多源遥感数据森林时空超分辨率制图研究

The change of forest covers would have a significant impact on the functions of regional and global-scale ecosystem. To provide reliable information about where, when and why the world’s forests are changing, there is a need to monitor fine-scale spatial and temporal changes of forest cover. Due to the constraints of temporal, spatial, and spectral resolution, a single satellite sensor cannot provide images with both fine temporal and spatial resolution that required to observe forest cover change. Spatial-temporal supper-resolution mapping method can produce fine spatial and temporal resolution land cover maps and has great potential to be applied for forest cover monitoring. However, the existing methods are mostly explored in theory, and there are still many problems in practical applications. In response to this problem, our project takes forest mapping application as the core, and proposed method termed spatial-temporal super-resolution mapping of forest cover with multi-source remote sensing data, by taking into account the spectral, spatial and temporal prior information of forest covers. The proposed model aims to achieve automatic extraction of forest fraction, spatial learning of forest distribution information, construction of multi-scale spatial-temporal neighboring systems and adaptive estimation of weight coefficients. Therefore, to provide an effective monitor of forest dynamic changes with both fine spatial and temporal resolution, and benefit to the regional ecological security construction and sustainable development.

森林覆盖变化会对区域及全球生态系统功能产生重要影响，需对其进行实时监测。近年来，遥感影像已成为森林覆盖监测的主要数据源，但由于单一传感器在时间、空间、光谱分辨率上相互制约，无法提供森林覆盖变化监测所需的高时空分辨率数据。时空超分辨率制图作为一种能生成高空间分辨率时序土地覆盖类别图的方法，为实时动态的森林精细化监测提供了有效手段，但现有方法大多是在理论上进行探索，在实际应用中仍存在较多难点问题亟待解决。针对上述问题，本项目拟以森林制图应用为核心，通过森林丰度自动提取、空间特征分布学习、多尺度时空邻域系统构建、模型权重系数自适应估计等，建立充分考虑森林光谱、空间和时间特征的多源遥感数据自动化森林时空超分辨率制图模型，实现高时空精度森林动态变化监测，为区域生态安全建设以及可持续发展提供必要的技术支持，具有重要的理论与实际意义。

由于遥感卫星传感器在时间和空间分辨率方面的限制，导致高时空分辨率森林覆盖动态变化监测受到限制，难以满足实际应用需求。本项目针对该问题实现了以下几个方面的进展：1）在森林丰度估计方面，利用已有少量高分辨率森林覆盖图中包含的光谱先验信息，发展了K-D树搜索的森林丰度训练样本库，构建了长时间序列低分辨率遥感影像森林丰度图非线性自动估计模型；2）在森林空间分布特征学习模型方面，通过利用少量已有高分辨率森林覆盖图中含有的丰富森林亚像元空间分布先验信息，构建考虑空间相关性和亚像元空间位置特征的训练模型，实现了高分辨率森林空间分布特征学习；3）在时空超分辨率制图模型方面，通过对“时-空-谱”先验信息的融合，构建了考虑森林变化信息的时空邻域系统，实现了基于正则化的一体化超分辨率制图模型；4）在应用方面，发展了基于时序低分辨率MODIS影像与时序NDVI，以及高分辨率全球森林覆盖产品及PALSAR数据，利用构建的时空超分辨率制图模型，实现了全球不同区域（包括我国汉江流域）多种类型森林（包括热带雨林、落叶阔叶林、针叶林等）覆盖的高分辨率时空无缝更新和重建。同时，也探讨了基于深度学习和时空融合方法的时序Landsat和Sentinel-2影像热带雨林小尺度森林扰动动态监测研究。本项目不仅深化了超分辨率制图的理论研究，也推进了时空超分辨率制图在森林扰动和恢复监测中的实际应用。