依据光学遥感特征优选的森林地上生物量反演

以Landsat 8、GF-1和Sentinel-2A为数据源,依据2019年、2020年外业调查数据为实测数据,提取纹理因子和植被指数,采用KNN-FIFS方法构建研究区的森林AGB估算模型,对云南省宜良县小哨林场森林AGB进行反演。结果发现3种光学数据的森林AGB估算模型中,Sentinel-2A数据结果最优,R^(2)为0.60,R_(MSE)为21.40 t/hm^(2);GF-1反演结果次之,R^(2)为0.59,R_(MSE)为22.11 t/hm^(2);Landsat 8反演结果较差,R^(2)为0.47,R_(MSE)为23.29 t/hm^(2);组合3种数据特征的反演结果最差,R^(2)为0.42,R_(MSE)为23.86 t/hm^(2)。结论得出:高空间分辨率光学数据反演结果优于低空间分辨率结果,多源数据组合反演森林AGB低于单一数据源反演结果,Sentinel-2A和国产GF-1反演结果相差不大,说明国产卫星GF-1在定量反演研究上有巨大潜力。

基于GEE和Sentinel-2时序数据的呼伦贝尔沙地及其周边植被类型识别研究

沙地及其周边植被对固定沙丘、防止水土流失和环境治理等方面具有重要作用,开展沙地及其周边植被类型识别研究对于客观地反映沙地及其周边的生态环境,进而为沙地恢复治理政策制定具有重要意义。GEE云平台丰富的长时间序列遥感数据和强大的云计算能力,为开展大区域植被类型识别提供了便捷。本研究基于GEE云平台存储的2019年Sentinel-2时序数据,采用RF算法开展呼伦贝尔沙地及其周边主要植被类型的空间判识研究,探索了GEE平台下顾及植被物候信息的植被类型识别效果。研究发现:(1)Sentinel-2影像的光谱信息和近红外波段的纹理信息对研究区的主要植被类型识别能力有限,而物候特征有效地弥补了原始光谱特征等对研究区不同植被类型区分能力的不足;(2)基于RF算法顾及物候特征的植被类型识别精度达到84.37%,Kappa系数为0.8,比单一时相数据的识别精度提高了10.01%;(3)呼伦贝尔沙地及其周边主要植被类型的物候特征差异明显,有助于不同类型植被的空间识别,特别是提高了灌草丛和草原的识别精度。研究表明利用Sentinel-2数据和GEE云平台对沙地等大区域植被类型的识别具有较大的潜力和广阔的应用前景。