原文名：A spatial–temporal Hopfield neural network approach for super-resolution land cover mapping with multi-temporal different resolution remotely sensed images

发表于：ISPRS Journal of Photogrammetry and Remote Sensing 93 (2014) 76–87

多时相异分辨率遥感影像的超分变率地表测图的时空Hopfield神经网络方法

Xiaodong Li, Feng Ling, Yun Du, Qi Feng, Yihang Zhang

湖北省环境灾害监测与估计重点实验室，中科院测量与地球物理研究所，武汉 430077，中国

摘要：混合像元问题影响了遥感影像地物覆盖信息的提取。超分辨率制图（SRM）可以生产较遥感影像更加精细分辨率的地表覆盖图，并在一定程度上减弱混合像元的问题。传统的SRM只采用单一粗分辨率的影像作为输入。由于缺少细节地表覆盖的空间模式，其精细分辨率地表覆盖图中往往存在不确定性问题。遥感技术的进展使得大容量精细分辨率影像的存储成为可能。这些数据可以提供精细的陆地覆盖空间信息，有可能会降低SRM的不确定性。本文提出了一种基于时空Hopfield神经网络(STHNN)的SRM，将现在的粗分辨率影像和之前的精细分辨率土地覆盖图作为输入。STHNN通过在粗分辨率各像素中区分不变的、减少的和增多的土地覆盖部分，考虑亚像素对的空间信息和时空信息，使用不同规则来标记这些亚像素。用不同类部分误差的综合影像和真实的Landsat影像对提出的STHNN方法进行测试，并与像素级分类方法、一些有名的SRM方法如像素对换算法、Hopfield神经网络方法和亚像素土地覆盖变化制图方法。结果表明STHNN比像素级分类方法、像素对换方法和大多数Hopfield神经网络方法都优秀。不同STHNN空间限制、时间限制和部分限制的权参数在STHNN性能中有着重要作用。之前制图的不均匀性和部分影像的误差影响了STHNN的准确性，可以作为选择最优STHNN权参数的指导。