基于时空Markov随机场的遥感影像超分辨率制图研究

Super-resolution mapping is a technique to predict land cover maps with a finer spatial resolution than the input remotely sensed images. Present super-resolution mapping models use mono-temporal remotely sensed image as input, and integrate spatial constraints of the sub-pixel labels in the model based on the spatial dependence of sub-pixels. Unfortunately, the uncertainty of the result is still large. Remote sensing technique has its advantages in multi-scale monitoring, and the remotely sensed images with different spatial and temporal resolutions can be provided. According to the aforementioned issues, this project aims to provide a super-resolution mapping model that combines the low-spatial-resolution remotely sensed images which have high-temporal-resolution with fine-spatial-resolution images which can provide useful land cover spatial patterns. Based on Markov random field theory, the proposed model adopts spatial-temporal neighborhood system to spatially and temporally link the sub-pixels, and the model is expected to reduce the uncertainty of the result by using both spatial and temporal constraints of sub-pixels. Based on this issue, the project aims constructing a spatial-temporal Markov random field based super-resolution mapping model, analyzing the theory and solving of the proposed model and proposing the way for automatically selecting the model parameters. The project is expected to promote the theory and application of super-resolution mapping.

遥感影像超分辨率制图是利用遥感数据获得更高空间分辨率地物分类图的过程。当前超分辨率制图主要采用单一时相数据源，模型仅依据亚像元的空间关联特征对求解的亚像元类别标号进行空间约束，结果的不确定性很大。遥感技术具有多尺度观测能力，可以提供研究区不同时间和空间分辨率的遥感影像。针对上述问题，结合较低空间分辨率遥感影像重访周期短以及较高空间分辨率遥感影像地物空间结构信息丰富的优势，提出一种针对较低空间分辨率遥感影像及时更新数据以及较高空间分辨率遥感影像历史数据的超分辨率制图模型，以Markov随机场为理论基础，采用时空邻域系统构建亚像元在时间和空间上的联系，旨在通过增加类别场的时间约束条件减轻模型的不确定性。在此基础上，构建基于时空Markov随机场的超分辨率制图模型，研究模型的基本理论和求解方法，探讨模型参数自适应估计的一般性规律，为进一步推进超分辨率制图的理论研究和实际应用奠定基础。

遥感影像是土地覆盖制图及变化监测的主要数据源。本项目结合较低空间分辨率遥感影像重访周期短以及较高空间分辨率遥感影像地物空间结构信息丰富的优势，提出了针对较低空间分辨率遥感影像及时更新数据以及较高空间分辨率遥感影像历史数据的时空超分辨率制图模型，并针对时空超分辨率制图中的地物时间变化特征模型构建、地物空间分布特征模型构建、优化求解、模型应用等方面展开了研究。在地物时间变化特征模型方面，提出了多尺度地物丰度变化检测模型以及多尺度时空相关性模型，并构建了基于时空Markov随机场、时空Hopfield神经网络的超分辨率制图模型，解决了超分辨率制图中不同分辨率像元信息融合的关键难题。在地物空间分布特征模型方面，提出了多尺度空间自相关模型，统一了像元尺度和亚像元尺度的空间相关性模型，并采用结构张量法、Sobel算子法提取地物边缘信息，在此基础上构建基于空间各向异性的地物空间相关性模型，减轻了超分辨率制图中地物空间分布预测的不确定性，提高了超分辨率制图精度。在模型求解方面，提出了基于正则化的超分辨率制图模型，探讨了最优正则化参数估计方法，构建了基于统计决策的超分辨率制图模型，减轻了模型求解的不确定性。在应用方面，开展了MODIS数据与Landsat数据时空超分辨率制图，实现了空间分辨率为30m、监测频率为8d的土地覆盖动态监测，推进了时空超分辨率制图的实际应用。