一种融合光学与SAR的植被指数提取算法

多光谱影像计算的植被指数具有监测植被类型、计算叶面积指数、反演植被覆盖度和估算生物量等作用,但光学影像易被云与阴影污染,增加了获取植被指数的难度.为了获取云层覆盖区域的植被指数,提出了一种融合光学与SAR的植被指数提取算法.实验以新疆维吾尔自治区乌苏市2020年9月11日的Sentinel 1、2020年9月3日无云的Sentinel 2和2020年9月8日有云的Sentinel 2影像为数据源,首先利用Sentinel 1影像构建出6种匹配模型,然后分别利用6种匹配模型的光谱特征重构Sentinel 2影像的云与阴影覆盖的像元,获取6景去云与阴影后的Sentinel 2影像,再用每景去云与阴影后的影像计算3种植被指数(增强型植被指数EVI、归一化植被指数NDVI和土壤调节植被指数SAVI),用无云的Sentinel 2影像作为验证数据,最后使用均方根误差(RMSE)、平均绝对误差(MAE)和相关系数(R)对结果进行精度评价.实验结果表明:该方法能有效地去除光学影像云与阴影的影响,获取云与阴影覆盖区域像元的植被指数;3种植被指数的总体精度较好,相关系数均大于0.8;在6种匹配模型方面,第四种匹配模型在3种植被指数中的精度均为最高.

Sentinel 2A影像去云下的丘陵地区植被覆盖度反演

光学遥感影像作为一种重要的数据源,被广泛应用于植被覆盖度反演,但南方丘陵地区常年多云雾,受云雾污染,像元质量下降。受丘陵地形的限制,地块破碎化严重,加之南方丘陵植被类型多,植被光谱变化较大,这些因素造成了植被覆盖度提取的准确度降低。为了提高丘陵地区植被覆盖度反演的精度,提出一种整合光学与SAR影像的反演框架。以Sentinel1A和Sentinel 2A影像作为遥感数据源,首先利用Sentinel 1A的光谱特征去除Sentinel 2A影像上的云像元,再使用光谱归一化减弱植被的光谱变化,在此基础上将扩展线性光谱混合模型用于反演植被覆盖度。结果表明:该框架能有效恢复云污染的像元,端元和影像归一化后,降低光谱异质性,反演丘陵地区植被覆盖度的精度较高,均方根误差为0.14,相关系数为0.95,接近地表植被覆盖的真实情况。

一种基于光谱归一化的丘陵地区植被覆盖度反演方法

由于影像空间分辨率的限制,利用遥感影像反演植被覆盖度时,像元内通常存在植被与其他地物混合的现象.此外,受到物理属性、地形、阴影等因素的影响,植被内部存在较大的光谱差异.混合像元的存在,以及植被内部光谱变化较大都将导致植被覆盖度反演精度降低.本研究基于Sentinel 2A遥感影像,提出了一种基于光谱归一化的光谱混合分析方法,以期解决植被内的光谱差异以及与其他地物的混合问题.首先,对端元矩阵与遥感影像进行归一化预处理,以减弱植被内的光谱变化;然后,采用全约束最小二乘法(FCLSU)、部分约束最小二乘法(CLSU)、扩展线性混合模型(ELMM)三种混合像元分解算法来定量分析植被与其他地物的混合状态.在验证解混算法精度时,采用无人机高分影像分类结果作为植被覆盖度参考影像,并对归一化前后的精度进行对比.光谱归一化前,ELMM和CLSU的R和RMSE都接近0.903和0.353,FCLSU的R和RMSE为0.869和0.434.光谱归一化后,三种算法的R和RMSE都接近0.91和0.2.试验结果表明:端元和影像进行归一化后,降低了光谱变异性,三种算法的解混精度在整体上提高较大,且对四川丘陵地区的植被覆盖度的反演结果接近真实值.