[01242627]面向土地覆盖制图及更新的遥感数据质量优化、分类及变化检测方法

土地覆盖现状及变化的监测对于理解土地覆盖变化对环境和生态系统的影响具有重要的意义。

遥感是实现大范围土地覆盖制图与更新的唯一有效手段，过去几十年里一直是遥感领域的研究热点之一。

但是利用遥感数据进行大面积高精度的地表覆盖制图与更新仍然面临诸多挑战，包括数据质量参差不齐，同物异谱、异物同谱导致的分类困难等。

本项目从数据质量优化、分类技术与变化检测方法三个方面深入研究，初步建立起一套遥感土地覆盖制图及更新的完整解决方案。

本项目取得三方面重要研究进展：

（1）根据地物光谱的时空相关性特征，构建了归一化植被指数（NDVI）时序曲线滤波方法、邻近相似像元插补去云算法（NSPI），实现多尺度遥感数据的去云处理;提出时空自适应反射率融合算法（ESTARFM），实现高时间分辨率数据与高空间分辨率数据的融合，生成关键季相的高空间分辨率遥感数据，为地表覆盖制图与更新提供了数据支持;

（2）综合多源遥感数据，地理先验知识以及机器学习技术，研发多种地表覆盖专题制图方法，并通过高性能并行计算平台，实现全球遥感数据的快速分类处理，生成全球首套基于自动分类技术的30米分辨率的地表覆盖数据集（FROM-GLC）;

（3）研发了变化向量分析（CVA）、后概概率空间中的变化向量分析（CVAPS）、交叉相关系匹配（CCSM）三种变化检测技术，充分利用光谱特征与季相特征，实现地表覆盖变化的准确检测，并在此基础上提出一套无需人工介入的地表覆盖自动更新技术。

本项目研究成果在Remote Sensing of Environment、IEEE Transactions on Geoscience and Remote Sensing和ISPRS Journal of Photogrammetry and Remote Sensing等遥感领域的顶级SCI期刊发表研究成果受到广泛应用，得到同行高度评价，在国家863项目“全球地表覆盖遥感制图与关键技术研究”中进行了应用。