Précédent|Prochain

Réduction d'échelle des données haute résolution du GF-5 en utilisant des données du Sentinel-2

  • role： First author第一作者
  • Affiliation：

    College of Surveying and Geo-informatics, Tongji University, Shanghai 200092, China

  • Email：wqm11111@126.com
  • Introduction：王群明，研究方向为遥感信息处理、应用及空间统计学等。E-mail：wqm11111@126.com
WANG Qunming,  
  • Affiliation：

    College of Surveying and Geo-informatics, Tongji University, Shanghai 200092, China

ZHANG Zhihao,  
  • Affiliation：

    College of Surveying and Geo-informatics, Tongji University, Shanghai 200092, China

ZHANG Chengyuan

résumé

Le GF-5 (High-Resolution 5) est le premier satellite chinois à offrir une observation intégrée de l'atmosphère et de la terre, avec la caméra AHSI à haute résolution spectrale visible et infrarouge à ondes courtes offrant des données de télédétection avec une résolution spectrale très élevée. Cependant, la résolution spatiale des données AHSI est de 30 mètres, ce qui limite les applications. Pour réaliser la réduction d'échelle des données GF-5, cette étude fusionne des données multispectrales de 10 mètres du Sentinel-2, pour générer des données à haute résolution de 10 mètres du GF-5. En termes de méthode, pour résoudre le problème du coût élevé en calcul de la fusion d'images guidée par la perte d'information ILGIF (Information Loss-Guided Image Fusion) pour la réduction d'échelle d'images à haute résolution spectrale, cette étude propose sa version rapide FILGIF (Fast ILGIF). D'autre part, lors de la réduction d'échelle, cette étude tient compte et estime la fonction de diffusion des points (PSF) entre les données à haute résolution spectrale de GF-5 de 30 mètres et les données Sentinel-2 de 10 mètres, améliorant ainsi la qualité des données fusionnées. Les résultats des expériences ont confirmé la faisabilité de la fusion des données Sentinel-2 pour la réduction d'échelle des données à haute résolution du GF-5. En outre, les résultats indiquent que le FILGIF améliore considérablement l'efficacité opérationnelle par rapport à l'ILGIF, tout en obtenant une précision suffisante; le PSF a un impact important sur le processus de réduction d'échelle, et son estimation précise contribue à obtenir des résultats de réduction d'échelle plus précis.

mots-clés

Télédétection; Haut Résolution 5 (GF-5); Sentinel-2; Réduction d'échelle des images; Fusion spectrale vide; Géostatistique; Fonction de diffusion des points (PSF)

References

  1. 1.
    Aiazzi B, Baronti S and Selva M. 2007. Improving component substitution Pansharpening through multivariate regression of MS + Pan data. IEEE Transactions on Geoscience and Remote Sensing, 45(10): 3230-3239
  2. 2.
    Amolins K, Zhang Y and Dare P. 2007. Wavelet based image fusion techniques-An introduction, review and comparison. ISPRS Journal of Photogrammetry and Remote Sensing, 62(4): 249-263
  3. 3.
    Atkinson P M. 2013. Downscaling in remote sensing. International Journal of Applied Earth Observation and Geoinformation, 22: 106-114
  4. 4.
    Atkinson P M, Pardo-Iguzquiza E and Chica-Olmo M. 2008. Downscaling cokriging for super-resolution mapping of continua in remotely sensed images. IEEE Transactions on Geoscience and Remote Sensing, 46(2): 573-580
  5. 5.
    Brunsdon C, Fotheringham A S and Charlton M E. 1996. Geographically weighted regression: a method for exploring spatial nonstationarity. Geographical Analysis, 28(4): 281-298
  6. 6.
    Carper W J, Lillesand T M, Kiefer P W. 1990. The use of intensity-hue-saturation transformations for merging SPOT panchromatic and multispectral image data. Photogrammetric Engineering and Remote Sensing, 56(4): 459-467
  7. 7.
    Chavez P S, Sides S C, Anderson J A. 1991. Comparison of three different methods to merge multiresolution and multispectral data: landsat TM and SPOT panchromatic. Photogrammetric Engineering and Remote Sensing, 57(3): 295-303
  8. 8.
    Foody G M. 2003. Geographical weighting as a further refinement to regression modelling: an example focused on the NDVI-rainfall relationship. Remote Sensing of Environment, 88(3): 283-293
  9. 9.
    Ghamisi P, Rasti B, Yokoya N, Wang Q M, Hofle B, Bruzzone L, Bovolo F, Chi M M, Anders K, Gloaguen R, Atkinson P M and Benediktsson J A. 2019. Multisource and multitemporal data fusion in remote sensing: a comprehensive review of the state of the art. IEEE Geoscience and Remote Sensing Magazine, 7(1): 6-39
  10. 10.
    Huang P S and Tu T M. 2007. Reply to Erratum to “A new look at IHS-like image fusion methods”. Information Fusion, 8(2): 218
  11. 11.
    Li S T, Li C Y and Kang X D. 2021. Development status and future prospects of multi-source remote sensing image fusion. National Remote Sensing Bulletin, 25(1): 148-166
  12. 12.
    Shah V P, Younan N H and King R L. 2008. An efficient pan-sharpening method via a combined adaptive PCA approach and contourlets. IEEE Transactions on Geoscience and Remote Sensing, 46(5): 1323-1335
  13. 13.
    Shen D B, Liu J J, Xiao Z Y, Yang J L and Xiao L. 2020. A twice optimizing net with matrix decomposition for hyperspectral and multispectral image fusion. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 4095-4110
  14. 14.
    Song H H, Liu Q S, Wang G J, Hang R L and Huang B. 2018. Spatiotemporal satellite image fusion using deep convolutional neural networks. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(3): 821-829
  15. 15.
    Thomas C, Ranchin T, Wald L and Chanussot J. 2008. Synthesis of multispectral images to high spatial resolution: a critical review of fusion methods based on remote sensing physics. IEEE Transactions on Geoscience and Remote Sensing, 46(5): 1301-1312
  16. 16.
    Wang Q M, Shi W Z and Atkinson P M. 2016b. Area-to-point regression kriging for pan-sharpening. ISPRS Journal of Photogrammetry and Remote Sensing, 114: 151-165
  17. 17.
    Wang Q M, Shi W Z and Atkinson P M. 2020a. Information loss-guided multi-resolution image fusion. IEEE Transactions on Geoscience and Remote Sensing, 58(1): 45-57
  18. 18.
    Wang Q M, Shi W Z, Atkinson P M and Wei Q. 2017. Approximate area-to-point regression kriging for fast hyperspectral image sharpening. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(1): 286-295
  19. 19.
    Wang Q M, Shi W Z, Li Z B and Atkinson P M. 2016a. Fusion of Sentinel-2 images. Remote Sensing of Environment, 187: 241-252
  20. 20.
    Wang Q M, Tang Y J and Atkinson P M. 2020b. The effect of the point spread function on downscaling continua. ISPRS Journal of Photogrammetry and Remote Sensing, 168: 251-267
  21. 21.
    Wang Z and Bovik A C. 2002. A universal image quality index. IEEE Signal Processing Letters, 9(3): 81-84
  22. 22.
    Xiao L, Liu P F and Li H. 2020. Progress and challenges in the fusion of multisource spatial-spectral remote sensing images. Journal of Image and Graphics, 25(5): 851-863
  23. 23.
    Yang J X, Zhao Y Q and Chan J C W. 2018. Hyperspectral and multispectral image fusion via deep two-branches convolutional neural network. Remote Sensing, 10(5): 800
  24. 24.
    Yuan J W, Wu C, Du B, Zhang L P and Wang S G. 2020. Analysis of landscape pattern on urban land use based on GF-5 hyperspectral data. Journal of Remote Sensing (Chinese), 24(4): 465-478
  25. 25.
    Zhang L P and Shen H F. 2016. Progress and future of remote sensing data fusion. Journal of Remote Sensing, 20(5): 1050-1061

Lire l'article complet

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website