基于哨兵二号的大豆、玉米遥感识别——以江苏徐淮地区为例

本研究以哨兵二号影像为数据源,以江苏徐淮地区邳州市西南部作为研究区,开展大豆、玉米遥感识别研究。采用覆盖玉米和大豆主要生长期的多时相哨兵二号影像构建遥感特征参数数据集,包括12个光谱波段的反射率和47个植被指数,采用递归特征消除与随机森林、支持向量机相结合的算法开展特征参数优选,明确最优识别时相-特征参数组合,在此基础上,采用随机森林和支持向量机分类器进行分类,并比较分类精度。研究结果表明,利用特征参数优选方法提取最优特征参数组合,在保证总体精度的前提下能够减少特征参数数量;陆地水指数和倒数差值等植被指数是2种优选算法所提取出的共性特征参数;9月8日是研究区玉米和大豆遥感识别的最佳时相,总体精度和Kappa系数均为0.99。

基于多特征卷积神经网络的哨兵二号影像地物分类

空间分辨率为10 m的哨兵二号影像在原始的GoogLeNet中以影像的光谱值作为输入,没有将影像中的地物视为一个整体对象,为了利用影像的面向对象特征,提出了基于多特征的Object-oriented GoogLeNet网络结构。Object-oriented GoogLeNet在原有模型的基础上,引入了面向对象的光谱特征和形状特征,充分利用了不同地物间差异的形状特征进行分类。在武汉市及其周边的无云影像制作的数据集上,Object-oriented GoogLeNet模型的分类结果总体精度在GoogLeNet基础上提升了1.773%。结果表明,引入面向对象的特征模型在哨兵二号遥感影像分类中效果更好。

基于集成学习的内陆水体叶绿素a浓度反演

利用卫星数据监测内陆或水质状态,对生态决策具有重要意义。基于具有高时空分辨率的哨兵二号卫星数据,联合2种集成学习算法反演山东省南四湖叶绿素a(Chla)浓度,结果表明经遥感反射率校正后的哨兵二号数据更加适用于水质反演。XGBoost模型在五折交叉验证反演结果上表现最优(R^(2)=0.732 5,RMSE=9.168 1μg/L),反演结果更符合实际情况。因此,使用该模型反演南四湖叶绿素a浓度,能较好地掌握其时空变化情况,对其他区域类似研究可提供一定参考。

基于超参数优化随机森林算法的森林生物量遥感反演

【目的】准确地估测森林地上生物量(above ground biomass,AGB)对大区域森林资源调查和管理至关重要,机器学习算法能实现森林AGB高精度估测,但超参数的设置能直接影响模型效果。为了提升模型的构建效率和预测精度,研究通过构建超参数优化的机器学习算法进行森林AGB估测,并比较不同超参数下的模型误差变化。【方法】以西藏自治区江达县天然林为研究对象,利用森林资源调查数据提取实测森林AGB数据,结合Sentinel-2多光谱影像提取遥感变量。采用逐步回归法和Boruta法分别进行遥感变量筛选,构建多元线性回归模型、支持向量机模型和随机森林模型进行森林AGB反演。此外,对支持向量机模型和随机森林模型进行超参数优化,以提高模型反演精度。【结果】1)随机森林模型在所有反演模型中实现了最佳的估测精度,模型决定系数达到了20.63,同时实现了最低的均方根误差和相对均方根误差,分别为28.06 t/hm和23.03%。均方根误差相比多元线性回归模型和支持向量机模型分别降低了22.2%和12.1%。2)超参数优化可以有效地提高模型估测精度。通过分析不同参数组合下的误差变化趋势,确定最佳的参数组合,能有效地降低模型估测误差。3)较高的森林AGB值主要分布在东部、南部和东南部地区,中部地区和北部部分地区森林AGB值较小。超参数优化的随机森林模型森林AGB反演结果与研究区实际森林分布情况具有较好的一致性,整体反演效果较好。【结论】利用超参数优化的随机森林模型结合Sentinel-2遥感影像能实现较好的森林AGB反演效果,能为森林资源动态监测提供有效参考。

全球地表覆盖数据辅助多源影像融合提取城市不透水面

本文提出了一种利用GlobeLand30数据辅助多源数据融合进行城市不透水面自动提取的方法。首先基于波段映射和小波变换的影像融合方法,融合哨兵二号和高分二号影像,获得同时具有较高空间分辨率和光谱分辨率的融合影像,其具有丰富的光谱特征和空间特征,有利于提升复杂城市区域的不透水面和非不透水面区分能力。然后利用GlobeLand30数据的类别信息自动获取初始分类样本,基于融合影像的丰富光谱信息构建多种植被指数、水体指数和建成区指数,对初始分类样本进行优化。最后利用优化后的训练样本,使用光谱、地物指数等特征训练分类器,实现城市不透水面的自动准确提取。本文以济南市2019年的高分二号和哨兵二号影像为试验数据,在时相、分辨率与影像均不同的GlobeLand30全球地表覆盖数据辅助下获得了总体精度优于92%的不透水面提取结果,验证了本文方法的有效性。

基于云计算平台的撂荒耕地提取方法

快速准确查明我国耕地撂荒情况对于粮食增产尤为重要,利用遥感进行撂荒地监测是一种重要手段。由于西南山区耕地破碎,撂荒地植被生长迅速与正常耕地难以区分,利用遥感提取撂荒耕地的传统方法耗时且存在算力限制,本文基于谷歌地球引擎(GEE)云平台,利用哨兵2号(Sentinel-2A)遥感影像,运用随机森林(RF)与支持向量机(SVM)两种机器学习方法进行四川省宜宾市耕地提取,并结合归一化植被指数(NDVI)阈值分割模型分割撂荒地,绘制出2018—2021宜宾市撂荒地分布图,撂荒地面积分别占耕地面积的6.37%、5.15%、4.31%、3.02%,校验总体精度达到83.87%。基于云计算平台机器学习方法并联合NDVI阈值分割模型,能利用更少实地调查样本实现大范围内撂荒地的提取。

2013~2023深圳湾红树林的分布变化

本研究旨在通过Landsat-8和哨兵二号卫星影像数据,深入探究深圳湾红树林的分布变化。通过面向对象分类方法精确分类2013年、2018年和2023年的卫星影像数据,分析发现深圳湾红树林面积在十年间持续增长,从358.83公顷增至441.41公顷,年增长率达1.8%,且福田区红树林保护中心区域增长尤为明显。这一研究不仅为深圳湾红树林保护提供了科学依据,也为红树林生态系统的保护和管理提供了实践指导。This study aimed to conduct an in-depth investigation of the distribution changes of mangrove in Shenzhen Bay using Landsat-8 satellite imagery and Sentinel-2 satellite imagery data. By employing an object-oriented classification method to accurately classify the features in the images from 2013, 2018, and 2023, the analysis reveals that the mangrove area in Shenzhen Bay has continued to expand over the past decade, growing from 358.83 hectares to 441.41 hectares, with an annual growth rate of 1.8%. Notably, the growth is particularly evident in the mangrove conservation center area of Futian District. This research not only provides a scientific basis for the conservation of mangrove forests in Shenzhen Bay but also offers practical guidance for the protection and management of mangrove ecosystems.

深度语义分割网络的遥感影像水体提取

为探究深度语义分割网络在水体提取中的潜能,分别构建PSPNet、U-Net、DeepLabv3语义分割水体提取模型。使用哨兵二号影像作为数据源,首先利用水体指数作辅助创建水体标签数据,并建立水体语义分割数据集,然后构建PSPNet、U-Net、DeepLabv3网络模型并进行训练,从而获得最优的水体提取模型。选择归一化差异水体指数、最大似然法、支持向量机、随机森林与3个语义分割网络模型在相同的测试集下进行比较,结果表明:PSPNet、U-Net、DeepLabv3方法精度分别达到93.50%、95.00%、96.00%,相比其他提取方法,水体错分、漏分现象减少,水体提取精度提高,验证了语义分割网络在水体提取方面的有效性,其中DeepLabv3的适用性最好。

欧空局哨兵卫星Sentinel-2A/B数据特征及应用前景分析

Sentinel-2A/B卫星是欧空局哥白尼计划中发射的第2组卫星,其搭载的MSI载荷延续并扩展了Landsat系列卫星和SPOT系列卫星的对地观测任务.介绍了Sentinel-2A/B卫星,并对Sentinel-2A/B、Landsat-8、SPOT-6、环境-1B、资源三号及高分二号卫星进行性能对比分析.描述了不同级别数据产品的特点及配套软件SNAP,分析了Sentinel-2A/B卫星在陆地监测、灾害支援、气候环境监测以及海洋与极地监测等方面的实际应用前景.

基于多距离度量kNN模型的森林蓄积量反演

【目的】森林蓄积量是衡量森林质量和生长状况的重要指标。利用遥感技术进行森林蓄积量反演相比传统的森林调查能显著提高森林资源调查效率,对快速获取区域范围森林生长状况,进行高效的资源利用和森林经营管理具有重要意义。【方法】以陕西韩城市为研究区,利用森林资源二类调查数据库提取森林蓄积量实测数据,结合Sentinel-2遥感影像进行森林蓄积量反演。通过线性逐步回归法和重要性评价法分别进行变量筛选,构建多元线性回归模型、支持向量机模型、随机森林模型和基于欧式距离、曼哈顿距离和马氏距离构建的kNN模型进行森林蓄积量估测,通过精度评价比较最终选择估测精度最高的模型进行研究区森林蓄积量反演。【结果】1)马氏距离是最适合构建kNN模型的距离度量。基于马氏距离构建的kNN模型在所有模型中实现了最高的估测精度,决定系数R2为0.66,均方根误差RMSE为10.02 m^(3)/hm^(2),均方根误差相比随机森林模型、支持向量机模型和多元线性回归分别下降了3.9%、7.8%和29.9%;2)非参数模型在森林蓄积量估测中的精度显著优于参数模型。基于马氏距离构建的kNN模型、随机森林模型、支持向量机模型均方根误差相比多元线性回归分别降低了29.9%、27.0%和23.9%;3)研究区西北部森林生长情况较好,蓄积量值较大,东部和南部地区主要是水域和建筑用地,森林分布较少,森林蓄积量值较低。【结论】利用kNN模型结合Sentinel-2遥感影像能实现森林蓄积量反演和制图,为森林资源遥感估测研究提供参考。

基于深度学习的多时序遥感影像水稻提取研究

水稻在我国的农业领域占有重要的地位,产量约占全国粮食总产量的50%,因此对水稻种植区域实现准确、快速提取具有重要意义。以安徽省凤台县区域为研究对象,提出了结合深度学习与多时序遥感影像提取水稻种植区域的方法。实验结果表明:抽穗期与成熟期时相组合提取精度最高、效果最好,水稻抽穗期与成熟期的植被特征反差能够较好地提取出水稻区域;且在与传统监督分类方法的对比中,提出方法的提取效果明显优于传统监督分类的方法。

基于卷积神经网络的水产养殖区提取

传统的水产养殖信息统计是通过管理部门实地观察获取,时间效率和信息可靠性都较低,难以满足现实研究需要,而采用遥感技术结合卷积神经网络分类方法进行水产养殖区提取的方法能解决这一难点。本文根据哨兵二号影像上目标地物的特征修改SegNet卷积神经模型的结构,提出一种简化的卷积神经网络模型S-SegNet,实现对近海养殖区遥感高精度自动识别。结果表明,S-SegNet模型的分类效果相比SegNet模型有了明显的提高,平均准确度、平均召回率和平均F1-score分别达到88%、0.9和0.91,为三沙湾水产养殖区的实时监测和科学规划提供了重要数据支撑。

MuSyQ高分30米空间分辨率10天合成的叶片叶绿素含量产品(2019-2020年中国01版)

叶片叶绿素含量(leaf chlorophyll content,简称Chl_(leaf))直接反映了植被叶片的生理状态,是植被获取光合作用所需太阳辐射信息的重要参数,遥感是获取大范围动态Chl_(leaf)的主要技术手段。但目前国际上Chl_(leaf)产品欠缺,没有高分辨率Chl_(leaf)产品。本文利用哨兵二号多光谱成像仪(Sentinel-2 MSI)高时空分辨率的特点,基于叶绿素敏感指数(chlorophyll sensitive index,CSI)根据不同的植被类型使用经验回归法生产了多源协同定量遥感产品生产系统(Multi-source data Synergized Quantitative remote sensing production system,MuSyQ)高分系列中国地区2019–2020年30米/10天分辨率的标准化Chl_(leaf)产品01版。阔叶林和针叶林的地面验证结果均方根误差RMSE为8.80μg/cm^(2),且产品能够描绘不同植被类型生长季内的Chl_(leaf)物候变化,本产品可提供中国地区高时空分辨率的Chl_(leaf)信息,对生态系统建模及生态应用有重要价值。

基于Sentinel-2影像的鄱阳湖大气校正方法适用性评价

随着水色遥感技术逐步应用于内陆浑浊水体,大气校正成为水色遥感中最关键的一步。文章以“哨兵二号”卫星(Sentinel-2)数据为基础,采用Sen2cor、6S、FLAASH、ACOLITE和QUAC五种大气校正方法对鄱阳湖水体进行大气校正研究,结合实测水体反射率对不同校正结果进行精度验证分析。从整体对比结果来看,经过校正后的反射率曲线与实测光谱曲线的变化趋势基本一致,具有较高的拟合度,其中Sen2cor方法整体精度最高,依次是FLAASH、6S、ACOLITE和QUAC。对比单波段校正精度,Sen2cor在490nm和560nm波段表现最好,在665nm和705nm波段,6S、ACOLITE和Sen2cor效果较好,平均相对误差均在13%以内,而在842nm和865nm波段,除FLAASH算法表现相对较好以外,其他四种方法表现均较差,其中QUAC算法在所有波段的校正效果表现最差。结果表明,这五种大气校正方法均使水体影像品质得到了提高,增加了可用性,该结果可为其他类似Ⅱ类水体大气校正研究提供参考。

基于遥感影像的森林质量评价方法研究

森林质量评价服务于森林经营决策、监督管理和验收的全部流程。为克服地面调查林分质量中存在的成本高、时效性差等缺点,基于遥感数据形成一套林分质量评价体系,以提高评价效率,推动森林质量精准提升进程。本研究以河南省新密市2018年生长季哨兵二号数据为基础,辅以数字高程影像,构建了基于遥感影像森林质量评价方法。首先选取样本小班,然后基于哨兵影像提取植被指数、纹理指数和干扰指数三类与森林质量密切相关的指标,借助熵值法计算各指标权重,构建出遥感估算林分质量模型。并以基于当年小班调查数据评价的林分质量结果作为参照,检验模型可信度。最后将模型用于量化全市森林质量并提出后续经营对策。结果发现,遥感评价指标中二阶矩、对比度和方差三个指标的权重相对较大,遥感评价林分质量结果与小班数据所得林分质量线性拟合的决定系数R 2可达0.9861。结果表明:基于遥感数据的林分质量评价方法是可行的,该结果为大尺度区域范围森林质量评价提供了参考。

基于Sentinel-2和ZH-1遥感影像的松北区水质监测

水是维持城市生态环境平衡的重要因素,遥感监测手段已经成为评价城市水环境的重要手段。基于2020年4月珠海一号影像和2020年7月哨兵二号影像,建立水质参数反演模型,对哈尔滨市松北区水体的叶绿素a浓度、悬浮物浓度、透明度和综合营养化指数进行季度监测。研究结果表明:松北区银水湾为污染水体,叶绿素a浓度、悬浮物浓度和综合营养指数值都较高,与其相邻的松花江水质情况较好,水质参数均在正常水体值的范围内。

基于Sentinel-2影像的四川木里森林火灾监测

快速、准确地获取森林火场信息,对林业管理、火场施救等具有重要意义。本文获取了四川省木里藏族自治县2020年3月30日森林火灾当日、2019年12月1日及2020年4月14日森林火灾发生前后的Sentinel-2卫星影像图,对影像进行波段合成,并计算燃烧指数和大气修正植被指数,最后利用遥感动态监测法对火灾发生后森林受损情况进行简要分析。结果表明,Sentinel-2卫星的近红外、短波红外波段可用于检测火点,燃烧指数BAI、NBR等能较为直观地显示火灾区域,大气修正植被指数ARVI能显示森林受损情况。火灾发生后轻度受损区域面积最大,中度受损区域面积最小,受损分析影像能为后续林业植被恢复及森林火灾预防提供有效的技术方法。

融合Sentinel-2数据的高分五号高光谱数据降尺度

高分五号(GF-5)是中国首颗实现对大气和陆地综合观测的全谱段高光谱卫星,其搭载的可见短波红外高光谱相机AHSI提供的遥感数据拥有极高的光谱分辨率。然而,AHSI数据的空间分辨率为30 m,较低的空间分辨率限制了应用场景。为实现GF-5数据的降尺度,本文通过融合10 m哨兵二号(Sentinel-2)多光谱数据,生成10 m GF-5高光谱数据。在方法上,针对现有先进的信息损失引导的图像融合方法ILGIF(Information Loss-Guided Image Fusion)在高光谱图像降尺度中计算时间成本高的问题,本文提出了其快速版本FILGIF(Fast ILGIF)。另一方面,在降尺度过程中,本文考虑并估计了30 m GF-5高光谱数据和10 m Sentinel-2数据之间的尺度转换点扩散函数PSF(Point Spread Function),提高融合数据质量。实验结果验证了融合Sentinel-2数据用于GF-5高光谱数据降尺度的可行性。同时,结果表明:在获得与ILGIF相当精度的前提下,FILGIF大幅提高了运行效率;尺度转换PSF对降尺度过程有着重要影响,其准确的估计有助于获得更高精度的降尺度结果。

基于GEE平台的水稻种植范围识别研究--以黑龙江省为例

精准识别与提取水稻种植范围对于粮食估产和耕地有效利用具有重要价值。以往的研究针对于单一的关键物候期进行水稻的识别,导致水稻与某些地物在单一时相中光谱可区分性较差。以黑龙江省为研究区,在谷歌地球引擎(google earth engine,GEE)云平台的支持下,利用哨兵二号(sentinel-2 MSI)数据,使用单类支持向量机(one-class sup⁃port vector machine,OCSVM)对水稻进行了种植范围遥感识别提取,设计了一种基于像元的融合物候特征识别算法,首先对于研究区内的水稻进行时序性分析,通过建立4个关键物候期;然后对水稻和研究区内的其他地物进行物候特征的择优选择;最后将所选的物候特征融合进行水稻种植范围提取。结果表明,该方法的结果精度与实地调查数据相比总体精度(overall accuracy,OA)为0.969,Kappa为0.93。

融合无人机和卫星影像的温带疏林草原木本和草本植物覆盖度遥感估算

分布于中国半干旱区的温带疏林草原生态系统,是森林到草原之间过渡的一种生态系统类型,是在独特的气候和地形条件下发育于沙地的地带性顶级植被群落。疏林草原具有乔木、灌木和草本植被混合生长的特点、空间异质性高。植被遥感监测难度大,至今仍是全球范围内最不精确的土地覆盖类型。如何兼顾精度和范围,实现温带疏林草原区域尺度不同类型植物生长状态监测是当前干旱区植被遥感的热点和难点。本研究基于机器学习算法,通过近地面无人机遥感观测平台获取地表植被类型信息构建训练数据集,结合高分辨率卫星影像,建立疏林草原木本、草本植物覆盖度估算模型,实现了由无人机到卫星的温带疏林草原木本和草本植物覆盖度的同步估算,并比较了两种高分辨率卫星影像对疏林草原木本和草本植被覆盖度估算的差异。研究结果表明:(1)利用无人机近地遥感影像能够准确分类地表覆盖类型,为区域温带疏林草原木本、草本植物覆盖度估算模型提供大量精确的训练样本数据;(2)基于机器学习算法,利用高分六号(GF-6)和哨兵二号(Sentinel-2)两种高分辨率卫星影像建立的疏林草原覆盖度模型均可较好的实现木本、草本植物覆盖度的估算。其中,基于GF-6的疏林草原木本、草本覆盖度估计结果与无人机观测值的决定系数分别为0.72和0.66,均方根误差分别为6.76%和10.69%,估算精度分别为46.31%和77.88%;基于Sentinel-2的疏林草原木本、草本覆盖度估计结果与无人机观测值的决定系数分别为0.72和0.81,均方根误差分别为6.53%和8.20%,估算精度分别为54.30%和83.17%;(3)基于Sentinel-2卫星影像的疏林草原木本和草本植物覆盖度估算精度稍高于GF-6卫星,基于两个卫星影像的草本植物覆盖度的估算精度都要显著高于木本植物。本研究为实现疏林草原木本植物和草本植物覆盖度由景观尺度扩展到区域尺度的估测提供了新的思路,从无人机到卫星跨尺度协同观测的方法能够为区域温带疏林草原不同生活型植物生长状况监测提供有效的方法支撑,未来基于多时相的高分辨率卫星数据可进一步实现区域尺度温带疏林草原木本植物和草本植物的动态监测。