专业的师生,还包括其他专业的师生,甚至是文科生——都可以听取报告,并当场向主讲嘉宾提问或者会后与其交流。

更多精彩内容(报告PPT、新闻稿及下期活动消息等)敬请关注Geoscience Café(QQ群号:532362856),微信公众号:GeoScienceCafe

欢迎扫描二维码:

    

     


版权所有:测绘遥感信息工程国家重点实验室   
联系地址: 中国·武汉市珞瑜路129号   邮编: 430079   E-mail:liesmars@whu.edu.cn
Tel/Fax:027-68778969(办公室) 027-68778229(国际交流办公室)027-68778525(研究生管理办公室)