文献综述
摘要：Landsat8数据的空间分辨率为30m，回返周期为16d，其具有高空间分辨率但时间分辨率却较低，又由于受阴雨天气得影响情况，使得获取有效数据十分困难；MODIS数据的空间分辨率为250 -1000m,回返周期为1-2d，其具有高时间分辨率但空间分辨率较低；遥感影像不同的分辨率代表不同的空间尺度，而空间尺度对遥感数据时空融合精度的影响还不清楚。
本毕业论文拟基于最小二乘MODIS混合像元分解的STARFM模型研究不同高空间分辨率的遥感影像与MODIS数据融合的融合精度，从而评估尺度效应对遥感时空融合精度的影响。
关键词：遥感数据，Landsat,MODIS,时空数据融合1. 背景随着遥感技术的进步和各国对地观测计划的不断推进，全球对地观测网络已经形成，高、中、低轨道互相结合，大、中、小卫星彼此合作，粗、细、精的时空分辨率互补（刘建波[15]）。
但是由于成像传感器的时间分辨率与空间分辨率间的相互制约关系，限制了卫星数据在实际生活中的应用。
为了满足日益广泛的对地观测需求，也为了满足遥感深入应用与实践对高时空分辨率遥感数据的需求，国内外展开了大量有关遥感数据融合的研究，以提高遥感数据的时空分辨率，为地表变化监测，包括植被变化、森林防灾、地震灾害、台风预警等带来便利。
Landsat8上携带OLI陆地成像仪和热红外传感器，其中陆地成像仪包括9个波段，空间分辨率为30m，可以获得较高的提取精度，热红外传感器包括2个热红外波段，空间分辨率为100m，重访周期为16天；MODIS中分辨率成像光谱仪空间分辨率分别有250m、500m和1000m，重访周期为1-2天，主要用于大范围全球数据动态测量，了解全球气候变化情况及人类活动对气候的影响，但其空间分辨率较低，不适于精度提取（邬明权[1]）。
遥感时空融合是对高时间分辨率、低空间分辨率和高空间分辨率、低时间分辨率的卫星数据进行处理，综合两个不同时空分辨率遥感数据的优势，按一定的规则或算法进行运算处理，获得比单一数据更精确、更丰富的信息，生成时间相对连续的高时空分辨率图像（刘建波[15]），改善目标识别的图像环境，增加解译的可靠性，减少模糊度，帮助决策地表变化问题2. 目的及意义 时空数据融合的目的是为了生成较为连续的高分辨率数据，弥补单个传感器所得到的遥感数据的不足，而且目前国内外的研究也取得了较好的研究成果（刘建波[15]），但是遥感影像不同的分辨率代表不同的空间尺度，不同的空间尺度对于遥感数据时空融合精度有不同的影响。
通过研究空间分辨率对于时空融合精度的影响，便于后续实践应用中的要求选择合适的分辨率的卫星数据进行融合，提高融合效率和速度。
3. 国内外研究现状时空融合算法的研究可以追溯到20世纪90年代，目前常用的几种融合算法有：基于加权函数融合(STARFM,ESTARFM等)，基于混合像元分解(MMT,STRUM,ISTRUM,STDFA等)，基于学习包括稀疏表示字典对以及机器学习算法(SPSTFM,CSSF,MRT,CNN)，基于多种方法(FSDAF,BLEST,EFSDAF,IFSDAF）；目前研究较为成熟的遥感时空融合算法为STARFM，国内外对于该算法的研究也在不断改进、或利用该算法与其他算法相结合，以提高融合精度。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
