基于哨兵-2数据的白岗岩型铀矿构造蚀变特征研究——以纳米比亚罗辛矿区为例

白岗岩型铀矿是重要的铀矿资源,但针对该类铀矿典型矿床遥感特征的研究还十分薄弱。文章以纳米比亚罗辛铀矿区为研究对象,获取了该矿区哨兵-2遥感影像,总结了矿区典型蚀变矿物的光谱吸收特征,建立了针对矿区地质体的增强与构造解译方法。在此基础上,对获取的遥感影像进行了大气校正与几何校正,并应用主成分分析、波段比值等方法,提取了铁染、羟基和碳酸盐化蚀变信息。结果表明,罗辛铀矿中碳酸盐化蚀变在空间上与卡里毕比组的分布较为一致。通过选取合理的阈值,识别出与铀成矿相关的含大理岩地层。同时,对图像进行增强,并利用建立的构造解译方法,对罗辛铀矿的构造进行了识别。经野外查证,发现遥感识别构造、蚀变与野外查证结果一致,说明利用哨兵-2数据可以对白岗岩型铀矿的成矿条件与控矿要素进行识别,进而为铀矿勘查提供参考。

“哨兵-2”卫星影像及C2RCC算法在太湖冬春季水色分析中的应用

利用太湖2019—2022年冬春季“哨兵-2”卫星10 m分辨率的MSI影像和SNAP软件C2RCC(Case 2 Regional CoastColour)模块,以适合浑浊、富营养程度较高、光学复杂的“二类水体”的C2X-nets为模式,开展太湖叶绿素a、总悬浮物浓度、透明度等水色参数反演。结果表明:冬春季太湖各湖区叶绿素a浓度处于较低水平,但4月中旬起有明显抬升;太湖西部沿岸区、南部沿岸区和湖心区总悬浮物浓度较高,表明这些湖区易受风浪影响,造成沉积物再悬浮;太湖东部沿岸区、北部湖湾及东太湖遥感反演的水体清澈度较高,可能与这些湖区冬春季沉水植物菹草的分布有关,菹草生长对水质有较好的净化效果。总体来看,基于C2X-nets模式的C2RCC反演算法从较高分辨率卫星遥感影像中提取的水色信息,能有效反映太湖冬春季水色指标的空间分布特征,可为湖体生态状况及动态变化的长期监测评估提供有价值的参考。

基于哨兵-2MSI数据的高邮湖水体叶绿素a浓度和总悬浮物浓度遥感反演

哨兵-2号卫星多光谱成像仪(MSI)数据的空间分辨率高,重访周期短,适用于高邮湖这类中小型湖泊的水质反演。利用实测水体光谱数据模拟出哨兵-2 MSI数据,并建立了适用于该数据在高邮湖反演叶绿素a(Chl.a)浓度和总悬浮物(TSM)浓度的模型。经过验证,Chl.a的反演均方根误差(RMSE)为8.02μg/L,平均相对误差(MRE)为18.4%,TSM的反演RMSE为16.2 mg/L,MRE为23.3%,表明该模型具备理想的反演精度。利用哨兵-2 MSI数据和建立的反演模型,可以获得高邮湖Chl.a和TSM时空分布情况。初步分析发现,高邮湖这2项水质参数的分布与湖内的围网养殖和入湖径流之间存在一定关系。

基于欧洲航天局“哨兵-2A”卫星的太湖蓝藻遥感监测

欧洲航天局(ESA)2015年6月23日成功发射"哨兵-2A"卫星,该卫星搭载的多光谱成像仪(MSI)在可见光(VIS)至短波红外(SWIR)波长区间配置了多种光谱波段/地面分辨率组合,可以获取大范围、较短重访周期、较高空间分辨率(10 m)的遥感影像。以太湖2016年6月13日MSI数据为例,在完成大气校正的基础上,分析了太湖典型地物类型光谱特征,采用归一化植被指数(NDVI)结合叶绿素反射峰强度(ρchl)构建的综合阈值法对贡湖湾的蓝藻水华信息进行了提取实验。结果表明:"哨兵-2A"卫星MSI影像质量清晰,可精细地反映植被、蓝藻、水体等典型地物类型的光谱特征;ρchl指数对中-高蓝藻聚集区与水生植被、轻度蓝藻聚集区与混合水体具有较好的分离能力;利用综合阈值法提取贡湖湾中-高蓝藻聚集区面积为60.37 km2,主要分布在贡湖北部沿岸、湖心和南部沿岸。"藻-水"混悬体面积为79.49 km2,贡湖湾东部蓝藻水华相对较轻。

哨兵-2号光学影像地表形变监测:以2016年M_W7.8新西兰凯库拉地震为例

光学影像已经广泛地应用于地表形变监测研究。哨兵-2号光学影像作为一种新的对地观测数据,具有重访周期短、空间分辨率高、影像覆盖范围大以及数据免费等优点,因此该数据在地表形变监测上有广泛的应用潜力。本文以COSI-Corr软件包为数据处理平台,基于亚像素的频率域相关性匹配技术,处理多时相的哨兵-2号数据获取地表形变。本文选取2016年M_w7.8新西兰凯库拉(Kaikoura)地震覆盖区域为例,对哨兵-2号影像地表形变中存在的各种系统误差源进行了系统分析和改正,并提出了改进的均值相减法去除形变场中的卫星姿态角误差。另外,还对哨兵-2号4个10m空间分辨率的波段(Band 2/3/4/8)中可用于地表形变监测的最佳波段进行了分析,统计结果显示Band8的地表形变监测效果最好。最后,利用哨兵-2号光学影像获取了2016年11月14日M_w7.8新西兰凯库拉地震的同震形变场;分析了沿地震主要断层的滑移分布,结果表明最大水平滑移量达10m;并与同期Landsat8全色影像的同震形变监测结果进行对比分析,结果表明哨兵-2号结果精度更高。本文的研究成果可以为哨兵-2号光学影像的应用提供参考。

应用面向对象结合多时相哨兵-2A影像特征优选的毛竹林分布信息提取

提出一种面向对象及随机森林特征优选的分类方法,为毛竹林分布信息提取提供参考。依据多时相哨兵-2A(Sentinel-2A)卫星数据提取光谱特征、植被指数及红边植被指数特征、纹理特征共69个特征;设计8种特征组合方案,方案1~5为多时相方案,其中方案1——光谱特征波段;方案2——光谱特征波段+植被指数特征+红边植被指数特征;方案3——光谱特征波段+纹理特征;方案4——光谱特征波段+植被指数特征+红边植被指数特征+纹理特征;方案5——光谱特征波段+植被指数特征+红边植被指数特征+纹理特征+特征优选;方案6、7和8为3个单时相影像分类,将其分类结果与其他多时相方案进行对比。采用随机森林算法进行特征优选的毛竹林分布信息提取。结果表明:(1)多时相Sentinel-2A数据的短波红外波段特征、红边波段特征及红边植被指数特征在分类时重要性程度高,对毛竹林分布信息提取贡献度大;(2)使用随机森林面向对象的分类方法能够有效的减少“椒盐现象”;(3)所有特征参与并由随机森林算法特征优选的方案5对毛竹林的分布信息提取效果最佳,总体精度为85.94%,Kappa系数为0.7852,表明随机森林算法能够进行特征优选同时保持精度较高的毛竹林提取效果。因此,面向对象结合多时相Sentinel-2A影像,利用随机森林进行特征优选和分类的方法能够较为有效地提取毛竹林分布信息。

应用多时序特征的哨兵系列影像对南方丘陵区树种识别

树种分类是森林资源调查和监测的重要工作,杉木和油茶作为袁州区主要经济树种,准确获取树种空间分布信息,对产量估算和资源管理具有重要意义。以江西省宜春市袁州区为研究区,试验融合时序哨兵-1(Sentinel-1)、哨兵-2(Sentinel-2)等数据,结合中国南方丘陵区树种特点,提取植被指数、红边植被指数、地形特征和纹理特征等构建特征变量组合,分别利用分离阈值法(SEaTH)和特征权重算法(ReliefF)进行特征重要性排序和特征优选,分析各特征对树种分类的影响。结果表明:(1)在使用光谱特征和植被-水体指数的基础上加入不同特征后,树种分类精度均有提升,其中纹理特征的加入更有利于树种分类。(2)结合随机森林算法和特征权重算法(ReliefF)对树种分类的精度最高,总体精度为85.33%,Kappa系数为0.81,优于相同特征组下的支持向量机算法和分类回归树算法。

基于Sentinel-2影像分辨率提升的西南山区油菜作物识别研究

【目的】由于Sentinel-2影像空间分辨率不足,目前难以在我国丘陵山区等复杂地区开展广泛应用。为进一步拓展其应用深度,本研究通过提高Sentinel-2数据空间分辨率,探索不同空间分辨率与光谱分辨率条件下低山丘陵地区作物遥感识别能力,为我国西南低山丘陵复杂地区农作物遥感识别研究提供参考。【方法】利用多光谱影像重建与融合技术,获取了Sentinel-2影像不同空间分辨率与光谱波段的多光谱影像,通过融合图像质量评价,特征波段光谱趋势分析及随机森林模型下不同空间分辨率与波段组合下油菜遥感识别精度对比及特征波段重要性度量,分析不同空间分辨率与光谱波段条件下地形复杂地区的油菜遥感识别能力。【结果】①影像融合后图像亮度均有所增加,微小细节反差和纹理变化的表达能力明显增强,图像的清晰度有较大提高,主要地物融合前后灰度曲线变化趋势基本一致。②数据空间分辨率提高能够有效提高油菜作物分类精度,总体精度由72.29%提高到79.52%,Kappa系数从0.66上升到0.75;在同等分辨率条件下,红边波段有助于提高油菜作物的制图精度,从91.30%提高到95.65%。③不同红边波段对提高作物的识别精度效果存在差异,C2(可见光B2、B3、B4-红边B5-近红外B8)组合与C1(可见光B2、B3、B4-近红外B8)组合总体精度提高4.75%,C3(可见光B2、B3、B4-红边B5、B6-近红外B8)组合与C2组合总体精度提高1.21%,红边B5波段与红边B6波段有助于提高总体精度,且B5波段比B6波段更有效;C4(可见光B2、B3、B4-红边B5、B6、B7-近红外波段B8)与C3组合制图精度提高4.35%,用户精度提高0.57%,B7波段对于油菜作物制图精度提升效果较为明显;基于随机森林模型的特征波段归一化重要性度量值表明在较高分辨率条件下,可见光蓝色波段B2与绿色波段B3的重要性度量值分别为0.94和0.82,红边波段B7和红边波段B5度量值分别为0.89和0.75,与波段组合比较中红边B7与红边B5波段更有助于提升油菜制图精度与总体精度的结果较为一致。【结论】本研究通过多光谱影像重建与融合技术实现了Sentinel-2影像空间分辨率的大幅度提升,同时基于随机森林分类完成不同红边波段组合下的油菜提取结果的精度对比和特征波段重要性量化度量,首次较为全面地探索了Sentinel-2影像高分辨率条件下不同红边波段下油菜作物遥感识别能力,可为Sentinel-2影像分辨率提升研究及探索其更广泛的应用领域提供借鉴。

基于Sentinel-2卫星数据的中山市植被叶面积指数反演及空间分析

以广东省中山市为例,基于SNAP软件和2景Sentinel-2卫星数据,反演并分析中山市全域及特定区域内植被叶面积指数。结果表明,反演结果与中山市生态空间格局和植被保护状况相一致,且与其他研究报道中对水库库区林地采用现场实测方法获得的数据高度一致,表明该方法反演城镇植被叶面积指数具有良好的适用性和准确性。

海南岛红树林生态系统总初级生产力分布格局及形成机制

红树林具有较高的光合速率和较低的光补偿点,表现出较高的总初级生产力(gross primary production,GPP),是“蓝碳”的重要组成。准确估算区域红树林生态系统GPP,并量化其限制因素贡献对于我国实现“双碳”目标具有重要意义。该文以海南岛红树林生态系统为研究对象,利用哨兵-2(Sentinel-2)影像和环境因子数据,基于红树植被光合作用-光能利用效率(MVP-LUE)模型估算了2016—2020年期间海南岛红树林生态系统GPP,并探究其时空分布格局及形成机制。结果表明:(1)在研究期间,海南岛红树林生态系统年GPP呈现出增长趋势,在空间上呈现出东部高于西部、北部高于南部的分布格局。(2)在形成机制上,海南岛红树林生态系统月均GPP时空分布格局受到多气象因素的综合影响,年内季节性上GPP在“旱→雨”过渡期随着空气温度(air temperature,T air)的限制降低和光合有效辐射(photosynthetically active radiation,PAR)与海水温度的促进作用,展现出较高的GPP;旱季中期T air低,对GPP限制严重,但随着纬度的降低,红树林生态系统GPP受T air限制的程度被减弱;雨季则因较高的云覆盖而使PAR成为GPP的限制因素。该研究结果为评估区域红树林对全球碳循环的贡献提供了基础数据,为揭示影响红树林生态系统碳动态的关键环境因素提供了理论支撑。

基于Sentinel-2时序数据的山区积雪识别与面积变化

积雪是全球气候变化的重要指示器,也是中国西北干旱地区重要的淡水资源。卫星遥感由于具有大面积短周期重复观测等特点,已经成为积雪识别与面积变化监测的重要手段。与Landsat TM相比,Sentinel-2影像具有更高的辐射分辨率、光谱分辨率和空间分辨率以及更高的时间分辨率,成为积雪研究的重要数据源。然而,在中小尺度,高分辨率卫星辐射亮度值不仅受大气水汽、气溶胶等大气衰减,受地形遮蔽、坡度、坡向等地形因素的影响,同时也受地表二向反射分布函数(BRDF)影响,从而使得地表信息失真。本文以中国天山中段为研究区,选择2017年5月—2018年4月共20时相Sentinel-2影像,基于数字高程模型(DEM),利用山地辐射传输模型考虑地表BRDF特性基础上对其同步进行大气校正与地形校正预处理,然后综合利用归一化差值积雪指数(NDSI)以及积雪在绿波段、近红外波段的反射率阈值法精确提取积雪覆盖信息,有效剔除了水体、浓密植被、阴影和辐射亮度较低像元对积雪识别的影响。同时,结合历史天气资料,重点分析了1年内研究区积雪面积变化特征。本研究对积雪消融引起的地表反射率和能量平衡变化以及陆地生态环境等研究具有重要意义。

基于多光谱卫星影像与机器学习算法的松材线虫病受害林分识别研究

松材线虫病(Pine Wilt Disease,PWD)被称为“松树癌症”,具有高传染率和高死亡率,对我国森林资源构成了严重的威胁,对我国的经济、社会和生态造成了重大损失。及时发现并清理疫木是遏制松材线虫病蔓延的有效手段,精准监测疫木是防控松材线虫病的前提,但是现阶段缺少大面积识别松材线虫病疫木的技术方法。本文旨在探索哨兵-2号与Landsat-8遥感卫星影像对受害松林的识别能力,采用随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree,DT)和极端梯度提升(Extreme Gradient Boosting,XGBoost)等4种机器学习算法建立了松材线虫病监测模型。结果表明:基于哨兵-2号影像数据建立的监测模型对受害松林的识别准确率高于Landsat-8遥感卫星影像,其中基于10 m分辨率的影像数据建立的监测模型识别准确率最高,随机森林、决策树、支持向量机和极端梯度提升等算法建立模型的准确率分别达到了79.3%、76.2%、78.7%和78.9%。在3种不同的影像数据集中,RF、SVM和XGBoost的准确率、Kappa系数和ROC值接近,均明显优于决策树算法。光谱特征中的绿波段、红波段、短波近红外波段和长波近红外以及植被指数中的NBRI、NGRDI、TVI、NDVI和PSSR等对松材线虫病监测模型的贡献值最高。递归消除法对特征参数的筛选效果最好,特征数量由原来50个减少至35个。本研究建立的松材线虫病受害林分监测模型为科学防控松材线虫病提供了技术支撑。

阳澄湖水质总氮浓度时空变化特征及影响因子分析

为了解阳澄湖水质总氮浓度时空分布特征,2015—2019年对阳澄湖水质总氮进行了逐月监测,并利用地理信息系统和卫星遥感反演等技术,对社会经济、七浦塘引水、水产养殖、重点工程、气象条件和水生植物等影响因素与总氮的关系进行了分析。结果表明:阳澄湖湖体总氮年均值为1.26~1.54 mg/L,时空分布不均,时间上总氮浓度表现为春季最高、夏季和秋季最低,该变化特征与入湖河流总氮浓度以及湖体水生植物周期性生长旺盛和腐烂分解情况保持一致,空间上总氮浓度大致表现出由西湖向东湖递减的趋势,该差异主要受上游来水和水体自净能力共同影响;阳澄湖出湖河流水质总氮低于入湖河流,湖体对总氮进行了截留。因此,要改善阳澄湖水质,应从控源截污、优化产业、生态恢复、生态清淤等方面进行综合治理。

基于多时相植被指数的云南高原山地冬小麦识别与研究

粮食安全是最根本的民生问题,云、雾等自然因素是影响遥感种植监测的主要因素之一,因此获取精准、高效的耕地种植监测信息对保障当地粮农安全、粮食估产及面积估算具有重要意义。在利用多时相植被指数(Multi-period Vegetation Index,以下简称植被MVI)合成模型的构建、农作物特征与耕地信息的可分离性两方面对高原山地农作物耕地面积提取的研究较少。该研究基于哨兵2(Sentinel-2)数据,构建了多时相植被指数合成模型,估算了2020—2021年归一化差异植被指数(Normalize Difference Vegetation Index,以下简称植被NDVI)、增强植被指数(Enhanced Vegetation Index,以下简称植被EVI)和红绿叶绿素植被指数(Red-Edge ChlorophyII Vegetation Index,以下简称植被RECI)3种植被指数的提取结果,研究了预测模型与高原山地农作物的相关性,探讨了不同植被指数模型对农作物的识别精度。结果表明:①多时相植被NDVI模型相较植被EVI和植被RECI对冬小麦面积提取精度更高,与云南高原山地冬小麦相关性最强,用户精度约为93.28%;②利用三期NDVI组合与2期植被NDVI组合均可对冬小麦精准提取,但3期植被NDVI模型提取精度更高。利用多时相植被NDVI模型对冬小麦种植面积的精准预测,证明了该模型可有效适用于云南高原山地冬小麦,并为当地冬小麦面积的预测提供了数据支撑。

遥感时序光谱重构的耕地信息提取方法

针对传统耕地提取方法人工干预多、提取速度慢、成本高,不适用于大规模耕地提取等问题,选取时间序列Sentinel-2数据,基于时序光谱特征的耕地自动识别方法对玛纳斯县典型耕地区域进行耕地提取,并比较了不同样本特征对耕地提取精度的影响。结果表明:采用该方法总体分类精度、Kappa系数、耕地类型的用户精度分别达到了95.37%、0.9423和97.04%,比采用时间序列NDVI和单时期影像样本特征总体精度分别提高4.02%和5.69%。研究结果为进一步利用中高分辨率遥感数据和深度学习方法对耕地进行信息提取和典型地物分类提供了新思路。