Modèle de fusion de données spatio-temporelles visant à générer des séries temporelles d'IVDN dans des régions hétérogènes
Citation
Liao, C., Wang, J., Pritchard, I., Liu, J., Shang, J. (2017). A spatio-temporal data fusion model for generating NDVI time series in heterogeneous regions. Remote Sensing, [online] 9(11), http://dx.doi.org/10.3390/rs9111125
Résumé en langage clair
Les séries chronologiques d'indices de végétation optiques à haute résolution spatiale sont importantes pour la surveillance et la gestion de la croissance des cultures. Cependant, en raison de contraintes techniques et de la contamination des nuages, il est difficile d’obtenir de tels ensembles de données. Dans le cadre de la présente étude, nous avons mis au point un modèle permettant de générer un indice de végétation par différence normalisée à haute résolution spatiale et temporelle par fusion de l’indice obtenu à partir de satellites à faible et à haute résolution. Le modèle exploite la différence dans les relations entre les images à haute résolution et à faible résolution à différentes dates et la différence dans les taux de changement de l’indice à divers stades de croissance. La méthode a été testée grâce à la fusion de données Landsat-8 et MODIS à trois sites d’étude présentant des paysages différents, et s’est avérée moins exigeante en termes de calculs et plus robuste que quelques autres méthodes publiées.
Résumé
© 2017, les auteurs. Les séries chronologiques d’indices de végétation à haute résolution spatiale et à haute fréquence temporelle sont importantes pour la surveillance et la gestion de la croissance des cultures. Cependant, en raison de contraintes techniques et de la contamination des nuages, il est difficile d’obtenir de tels ensembles de données. Dans la présente étude, nous avons mis au point un modèle de fusion d’images spatio-temporelles de l’indice de végétation (STVIFM, ou spatio-temporal vegetation index image fusion model) afin de générer avec une plus grande précision des images de séries chronologiques de l’indice de végétation par différence normalisée (IVDN) à haute résolution spatiale, car la plupart des méthodes existantes ont certaines limites pour prédire avec exactitude l’IVDN dans les régions hétérogènes, ou elles reposent sur des étapes exigeant beaucoup de calculs et des cartes de couverture terrestre pour les régions hétérogènes. Le STVIFM vise à prédire l’IVDN à haute résolution grâce à la compréhension de la contribution de chaque pixel à résolution fine au changement total de l’IVDN, qui a été calculé à partir des images à résolution grossière acquises à deux dates. D’une part, le modèle tient compte de la différence dans les relations entre les images à résolution fine et grossière à différentes dates, et de la différence dans les taux de changement de l’IVDN à divers stades de croissance. D’autre part, le modèle n’a pas besoin de rechercher des pixels similaires ni d’utiliser des cartes de couverture terrestre. Les données Landsat-8 et MODIS acquises sur trois sites d’essai présentant des paysages différents ont été utilisées pour tester la performance spatiale et temporelle du modèle proposé. Comparativement au modèle STARFM (spatial and temporal adaptive reflectance fusion model), au modèle ESTARFM (enhanced spatial and temporal adaptive reflectance fusion model) et à la méthode FSDAF (flexible spatiotemporal data fusion), le modèle STVIFM proposé surpasse le STARFM et l’ESTARFM dans trois sites d’étude et à différentes étapes lorsque les changements de couverture terrestre ou d’IVDN ont été capturés par les deux paires d’images à résolution fine et à résolution grossière. De plus, le modèle est plus robuste et moins exigeant en termes de calculs que la méthode FSDAF.