留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

顾及邻近关系的NPP/VIIRS序列影像时空插值方法

程钢 李岩林 赵宗泽 杨杰 卢小平 原东方

程钢, 李岩林, 赵宗泽, 杨杰, 卢小平, 原东方. 顾及邻近关系的NPP/VIIRS序列影像时空插值方法[J]. 武汉大学学报 ( 信息科学版), 2022, 47(2): 252-260. doi: 10.13203/j.whugis20200019
引用本文: 程钢, 李岩林, 赵宗泽, 杨杰, 卢小平, 原东方. 顾及邻近关系的NPP/VIIRS序列影像时空插值方法[J]. 武汉大学学报 ( 信息科学版), 2022, 47(2): 252-260. doi: 10.13203/j.whugis20200019
CHENG Gang, LI Yanlin, ZHAO Zongze, YANG Jie, LU Xiaoping, YUAN Dongfang. Spatiotemporal Interpolation Method of NPP/VIIRS Sequence Images Considering Neighbor Relationships[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 252-260. doi: 10.13203/j.whugis20200019
Citation: CHENG Gang, LI Yanlin, ZHAO Zongze, YANG Jie, LU Xiaoping, YUAN Dongfang. Spatiotemporal Interpolation Method of NPP/VIIRS Sequence Images Considering Neighbor Relationships[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 252-260. doi: 10.13203/j.whugis20200019

顾及邻近关系的NPP/VIIRS序列影像时空插值方法

doi: 10.13203/j.whugis20200019
基金项目: 

国家重点研发计划 2016YFC08033103

国家自然科学基金 41001226

中国博士后科学基金面上资助 2015M582831

河南省高校基本科研业务费项目 NSFRF180329

详细信息

Spatiotemporal Interpolation Method of NPP/VIIRS Sequence Images Considering Neighbor Relationships

Funds: 

The National Key Research and Development Program of China 2016YFC08033103

the National Natural Science Foundation of China 41001226

China Postdoctoral Science Foundation 2015M582831

the Fundamental Research Funds for Universities of Henan Province NSFRF180329

More Information
    Author Bio:

    CHENG Gang, PhD, professor, specializes in geospatial information service and processing. E-mail: chenggang1218@163.com

    Corresponding author: ZHAO Zongze, PhD, lecturer. E-mail: zhaozongze@hpu.edu.cn
  • 摘要: 针对可见红外成像辐射仪(visible infrared imaging radiometer suite,VIIRS)月度夜光遥感影像的数据缺失问题,提出一种利用地物邻近关系相关性的像元时空插值方法,以时、空关系互相作为约束条件,将时序变化一致性较好的像元数据作为空间插值的参考,将空间关系一致性较好的月度数据作为时序插值的参考,通过构建不同的卷积核, 在时序和空间维度分别对初步插值结果进行卷积运算,求得待插值像元的时空插值。以2015年江苏省月度夜光遥感影像修复为例,对不同维度时空插值方法进行对比分析,结果表明, 空间维度插值虽然顾及到像元的空间关联性,仍无法满足数据大范围缺失的插值要求,插值结果整体偏低;时间维度插值考虑到像元的时间趋势性,插值精度较空间维度插值有一定提高,但部分月份插值结果有较大偏差;相对于三次Hermit插值,时空插值方法获得的月度影像灯光亮度总和的最大相对误差、年度影像灯光亮度总和相对误差以及逐像元差值均显著降低。总的来看,所提时空插值方法在插值过程中同时顾及到VIIRS数据的时间趋势平稳性和空间结构稳定性,影像插值精度提高明显,且对待插值月份前后时序数据没有严格要求,更具有广泛性。
  • 图  1  时空插值技术路线

    Figure  1.  Flowchart of Spatio-temporal Interpolation

    图  2  不同插值方法示意图

    Figure  2.  Schematic Diagram of Different Interpolation Methods

    图  3  江苏省2015年6月份插值结果

    Figure  3.  Interpolation Results of Jiangsu Province in June 2015

    图  4  插值结果灯光辐射亮度值总和

    Figure  4.  Sum Radiance Value of Interpolation Results

    图  5  插值结果与参考数据的误差对比

    Figure  5.  Error Comparison Between Interpolation Results and Reference Data

    图  6  插值结果与参考影像逐像元差值的方差

    Figure  6.  Variance of Differences Between Interpolation Results with Reference Data

    表  1  VCM月度数据待插值像元占比

    Table  1.   Proportion of VCM Data to be Interpolated

    月份/月 待插值像元占比/% 月份/月 待插值像元占比/%
    1 22.41 7 21.81
    2 20.00 8 8.10
    3 11.20 9 8.10
    4 14.90 10 11.39
    5 25.27 11 18.11
    6 40.84 12 27.67
    下载: 导出CSV

    表  2  不同方法的局部插值精度

    Table  2.   Accuracies of Different Methods in Local Areas

    插值方法 区域1 区域2
    绝对误差
    /(nW·cm-2·sr-1)
    相对误差
    /%
    方差
    /(nW·cm-2·sr-1)
    绝对误差
    /(nW·cm-2·sr-1)
    相对误差
    /%
    方差
    /(nW·cm-2·sr-1)
    Hermite插值 2 262.15 25.01 2.69 5 737.08 28.24 5.48
    空间维度插值 -2 874.13 31.78 3.11 -7 699.67 37.90 5.58
    时间维度插值 2 744.63 23.28 2.68 6 064.69 29.85 5.22
    时空插值 -1 254.68 13.87 2.55 -3 762.37 18.52 4.86
    下载: 导出CSV

    表  3  年度影像合成结果对比

    Table  3.   Comparison of Annual Image Synthesis Results

    统计对象 灯光总和
    /(104 nW·cm-2·sr-1)
    灯光总和相对误差/% 像元最大值
    /(nW·cm-2·sr-1)
    像元平均值
    /(nW·cm-2·sr-1)
    方差
    /(nW·cm-2·sr-1)
    VCM_ORM影像 164.73 368.63 2.91
    Hermite插值影像 160.72 2.44 282.87 2.83 1.25
    空间维度插值影像 157.82 4.20 262.04 2.79 1.30
    时间维度插值影像 158.81 3.60 269.84 2.80 1.22
    时空插值影像 161.11 2.20 277.01 2.84 1.20
    下载: 导出CSV
  • [1] Elvidge C D, Sutton P C, Pettit D R, et al. Overview of the Nightsat Mission Concept[C]//2007 Urban Remote Sensing Joint Event, Paris, France, 2007
    [2] Ma T. Multi-Level Relationships Between Satellite-Derived Nighttime Lighting Signals and Social Media-Derived Human Population Dynamics[J]. Remote Sensing, 2018, 10(7): 1128 doi:  10.3390/rs10071128
    [3] Tan M H, Li X B, Li S J, et al. Modeling Population Density Based on Nighttime Light Images and Land Use Data in China[J]. Applied Geography, 2018, 90: 239-247 doi:  10.1016/j.apgeog.2017.12.012
    [4] 李熙, 薛翔宇. 基于波士顿矩阵的夜光遥感电力消费估算方法[J]. 武汉大学学报·信息科学版, 2018, 43(12): 1994-2002 doi:  10.13203/j.whugis20180334

    Li Xi, Xue Xiangyu. Estimation Method of Nighttime Light Images' Electric Power Consumption Based on the Boston Matrix[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1994-2002 doi:  10.13203/j.whugis20180334
    [5] Shi K F, Yu B L, Zhou Y Y, et al. Spatiotemporal Variations of CO2 Emissions and Their Impact Factors in China: A Comparative Analysis Between the Provincial and Prefectural Levels[J]. Applied Energy, 2019, 233/234: 170-181 doi:  10.1016/j.apenergy.2018.10.050
    [6] Yu B L, Tang M, Wu Q S, et al. Urban Built-up Area Extraction from Log-Transformed NPP-VIIRS Nighttime Light Composite Data[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(8): 1279-1283 doi:  10.1109/LGRS.2018.2830797
    [7] 刘权毅, 詹庆明, 李建松, 等. 珞珈一号夜间灯光影像在建设用地提取中的应用: 以武汉市为例[J]. 武汉大学学报·信息科学版, 2021, 46(1): 30-39 doi:  10.13203/j.whugis20190376

    Liu Quanyi, Zhan Qingming, Li Jiansong, et al. Extracting Built-up Areas Using Luojia 1-01 Nighttime Light Imageries in Wuhan, China[J]. Geomatics and Information Science of Wuhan University, 2021, 46(1): 30-39 doi:  10.13203/j.whugis20190376
    [8] Zhao X Z, Yu B L, Liu Y, et al. Estimation of Poverty Using Random Forest Regression with Multi-Source Data: A Case Study in Bangladesh[J]. Remote Sensing, 2019, 11(4): 375 doi:  10.3390/rs11040375
    [9] Elvidge C D, Baugh K E, Zhizhin M, et al. Why VIIRS Data are Superior to DMSP for Mapping Nighttime Lights[J]. Proceedings of the Asia-Pacific Advanced Network, 2013, 35: 62-69 doi:  10.7125/APAN.35.7
    [10] Qiu S, Shao X, Cao C Y, et al. Vicarious Validation of Straylight Correction for VIIRS Day/Night Band Using Dome-C[C]//SPIE Optical Engineering Applications, San Diego, California, USA, 2015
    [11] Mills S, Weiss S, Liang C. VIIRS Day/Night Band (DNB) Stray Light Characterization and Correction[C]//SPIE Optical Engineering Applications, San Diego, California, USA, 2013
    [12] Bennett M M, Smith L C. Advances in Using Multitemporal Night-Time Lights Satellite Imagery to Detect, Estimate, and Monitor Socioeconomic Dynamics[J]. Remote Sensing of Environment, 2017, 192: 176-197 doi:  10.1016/j.rse.2017.01.005
    [13] 陈慕琳, 蔡红艳. VIIRS/DNB夜间灯光月度产品插补方法对比: 以北京为例[J]. 地理科学进展, 2019, 38(1): 126-138 https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201901011.htm

    Chen Mulin, Cai Hongyan. Interpolation Methods Comparison of VIIRS/DNB Nighttime Light Monthly Composites: A Case Study of Beijing[J]. Progress in Geography, 2019, 38(1): 126-138 https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201901011.htm
    [14] 张海平, 周星星, 代文. 空间插值方法的适用性分析初探[J]. 地理与地理信息科学, 2017, 33(6): 14-18 doi:  10.3969/j.issn.1672-0504.2017.06.003

    Zhang Haiping, Zhou Xingxing, Dai Wen. A Preliminary on Applicability Analysis of Spatial Interpolation Method[J]. Geography and Geo-Information Science, 2017, 33(6): 14-18 doi:  10.3969/j.issn.1672-0504.2017.06.003
    [15] 王长鹏, 梁勇, 孙黎明, 等. 一种混合几何曲率和克里金插值的平滑地质曲面构建方法[J]. 测绘地理信息, 2020, 45(1): 62-65

    Wang Changpeng, Liang Yong, Sun Liming, et al. A Method for Constructing Smooth Geological Surfaces with Mixed Geometric Curvature and Kriging Interpolation[J]. Journal of Geomatics, 2020, 45(1): 62-65
    [16] 柳笑盈. 基于GIS的空气质量指数空间插值方法研究[D]. 昆明: 昆明理工大学, 2015

    Liu Xiaoying. Research on Spatial Interpolation Method of Air Vibration Index Based on GIS[D]. Kunming: Kunming University of Science and Technology, 2015
    [17] 刘田甲. 潮汐数据插值方法研究[D]. 南京: 南京师范大学, 2017

    Liu Tianjia. Research on Interpolation Method of Tidal Data[D]. Nanjing: Nanjing Normal University, 2017
    [18] 段悦, 舒红, 胡泓达. 利用MODIS温度产品进行秩修正滤波FRF时空插值[J]. 武汉大学学报·信息科学版, 2016, 41(8): 1027-1033 doi:  10.13203/j.whugis20140495

    Duan Yue, Shu Hong, Hu Hongda. Using Fixed Rank Filtering to Make Spatio-Temporal Interpolation of MODIS Temperature[J]. Geomatics and Information Science of Wuhan University, 2016, 41(8): 1027-1033 doi:  10.13203/j.whugis20140495
    [19] 尉桂兴. 顾及时序平稳性的时空插值方法研究[D]. 南京: 南京师范大学, 2014

    Yu Guixing. A Spatio-Temporal Interpolation Method Based on the Stationarity of Time Series[D]. Nanjing: Nanjing Normal University, 2014
    [20] 李彦, 王丽娜. 基于时间序列的时空插值算法改进研究[J]. 计算机科学, 2014, 41(S1): 414-416 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA2014S1102.htm

    Li Yan, Wang Lina. Research of Spatio-Temporal Interpolation Algorithm Based on Time Series[J]. Computer Science, 2014, 41(S1): 414-416 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA2014S1102.htm
    [21] Zhao N Z, Hsu F C, Cao G F, et al. Improving Accuracy of Economic Estimations with VIIRS DNB Image Products[J]. International Journal of Remote Sensing, 2017, 38(21): 5899-5918 doi:  10.1080/01431161.2017.1331060
  • [1] 杨军, 于茜子.  结合空洞卷积的FuseNet变体网络高分辨率遥感影像语义分割 . 武汉大学学报 ( 信息科学版), 2022, 47(7): 1071-1080. doi: 10.13203/j.whugis20200305
    [2] 陈宇伦, 陈丹妮, 李熙.  利用城市公共摄像头分析夜间灯光变化规律 . 武汉大学学报 ( 信息科学版), 2022, 47(8): 1318-1327. doi: 10.13203/j.whugis20220235
    [3] 张霖, 李熙.  夜光遥感视角下的巴基斯坦区域发展差异分析 . 武汉大学学报 ( 信息科学版), 2022, 47(2): 269-279. doi: 10.13203/j.whugis20210057
    [4] 厉飞, 闫庆武, 邹雅婧, 刘保丽.  利用夜间灯光POI的城市建成区提取精度研究——以珞珈一号01星和NPP/VIIRS夜间灯光影像为例 . 武汉大学学报 ( 信息科学版), 2021, 46(6): 825-835. doi: 10.13203/j.whugis20190266
    [5] 伍亿真, 施开放, 余柏蒗, 李川龙.  利用NPP-VIIRS夜间灯光遥感数据分析城市蔓延对雾霾污染的影响 . 武汉大学学报 ( 信息科学版), 2021, 46(5): 777-789. doi: 10.13203/j.whugis20200455
    [6] 徐慧敏, 胡守庚.  夜光遥感视角下的中国城市规模的时空演变 . 武汉大学学报 ( 信息科学版), 2021, 46(1): 40-49. doi: 10.13203/j.whugis20190330
    [7] 程诗奋, 彭澎, 张恒才, 陆锋.  异质稀疏分布时空数据插值、重构与预测方法探讨 . 武汉大学学报 ( 信息科学版), 2020, 45(12): 1919-1929. doi: 10.13203/j.whugis20200488
    [8] 李熙, 薛翔宇.  基于波士顿矩阵的夜光遥感电力消费估算方法 . 武汉大学学报 ( 信息科学版), 2018, 43(12): 1994-2002. doi: 10.13203/j.whugis20180334
    [9] 李德仁, 余涵若, 李熙.  基于夜光遥感影像的“一带一路”沿线国家城市发展时空格局分析 . 武汉大学学报 ( 信息科学版), 2017, 42(6): 711-720. doi: 10.13203/j.whugis20170100
    [10] 李亮, 舒宁, 龚龑.  考虑时空关系的遥感影像变化检测和变化类型识别 . 武汉大学学报 ( 信息科学版), 2013, 38(5): 533-537.
    [11] 孟妮娜, 艾廷华, 周校东.  顾及排序差异的对象群邻近关系相似性计算 . 武汉大学学报 ( 信息科学版), 2013, 38(6): 737-741.
    [12] 李莎, 舒红, 徐正全.  利用时空Kriging进行气温插值研究 . 武汉大学学报 ( 信息科学版), 2012, 37(2): 237-241.
    [13] 高建, 谢伟, 涂志刚, 秦前清.  使用泊松方程插值方法进行遥感影像融合 . 武汉大学学报 ( 信息科学版), 2012, 37(12): 1448-1451.
    [14] 孟妮娜, 艾廷华, 周校东.  建筑群邻近关系相似性计算 . 武汉大学学报 ( 信息科学版), 2012, 37(7): 775-779.
    [15] 徐爱萍, 圣文顺, 舒红.  时空积和模型的数据插值与交叉验证 . 武汉大学学报 ( 信息科学版), 2012, 37(7): 766-769.
    [16] 闫超德, 白建军, 赵仁亮.  基于Voronoi图的点状目标邻近空间分布测度方法 . 武汉大学学报 ( 信息科学版), 2009, 34(1): 48-51.
    [17] 王刃, 徐青, 朱新慧.  用多种策略从机载Lidar数据中提取建筑脚点 . 武汉大学学报 ( 信息科学版), 2008, 33(7): 688-691.
    [18] 闫超德, 赵仁亮, 陈军, 赵学胜.  基于邻近的移动地图自适应可视化方法 . 武汉大学学报 ( 信息科学版), 2006, 31(12): 1112-1115.
    [19] 陈军, 崔秉良.  用Voronoi方法为MapInfo扩展拓扑功能 . 武汉大学学报 ( 信息科学版), 1997, 22(3): 195-200,211.
    [20] 李熙, 巩钰.  夜间灯光遥感视角下的中国对中亚地区援助效果评估 . 武汉大学学报 ( 信息科学版), 0, 0(0): 0-0. doi: 10.13203/j.whugis20220478
  • 加载中
图(6) / 表(3)
计量
  • 文章访问数:  565
  • HTML全文浏览量:  141
  • PDF下载量:  55
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-06-17
  • 刊出日期:  2022-02-05

顾及邻近关系的NPP/VIIRS序列影像时空插值方法

doi: 10.13203/j.whugis20200019
    基金项目:

    国家重点研发计划 2016YFC08033103

    国家自然科学基金 41001226

    中国博士后科学基金面上资助 2015M582831

    河南省高校基本科研业务费项目 NSFRF180329

    作者简介:

    程钢,博士,教授,主要从事地理空间信息服务与处理研究。chenggang1218@163.com

    通讯作者: 赵宗泽,博士,讲师。zhaozongze@hpu.edu.cn
  • 中图分类号: P237

摘要: 针对可见红外成像辐射仪(visible infrared imaging radiometer suite,VIIRS)月度夜光遥感影像的数据缺失问题,提出一种利用地物邻近关系相关性的像元时空插值方法,以时、空关系互相作为约束条件,将时序变化一致性较好的像元数据作为空间插值的参考,将空间关系一致性较好的月度数据作为时序插值的参考,通过构建不同的卷积核, 在时序和空间维度分别对初步插值结果进行卷积运算,求得待插值像元的时空插值。以2015年江苏省月度夜光遥感影像修复为例,对不同维度时空插值方法进行对比分析,结果表明, 空间维度插值虽然顾及到像元的空间关联性,仍无法满足数据大范围缺失的插值要求,插值结果整体偏低;时间维度插值考虑到像元的时间趋势性,插值精度较空间维度插值有一定提高,但部分月份插值结果有较大偏差;相对于三次Hermit插值,时空插值方法获得的月度影像灯光亮度总和的最大相对误差、年度影像灯光亮度总和相对误差以及逐像元差值均显著降低。总的来看,所提时空插值方法在插值过程中同时顾及到VIIRS数据的时间趋势平稳性和空间结构稳定性,影像插值精度提高明显,且对待插值月份前后时序数据没有严格要求,更具有广泛性。

English Abstract

程钢, 李岩林, 赵宗泽, 杨杰, 卢小平, 原东方. 顾及邻近关系的NPP/VIIRS序列影像时空插值方法[J]. 武汉大学学报 ( 信息科学版), 2022, 47(2): 252-260. doi: 10.13203/j.whugis20200019
引用本文: 程钢, 李岩林, 赵宗泽, 杨杰, 卢小平, 原东方. 顾及邻近关系的NPP/VIIRS序列影像时空插值方法[J]. 武汉大学学报 ( 信息科学版), 2022, 47(2): 252-260. doi: 10.13203/j.whugis20200019
CHENG Gang, LI Yanlin, ZHAO Zongze, YANG Jie, LU Xiaoping, YUAN Dongfang. Spatiotemporal Interpolation Method of NPP/VIIRS Sequence Images Considering Neighbor Relationships[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 252-260. doi: 10.13203/j.whugis20200019
Citation: CHENG Gang, LI Yanlin, ZHAO Zongze, YANG Jie, LU Xiaoping, YUAN Dongfang. Spatiotemporal Interpolation Method of NPP/VIIRS Sequence Images Considering Neighbor Relationships[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 252-260. doi: 10.13203/j.whugis20200019
  • 已有研究表明,夜光遥感卫星可以探测到夜间城市、车流等产生的不同强度的灯光[1],夜光遥感数据作为表征人类活动的有效数据指标[2],已经被广泛应用于社会经济活动研究中[3-8]。2011年10月美国国家极轨卫星(Suomi National Polar Orbiting Partnership,Suomi-NPP)发射成功,Suomi-NPP卫星携带了可见红外成像辐射仪(visible infrared imaging radiometer suite,VIIRS),该传感器采用广角探测仪,具有更低的辐射检测限和更宽的动态范围,夜光遥感数据的时间和空间分辨率得到大幅提升[9]。但是,NPP/VIIRS数据也存在一定问题,受到杂光的影响,月度影像部分数据出现失真,全球有许多地区无法获得当月的高质量数据,这种现象在夏季的中高纬地区表现明显[10]。美国大气海洋局提供的无云观测月度影像包括去除杂散光(VIIRS cloud mask,VCM)和包含杂散光校正(VIIRS cloud mask stray light,VCMSL)两种类型,在VCM影像中,高纬度部分地区出现数据缺失;VCMSL影像则是根据文献[11]提出的矫正算法,对受杂光污染的数据进行矫正,保留了更多地区的数据,但数据质量仍有待提升[12]。质量不佳或者数据缺失问题降低了NPP/VIIRS时空数据的准确性和完整性,进而可能导致人们在使用该数据过程中得出不合理的推断,成为NPP/VIIRS月度影像数据推广应用的限制条件之一[13]。探究有效的数据处理方法,获得高质量时空连续的NPP/VIIRS月度影像数据成为夜光遥感研究的必要工作。

    对于数据缺失问题,地理学研究中通常采用插值的方式对未知数据进行估计,主要包括空间插值、时序插值以及时空插值。空间插值根据有限已知点的数值,通过距离或者其他空间关系,推测出空间上未知数据的近似值,常见方法有双线性插值、反距离加权插值以及克里金插值[14-16]等,主要应用于影像数据重采样等。时序插值则是根据不同时期数据的时序关系,对未知数据进行估计,常见方法有最邻近插值、样条插值、Hermite插值[17]等,主要应用于空间上存在大面积缺失数据的插值。时空插值是根据时空数据的平稳性进行缺失数据的估计[18],常用方法有约减法、扩展法[19-20]、灰色预测模型等,约减法是从待插值数据前后各选出一个真值对待插值数据进行估算,而扩展法中时空单位的不确定性会导致插值结果存在较大的差异性和不稳定性,上述时空插值方法均无法满足夜光遥感影像插值要求。已有研究对存在数据缺失的VCM影像插补主要采用时序插值方法。文献[21]采用一次指数平滑方法对NPP/VIIRS月度影像进行了修补,结果表明,修补后数据合成的年度灯光数据在国家、州等不同尺度层面与国内生产总值(gross domestic product,GDP)拟合度均有提高。文献[13]指出一次指数平滑方法对NPP/VIIRS月度影像数据插补存在的问题,并系统比较了使用三次样条插值、三次Hermite插值、灰色预测模型、三次指数平滑法进行月度数据插补的适用性,结果表明,当被插补月份前后有足够长的时序数据时,三次Hermite插值结果最佳。

    针对现有夜光遥感数据插值方法忽略时空邻近像元关系,仅从时序维度进行插值的局限性,考虑到城市空间结构的相对稳定性和相同地物时序夜光的相对平稳性,本文利用时空相邻像元的夜光表征数据间的相对稳定关系,提出一种顾及时空邻近关系的NPP/VIIRS序列影像时空插值方法,并以2015年中国江苏省NPP/VIIRS月度影像修复为例,对其插值精度和适用性进行探讨。

    • 江苏省位于116°18′E~121°57′E、30°45′N~35°20′N,是长江三角洲经济带的重要组成部分,人均GDP、综合竞争力、地区发展与民生指数均居中国各省第一。

      本文选择江苏省2015年1月-12月共12期的VCM月度NPP/VIIRS影像作为实验数据,数据来自美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)。原始VCM数据中杂散光、闪电光已经被剔除,但是火光、船只以及其他临时性灯光未被剔除;此外,月度数据还存在负值像元。在数据预处理过程中,首先将负像元值赋值为0,再进行临时灯光去除。考虑到如果一个国家或地区没有自然灾害等重大事件发生,那么该区域的灯光亮度在连续的月份间不应出现剧烈变化。鉴于此,本文借助箱线图中稳健统计量来识别临时灯光像元。提取每个像元1月-12月有效像元值(非0值)构成时间序列x,其中t月份稳定灯光像元值xt(1≤t≤12)满足:

      Q1-1.5Q3-Q1xtQ3+1.5Q3-Q1

      式中,Q1为时间序列x的下四分位数;Q3为时间序列x的上四分位数。

      当像元值xt位于箱线图最大上限或最小下限以外时,认为该像元为数据缺失或异常像元,将其赋值为0,作为插值对象。经数据预处理后,江苏省2015年VCM月度影像待插值像元占总像元的比例见表 1,其中6月份待插值像元占比最高,达到40.84%。

      表 1  VCM月度数据待插值像元占比

      Table 1.  Proportion of VCM Data to be Interpolated

      月份/月 待插值像元占比/% 月份/月 待插值像元占比/%
      1 22.41 7 21.81
      2 20.00 8 8.10
      3 11.20 9 8.10
      4 14.90 10 11.39
      5 25.27 11 18.11
      6 40.84 12 27.67
    • 本文插值方法的基本思路是:以时、空关系互相作为约束条件,将时序变化一致性较好的像元数据作为空间维度插值的参考,将空间关系一致性较好的月度数据作为时序维度插值的参考;利用参考值及其与待插值的差值进行像元值的初步估计,进一步根据时、空一致性关系,借助卷积运算求得待插值像元的时空插值结果。为了简便起见,本文将以时序变化一致性为依据,利用空间邻近像元作为参考值进行插值的方法简称为空间维度插值;以空间关系一致性为依据,利用时序邻近像元作为参考值进行插值的方法简称时间维度插值;将二者插值进行一步加权混合的方法称为综合时空插值,简称时空插值。

      本文方法的实现过程借助卷积运算完成。卷积运算是一种在空间域中对图像进行邻域检测的算法,可用于图像平滑、信号处理和转换边缘检测等,其本质是通过图像邻域像素的加权求和得到卷积值,使用的加权矩阵称为卷积模板或卷积核。为了得到不同维度的插值结果,首先从时间和空间维度分别评估邻域数据集与包含待插值数据的数据集的一致性,并将该一致性指标的标准化值作为插值结果的可靠性权重系数;然后构建不同的卷积核计算时间和空间维度插值,进而将不同维度插值结果加权融合,得到缺失数据的最终插值结果。时空插值方法技术路线如图 1所示。

      图  1  时空插值技术路线

      Figure 1.  Flowchart of Spatio-temporal Interpolation

    • 数据插值即从有限已知数据推测出未知数据值,选择合适的插值参考是插值过程至关重要的步骤。待插值数据集与参考数据集的一致性越高,插值结果精度越高。为此,构建一致性指标评价待插值数据集与参考数据集的时空一致性。设l=[l1,l2ln]L=[L1,L2Ln]为长度相等的两个向量,两个向量具有可比的数据尺度和单位,Δ=[Δ1,Δ2Δn]为向量lL的元素差值向量,即Δm=lm-LmlmLmΔm分别代表向量lLΔ中第m个元素值。Δ中元素的标准差代表向量元素的离散程度,标准差越小,元素Δm越趋近同一值,则向量lL元素的值呈现同步变化规律。基于此,本文构建一致性指标Siml,L,评价向量lL的一致性,计算式为:

      Siml,L=(ε+m=1n(Δm-Δ¯)2n-1)-1

      式中,Δ¯为向量Δ中元素的平均值;n为向量Δ的长度;ε为一个正的无穷小量(避免分母为零的情况);Siml,LlL向量的一致性程度,其值越大,lL向量的同步变化一致性越高,反之越低。

    • 空间维度插值是根据数据缺失像元所在时间序列与邻域像元时间序列的同步性规律选择空间插值的参考像元,利用估算的待插值像元与参考像元的差值,完成待插值像元值的估计,结果如图 2(a)所示。

      图  2  不同插值方法示意图

      Figure 2.  Schematic Diagram of Different Interpolation Methods

      Si,jij列的时间序列向量,Si,jt代表t月份ij列的像元值,Si,j+2Si,j邻域内某一时间序列向量,Si,j+2t代表Si,j+2中与Si,jt处于同一月份的邻域像元值,当向量Si,jSi,j+2中存在其他缺失数据时,去除另一向量中的对应数据。假设Si,jt为缺失数据,计算向量Si,jSi,j+2向量的一致性指标Sim(Si,j,Si,j+2),同时求得向量Si,jSi,j+2中对应元素差值的均值Δ¯i,j+2;以Si,j+2作为插值参考时,数据缺失像元Si,jt的估计值计算式为:

      Ŝi,jt=Si,j+2t+Δ¯i,j+2

      式中,Ŝi,jt为数据缺失像元的估计值;Si,j+2t为向量Si,j+2中与Si,jt处于同一个时间节点相邻像元值;Δ¯i,j+2为向量Si,jSi,j+2中对应元素差值平均值。

      将数据缺失像元某个邻域(以5×5为例)内时间序列作为插值参考,计算待插值向量Si,j与插值参考Si,j+2的一致性指标SimSi,j,Si,j+2,并将其标准化至[0, 1],计算式为:

      Sim'Si,j,Si,j+2=Sim(Si,j,Si,j+2)-MinMax-Min

      式中,Sim'Si,j,Si,j+2代表一致性指标SimSi,j,Si,j+2的标准化结果,取值范围为[0, 1];MaxMin为数据缺失像元5×5邻域内时空一致性的最大值、最小值。

      借助卷积运算构建空间维度插值矩阵Ŝ和空间维度卷积核K,计算式分别为:

      Ŝ=Ŝi-2,j-2tŜi-2,j-1tŜi-2,jtŜi-2,j+1tŜi-2,j+2tŜi-1,j-2tŜi-1,j-1tŜi-1,jtŜi-1,j+1tŜi-1,j+2tŜi,j-2tŜi,j-1t0Ŝi,j+1tŜi,j+2tŜi+1,j-2tŜi+1,j-1tŜi+1,jtŜi+1,j+1tŜi+1,j+2tŜi+2,j-2tŜi+2,j-1tŜi+2,jtŜi+2,j+1tŜi+2,j+2t
      K=Sim'(Si,j,Si-2,j-2)Sim'(Si,j,Si-2,j-1)Sim'(Si,j,Si-2,j)Sim'(Si,j,Si-2,j+1)Sim'(Si,j,Si-2,j+2)Sim'(Si,j,Si-1,j-2)Sim'(Si,j,,Si-1,j-1)Sim'(Si,j,Si-1,j)Sim'(Si,j,Si-1,j+1)Sim'(Si,j,Si-1,j+2)Sim'(Si,j,Si,j-2)Sim'(Si,j,Si,j-1)0Sim'(Si,j,Si,j+1)Sim'(Si,j,Si,j+2)Sim'(Si,j,Si+1,j-2)Sim'(Si,j,Si+1,j-1)Sim'(Si,j,Si+1,j)Sim'(Si,j,Si+1,j+1)Sim'(Si,j,Si+1,j+2)Sim'(Si,j,Si+2,j-2)Sim'(Si,j,Si+2,j-1)Sim'(Si,j,Si+2,j)Sim'(Si,j,Si+2,j+1)Sim'(Si,j,Si+2,j+2)

      式(5)中,Ŝi,j+1t是以Si,j+1作为插值参考时,数据缺失像元的估计值。进而得到数据缺失像元的空间维度插值Rspace,计算式为:

      Rspace=i=15j=15Ŝ(i,j)K(i,j)i=15j=15K(i,j)
    • 时间维度插值是根据数据缺失像元及其空间邻域数据所在的数据集与其他月份相同位置像元的一致性作为依据,选取时序参考数据进行插值,结果如图 2(b)所示。

      Stt月份包含缺失数据的空间数据集,Si,jt代表数据缺失像元值,Skk月份与St行列号相同的数据集,ktSi,jk代表Sk中与Si,jt处于不同时间节点但行列号相同的像元值。当向量SkSt中存在其他缺失数据时,去除另一向量中对应数据,计算两个数据集的一致性指标Sim(St,Sk),将向量StSk按照先行后列顺序排列组成一维向量,同时求得StSk中对应元素差值的平均值Δ¯kŜi,jt代表以Sk作为插值参考时数据缺失像元Si,jt的估计值,计算式为:

      Ŝi,jt=Si,jk+Δ¯k

      类似地,以其他月份空间数据作为插值参考,分别计算待插值向量St与插值参考的一致性指标,并将其标准化至[0, 1],借助卷积运算构建时间维度插值矩阵Ŝ'和时间维度卷积核K',计算式分别为:

      Ŝ'=[Ŝi,j1,Ŝi,j2Ŝi,jk0Ŝi,j11,Ŝi,j12]
      K'=[Sim'St,S1,Sim'St,S2Sim'St,Sk0Sim'St,S11,Sim'(St,S12)]

      式中,Ŝi,jk代表以Sk作为插值参考时数据缺失像元Si,jt的估计值;Sim'St,Sk为一致性指标SimSt,Sk的标准化结果。进而得到数据缺失像元的时间维度插值Rtime,计算式为:

      Rtime=k=112Ŝ'i,jK'k/k=112K'k
    • 将数据缺失像元的空间维度插值Rspace和时间维度插值Rtime融合,得到综合时空插值Rst,计算式为:

      Rst=Rspace×qspace+Rtime×qtimeqspace+qtime

      式中,qspaceqtime分别为空间和时间维度插值时参与运算的初步估计值的一致性指标之和。

    • 图 3为江苏省2015年6月份不同插值方法影像插值结果,鉴于可作为参考影像的数据较少,同时便于与已有研究进行对比分析,本文选择VCMSL作为参考影像,将已有研究中插值精度较高的三次Hermite插值[13]、空间维度插值和时间维度插值与时空插值方法进行对比,从插值结果的灯光亮度总和、绝对误差、相对误差以及与参考影像逐像元差值的整体方差等多个方面评价时空插值算法插值精度。

      图  3  江苏省2015年6月份插值结果

      Figure 3.  Interpolation Results of Jiangsu Province in June 2015

    • 选择插值结果灯光值总和与参考影像进行对比,结果如图 4所示。从图 4可以看出,Hermite插值在1、6、7、11月份插值结果偏高,其中数据缺失最严重的6月份插值结果偏高现象最为明显,三次Hermite插值在5、6、7月份结果分别为163.12×104 nW·cm-2·sr-1、154.60×104 nW·cm-2·sr-1和146.52×104 nW·cm-2·sr-1,6月份插值灯光亮度总和接近5月、7月份灯光亮度总和的平均值。分析其原因在于三次Hermite插值仅考虑了像元值的时序关系,忽略了NPP/VIIRS数据包含的重要空间信息,当插值点与两个插值端点距离相同时,插值结果接近两个插值端点的均值,因此出现6月份插值结果灯光总和接近相邻月份灯光总和均值现象,插值结果灯光亮度总和较参考影像偏高明显。空间维度插值以时序变化一致性较好的像元的数据作为插值的参考,顾及到像元的空间关联性,仍无法满足数据大范围缺失的插值要求,12个月份的插值结果中有11个月份低于同时期参考影像,6月份灯光总和偏低最明显。时间维度插值以空间关系一致性较好的月度数据作为插值参考,更侧重像元的时间趋势性,插值精度有一定提高,但6月份灯光亮度总和仍有较大偏差。时空插值以时、空关系互相作为约束条件,插值过程综合考虑了NPP/VIIRS数据时间趋势性和空间关联性,在4种插值方法中插值结果精度最高,单一月份插值结果灯光亮度总和未出现较大偏差,较同时期参考影像灯光总和最接近。

      图  4  插值结果灯光辐射亮度值总和

      Figure 4.  Sum Radiance Value of Interpolation Results

    • 图 5为不同插值方法的插值结果与参考数据的误差对比。由图 5(a)可以看出,Hermite插值结果的绝对误差连续12个月均为最大,其中6月绝对误差为19.94×104 nW·cm-2·sr-1,为全年绝对误差最大月份,12月灯光总和出现较大负偏差,绝对误差为-12.52×104 nW·cm-2·sr-1。空间维度插值的绝对误差有11个月份为负偏差,整体插值结果偏低。时间维度插值的绝对误差在1、3、7月份均小于时空插值,但其他月份均大于时空插值。时空插值6月份灯光亮度总和的绝对误差仅为2.31×104 nW·cm-2·sr-1,12个月份中有9个月份的绝对误差值在4种插值方法中最小。从图 5(b)可以看出,三次Hermite插值、空间维度插值和时间维度插值的最大相对误差均出现在6月份,最大相对误差分别为14.81%、9.42%和6.34%,而时空插值6月份相对误差仅1.04%,全年最大月份相对误差为4.85%,插值结果精度最高。此外,三次Hermite插值、空间维度插值和时间维度插值的相对误差在不同月份出现较大波动,而时空插值的相对误差较平稳,未出现较大波动;与其他3种插值方法相比,时空插值方法稳定性更好,插值结果不会因季节变化出现较大偏差。

      图  5  插值结果与参考数据的误差对比

      Figure 5.  Error Comparison Between Interpolation Results and Reference Data

    • 为了验证插值结果与参考影像的整体吻合程度,将不同月份插值结果与同时期参考影像逐像元作差,计算逐像元差值的方差,结果如图 6所示。从图 6中可以看到,4种方法的插值结果与参考影像逐像元差值的整体方差较为接近,整体方差最大值均出现在6、7月份,其中时空插值方法逐像元差值的整体方差有10个月均为最小,表明插值结果影像与参考影像越相近;与其他3种插值方法相比,时空插值方法的插值结果与参考影像整体吻合度最高。

      图  6  插值结果与参考影像逐像元差值的方差

      Figure 6.  Variance of Differences Between Interpolation Results with Reference Data

    • 本文以数据缺失最严重的6月份为例,选择图 3中区域1和区域2作为两个局部区域,进行不同方法的局部插值精度对比,结果见表 2

      表 2  不同方法的局部插值精度

      Table 2.  Accuracies of Different Methods in Local Areas

      插值方法 区域1 区域2
      绝对误差
      /(nW·cm-2·sr-1)
      相对误差
      /%
      方差
      /(nW·cm-2·sr-1)
      绝对误差
      /(nW·cm-2·sr-1)
      相对误差
      /%
      方差
      /(nW·cm-2·sr-1)
      Hermite插值 2 262.15 25.01 2.69 5 737.08 28.24 5.48
      空间维度插值 -2 874.13 31.78 3.11 -7 699.67 37.90 5.58
      时间维度插值 2 744.63 23.28 2.68 6 064.69 29.85 5.22
      时空插值 -1 254.68 13.87 2.55 -3 762.37 18.52 4.86

      表 2可知,相较于Hermite插值,时空插值在区域1的灯光总和相对误差由25.01%降低至13.87%,与参考影像逐像元差值方差由2.69 nW·cm-2·sr-1降低至2.55 nW·cm-2·sr-1;区域2的灯光总和相对误差由28.24%降低至18.52%,逐像元差值方差由5.48 nW·cm-2·sr-1降低至4.86 nW·cm-2·sr-1。总体来看,时空插值的局部插值精度最高,时间维度插值次之,空间维度插值效果最差。

    • 通过求均值的方式将月度影像合成年度影像,与NOAA提供的VCM_ORM(VIIRS cloud mask-outlier removed)年度影像进行对比,结果见表 3

      表 3  年度影像合成结果对比

      Table 3.  Comparison of Annual Image Synthesis Results

      统计对象 灯光总和
      /(104 nW·cm-2·sr-1)
      灯光总和相对误差/% 像元最大值
      /(nW·cm-2·sr-1)
      像元平均值
      /(nW·cm-2·sr-1)
      方差
      /(nW·cm-2·sr-1)
      VCM_ORM影像 164.73 368.63 2.91
      Hermite插值影像 160.72 2.44 282.87 2.83 1.25
      空间维度插值影像 157.82 4.20 262.04 2.79 1.30
      时间维度插值影像 158.81 3.60 269.84 2.80 1.22
      时空插值影像 161.11 2.20 277.01 2.84 1.20

      表 3可知,时空插值合成的年度影像的灯光总和、像元平均值与年度影像更接近,灯光总和相对误差低至2.20%。4种插值方法的像元最大值在270 nW·cm-2·sr-1左右,与年度影像相比偏差较大,查看原始影像数据发现,VCM_ORM年度影像中像元值大于282.87 nW·cm-2·sr-1仅有1个像元,且该像元5月份辐射亮度值为1 155.14 nW·cm-2·sr-1,数据预处理时,该像元值被识别为临时灯光像元,影像插值时,该像元被重新赋值,因此该像元插值结果小于VCM_ORM年度影像像元值。此外,Hermite插值时所有插值结果均在已有数据范围内不会出现插值结果越界现象,而时间维度和空间维度插值可能出现插值结果为负值,当插值结果为负值时,认为该插值结果无效,将插值结果及其权重赋值为0,因此时空插值方法插值结果未出现负像元值。通过逐像元差值的整体方差对比发现,时空插值结果与年度影像插值整体方差最小,与年度影像吻合度最高。

    • 针对NPP/VIIRS月度影像数据缺失问题,本文以2015年江苏省NPP/VIIRS月度影像插值为例,将时、空关系互相作为约束条件,分别进行了空间维度插值、时间维度插值和时空插值实验,得到的主要结论如下:

      1)空间维度插值虽然顾及到像元的空间关联性,仍无法满足数据大范围缺失的插值要求,插值结果整体偏低。

      2)时间维度插值考虑到像元的时间趋势性,插值精度较空间维度插值有一定提高,但部分月份插值结果有较大偏差。

      3)相较于三次Hermite插值,时空插值获得的月度数据灯光亮度总和最大相对误差由14.81%降至4.85%,年度影像灯光亮度总和相对误差由2.44%降至2.20%,逐像元差值整体方差由1.25降至1.20。

      总的来看,本文中时空插值方法在插值过程中同时顾及到NPP/VIIRS数据时间平稳性和空间结构稳定性,插值精度明显提高,且对待插值月份前后时序数据没有严格要求,更具广泛性。

      值得注意的是,邻域参考数据范围的大小对时空插值精度和运算效率都有较大影响。通过多次实验发现,选择数据缺失像元3×3邻域像元作为插值参考时,可作为插值参考的数据集较少,插值结果较差;选择5×5邻域像元为参考时,可以得到较好的插值结果;如果继续扩大参考像元邻域范围至7×7,将导致计算量显著增加,算法效率降低,因此,本文以数据缺失像元5×5邻域内数据集作为插值参考。虽然本文中综合时空插值精度更高,但是该方法也存在一定不足之处,即在插值起始位置必须找到有效的参考数据。如果某一月份数据全部缺失,则需要扩大插值范围,从可以找到有效参考位置进行影像插值,然后提取所需范围影像,由此可能会带来计算量的增加,对时间成本有较高的要求。

参考文献 (21)

目录

    /

    返回文章
    返回