一种多通道卫星植被光学厚度数据一致性校正方法及系统

本发明涉及卫星遥感数据处理、时空数据融合及跨传感器定标，具体涉及一种多通道卫星植被光学厚度数据一致性校正方法及系统。

背景技术：

1、传统光学植被指数能够反映植被绿度或光合作用能力，但在高生物量和植被茂密区域容易出现饱和现象，并且受云层、大气条件和太阳光照的影响，难以连续监测植被冠层内部的水分与结构变化。相较而言，植被光学厚度（vegetation optical depth，vod）对植被冠层含水量、植被结构及地上生物量变化较为敏感。由于微波具有一定的云层穿透能力，且被动微波观测不依赖太阳光照，因此能够在昼夜及多云条件下获取地表信息，为大范围、长时间和高时间分辨率监测植被水分状况及生物量动态提供了重要数据基础。

2、目前，研究人员已经基于不同星载微波传感器和反演算法开发了多种全球vod产品，形成了覆盖不同频率、不同空间分辨率和不同观测时段的植被微波遥感数据体系。其中，高级微波扫描辐射计amsre及其后续传感器amsr2提供了较长时间跨度的全球多频微波观测数据，为构建2002年以来的长时间序列vod产品提供了重要条件。尽管amsre与amsr2在传感器设计、扫描方式和波段配置等方面具有一定延续性，但二者在辐射定标、频率设置观测噪声及数据处理流程等方面仍存在差异。因此，amsre与amsr2的vod数据可能存在系统性代际偏差，影响长期植被变化趋势及极端生态事件的识别。

3、目前，针对多源遥感数据代际差异的校正方法主要包括线性回归、均值—方差调整、分位数映射及累积分布函数映射等。对于amsre和amsr2的多通道vod数据，不同观测频率、升降轨条件或其他观测配置下的vod变量并非相互独立，而是共同反映同一像元植被冠层的水分和结构状态。因此，多源vod数据的一致性校正不仅需要调整各通道各自的数值分布，还需要使校正后的多通道联合依赖结构与目标域传感器保持一致。

技术实现思路

1、为克服上述传统的多源卫星植被光学厚度数据校正通常针对单一通道进行，难以同时消除不同传感器之间的分布偏差并保持多通道联合依赖关系，影响长时间序列数据的一致性的不足，本发明提供一种多通道卫星植被光学厚度数据一致性校正方法及系统，利用自适应经验分布构建和copula依赖结构迁移描述多个vod通道之间的联合依赖关系，将源域传感器的相关结构迁移至目标域传感器，从而实现多通道联合相关结构的校正。

2、根据本发明说明书的一方面，提供了一种多通道卫星植被光学厚度数据一致性校正方法，包括：获取源域传感器和目标域传感器的多通道植被光学厚度时序数据并预处理；基于预处理后的多通道植被光学厚度时序数据，统计各观测通道的有效样本量以自适应选取分位点，并通过分位数插值和尾部外推分别构建源域与目标域的连续累积分布函数，进而得到源域与目标域的累计概率数据；将所述累计概率数据映射至高斯空间，估计并正定化源域和目标域相关矩阵，利用矩阵分解构建连接结构迁移矩阵；基于所述源域与目标域的连续累积分布函数以及连接结构迁移矩阵，对待校正的源域多通道植被光学厚度时序数据依次执行源域累积分布映射、联合依赖结构校正和目标域逆累积分布映射，得到校正后的源域多通道植被光学厚度时序数据。

3、进一步地，多通道植被光学厚度时序数据包括由源域传感器反演得到的若干植被光学厚度数据和由目标域传感器反演得到的若干植被光学厚度数据；其中，每一植被光学厚度数据均按地理空间划分为若干空间像元，每一个空间像元具备多个观测通道，各个观测通道分别存储对应通道反演得到的植被光学厚度值。

4、进一步地，所述预处理包括：将植被光学厚度数据中小于或等于预设物理有效阈值的植被光学厚度值对应的空间像元设置为无效值；读取土地覆盖数据，将土地覆盖数据中永久冰雪土地覆盖类别对应的空间像元设置为无效值；其中，土地覆盖数据的各个空间像元与植被光学厚度数据的各个空间像元一一对应；以空间像元和时间子周期为处理单元，分别对源域传感器和目标域传感器的多通道植被光学厚度时序数据进行划分，得到源域训练样本集和目标域训练样本集。

5、进一步地，基于预处理后的多通道植被光学厚度时序数据，统计各观测通道的有效样本量以自适应选取分位点，并通过分位数插值和尾部外推分别构建源域与目标域的连续累积分布函数，进而得到源域与目标域的累计概率数据，包括：针对每一空间像元和每一时间子周期，统计对应源域训练样本集与目标域训练样本集中各观测通道的有效样本量以确定最小有效样本量，并根据所述最小有效样本量从多个候选分位点集合中选取对应的分位点集合；基于选取的分位点集合，分别计算源域训练样本集与目标域训练样本集在各观测通道上的分位值，通过相邻分位值之间的插值和位于边界分位值之外的尾部拟合，分别建立源域经验累积分布函数和目标域经验累积分布函数；利用所述源域经验累积分布函数和目标域经验累积分布函数，将各观测通道的源域训练样本和目标域训练样本分别转换至概率空间，得到源域概率样本和目标域概率样本。

6、进一步地，相邻分位值之间的插值和位于边界分位值之外的尾部拟合，包括：对处于第二低分位值与第二高分位值之间的训练样本采用线性插值确定累计概率；对低于所述第二低分位值或高于所述第二高分位值的训练样本，利用对应尾部训练样本的排序值与尾部累计概率进行一次函数拟合；在尾部训练样本量小于尾部阈值时，采用所述尾部阈值对应的边界概率代替所述尾部累计概率进行一次函数拟合。

7、进一步地，将所述累计概率数据映射至高斯空间，估计并正定化源域和目标域相关矩阵，利用矩阵分解构建连接结构迁移矩阵，包括：从所有的源域概率样本和目标域概率样本中，分别筛选出同一空间像元下各个观测通道反演得到的植被光学厚度值均为有效值的源域联合有效样本和目标域联合有效样本；利用标准正态累积分布函数的反函数，将源域联合有效样本和目标域联合有效样本转换至高斯空间，得到源域高斯样本和目标域高斯样本；根据所述源域高斯样本和目标域高斯样本分别确定源域通道相关矩阵和目标域通道相关矩阵，对两个通道相关矩阵分别进行正定化处理；分别对正定化后的源域通道相关矩阵和目标域通道相关矩阵进行矩阵分解，得到源域分解矩阵和目标域分解矩阵；根据所述源域分解矩阵和目标域分解矩阵，构建将源域通道相关结构迁移为目标域通道相关结构的连接结构迁移矩阵。

8、进一步地，根据所述源域分解矩阵和目标域分解矩阵，构建将源域通道相关结构迁移为目标域通道相关结构的连接结构迁移矩阵，对应的公式为：

9、a=c目标c源-1，

10、其中，a是连接结构迁移矩阵；c源-1是源域分解矩阵的逆矩阵；c目标是目标域分解矩阵。

11、进一步地，所述方法还包括：分别计算校正前源域多通道植被光学厚度时序数据的日平均值和校正后源域多通道植被光学厚度时序数据的日平均值；分别将校正前后源域多通道植被光学厚度时序数据的日平均值与目标域多通道植被光学厚度时序数据中的日平均值进行对比，以对校正后的源域多通道植被光学厚度时序数据进行验证。

12、根据本发明说明书的一方面，提供了一种多通道卫星植被光学厚度数据一致性校正系统，包括：数据获取与预处理模块，用于获取源域传感器和目标域传感器的多通道植被光学厚度时序数据并预处理；自适应经验分布构建模块，用于基于预处理后的多通道植被光学厚度时序数据，统计各观测通道的有效样本量以自适应选取分位点，并通过分位数插值和尾部外推分别构建源域与目标域的连续累积分布函数，进而得到源域与目标域的累计概率数据；依赖结构迁移模块，用于将所述累计概率数据映射至高斯空间，估计并正定化源域和目标域相关矩阵，利用矩阵分解构建连接结构迁移矩阵；逆累积分布映射模块，用于基于所述源域与目标域的连续累积分布函数以及连接结构迁移矩阵，对待校正的源域多通道植被光学厚度时序数据依次执行源域累积分布映射、联合依赖结构校正和目标域逆累积分布映射，得到校正后的源域多通道植被光学厚度时序数据。

13、根据本发明说明书的一方面，提供了一种非暂态计算机可读存储介质所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行所述的一种多通道卫星植被光学厚度数据一致性校正方法。

14、上述技术方案，本发明公开一种多通道卫星植被光学厚度数据一致性校正方法。首先获取源域传感器和目标域传感器的多通道植被光学厚度时序数据，并进行简单预处理；随后以像元和月份为处理单元，根据有效样本量自适应选取分位点，通过分位数插值和尾部外推分别构建源域与目标域的连续累积分布函数；将多通道数据映射至高斯空间，估计并正定化源域和目标域相关矩阵，利用矩阵分解构建copula结构迁移矩阵；最后依次执行源域累积分布映射、联合依赖结构校正和目标域逆累积分布映射，获得校正后的植被光学厚度数据。校正后的数据能够校正源域传感器与目标域传感器之间的偏差。本发明能够同时校正单通道边缘分布和多通道相关结构，为跨传感器植被光学厚度长时间序列构建及植被动态监测提供一致的数据基础。

15、与现有技术相比，本发明的有益效果在于：

16、1. 提高跨传感器vod长时间序列的一致性

17、现有的amsre与amsr2植被光学厚度数据在辐射定标、频率设置、观测噪声和反演过程等方面存在差异，可能在传感器更替时点产生非自然突变。本发明以amsr2作为目标域，对amsre数据进行统计分布和联合依赖结构校正，能够降低传感器差异引起的系统性偏差，提高长时间序列vod数据的连续性和一致性，为植被水分、地上生物量及生态系统长期变化研究提供更加可靠的数据基础。

18、2. 同时校正单通道边缘分布和多通道相关结构

19、传统分位数映射或累积分布函数校正方法通常对各观测变量进行独立处理，虽然能够改善单个通道的均值、方差和分位数分布，但可能改变不同观测通道之间原有的相关关系。本发明首先利用连续累积分布函数表征各vod变量的边缘分布（即单个vod变量自身的数值分布），再通过高斯copula方法建立amsre与amsr2的多通道联合依赖结构，并将目标域相关结构迁移至源域数据。因此，本发明不仅能够使校正后各通道的数值分布接近amsr2，还能够使多个通道之间的相关关系与amsr2保持一致。

20、3. 提高不同样本条件下分布建模的稳定性

21、不同像元和月份受到数据缺失、地表类型和观测条件等因素影响，有效样本数量存在明显差异。如果统一采用固定数量的分位点，可能在样本不足时产生重复分位值、插值不稳定或过拟合问题。本发明根据源域和目标域的最小有效样本量，自适应选择不同密度的分位点集合：样本充足时使用较多分位点以描述分布细节，样本较少时减少分位点数量以提高估计稳定性。该方法能够适应不同像元和月份的样本条件，提高累积分布函数构建及数据校正的可靠性。

22、4. 改善分布尾部及极端vod值的映射效果

23、常规分位数映射方法通常依赖分位点范围内的插值，对超出内部区间的高值和低值样本处理能力有限，容易造成极端值堆积、映射中断或不合理外推。本发明对分布中部采用分位数线性插值，对低值尾部和高值尾部分别利用对应训练样本进行拟合和外推，并将校正结果限制在目标域训练样本的合理取值范围内。因此，本发明能够在保持映射连续性的同时，降低异常外推值对校正结果的影响。