Anterior|Siguiente

Reducción de escala de datos de alta resolución del GF-5 utilizando datos del 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

resumen

La GF-5 (High-Resolution 5) es el primer satélite chino que ofrece observaciones integradas de la atmósfera y la tierra, con la cámara AHSI de alta resolución espectral visible e infrarroja de onda corta que proporciona datos de teledetección con una resolución espectral muy alta. Sin embargo, la resolución espacial de los datos AHSI es de 30 metros, lo que limita las aplicaciones. Para lograr la reducción de la escala de datos GF-5, este estudio fusiona datos multispectrales de 10 metros del Sentinel-2, para generar datos de alta resolución de 10 metros del GF-5. En términos del método, para resolver el problema del alto costo computacional de la fusión de imágenes guiada por la pérdida de información ILGIF (Information Loss-Guided Image Fusion) para la reducción de la escala de imágenes de alta resolución espectral, este estudio propone su versión rápida FILGIF (Fast ILGIF). Por otro lado, durante la reducción de la escala, este estudio considera y estima la función de difusión de puntos (PSF) entre los datos de alta resolución espectral de 30 metros de GF-5 y los datos de Sentinel-2 de 10 metros, mejorando así la calidad de los datos fusionados. Los resultados de los experimentos confirmaron la viabilidad de la fusión de datos del Sentinel-2 para la reducción de escala de los datos de alta resolución del GF-5. Además, los resultados indican que el FILGIF mejora significativamente la eficiencia operativa en comparación con el ILGIF, manteniendo al mismo tiempo una precisión aproximada; el PSF tiene un impacto importante en el proceso de reducción de escala, y su estimación precisa contribuye a obtener resultados de reducción de escala más precisos.

palabra clave

Teledetección; GF-5 (High-Resolution 5); Sentinel-2; Reducción de escala de imágenes; Fusión espectral vacía; Geoestadística; Función de dispersión de puntos (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

Leer el texto completo

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