典型文献
植被遥感时间序列数据重建方法简述及示例分析
文献摘要：
随着遥感数据的不断积累,植被遥感产品逐渐形成了完善的时间序列数据,这些数据对阐明生态系统动态变化及分析有关的驱动因素具有重要价值.然而,云遮挡、仪器误差等因素严重制约着植被遥感产品的观测质量,往往造成连续观测数据的缺失.对存在数据缺失的序列进行时空重建是准确提取序列变化特征的重要前提,时空重建就是充分利用遥感数据的时空相关性对数据缺失进行插值以及平滑滤波,以重建完整时间序列.本研究主要以植被遥感时间序列数据为例,对以往常用的时间序列重建方法进行了简要回顾,时间序列重建大致包括插值、平滑2大步骤,插值又分为基于时间的、基于空间的、时空相结合的插值3大类型.然后,以模拟的归一化植被指数(normalized difference vegetation index,NDVI)时间序列、GIMMS NDVI真实时间序列为例,并随机制造不同比例的数据缺失,对比了线性插值、奇异谱分析、Whittaker和时间序列谐波分析等4种常用的不同类型的数据重建方法的时间序列重建效果.结果显示,4种方法的表现各有优劣,但Whittaker方法显示了整体更好的性能.由于随区域的不同,插值方法的表现可能有所差异,故不同数据重建方法还有待进一步推广验证.
文献关键词：
植被遥感;时间序列;数据重建;插值;平滑
中图分类号：
作者姓名：
李伟光;侯美亭
作者机构：
海南省气候中心,海口 570203;海南省南海气象防灾减灾重点实验室,海口 570203;中国气象局气象干部培训学院,北京 100081
文献出处：
引用格式：
[1]李伟光;侯美亭-.植被遥感时间序列数据重建方法简述及示例分析)[J].自然资源遥感,2022(01):1-9
A类：
B类：
植被遥感,时间序列数据,数据重建,重建方法,述及,示例,遥感数据,遥感产品,驱动因素,云遮,遮挡,观测质量,连续观测,观测数据,数据缺失,提取序列,时空相关性,平滑滤波,往常,时间序列重建,大步,归一化植被指数,normalized,difference,vegetation,NDVI,GIMMS,线性插值,奇异谱分析,Whittaker,谐波分析,法显,插值方法
AB值：
0.309528
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
