(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210290763.9 (22)申请日 2022.03.23 (71)申请人 吉林大学 地址 130012 吉林省长 春市长春高新技术 产业开发区前进大街269 9号 (72)发明人 顾玲嘉　王钰涵　任瑞治　 (74)专利代理 机构 吉林省中玖专利代理有限公 司 22219 专利代理师 李泉宏 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/30(2017.01) G06T 7/62(2017.01) G06T 7/70(2017.01) G06K 9/62(2022.01)G06V 10/764(2022.01) G06V 10/80(2022.01) (54)发明名称 基于改进时空融合模型的积雪日变化监测 方法 (57)摘要 本发明公开了一种基于改进时空融合模型 的积雪日变化监测方法， 属于卫星遥感图像处理 与应用的技术领域。 本发明的目的是解决现有积 雪产品空间分辨率较低， 无法准确获取降雪和融 雪等变化的细节问题。 本发明采用2幅Landsat8 卫星遥感影像和17幅MOD09GA光谱反射率影像作 为数据源， 使用STDFA时空融合模型获得初步的 逐日时空融合影像， 由于STDFA模型的时空融合 结果存在光谱失真， 本发明提出使用Matching ‑ Pix2pixGAN网络改善S TDFA融合模型得到的时空 融合结果， 最终得到无光谱失真的逐日的时空融 合结果， 并提取最终时空融合结果的NDSI指数 实 现对积雪的识别， 从而实现连续16天的积雪日变 化监测。 本发 明方法能准确地实现积雪日变化监 测， 捕捉降雪和融雪的变化细节， 为融雪径流分 析、 农业灌溉及生态环境保护提供可靠的分析数 据。 权利要求书2页 说明书7页 附图2页 CN 114663399 A 2022.06.24 CN 114663399 A 1.基于改进时空融合模型的积雪日变化监测方法， 其特征在于， 该方法的具体步骤如 下： 步骤一、 影像预处理： 对时空融合初期T0和末期Tk所对应的2幅Landsat8 中多光谱数据 进行辐射定标以及大气校正， 对T0～Tk之间每天不同条带号的MOD09GA光谱反射率 数据进行 多数据拼接， 而后将处 理好的Landsat8数据和MOD09GA数据配准， 最后裁 剪选取实验区； 步骤二、 利用STDFA模型生成时空融合数据： 以初期T0和末期Tk的Landsat8数据和 MOD09GA数据以及融合时期Ti(i＝1～k ‑1)的MOD09GA数据为STDFA模型输入数据生成时空 融合数据； 步骤三、 构建STDFA ‑Matching ‑Pix2pixGAN网络： 通过构建可以改进STDFA 时空模型 的 STDFA‑Matching ‑Pix2pixGAN网络， 经过迭代改善光谱失真， 最终得到无失真的高时空分辨 率的融合影 像； 步骤四、 利用NDSI指数监测积雪： 本发明利用归一化差分积雪指数NDSI对实验区的积 雪进行判识； NDSI的计算公式如公式(5)； 其中b4为绿色波段， b6为短波红外波段； 步骤三中， STDFA ‑Matching‑Pix2pixGAN网络组成分为 三个部分： (a)预匹配过程： 将T0或Tk所对应的Landsat8数据作为目标图像(y)和步骤二获得的 STDFA模型输出的时空融合影像(x)作为输入源数据， 预匹配模块首先使用直方图匹配算法 得到初步 改进结果(X)， 使初步 改进结果(X)具有Landsat8数据作为目标图像(y)的光谱特 征； (b)Pix2pixGAN过程： 将步骤(a)预匹配模块输出的结果(X)与邻近日期的目标图像(y) 组成成对的训练数据集， 并送入Pix2pixGAN网络中进行训练； Pix2pixGAN首先构建了一个 生成器(称为G)， 用于生成所需的目标高分辨率图像G(X)； 然后将G(X)和y一起输入到鉴别 器D中， 鉴别器D会连续比较G(X)和y之间的差异， 判断G(X)是否仍然存在光谱失真； 如果输 出图像G(X)被判定为仍存在光谱失真， 则将结果反馈给生成器， 以继续优化生成的图像G (X)， 直到得到无失真的最优生成结果Pix2pixGAN图像(P)； 网络的损失函数如公式4； 其中， G*是Pix2pixGAN的损失函数， G代表生成器， D代表鉴别器； 通过Pix2pixGAN的循环 机制， 可改善STDFA时空融合结果的光谱失真， 使融合影 像具有高空间分辨 率特征； (c)后匹配过程： 后匹配模块利用同一天MOD09GA数据(m)的光谱信息， 通过直方图匹配 使Pix2pixGAN图像(P)具有与m相似的光谱信息， 进一 步改善时空融合结果。 2.根据权利要求1所述的基于改进时空融合模型的积雪日变化 监测方法， 其特 征在于， 步骤一、 影 像预处理包括如下处 理步骤： (a)辐射定标的方法： 辐射定标就是将图像的数字量化值(DN)转化为辐射亮度值、 反射 率或者表面温度等物理量的处理过程； 辐 射定标参数一般放在元数据文件中， 利用完整的权　利　要　求　书 1/2 页 2 CN 114663399 A 2遥感图像处理平台ENV I的辐射定标工具能自动从元数据文件中读取参数， 从而完成辐射定 标； (b)大气校正的方法： 利用完整的遥感图像处理平台ENVI的大气校正工具FLASSH来消 除由于大气影响所造成的辐射 误差， 反演地物真实的表面反射 率； (c)MOD09GA数据拼接的方法： 利用MODIS  Reprojection  Tool软件实现不同条带号数 据的拼接， 形成覆盖实验区的完整数据； (d)图像配准的方法： 从不同传感器和不同角度拍摄的图像会发生偏移， 图像配准是将 不同拍摄角度或不同传感器的两幅图像进行匹配、 叠加实现图像统一的过程； 选择 Landsat8数据为基准影像， 利用完整的遥感图像处理平台ENVI的图像配准工具， 实现 Landsat8卫星数据与MOD09GA光谱反射 率数据的自动配准； (e)图像剪 裁用于获得感兴趣的研究区域ROI。 3.根据权利要求1所述的基于改进时空融合模型的积雪日变化监测方法， 其特征在于， 步骤二中所述STDFA模型由以下四个步骤组成： (a)对初期(T0)和末期(Tk)的两幅Landsat8数据进行分类， 确定地物类别； (b)利用式(1)计算MOD09GA数据每 个低空间分辨 率像素内各端元的丰度 是MOD09GA低空 间分辨像素的位置， 是c类地物在位置 的丰度， 为位置上 的MOD09GA像素中属于c类的Landsat8 像素个数， n为M OD09GA像素中包含的Landsat8 像素总数； (c)根据公式(2)， 计算出每一类地物的时间序列平均反射 率； 条件包括： 和 其中， 是MOD09GA低空间分辨像素 的位置， 是由公式(1)得到的c类地 物在位置 的丰度， 是MOD09GA低空间分辨像素在Ti时刻的表面反射率， 是c类地物在Ti时刻的平均反射 率， M是总类别数， 是残余项； (d)根据公式(3)得到具有高空间高时间分辨 率的融合影 像； 其中， (x,y)是Landsat8高空间分辨率像素的位置， r(x,y,T0)和r(x,y,Ti)分别是 Landsat8高空间分辨率像素在位置(x,y)T0时刻和Ti时刻的表面反射率， 和 是 c类地物在T0时刻和Ti时刻的平均反射 率。权　利　要　求　书 2/2 页 3 CN 114663399 A 3