海表水色是赤潮监测的重要因素。 借助于MODIS Tarra和Aqua卫星的高时间重访频率（每天两次），NASA的MODIS海洋水色产品在过去几十年中被广泛用于海洋动态和全球环境变化的监测。 近海水域的水质状况反映了人类与当地环境之间的相互作用，是海洋科学中常见并且重要的一个关键领域。 然而，遥感数据往往表现出不同的观测尺度问题。例如MODIS数据具有良好的时间观测尺度（每天二次）和相对较低的空间观测尺度（水色产品大多为1km空间分辨率），而Landsat系列卫星则表现出很好的空间观测尺度（水色产品为30m分辨率）和较低的时间观测尺度（18天的重访周期）。而空间插补的目的就是结合这两种不同尺度的数据，通过空间插补算法和尺度转换技术，完成每天高空间分辨率数据的预测。
这些由于受到传感器平台和观测条件的限制，时长会出现数据缺失，分辨率不足，细节表现力有限等问题，对后续时间序列的分析，精细尺度水色参数的估算造成了很大的障碍。因此，在这些区域获得高空间和时间分辨率数据，从而了解近海环境中生物过程，是当前海洋遥感的迫切要求。
在本章节中，我们主要讨论海岸带遥感监测数据的插补和重构方法。所谓插补重构，是指在没有数据的时候，利用相邻区域或相邻尺度的观测数据对待监测区域或待监测尺度进行预测的过程。在本章节中我们重点介绍不同空间分辨率遥感影像之间的空间插补技术和尺度转换技术，同时也介绍观测数据在时间序列尺度上的插补技术。
原文链接
https://doi.org/10.1016/j.jag.2018.06.004
3.2 海岸带卫星遥感监测数据空间插补和尺度转换技术
海表水色是理解动态海洋生物发展过程的重要因素（Esaias等，1998）。 借助于MODIS Tarra和Aqua卫星的高时间重访频率（每天两次），NASA的MODIS海洋水色产品在过去几十年中被广泛用于海洋动态和全球环境变化的监测（Dasgupta，Singh和Kafatos ，2009; Esaias等，1998; McClain，2009）。 近海水域的水质状况反映了人类与当地环境之间的相互作用，是海洋科学中常见并且重要的一个关键领域（Cherukuru等，2016）。 然而，考虑到MODIS数据的低空间分辨率（1km），使用NASA MODIS海洋色产品难以捕获近海水域的详细信息。 因此，在这些区域获得高空间和时间分辨率数据，从而了解近海环境中生物过程，是当前海洋遥感的迫切要求（Esaias等，1998; McClain，2009）。
在过去的十年中，在计算机视觉和遥感领域，人们一直致力于如何提高低影像观测的空间分辨率（Yang，Wright，Huang，＆Ma，2010; Yue，Shen，Li，Yuan ，＆Zhang，2016）。目前主要的方法有两大类，第一类方法为：图像超分辨率技术，第二类方法为：时空数据融合。
在图像超分辨率领域，其基本假设是：如果这些图像遵循与用于创建低的相同的重采样过程，低空间分辨率图像中的缺失细节可以从其他高空间分辨率图像中学习或重建（Fernandez-Beltran，Latorre-Carmona，＆Pla，2016; Raul Zurita-Milla，Clevers，＆Schaepman，2008）。在这些方法中，关键步骤是准确预测点扩散函数（PSF），它代表形成低分辨率像素的混合过程（Yue et al。，2016）。其中典型的案例是基于图像重建（RE）技术创建PSF，例如迭代反投影（IBP）和PSF反卷积。这些技术提取某些物理特性和特征，以提供有关低空间分辨率图像的更详细信息，并使用常规插值结果对该信息进行聚类，以获得最终的超分辨率图像（Fisher＆Mustard，2004; Miskin＆MacKay，2000; Takeda， Farsiu，＆Milanfar，2007）。这一类方法建立再大量图像样本时，例如在卷积神经网络（CNN）（Dong，Loy，＆He，2016），稀疏编码（Yang等人， ，2010），贝叶斯网络（Lu＆Qin，2014），基于内核的方法（Takeda等，2007），以及基于SVM的方法（H. Zhang＆Huang，2013）。然而，在实践中，低分辨率遥感图像的实际混合过程可能太复杂而不能被基于有限样本的一个通用PSF模型来进行捕获。此外，当尺度比例变大时，这些方法的准确性迅速降低。大多数超分辨率算法的降尺度比为2比4.相反，MODIS和Landsat数据之间的尺度比例为1km / 30m = 33.3。由于这种巨大的尺度差异，将这些方法应用在MODIS数据从1km缩小到30m时，最终的结果往往表现的非常不理想。
为了避免构建PSF和通过样本来预测图像的具体细节，时空数据融合技术通过遵循某些规则将精细图像合并到粗糙图像来获得更高的空间分辨率纹理细节。当没有精细的空间分辨率数据可用时，时间序列数据被用作辅助数据在同一位置提供与之对应的细节（B. Chen，Huang，＆Xu，2015）。这些时空数据融合技术基本基于两个假设：时间信息的尺度不变性和空间信息的时间恒定性（H.K. Zhang，Huang，Zhang，Cao＆Yu，2015）。与超分辨率方法相比，时间序列图像融合技术不能直接从粗略数据预测高分辨率细节。相反，它通过对应的算法，结合了在同一位置的时间序列高空间分辨率图像，来提供图像中的细节。目前基于这些技术已经建立了许多应用，例如田间尺度的作物进展（F. Gao等，2017），NDVI时间序列（B. Zhang等，2016），空间和时间表面反射率变化（Emelyanova） ，McVicar，Van Niel，Li和van Dijk，2013），初级生产力总值（Singh，2011），植被季节动态变化（R. Zurita-Milla，Kaiser，Clevers，Schneider，＆Schaepman，2009），森林干扰（Hilker）等人，2009年）和季节性湿地监测（Mizuochi等，2017）。据我们所知，这些时空数据融合技术尚未在海表水色产品上进行数据降尺度的尝试。
基于分离的时空降尺度融合模型（U-STFM）被选取，作为本研究中的时空数据融合的核心技术。原因在于它更适应下垫面的变化（Huang＆Zhang，2014） ）。 U-STFM通过将时间序列的变化率与混合像素的线性分解模型相结合，为快速变化的景观中的时间序列图像融合提供了一种新的处理结构。这种方法已经在土地覆盖变化应用中得到了很好的测试，例如MODIS地表反射率降尺度，并证明了其有效性（Huang＆Zhang，2014）。本章节所遇到的问题是如何使用这个模型来面对海表水色产品的降尺度问题。
当应用U-STFM降低MODIS海表水色叶绿素a浓度产品时，需要解决两个问题。首先，U-STFM模型要求高空间分辨率数据和低空间分辨率数据在时间序列中变化率保持一致。然而，在水色遥感中，在大气校正过程和及使用不同模型对MODIS和Landsat产品处理得到海洋表面叶绿素-a浓度产物的过程中被破坏掉了（Pahlevan，Sarkar，＆Franz，2016）。其次，在U-STFM中，必须减小分割区域的尺寸以获得每个分割区域的更准确的变化率，以便在最终输出中提供更详细的信息。然而，较小的区域可能导致线性非混合方程中得到不一致解，这将导致最终输出中的数据缺口或不合理的预测。
3.2.2 基于U-STFM模型的水色遥感数据插补和重构
U-STFM模型对精细和粗略空间分辨率时间序列数据上的像素或区域需要相同的变化率。由于MODIS和Landsat叶绿素-a产品的变化率的一致性可以被不同的叶绿素a反演模型破坏（Pahlevan等，2016），因此很难直接应用U-STFM对 MODIS和Landsat叶绿素-a产品进行空间降尺度。然而，不同于加工后的产品，初始MODIS和Landsat Rrs产品可以保持变化率的一致性，因为两者遵循具有类似的大气校正过程（Pahlevan等，2017）。这项研究通过首先用时间序列MODIS和Landsat数据预测被测时间的Rrs数据，其次通过以找出预测的反射率数据与MODIS 1km叶绿素-a产品之间的相关性，通过回归来预测最终的高空间分辨率的叶绿素a浓度产品。
在应用U-STFM模型来预测遥感反射率时，面临的第二个问题是分割区域的大小与线性非混合方程的稳定解之间的权衡。分割区域越小，近海叶绿素a的空间异质性越好。然而，较小的分割将导致线性非混合方程中的不一致解，这将导致可观察到的硬分割边界或最终输出中的不合理预测。为了克服数据缺口或不合理的异常值，解决方案是在具有相同目标日期的时间序列数据中多次应用U-STFM模型来估计最可能的预测。最终的结果取所有预测的中值。通过这种方式和，云盖引起的数据缺失也可以填补。图9显示了基本工作流程。整体处理可归纳为以下三个步骤：
1）预处理：按时间序列准备匹配的MODIS和Landsat遥感反射对数据;
2）时空数据融合：使用U-STFM根据匹配的MODIS和Landsat遥感反射对获得的变化率，预测目标日期的高空间分辨率Rrs;
3）回归：建立U-STFM（30m）和MODIS叶绿素-a产物（1km）预测的Rrs之间的回归模型，并预测最终的高空间分辨率叶绿素a数据（30m）。
图9
3.2.3 数据的预处理
在本章节的实例中，我们采用的原始数据是MODIS Rrs 469和Rrs 555，以及Landsat 8 TOA反射率数据中的第2和第3波段。MODIS Rrs 469和Rrs 555来自NASA MODIS每日海表水色2级产品数据，可直接用作 U-STFM的输入参数。 但是，Landsat TOA反射率数据需要在使用前处理为Rrs数据。 在这项研究中，NASA的SeaDAS软件中的L2gen模型被用来完成这项处理，该模型是由NASA的海洋生物处理组（OBPG）（https://seadas.gsfc.nasa.gov/）研发创建，用于通过选择适当的大气校正算法来生成Rrs数据。 Franz，Bailey，Kuring和Werdell（2015）描述了该模型在SeaDAS中应用于Landsat 8开发的大气校正中的实现过程。 此外该模型对MODIS和Landsat Rrs数据应用相同的陆地和云掩模（Concha＆Schott，2016）。
本研究使用了三个主要数据集。其中一个是2013年至2017年的Landsat 8 TOA反射率，可以从USGS Earth Explorer网站（https://earthexplorer.usgs.gov/）下载。 MODIS Rrs和叶绿素-a产品从NASA Ocean Color网站（https://oceancolor.gsfc.nasa.gov/）下载（NASA戈达德太空飞行中心，海洋生态实验室，2014）。 MODIS的重访频率是每天，Landsat 8是16天。由于云层覆盖和遥感反射的质量，大多数近海地区都被云罩掩盖。这导致仅有12个匹配日期，其中有效数据可用作U-STFM模型中的输入。数据的细节显示在表1中.Landsat 8 Rrs 482nm和Rrs 561nm在SeaDAS 7.3.1中用L2gen模型计算。 Landsat的Rrs和MODIS数据都被地理参考到相同的地理框架，以最小化两个传感器之间的几何重合失调。
Landsat 8叶绿素-a产品也在SeaDAS 7.3.1中计算，以L2gen模型作为参考数据，与最终缩小的MODIS叶绿素-a数据进行比较。在L2gen模型中，用于叶绿素a检索的标准NASA算法是三波段经验Rrs带比算法（OC3），其转换为清水中的经验带差算法（OCI）。对于Landsat 8，使用NASA生物光学海洋算法数据集（NOMAD）调整经验系数，以调整相对于传感器的中心波长的差异。这些经验系数可以在NASA海表水色网页（https://oceancolor.gsfc.nasa.gov/atbd/chlor_a/）上找到。 SeaDAS中的叶绿素-a算法使用443,482和561 nm波段作为波段比（Franz，Bailey，Kuring，＆Werdell，2014）。
3.2.4使用U-STFM时空融合模型进行更高分辨率的遥感反射预测
待预测的目标日期的MODIS数据，以及目标日期之前和之后的至少两个匹配的MODIS和Landsat观测值，需要作为U-STFM模型的输入数据，来预测目标日期的高空间分辨率Landsat数据。 在本节中，以避免对读者造成不必要的混淆，方程的表达与Huang和Zhang 2014年的论文保持一致。 本节简要介绍U-STFM模型。 详细解释可以在Huang和Zhang的论文中找到（Huang＆Zhang，2014），U-STFM的主要步骤如图2所示。
为了预测MODIS像素中更详细的信息，最常见的技术是线性分离技术（Burette，Meroni和Colombo 2008; Zurita-Milla等，2009），线性分离假设低分辨率像素中的反射率可以用在该低空间分辨率像素内的端部成员的平均反射率的线性组合表示。 U-STFM的工作流程如图10所示。
图 10 U-STFM 模型处理流程图
3.2.5 回归模型建立预测光谱和MODIS叶绿素产品的关系
U-STFM模型的输出是电磁波谱的蓝色和绿色区域中的Rrs（30m），具有详细的纹理信息。 接下来，需要适当的回归模型来将反射率数据转换为每日叶绿素-a浓度产物。 该回归的整体工作流程如图11所示。
对于具有相同目标日期的不同三日期对，U-STFM模型被多次应用以避免不稳定的解混解决方案。 结果，在同一天，预测了几个遥感反射率。 这些预测的中值用于每个像素。 选择中位数统计量的原因是线性非混合过程的不稳定解决方案要么没有解决方案要么给出大值，这可以被认为是多个预测的异常值。 同时，该程序还可以填补MODIS观测中由云层和坏像素引起的数据缺口。
图11 MODIS叶绿素产品空间降尺度流程图
电磁波谱的蓝色区域（450-495nm）和绿色区域（495-570nm）的Rrs与叶绿素-a浓度高度相关，这是由于叶绿素-a在这些区域的强烈吸收和反射(Hu, et al., 2012; Morel, Maritorena, 2001; Werdell, Bailey, 2005)。目前用于MODIS的默认叶绿素算法基于几种OCx形成的算法，其系数使用来自NASA生物光学海洋算法数据集（NOMAD）版本2的原位数据导出（https://oceancolor.gsfc.nasa.gov/后处理/ R2009 / ocv6 /）。在该研究中，OC2M-HI带比回归模型（方程10）用于建立蓝带，绿带和叶绿素-a浓度之间的相关性（O’Reilly等，2000）。由于MODIS叶绿素a产品的原始分辨率为1km，所以通过使用ArcMap中的平均聚合方法将U-STFM遥感反射率从30m扩展到1km，首先建立了1km规模的相关性（ESRI，https：// www .esri.com / EN-US /家）。
3.2.6 实验验证方案
两个测试已应用于降尺度过程的两个主要步骤。 一种是检查是否正确预测了高空间分辨率（30 m）的遥感反射率。 第二是测试最终的高分辨率叶绿素产品是否与原始的MODIS叶绿素-a产品一致。
1. 高空间分辨率Rrs数据测试
Landsat 8蓝色和绿色的遥感反射被用作该测试中的地面实测数据，使用SeaDAS l2gen模型与Landsat 8 TOA数据在与观察MODIS数据相同的日期进行处理。 应该注意的是，Landsat 8的当地观测时间早于上午10:30，比MODIS Aqua数据提前4小时，因此如果原始MODIS数据也是如此，预测的准确性低可能是由于此期间的水运动造成的。 显示Landsat数据的准确度低。
使用预测数据和观察数据之间的平均绝对差（AAD），平均相对差（ARD），相关系数（CC）和均方根误差（RMSE）来评估U-STFM图像融合模型的性能。
2. 最终预测结果与原始MODIS数据产品一致性分析
本文的主要目的是在近海地区附近的MODIS 1km叶绿素产品中生产更高空间分辨率的日叶绿素a产品。这种最终的高分辨率叶绿素产品是否与最初的MODIS 1km叶绿素一致 - 需要测试具有相似精度的产品。
在同一天测试的Landsat 8叶绿素-a产品用作参考数据，以比较最终的较高空间分辨率叶绿素-a产物和原始MODIS叶绿素-a产物。计算了两个RMSE。一个是最终叶绿素-a产品和参考数据之间的RMSE。另一个是原始MODIS产品和参考数据之间的RMSE。如果这两种RMSE保持相似，则意味着最终的叶绿素a产品与最初的MODIS 1km叶绿素a产品一致。
使用局部标准偏差（9×9窗口）来定量评估图像中包含的局部信息。具有较高纹理的较高空间分辨率图像将显示较大的局部标准偏差值，反之亦然。
3.2.7 实例研究区域
渤海湾是形成渤海湾的三个海湾之一，是中国东北第二大渤海湾。海河和其他15条河流流入渤海湾。因此，整个华北平原的径流集中在渤海湾，海湾是一个受到严重污染的水体（X. Chen et al。，2010）。渤海湾环绕着几个主要港口：天津港，唐山曹妃甸港，京唐港和黄骅港，使海湾成为一条拥挤的水道。渤海周边近海地区是中国人口密度最大，工业化程度最高的三个地区之一（X. Gao＆Chen，2012）。根据中国国家海洋局的报告，渤海遭受工业废弃物，农业，土壤侵蚀，商业废弃物和污水造成的严重水污染。海岸和港口附近的化学需氧量（COD）和溶解氧（DO）仍然很高，而且随着海湾地区的经济增长而增加（PEMSEA和BSEMP，2005）。因此，高空间分辨率的海洋色产品对于该领域的环境评估至关重要。
研究区域1选自位于中国渤海湾东北部的唐山曹妃甸港附近的海域。它是一个约1638 Km2的区域，具有高人类活动（118.402°E-118.842°E和38.805°W-39.189°W）。港口活动和河流污水在该地区产生高浓度的叶绿素和重金属。图4显示了唐山曹妃甸港及其附近海域的面积。
本章第二个研究区在深圳香港海域，该区域人类活动频繁，海面环境复杂，岛屿众多，海表纹理丰富。同时该区域有相应的 实测浮标数据，可以对最终产品的精度提供验证。
图 4 研究区域1：渤海湾海域，研究区域2：深圳香港海域
本研究使用了三个主要数据集。其中一个是2013年至2017年的Landsat 8 TOA反射率，可以从USGS Earth Explorer网站（https://earthexplorer.usgs.gov/）下载。 MODIS Rrs和叶绿素-a产品从NASA Ocean Color网站（https://oceancolor.gsfc.nasa.gov/）下载（NASA戈达德太空飞行中心，海洋生态实验室，2014）。 MODIS的重访频率是每天，Landsat 8是16天。由于云层覆盖和遥感反射的质量，大多数近海地区都被云罩掩盖。这导致仅有12个匹配日期，其中有效数据可用作U-STFM模型中的输入。数据的细节显示在表1中.Landsat 8 Rrs 482nm和Rrs 561nm在SeaDAS 7.3.1中用L2gen模型计算。 Landsat的Rrs和MODIS数据都被地理参考到相同的地理框架，以最小化两个传感器之间的几何重合失调。
Landsat 8叶绿素-a产品也在SeaDAS 7.3.1中计算，以L2gen模型作为参考数据，与最终缩小的MODIS叶绿素-a数据进行比较。在L2gen模型中，用于叶绿素a检索的标准NASA算法是三波段经验Rrs带比算法（OC3），其转换为清水中的经验带差算法（OCI）。对于Landsat 8，使用NASA生物光学海洋算法数据集（NOMAD）调整经验系数，以调整相对于传感器的中心波长的差异。这些经验系数可以在NASA海表水色网页（https://oceancolor.gsfc.nasa.gov/atbd/chlor_a/）上找到。 SeaDAS中的叶绿素-a算法使用443,482和561 nm波段作为波段比（Franz，Bailey，Kuring，＆Werdell，2014）。
Table 1 Data list of Landsat 8 and MODIS Aqua Ocean Color Level 2 products used in study area 1
| Date | Landsat 8 TOA and MODIS Aqua Ocean Color Data names | Bands in use |
|---|---|---|
| 2013 Sep 26th | LC81220332013269LGN00.tar.gz | Landsat 8: Band 2 and Band 3 MODIS: Rrs 469nm, Rrs 555nm and chlorophyll-a product were used in this study. |
| A2013269053000.L2_LAC_OC.nc | ||
| 2013 Nov 29th | LC81220332013333LGN00.tar.gz | |
| A2013333053000.L2_LAC_OC.nc | ||
| 2014 Aug 12nd | LC81220332014224LGN00.tar.gz | |
| A2014224053000.L2_LAC_OC.nc | ||
| 2014 Sep 13rd | LC81220332014256LGN00.tar.gz | |
| A2014256053000.L2_LAC_OC.nc | ||
| 2015 Jan 19th | LC81220332015019LGN00.tar.gz | |
| A2015019053000.L2_LAC_OC.nc | ||
| 2015 Oct 2nd | LC81220332015275LGN00.tar.gz | |
| A2015275053000.L2_LAC_OC.nc | ||
| 2015 Dec 5th | LC81220332015339LGN00.tar.gz | |
| A2015339053000.L2_LAC_OC.nc | ||
| 2016 Jan 6th | LC81220332016006LGN00.tar.gz | |
| A2016006053000.L2_LAC_OC.nc | ||
| 2016 Mar 10th | LC81220332016070LGN00.tar.gz | |
| A2016070053000.L2_LAC_OC.nc | ||
| 2016 Mar 26th | LC81220332016086LGN00.tar.gz | |
| A2016086053000.L2_LAC_OC.nc | ||
| 2016 Dec 23rd | LC81220332016358LGN00.tar.gz | |
| A2016358053000.L2_LAC_OC.nc | ||
| 2017 Feb 25th | LC81220332017056LGN00.tar.gz | |
| A2017056053000.L2_LAC_OC.nc |
Table 2 Data list of Landsat 8 and MODIS Aqua Ocean Color Level 2 products in study area 2
| Date | Landsat 8 TOA And MODIS Aqua Ocean Color Data names | Bands in use |
|---|---|---|
| 2014 Nov.25 | LC08_L1TP_121045_20141125_20170417_01_T1.tar.gz A2014329052000.L2_LAC_OC.nc | Landsat 8: Band2 and Band 3 MODIS: Rrs 469nm, Rrs 555nm and chlorophyll-a product were used in this study. |
| 2016 Nov.14 | LC08_L1TP_121045_20161114_20170318_01_T1.tar.gz A2016319052000.L2_LAC_OC.nc | |
| 2017 Nov.1 | LC08_L1TP_121045_20171101_20171109_01_T1.tar.gz A2017305052000.L2_LAC_OC.nc |
3.2.8 实验结果和讨论
1. 利用U-STFM模型来对海域Rrs反射率数据进行预测
本研究收集了12对有效的MODIS和Landsat 8数据。在本节中，目标预测日期设置为2016年3月10日。其他日期的结果也会在稍后显示。由于U-STFM模型需要三对（在目标之前 - 之后的日期）进行预测，因此有24个之前的目标后案例，导致2016年3月10日的遥感反射总数预测为24个。原样如图5所示，云层和坏水像素被掩盖为黑色。有效区域受到前期目标后日期的质量的高度影响，因为只有在三个图像中的每一个中相同的像素有效时才能认为该像素对于预测是有效的。通过获得每个位置的这些图像的中值，将这24个预测合并为单个预测。
2016年3月10日在Rrs蓝带中的U-STFM的最终预测如图6（b）所示。将其与图6（a）中所示的原始MODIS粗Rrs 469数据和图6（c）中所示的地面实况Landsat 8频带2（Rrs 482nm）进行比较。与MODIS数据相比，预测显示在海湾区域附近更加详细的纹理，其中遥感反射率因人类活动和水流而变化。同时，预测保持与MODIS数据相同的基本分布模式趋势。与Landsat 8数据相比，U-STFM模型的预测已经捕获了该海湾区域中遥感反射率的空间变化的基本模式。出现在图像之前或之后的那些纹理仍保留在预测中。根据之前的研究，U-STFM模型更适应前后图像中的景观变化（Huang＆Zhang，2014; H.K. Zhang et al。，2015）。因此，预测中显示的纹理是在图像之前或之后已经出现的纹理。那些仅出现在目标日期（2016年3月10日）但未被MODIS数据捕获的纹理无法通过U-STFM模型预测。用MODIS和Landsat 8 Rrs数据进行的预测区域岛附近的详细比较如图7所示。
图 5 2016年3月10日，使用U-STFM图像融合模型（分割区域> 10000）在研究区域的蓝色波段进行24种不同的Rrs预测。 每个预测都使用“第一日期 – 预测日期- 第二日期”日期命名。
图 6 2016年3月10日，蓝色波段的U-STFM（分割区域> 10000）与原始MODIS Rrs 469和Landsat 8 Rrs 482nm的预测相比较。
图 7 2016年3月10日，局部海湾区域在蓝色波段的U-STFM预测与原始MODIS Rrs 469和Landsat 8 Rrs 482nm相比。
同样，2016年3月10日，绿色波段U-STFM的时间序列预测也与MODIS Rrs555 nm和地面实况Landsat 8 Rrs 561 nm进行了比较。这些结果如图8和图9所示。以类似的方式，如对蓝色带中的预测所做的那样，可以通过U-STFM模型很好地预测由海湾区域中的局部水流引起的详细纹理。仅在2016年3月10日的Landsat数据中出现并且未被MODIS数据捕获的纹理不容易预测。其原因在于，在U-STFM模型中，MODIS数据是目标日期唯一有效的观测值。预测中显示的纹理来自目标日期之前和之后拍摄的Landsat图像中的纹理以及目标日期的MODIS图像。如果这些图像不包含详细纹理，那么这些纹理（仅在2016年3月10日由Landsat数据捕获）无法通过图像融合模型预测。图9显示了预测与MODIS和Landsat 8数据的详细子区域比较。
图 8 2016年3月10日，绿色波段的U-STFM预测与原始MODIS Rrs 555nm和Landsat 8 Rrs 561 nm相比。
。
图 9在绿色带中的U-STFM预测中的湾区的子区域。 与2016年3月10日的原始MODIS Rrs 555nm和Landsat 8 Rrs 561相比。
如图10（a）所示，来自蓝带中24个U-STFM预测的中值的位置随机分布在研究区域上。这意味着24个预测中没有一个案例支配最终输出。换句话说，每个案例都可以看作是最终产出的等价贡献。
通常，数据对越接近目标日期，预测就越准确。如图10（c）和图10（d）所示，X轴是每个“之前 - 之后 - 之后”组中第一个和最后一个日期之间的天数。数字越小，图像之前和之后越接近目标日期。与Landsat Rrs产品相比，Y轴是预测的RMSE。总体而言，随着天数的增加，RMSE略有增加，这证实了日常距目标日期越近的常识，预测就越准确。由于天数较少，预测的不确定性较小。这可以在图10（c）中所示的较低RMSE波动中看出，并且表明更接近的数据对将导致更稳定的预测。
考虑到图10（c-d）中没有显着的增加模式，RMSE在可接受的范围内增加（在蓝色波段中从约0.015到0.027）。这表明随着天数的增加，总体准确性不会显着降低。在绿带的预测中可以找到类似的结果，如图10（d）所示。为了填补数据空白并获得多个预测的好处，中位数统计值被认为是组合所有这些预测的适当方式。图10（b）显示了与Landsat Rrs 482相比，蓝带中预测的绝对误差的空间分布。
图 10（a）蓝色波段24个U-STFM_M预测的中值位置; （b）2016年3月10日，与Landsat 8 Rrs 482nm相比，U-STFM_M中位数的绝对误差分布。（cd）RMSE通过每个“第一日期 – 预测日期- 第二日期”日期之前和之后日期之间的天数 组。 数字越小，图像之前和之后越接近目标日期。
U-STFM模型的Rrs预测的30m比例的1：1图与蓝色和绿色波段的Landsat 8 Rrs数据相比如图11所示。观察和预测之间显示出强烈的线性相关性。 在蓝色和绿色波段中，R平方分别为0.868和0.881，RMSE为0.00177和0.00202（表2）。 这表明来自U-STFM模型的预测类似于具有空间细节的地面实况Landsat数据。 这些Rrs预测可以进一步用于在近海地区附近产生高空间分辨率的叶绿素a浓度。
图 11 2016年3月10日蓝色和绿色波段的U-STFM模型的1：1预测图。
在表3中，预测和原始MODIS数据在2016年3月10日与NASA Landsat Rrs观测数据进行了定量比较。与原始MODIS Rrs数据相比，预测具有更低的RMSE，更低的平均绝对差异（AAD）和更低的平均值 相对差异（ARD），因为预测捕获更多具有更高空间分辨率的空间细节。
Table 3. Prediction accuracy assessment of predicted blue and green bands on Mar 10th 2016 in the U-STFM model compared to NASA Landsat Rrs observations
| Band | RMSE | CC | AAD | ARD (%) | R-Square |
|---|---|---|---|---|---|
| Predicted Blue | 0.00177 | 0.920 | 0.00143 | 11.5% | 0.868 |
| Predicted Green | 0.00202 | 0.930 | 0.00159 | 8.02% | 0.881 |
| Original MODIS Blue (Rrs 469nm) † | 0.00367 | 0.932 | 0.00346 | 26.7% | 0.883 |
| Original MODIS Green (Rrs 555nm) † | 0.00439 | 0.938 | 0.00405 | 18.7% | 0.892 |
† resampled to 30m scale by nearest neighbor interpolation for comparison.
在理想条件下，MODIS和OLI衍生的Landsat产品之间的Rrs应该是一致的。根据Pahlevan等人的说法。 （2017年），OLI衍生的Landsat Rrs产品在蓝色带中比VIIRS和MODIS Aqua更亮（平均约10％）。产品在绿色带中最为一致（Pahlevan等，2017）。
一些因素可以显着降低这种一致性，例如从上午10:30到下午2点的水运动，由Rrs建模引起的残差和从上午10:30到下午2:00的大气条件变化。
表3显示了在其他可测试日期的遥感反射率的预测准确度评估。它清楚地表明，原始的MODIS遥感反射率数据与Landsat 8 Rrs具有良好的相关性（表3中标有*），R平方高于0.7。换句话说，由上午10:30到下午2点的水运动引起的反射率差异可以忽略不计，U-STFM预测的较高空间分辨率反射率具有较低的RMSE和较高的ARD。这意味着U-STFM预测蓝色和绿色波段的遥感反射捕捉了近海地区海表水色空间分布的细节。
表4还显示，当原始MODIS和Landsat 8数据之间出现较低的R平方时，与2013年11月29日的情况一样; 2014年8月12日; 2014年9月13日; 2015年12月5日，MODIS与Landsat Rrs之间的一致性被打破。在这些情况下，Landsat数据不能被视为基础事实，因为很难判断预测误差是来自U-STFM模型还是MODIS和Landsat数据之间的差异。然而，该结果证实了U-STFM模型与原始MODIS数据高度相关的预测。当MODIS用Landsat 8数据显示高或低R平方时，预测显示类似的R平方值，反之亦然。
Table 4. Prediction accuracy assessment of predicted blue and green bands on other target dates compared to NASA Landsat 8 Rrs observations
| The target date | Band | RMSE | CC | ADD | ARD (%) | R-Square† |
|---|---|---|---|---|---|---|
| 2013 Nov 29th | Predicted Blue | 0.00167 | 0.616 | 0.00134 | 10.4% | 0.372 |
| Predicted Green | 0.00166 | 0.777 | 0.00130 | 7.00% | 0.622 | |
| Original MODIS Blue (Rrs 469nm) | 0.00258 | 0.587 | 0.00211 | 15.3% | 0.306 | |
| Original MODIS Green (Rrs 555nm) | 0.00272 | 0.797 | 0.00235 | 11.9% | 0.657 | |
| 2014 Aug 12nd | Predicted Blue | 0.00302 | 0.587 | 0.00216 | 80.5% | 0.393 |
| Predicted Green | 0.00385 | 0.715 | 0.00268 | 38.7% | 0.562 | |
| Original MODIS Blue (Rrs 469nm) | 0.00261 | 0.595 | 0.00186 | 68.0% | 0.401 | |
| Original MODIS Green (Rrs 555nm) | 0.00372 | 0.710 | 0.00254 | 36.1% | 0.555 | |
| 2014 Sep 13rd | Predicted Blue | 0.00225 | 0.706 | 0.00179 | 26.7% | 0.518 |
| Predicted Green | 0.00206 | 0.822 | 0.00163 | 14.5% | 0.695 | |
| Original MODIS Blue (Rrs 469nm) | 0.00196 | 0.753 | 0.00157 | 19.8% | 0.591 | |
| Original MODIS Green (Rrs 555nm) | 0.00227 | 0.825 | 0.00177 | 13.5% | 0.696 | |
| 2015 Jan 19th | Predicted Blue | 0.00162 | 0.945 | 0.00122 | 8.63% | *0.903 |
| Predicted Green | 0.00194 | 0.945 | 0.00149 | 7.52% | *0.904 | |
| Original MODIS Blue (Rrs 469nm) | 0.00372 | 0.944 | 0.00350 | 23.6% | *0.901 | |
| Original MODIS Green (Rrs 555nm) | 0.00391 | 0.950 | 0.00351 | 16.7% | *0.915 | |
| 2015 Oct 2nd | Predicted Blue | 0.00140 | 0.912 | 0.00104 | 11.8% | *0.850 |
| Predicted Green | 0.00150 | 0.945 | 0.00111 | 7.29% | *0.906 | |
| Original MODIS Blue (Rrs 469nm) | 0.00246 | 0.926 | 0.00214 | 20.4% | *0.878 | |
| Original MODIS Green (Rrs 555nm) | 0.00282 | 0.947 | 0.00239 | 14.2% | *0.911 | |
| 2015 Dec 5th | Predicted Blue | 0.00315 | 0.0285 | 0.00240 | 15.4% | 0.000745 |
| Predicted Green | 0.00348 | 0.369 | 0.00258 | 11.3% | 0.148 | |
| Original MODIS Blue (Rrs 469nm) | 0.00318 | 0.0412 | 0.00261 | 15.3% | 0.000987 | |
| Original MODIS Green (Rrs 555nm) | 0.00392 | 0.376 | 0.00334 | 13.5% | 0.169 | |
| 2016 Jan 6th | Predicted Blue | 0.00211 | 0.850 | 0.00163 | 9.37% | *0.748 |
| Predicted Green | 0.00158 | 0.948 | 0.00120 | 4.66% | *0.911 | |
| Original MODIS Blue (Rrs 469nm) | 0.00436 | 0.921 | 0.00404 | 21.5% | *0.860 | |
| Original MODIS Green (Rrs 555nm) | 0.00493 | 0.971 | 0.00467 | 16.8% | *0.952 | |
| 2016 Mar 10th | Predicted Blue | 0.00177 | 0.920 | 0.00143 | 11.5% | *0.868 |
| Predicted Green | 0.00202 | 0.930 | 0.00159 | 8.02% | *0.881 | |
| Original MODIS Blue (Rrs 469nm) | 0.00367 | 0.932 | 0.00346 | 26.7% | *0.883 | |
| Original MODIS Green (Rrs 555nm) | 0.00439 | 0.938 | 0.00405 | 18.7% | *0.892 | |
| 2016 Mar 26th | Predicted Blue | 0.00186 | 0.815 | 0.00129 | 19.4% | *0.736 |
| Predicted Green | 0.00196 | 0.907 | 0.00150 | 8.10% | *0.844 | |
| Original MODIS Blue (Rrs 469nm) | 0.00348 | 0.858 | 0.00318 | 28.9% | *0.794 | |
| Original MODIS Green (Rrs 555nm) | 0.00396 | 0.922 | 0.00357 | 16.6% | *0.870 | |
| 2016 Dec 23rd | Predicted Blue | 0.00322 | 0.848 | 0.00270 | 14.0% | *0.772 |
| Predicted Green | 0.00261 | 0.940 | 0.00215 | 7.66% | *0.898 | |
| Original MODIS Blue (Rrs 469nm) | 0.00585 | 0.895 | 0.00556 | 28.0% | *0.843 | |
| Original MODIS Green (Rrs 555nm) | 0.00649 | 0.961 | 0.00616 | 20.9% | *0.940 |
† R-Square: comparing to Landsat 8 remote-sensing reflectance observation on the target date. Marked with (*) when R-square larger than 0.7.
2. U-STFM 模型和 STARFM 已及ESTARFM模型进行比较
Huang和Zhang（2014）基于物候和土地覆盖变化的模拟和实际数据集，展示了U-STFM模型与STARFM和ESTARFM模型的性能比较。在本节中，我们还想了解U-STFM模型在近海水域Rrs预测中与STARFM和ESTARFM相比的表现。
分割区域的数量是U-STFM模型中的基本参数。如引言中所述，分割区域越小（区域数越大），近海水的空间异质性越好。然而，较小的分割区域将导致线性非混合方程中的不一致解，这将导致最终输出中的“硬边界”或不合理的预测。
在下面的比较中，我们提出了U-STFM模型的两个结果。一个是对大量分割区域（超过10,000个区域）的预测，在4.1节中以U-STFM_M表示。另一种是对较少数量的分割区域（少于1,000个区域）的预测，称为U-STFM_L。区域的最佳数量可能因不同的研究区域而异。
2016年3月10日STARFM，ESTARFM，U-STFM_M和U-STFM_L的性能比较如图12（a） - （f）和图13（a） - （f）所示，蓝色和绿色带分别。这些结果是根据24个不同的“之前 - 之后 - 之后”日期组计算的，使用NASA Landsat Rrs观测结果作为基本事实。我们可以看到，U-STFM模型的性能优于STARFM，具有较低的RMSE，ADD和ARD以及较高的CC和R-Squared。一个可能的原因可能是U-STFM中的时间比率解混过程更适合于捕获特征变化并且受不同数据组所涉及的不确定性的影响较小。其次，U-STFM和ESTARFM的性能相似，但U-STFM模型存在更好的稳定性，箱形图偏差较小。这些结果表明，U-STFM的预测更稳定，并且受不同“之前 - 之后 - 之后”日期组的不确定性的影响较小。
与STARFM相比，U-STFM在处理长时间间隔时表现更好，如下图12（g）和图13（g）所示。当天数增加时，U-STFM的RMSE低于STARFM。与ESTARFM相比，当天数超过500时，U-STFM的性能稍好一些。应该注意的是，图像融合模型不会产生纹理。输出的详细纹理来自目标日期之前或之后的Landsat图像。融合处理可以被视为找到将这两个图像与适当的权重组合的方式。任何融合模型的要求是使一个Landsat图像保持接近目标日期。
图 12 2016年3月10日，蓝色光谱段中STARFM，ESTARFM，U-STFM_M（分割区域数> 10000）和U-STFM_L（分割区域数<1000）的比较。（a）RMSE; （b）相关系数; （c）ADD; （d）ARD; （f）与NASA Landsat Rrs观测值的R-平方线性回归; （g）不同模型不同天数间隔下的RMSE比较。
图 13 2016年3月10日，绿色光谱段中STARFM，ESTARFM，U-STFM_M（分割区域数> 10000）和U-STFM_L（分割区域数<1000）的比较。（a）RMSE; （b）相关系数; （c）ADD; （d）ARD; （f）与NASA Landsat Rrs观测值的R-平方线性回归; （g）不同模型不同天数间隔下的RMSE比较。
在计算2016年3月10日的24 U-STFM，STARFM和ESTARFM预测的中值后，这三个模型的中值图像看起来相似，尤其是在U-STFM_L和ESTARFM之间，如图4和图5所示。对此的一个原因是中值处理增加了预测的稳定性并减小了这三个模型之间的差异。与图6-9（c）中Landsat Rrs的STARFM中值图像相比，U-STFM_L和ESTARFM中海湾区域附近图像的纹理更自然，更平滑。
我们还注意到，U-STFM模型中的图像分割处理可以在预测中留下一些清晰的图像分割“边界”。当分割多边形在观察期间很好地表示水变化时，这些边界通过提供更清晰的纹理来帮助识别变化区域，如图13的U-STFM_L所示。然而，当分割区域的数量增加时，硬边界更加可观察。中值计算可以显着减少这些硬边界，但是当分割多边形太小时，这个小区域中的大多数预测都是不合理的。这些“硬边界”可以在中值处理之后保留，这导致在图6（b）和图8（b）中的U-STFM_M的预测中在海外区域中示出的“网格点”。
图 14 2016年3月10日，蓝色波段中，STARFM的中值，U-STFM_L（分割区域的数量<1000）中值和ESTARFM模型之间的比较。
图 15图14中的局部区域
图 16 2016年3月10日，绿色波段中，STARFM的中值，U-STFM_L（分割区域的数量<1000）中值和ESTARFM模型之间的比较。
图 17 图16中的局部区域
3. MODIS叶绿素产品空间插补结果
NASA MODIS 1km海表水色产品已被用作回归模型中的因变量。使用ArcMap中的平均聚合工具将来自U-STFM_M模型的预测的30米蓝色和绿色条带放大到1km，其已被用作该回归模型中的独立变量。从U-STFM_M而不是U-STFM_L选择预测的原因是我们要将U-STFM_M视为U-STFM模型的最差情形。如果我们能够从最坏的情况中获得合理的输出，优化的U-STFM模型将只有更好的结果。
如2.2节所述，NASA的OC2M-HI回归模型用于建立log10（叶绿素-a）和log10（蓝/绿）之间的相关性。 2016年3月10日1km空间分辨率下log10（蓝色/绿色）和log10（MODIS CHL）之间的相关性如图18所示.R平方显示这两个变量之间存在很强的相关性，其中85％的变化由回归函数。这是基于这种关系在不同尺度上是通用的假设，并且在粗略空间分辨率下建立的关系可以在精细空间分辨率下应用。本研究中使用的最终回归函数是：
 |
(12) | |
|---|---|---|
 |
图 18 2016年3月10日1km空间分辨率的log10(Blue/Green)和log10（MODIS CHL）之间的相关性。
log10(blue/green)和log10(MODIS CHL)之间的相关性在不同日期有所不同。 表5显示了不同日期的这些相关性。 R平方从2016年3月26日的0.542到2015年1月19日的0.91不等。这个结果有两个可能的原因。 首先，log10（蓝色/绿色）对蓝色和绿色的变化高度敏感，特别是当反射率值在蓝色和绿色波段接近0时。 大气条件的微小差异可能导致log10（蓝色/绿色）的巨大差异，这将降低与MODIS叶绿素-a产物的相关性。 其次，由于MODIS像素中的实际聚合过程比平均过程复杂得多，因此从U-STFM从30m到1km升级预测的Rrs数据的平均聚合处理可能涉及额外的不确定性。
Table 5. The correlation between log10(Blue/Green) and log10(MODIS CHL) at 1km spatial resolution on other target dates
| 2013 Nov 29th | 2014 Aug 12nd | 2014 Sep 13rd | 2015 Jan 19th | 2015 Oct 2nd | 2015 Dec 5th | 2016 Jan 6th | 2016 Mar 10th | 2016 Mar 26th | 2016 Dec 23rd | |
|---|---|---|---|---|---|---|---|---|---|---|
| R-Square | 0.545 | 0.557 | 0.760 | 0.910 | 0.706 | 0.889 | 0.701 | 0.850 | 0.542 | 0.615 |
| RMSE† | 0.496 | 0.771 | 0.532 | 0.681 | 0.5757 | 0.100 | 0.391 | 0.742 | 0.371 | 0.420 |
† RMSE: (mg/m^3).
Landsat 8叶绿素-a产物用作MODIS Chl和U-STFM叶绿素-a预测之间比较的参考。本研究中从Landsat-8中回收的叶绿素-a由美国宇航局海洋生物处理小组创建的SeaWiFS数据分析系统（SeaDAS）生成。通过Landsat 8在切萨皮克湾检索到的Rrs和叶绿素a浓度与MODIS，SeaWiFS和原位历史叶绿素a测量结果的比较显示出相对较好的一致性（Concha＆Schott，2016; Franz，Bailey，Kuring，＆Werdell， 2015年）。
这项研究的主要目的是找到一种适当的方法来改善近海水域的细致质地并保持准确性，与原始的MODIS叶绿素-a产品相比。逻辑是通过使用Landsat-8叶绿素产品作为参考，如果最终产量的RMSE与原始MODIS叶绿素产品的RMSE相似或更好，则原始MODIS产品的准确性得以保持。此外，如果输出显示近海水域附近更详细的空间变化，则近海水域附近的详细纹理得到改善。
2016年3月10日对30m叶绿素a浓度的最终预测显示在图19b中。与原始MODIS数据（图19a）相比，最终预测在海岸区域附近具有更详细的纹理。同时，MODIS数据中显示的基本模式仍然在最终预测中。两个原因可能导致预测（图19b）和Landsat 8 Chl产品（图19c）之间的差异：MODIS和Landsat数据之间观察时间的差异，最重要的是叶绿素a检索和
MODIS和Landsat数据中使用的大气校正算法不同，这可能会导致MODIS和Landsat Chl产品之间的差异。
图 19 2016年3月10日最终预测30m规模的叶绿素a浓度。（a） - （c）整个研究区域的概况。 （d） - （f）岛屿附近的次区域。
使用局部标准偏差（9×9窗口）来定量评估图像中包含的局部信息。具有较高纹理的较高空间分辨率图像将显示较大的局部标准偏差值，反之亦然。
为了公平比较，通过插值工具将原始MODIS Chl数据重新采样到30m。用9×9移动窗口计算局部标准偏差。大于1的值被视为异常值，并从统计信息中删除，这通常在搜索窗口穿过图像边缘时发生。还删除值0以避免低估局部标准偏差的平均值和中值，尤其是在MODIS 30m重采样数据中。
如图20中的直方图所示，尽管去除了0值，但MODIS Chl产品中的大部分局部标准偏差仍然接近0，平均值为0.0636，中值为1.69E-07。与MODIS相比，最终的Chl预测恢复了更多的局部纹理细节，平均值等于0.262并且中值等于0.218。这些结果表明，来自U-STFM模型的最终预测改善了每个像素中的纹理细节。
表6给出了U-STFM Ch1和MODIS Ch1的局部标准偏差和RMSE的细节。与Landsat Chl相比，MODIS Chl和U-STFM Chl的RMSE非常相似，分别为2.69和2.39。这表明U-STFM模型保持了原始MODIS Chl的准确性。
图 20 2016年3月10日当地标准偏差与9X9窗口的直方图：（a）MODIS叶绿素a浓度，（b）U-STFM模型的叶绿素a浓度，以及（c）Landsat 8叶绿素a浓度
Table 6 RMSE and local standard deviation of upscaled chlorophyll-a concentration from U-STFM compared to original MODIS Chl and Landsat 8 Chl products.
| ID | RMSE compare to Landsat † | Local standard deviation †† | |||
|---|---|---|---|---|---|
| Min | Mean | Median | Max | ||
| USTFM CHL | 2.39 | 0.0154 | 0.262 | 0.218 | 0.999 |
| MODIS CHL | 2.69 | 5.96E-08 | 0.0636 | 1.69E-07 | 0.999 |
| Reference: Landsat CHL | 0.0555 | 0.225 | 0.185 | 0.999 |
† RMSE: compare to reference NASA Landsat 8 chlorophyll-a concentration (mg/m^3).
†† Calculated with 9*9 moving window.
表7显示了不同日期之间的类似结果。 总的来说，RMSE在U-STFM Chl和MODIS Chl之间是相似的。 有时，U-STFM模型的结果具有较低的RMSE。 如果不这样做，那是因为RMSE值很容易受到异常值的影响。 总的来说，这两个RMSE的差异很小。 这表明回归模型的最终预测基本上与原始的NASA MODIS Chl产品相似。 然而，局部标准偏差一致地表明U-STFM Chl预测具有比原始NASA MODIS Chl产品更高的局部纹理细节。
Table 7. RMSE and local standard deviation of upscaled chlorophyll-a concentration from U-STFM compared to original MODIS Chl and Landsat 8 Chl products.
| The target date | ID | RMSE compare to Landsat † | Local standard deviation †† | |||
|---|---|---|---|---|---|---|
| Min | Mean | Median | Max | |||
| 2013 Nov 29th | U-STFM CHL | 1.08 | 0.006 | 0.140 | 0.099 | 0.999 |
| MODIS CHL | 1.22 | 4.21E-08 | 0.035 | 8.43E-08 | 0.995 | |
| Reference: Landsat CHL | 0.075 | 0.177 | 0.162 | 0.999 | ||
| 2014 Aug 12nd | USTFM | 4.08 | 0.0127 | 0.235 | 0.215 | 0.997 |
| MODIS | 4.10 | 5.96E-08 | 0.112 | 1.46E-07 | 0.999 | |
| Reference: Landsat CHL | 0.0942 | 0.474 | 0.413 | 0.999 | ||
| 2014 Sep 13rd | USTFM | 1.99 | 0.0117 | 0.175 | 0.137 | 0.999 |
| MODIS | 1.88 | 4.21E-08 | 0.0272 | 8.43E-08 | 0.997 | |
| Reference: Landsat CHL | 0.0590 | 0.289 | 0.209 | 1 | ||
| 2015 Jan 19th | USTFM | 2.81 | 0.0244 | 0.267 | 0.181 | 0.999 |
| MODIS | 2.90 | 4.21E-08 | 0.0411 | 1.19E-07 | 0.999 | |
| Reference: Landsat CHL | 0.0442 | 0.119 | 0.0986 | 0.999 | ||
| 2015 Oct 2nd | USTFM | 1.48 | 0.00301 | 0.107 | 0.0572 | 0.999 |
| MODIS | 1.37 | 4.21E-08 | 0.0291 | 1.03E-07 | 0.999 | |
| Reference: Landsat CHL | 0.0686 | 0.235 | 0.194 | 1 | ||
| 2015 Dec 5th | USTFM | 0.977 | 0.0023 | 0.123 | 0.0832 | 0.999 |
| MODIS | 0.958 | 4.21E-08 | 0.0399 | 8.43E-08 | 0.993 | |
| Reference: Landsat CHL | 0.0737 | 0.206 | 0.180 | 0.999 | ||
| 2016 Jan 6th | USTFM | 1.37 | 3.79E-30 | 0.0827 | 0.0534 | 0.999 |
| MODIS | 1.44 | 5.96E-08 | 0.0382 | 1.19E-07 | 0.998 | |
| Reference: Landsat CHL | 0.0517 | 0.151 | 0.138 | 0.999 | ||
| 2016 Mar 10th | USTFM | 2.39 | 0.0154 | 0.262 | 0.218 | 0.999 |
| MODIS | 2.69 | 5.96E-08 | 0.0636 | 1.69E-07 | 0.999 | |
| Reference: Landsat CHL | 0.0555 | 0.225 | 0.185 | 0.999 | ||
| 2016 Mar 26th | USTFM | 1.31 | 0.00692 | 0.126 | 0.112 | 0.906 |
| MODIS | 1.43 | 4.21E-08 | 0.0263 | 8.43E-08 | 0.997 | |
| Reference: Landsat CHL | 0.0451 | 0.117 | 0.104 | 0.999 | ||
| 2016 Dec 23rd | USTFM | 1.75 | 0.0291 | 0.121 | 0.107 | 0.999 |
| MODIS | 2.00 | 5.96E-08 | 0.0368 | 1.46E-07 | 0.998 | |
| Reference: Landsat CHL | 0.0512 | 0.149 | 0.140 | 0.999 |
† RMSE: compare to reference NASA Landsat 8 chlorophyll-a concentration (mg/m^3).
†† Calculated with 9*9 moving window.
4. 深圳香港海域的实验结果
为了验证我们的方法，我们考虑了另一个研究区域，该区域位于南中国海附近。在这方面，每月的浮标资料由香港环境保护署（https://cd.epic.epd.gov.hk/EPICRIVER/marine/）分享，可用于验证我们的最终叶绿素-a产品。研究区域2如图4所示。
蓝色和绿色波段的Rrs预测如图21所示。左列是蓝色波段的比较，右侧是绿色波段。可以对研究区域1进行类似的结论：与MODIS Rrs产品相比，U-STFM模型的预测改善了细节纹理，整体Rrs分布模式更类似于Landsat 8。
我们还注意到，与Landsat 8相比，预测Rrs中的详细纹理图案存在一些差异。如前所述，其原因在于图像融合模型不会创建纹理。输出的详细纹理来自Landsat图像的“之前”或“之后”。融合处理可以被视为找到将这两个图像与适当的权重组合的方式。 U-STFM模型中的权重函数来自MODIS时间序列提供的变化率信息。因此，无法很好地预测未在“之前”或“之后”Landsat图像中捕获的图案。
图 21 2016年11月14日，在研究区域2中，与原始MODIS Rrs和Landsat 8 Rrs相比，蓝色（a-c）和绿色（d-f）带中的U-STFM的Rrs预测。
与图22中蓝色和绿色波段的Landsat 8 Rrs数据相比，U-STFM模型的Rrs预测结果如图22所示。观察和预测之间显示出强烈的线性相关性，R平方为0.8521和0.8857。
图 22 2016年11月14日，研究区域2中蓝色和绿色波段的U-STFM模型预测的1：1图。
图 23 2016年11月14日，研究区域2中1km空间分辨率的log10（蓝/绿）和log10（MODIS CHL）之间的相关性。
与研究区域1相同，NASA的OC2M-HI回归模型也应用于研究区域2，以建立1km规模的log10（叶绿素-a）和log10（蓝/绿）之间的相关性，如图23所示。 最终的叶绿素-a预测如图24所示，子区域如图25所示。 与原始MODIS数据相比，可以得出与研究区域1相同的结论：最终预测在海岸附近具有更详细的纹理。 同时，MODIS数据中显示的基本模式仍然在最终预测中。 与研究区域1相似，预测与Landsat 8叶绿素a产品之间的纹理差异仍然存在，因为图像缩小的基本问题是不适当的。
图 24 U-STFM的最终叶绿素a浓度预测与Landsat 8和初始MODIS叶绿素a产品相比
图 25 图24的局部区域
U-STFM与Landsat 8和MODIS叶绿素产物的叶绿素-a预测的1：1比较如图26所示。 总体而言，U-STFM的预测与Landsat 8和MODIS叶绿素产物相关，R平方分别为0.797和0.772。 与高叶绿素a浓度相比，较强的相关性显示低叶绿素-a浓度为0.5至2 mg / m3。 由于尺度差异，较高的变异主要表现在高叶绿素a浓度区域，特别是与MODIS相比。 与Landsat 8产品相比，图26（a）中的小偏差显示了对U-STFM预测的轻微低估。 这种总体偏差的原因可能与MODIS和Landsat传感器之间的频谱响应差异有关。
图 26 用Landsat 8和MODIS叶绿素a产品进行U-STFM预测的1：1图
表8比较了U-STFM预测，Landsat 8和MODIS产品与原位数据。 在这6个浮标中，RMSE显示Landsat 8和U-STFM具有相似的准确度，分别为0.557和0.503 mg /立方米，并且优于最初的MODIS叶绿素-a产品。
Table 8 Comparison of in-situ observations of Hong Kong buoys
| ID | Date | Name | Longitude | Latitude | In situ observation (mg/m3) | U-STFM CHL (mg/m3) | Landsat8 CHL (mg/m3) | MODIS CHL (mg/m3) |
|---|---|---|---|---|---|---|---|---|
| 0 | 11/24/2016 | MM16 | 114.443 | 22.453 | 2.1 | 2.392 | 1.343 | 2.905 |
| 1 | 11/24/2016 | MM15 | 114.457 | 22.373 | 1.5 | 2.025 | 1.548 | 1.876 |
| 2 | 11/24/2016 | MM14 | 114.457 | 22.303 | 1.7 | 1.661 | 1.511 | 1.818 |
| 3 | 11/24/2016 | MM13 | 114.462 | 22.216 | 1.1 | 1.628 | 1.034 | 1.663 |
| 4 | 11/24/2016 | MM8 | 114.334 | 22.196 | 1.9 | 1.497 | 1.266 | 1.646 |
| 5 | 11/21/2016 | SM18 | 114.084 | 22.143 | 0.9 | 1.745 | 1.820 | 2.026 |
| RMSE | 0.503 | 0.557 | 0.639 |
3.2.9 小节
叶绿素浓度在近海水域附近迅速变化。在本章节中，我们实验了一种方法，将MODIS 1km叶绿素-a产品缩小到30m，以更好地了解近海地区叶绿素a的空间变化。为了实现这一目标，使用到了两种不同的相关性。首先，使用相同位置的不同时间序列观测值之间的相关性来提供详细的图像纹理，以帮助我们预测电磁波谱中蓝色和绿色区域附近的30m遥感反射率。其次，使用1KM规模的MODIS叶绿素a产物与升高的蓝/绿遥感反射率之间的相关性来预测30m水平的高度详细的叶绿素-a产物。选择U-STFM时空融合模型来捕获第一相关性。 NASA OC2M-HI模型用于捕获叶绿素a浓度与遥感反射交叉尺度之间的相关性。
选择唐山曹妃甸港附近的一个研究区来测试这种方法。使用Landsat 8 Rrs 482nm和Rrs 561nm作为地面实况数据来评估U-STFM图像融合模型的预测。 2016年3月10日数据的结果显示预测与真实数据之间存在强烈的线性关系，蓝色和绿色波段的R平方分别为0.868和0.881。与MODIS数据相比，预测的带在近海水域附近显示出更加细致的纹理，可以提供有关近海水域附近叶绿素浓度分布的更多信息。其他九个日期的结果也得出了类似的结论。
在1km规模的log10（蓝色/绿色）和log10（MODIS CHL）之间保持良好的相关性。正如2016年3月10日的R平方结果显示，大约85％的变化可以通过OC2M-HI回归模型建模，RMSE为0.742。本文还评估了对其他九个目标日期的预测以及类似的结论。根据观察条件，R平方在不同日期变化，从0.54-0.91变化。通过该回归预测30m尺度的叶绿素-a浓度，从U-STFM模型预测30m遥感反射率。与Landsat 8叶绿素-a产品相比，RMSE和局部标准偏差表明，30m规模的最终叶绿素-a浓度改善了近海水域附近的细致质地，并且与原始的MODIS叶绿素-a产品相比保持了准确性。
香港附近的另一个研究区域也被选中来测试这种方法。每月的浮标数据由香港环境保护署（https://cd.epic.epd.gov.hk/EPICRIVER/marine/）分享，数据可用于验证我们的最终叶绿素-a产品。类似的结果显示在研究区域2中，Rrs预测与真实数据之间具有强线性关系（蓝色和绿色波段的R平方分别为0.8521和0.8857）。对于这六个浮标，RMSE显示Landsat 8和U-STFM具有相似的准确度，分别为0.557和0.503 mg /立方公尺，并且优于初始MODIS 1km叶绿素a产品。
总的来说，在这项研究中，我们使用时间序列的相关性和不同尺度的相关性来推断近海地区附近叶绿素a浓度的空间变化。图像缩小问题通常是不适合的，只能根据先前的知识来推断，但是通过本文中的方法，可以预测30m叶绿素a浓度产品可以帮助我们更好地了解近海水域的更深层物理机制。