植被覆盖度(FVC)是描述地表植被分布的定量指标之一。通过遥感卫星(如Landsat和Sentinel-2)获取大尺度下的高空间分辨(如10 m级)FVC,能为全球生态系统研究提供重要基础数据。然而,由于云雾干扰以及卫星重返时间分辨率有限等问题,高空间...植被覆盖度(FVC)是描述地表植被分布的定量指标之一。通过遥感卫星(如Landsat和Sentinel-2)获取大尺度下的高空间分辨(如10 m级)FVC,能为全球生态系统研究提供重要基础数据。然而,由于云雾干扰以及卫星重返时间分辨率有限等问题,高空间分辨FVC在时域上存在大量缺失。本文考虑协同30 m Landsat 8和10 m Sentinel-2数据,实现二者在时域上的互补。为解决二者空间分辨率不一致的问题,本文提出了一种基于FVC-Net的深度学习方法,通过融合10 m Sentinel-2归一化植被指数(NDVI)数据,将30 m Landsat FVC降尺度至10 m。FVC-Net方法构建双分支结构下的通道注意力模块用于FVC和NDVI的多尺度特征采集与融合,随后利用空间注意力模块将选择的特征进行细节增强,以有效描述不同获取时间下的10 m NDVI与30 m FVC之间的非线性映射关系。实验中,与4种典型非深度学习方法和4种深度学习方法相比,FVC-Net获得了更高精度的融合结果。FVC-Net有望应用于全球尺度下的30 m Landsat FVC产品的降尺度,为相关领域研究提供更为精细的数据支撑。展开更多
文摘植被覆盖度(FVC)是描述地表植被分布的定量指标之一。通过遥感卫星(如Landsat和Sentinel-2)获取大尺度下的高空间分辨(如10 m级)FVC,能为全球生态系统研究提供重要基础数据。然而,由于云雾干扰以及卫星重返时间分辨率有限等问题,高空间分辨FVC在时域上存在大量缺失。本文考虑协同30 m Landsat 8和10 m Sentinel-2数据,实现二者在时域上的互补。为解决二者空间分辨率不一致的问题,本文提出了一种基于FVC-Net的深度学习方法,通过融合10 m Sentinel-2归一化植被指数(NDVI)数据,将30 m Landsat FVC降尺度至10 m。FVC-Net方法构建双分支结构下的通道注意力模块用于FVC和NDVI的多尺度特征采集与融合,随后利用空间注意力模块将选择的特征进行细节增强,以有效描述不同获取时间下的10 m NDVI与30 m FVC之间的非线性映射关系。实验中,与4种典型非深度学习方法和4种深度学习方法相比,FVC-Net获得了更高精度的融合结果。FVC-Net有望应用于全球尺度下的30 m Landsat FVC产品的降尺度,为相关领域研究提供更为精细的数据支撑。
