张爱竹，王 伟，郑雄伟，姚延娟，孙根云，辛 蕾，王 宁，胡 光

(1.中国石油大学(华东)海洋与空间信息学院,青岛 266580；2.青岛海洋国家实验室海洋矿产资源评价与探测技术功能实验室,青岛 266237；3.中国自然资源航空物探遥感中心，北京 100083；4.环境保护部卫星环境应用中心,北京 100094；5.国家海洋局北海预报中心，青岛 266061；6.武汉中测晟图遥感技术有限公司，武汉 430223)

0 引言

长时间序列的高空间分辨率遥感数据是高精度地表快速监测的基础，广泛应用于土地利用制图和变化检测、农作物的生长监测、地表温度监控等领域[1]。然而，遥感数据在空间分辨率和时间分辨率上的相互制约，导致单一传感器无法同时获取高空间和高时间分辨率的遥感数据。时空融合技术可较好地解决这一矛盾，在植被动态监测[2]、叶面积指数[3]、城市热岛监测[4]、地表温度生成[5]、土地覆盖分类[6]、病毒传播监测[7]等多个领域得到应用。

在众多已有的遥感时空融合算法中，简单高效的线性模型得到了最为广泛的应用[8-13]。其本质思想是通过构建高低空间分辨率图像中对应像元反射率之间的线性关系，将低空间分辨率图像的时间变化信息融入到已有的高空间分辨率图像中[14]。Gao等[15]最早提出了一种时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM)，该模型通过融合MODIS图像和Landsat图像生成了具有MODIS时间分辨率和Landsat空间分辨率的地表反射率数据。虽然STARFM模型能够获取预测数据，但是不适用于反射率变化较大的区域和异质性较高的区域[16]。针对前……