基于多时相Sentinel-1A的沼泽湿地水面时空动态变化监测

水是形成和维系湿地生态系统的重要因子,监测湿地水面积变化对湿地保护研究具有重要意义。以2018—2019年逐月的Sentinel-1A卫星数据为数据源,计算扎龙湿地年内和年际的合成孔径雷达(synthetic aperture Radar,SAR)后向散射系数(σ^(0))和相干系数(μ^(0))影像,根据彩色光学影像水体贴近程度赋予权重并构建提取湿地水面σ^(0)与μ^(0)的加权影像,通过阈值分割法、随机森林算法提取湿地水体,实现湿地水域面积的动态变化监测,探究湿地水域年内和年际变化规律。结果表明:基于随机森林算法的水体提取精度最高,代表月份平均差值绝对值为6.69 km^(2),基于μ^(0)影像使用阈值分割方法的分类精度最低,平均差值绝对值为13.07 km^(2);整体趋势上,扎龙湿地水域面积年内有明显的季节性变化,春末夏初时水域面积在1300~1600 km^(2)浮动,夏末秋始时水域面积在700~900 km^(2)浮动;年际水域面积会随着气候、温度等条件差异有不同变化,2019年10月、11月因降水量大湿地水域面积比2018年多出约1050 km^(2),基于有效数据计算,总体上2019年比2018年水域面积多出约550 km^(2)。

利用Jason-3/Sentinel-3A雷达高度计监测北部湾滨海湿地水位变化

为了评估雷达高度计监测滨海湿地水位的能力,提高其监测滨海湿地水位的测量精度,该研究以广西北部湾滨海湿地为研究区,选取2016—2020年逐日的Jason-3和Sentinel-3A雷达高度计数据,建立滨海湿地水位遥感监测模型,利用重心偏移法,阈值法,改进的重心偏移法和改进的阈值法对测高水位进行波形重定改正获取滨海湿地水位。结合水文站实测数据,定量评估不同算法提取水位的精度差异,利用年内水位变幅、月平均水位、季平均水位和年平均水位探究滨海湿地水位动态变化,利用降水量数据分析滨海湿地水位动态变化原因。结果表明,在4种重跟踪算法中,改进的阈值法重定效果最佳,Jason-3雷达高度计的决定系数最大为0.78,均方根误差(Root Mean Square Error,RMSE)最小为0.35 m,平均绝对误差(Mean Absolute Error,MAE)最小为0.28 m;Sentinel-3A雷达高度计的决定系数最大为0.87,RMSE最小为0.24m,MAE最小为0.18m,表明Sentinel-3A雷达高度计的监测精度较高。广西北部湾滨海湿地水位变化与降水量变化的相关性较高,年内水位变化较为剧烈,呈现明显的季节性,年内水位平均变幅为3.37 m,在2016—2020年间水位整体呈现下降趋势,年平均变化速率为0.005 m。星载雷达高度计为大范围的滨海湿地水位监测提供了有力手段,这对研究滨海湿地变化及生态环境保护具有重要意义。

联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演

红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC(Canopy Chlorophyll Content)作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星(OHS)影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明:(1)通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI_((12,17))、DSI_((12,18))和NDSI_((6,12))组合植被指数对红树林CCC反演精度的贡献率较高;(2)联合OHS数据和最优堆栈GBRT集成学习回归模型(Score=0.999,RMSE=0.963μg/cm^(2))的训练精度优于最优RF机器学习回归模型(RMSE降低了7.531μg/cm^(2)),明显优于最优Lasso线性回归模型(RMSE降低了19.383μg/cm^(2));(3)在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度(R^(2)=0.761,RMSE=16.738μg/cm^(2))高于Sentinel-2A影像(R^(2)=0.615,RMSE=20.701μg/cm^(2));(4)联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法(R^(2)=0.356,RMSE=49.419μg/cm^(2))。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC(R^(2)均大于0.61),而OHS数据的估算精度更高(R^(2)大于0.75);SNAPSL2P算法不能有效反演红树林CCC(R^(2)小于0.4),且对红树林CCC数值存在系统性低估。