基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明:经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R_(v)^(2)/R_(c)^(2)为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。

基于Sentinel-2与时序Sentinel-1 SAR特征的赣南柑橘种植区识别方法

为准确获取柑橘果园空间分布信息,实现柑橘种植结构调整、产量估算和资源管理,以赣南3个柑橘种植主产区(信丰县、安远县及寻乌县)为研究区域,针对南方地区多云多雨导致传统光学影像较为缺乏的问题,使用Sentinel系列数据和PIE-Engine平台,构建和优选了光谱特征、植被水体指数特征、红边波段特征和纹理特征,并引入时间序列Sentinel-1合成孔径雷达(SAR)数据的后向散射系数,共同探讨不同特征组合对柑橘种植园的识别提取效果,基于随机森林算法并融合Sentinel-2与时序Sentinel-1 SAR特征识别提取了赣南柑橘种植区。结果表明:5、9、11月柑橘种植园与其他地物的平均后向散射系数分离性最佳,是识别提取柑橘的关键时期;指数特征及纹理特征参与分类改善了分类效果且提高了分类精度;相较于单一SAR特征及指数、纹理特征,加入时序SAR特征的分类结果中总体精度达90.084%,Kappa系数达0.863,错分、漏分误差较小,符合实际地物分布情况,说明了时序SAR特征的可用性和实用性。本研究可为多云多雨的南方柑橘果园的识别提取提供参考。

基于Sentinel-1/2数据的洪水淹没范围提取模型

遥感是监测洪水淹没范围、掌握洪涝灾情演变的重要手段,而光学影像在洪水发生时往往有较多缺失,全天候的SAR影像在提取水体时精度略低。为快速、精准提取洪水淹没范围,构建了一种综合利用Sentinel-2光学影像和Sentinel-1雷达影像数据的洪水淹没范围提取模型,采用一种自适应阈值分割算法即大津算法(OTSU)分别对两种数据以及该模型进行了水体范围提取试验,并以河北省保定市为例进行了应用分析。结果显示:云量较少的Sentinel-2影像水体提取效果最好,总体精度(OA)达到95.6%;所构建的模型在引入部分可用Sentinel-2数据后,OA达到95%,相比单独使用Sentinel-1数据OA和Kappa系数分别提升1.2%和2.4%。该模型搭载于Google Earth Engine平台,能实现快速、准确、低成本的地表水体空间范围连续输出,不受限于云雾且比单独使用Sentinel-1影像的提取精度更高,在云覆盖严重导致Sentinel-2数据缺少的情况下,该模型可作为洪水淹没范围提取方法的一种选择。

基于Sentinel-1和Sentinel-2影像的河南扶沟县洪涝灾害遥感监测评估研究

洪涝灾害是我国最主要的自然灾害类型之一,发生频率高、影响范围广,对社会经济发展和人民生命财产安全构成严重威胁。选取河南郑州“7·20”特大暴雨事件中受灾较为严重的河南扶沟县为研究区,基于洪涝灾害发生前后的Sentinel-1和Sen-tinel-2影像,利用支持向量机对灾前的Sentinel-2影像进行土地利用分类,基于Sentinel-1影像利用水体指数SDWI对灾中、灾后的水体范围进行提取,并结合GIS对研究区的灾情进行评估。结果表明:①基于支持向量机提取的土地利用分类图,总体精度达95.85%;②利用SDWI水体指数法提取的水体范围结果显示灾中、灾后的水体面积分别为36.468 km^(2)、18.770 km^(2),总体精度分别为97.6%和95.4%;③由灾情评估结果可得,曹里乡的受灾情况最为严重,最大水体变化面积达到12.63 km^(2)。

双极化Sentinel-1数据在城市沉降监测中的对比研究

目的 针对地面沉降监测仅考虑VV极化Sentinel-1数据而忽略VH极化数据的问题,方法采用PS-InSAR和SBAS-InSAR技术处理延安新区2018年8月—2021年5月的84景双极化Sentinel-1数据,获取地面沉降信息,对比两种极化的沉降监测结果,探讨VH极化在不同实验方法中的意义,并提出一种双极化时序InSAR融合监测新方法。结果 结果表明,新区大部分区域为较稳定区域,形变速率为-8~8 mm/a,此外,还探测到3个较大的沉降区,分别位于桥儿沟流域、高家沟流域和新区东北部填方区域;Sentinel-1不同极化数据的监测结果相关性较高,形变趋势一致;VV极化数据整体优于VH极化,但部分区域VH极化数据得到的地表形变信息更详细;VV-VH极化PS-InSAR形变监测中,VH极化数据能够有效补充VV极化数据监测结果的不足,使结果更加密集,因此,与单一极化监测结果相比,VV-VH极化PS-InSAR形变监测更加详细地反演了地表变形情况;VV-VH极化SBAS-InSAR形变速率结果比单一极化数据相干性和稳定性更高。结论 基于双极化Sentinel-1数据的时序InSAR融合监测技术可以获得比单一极化数据更好的城市地表形变监测结果。

基于Sentinel-1和Sentinel-2数据融合的森林林龄反演和动态监测

【目的】在Google Earth Engine(GEE)云平台上借助其强大的计算和数据存储能力,融合多源遥感数据对森林林龄进行遥感反演和动态监测。【方法】融合2017—2023年间Sentinel-1、Sentinel-2及高程数据,通过随机森林(Random forest,RF)分类获取土地覆盖信息,并进一步提取森林的分布和面积,同时构建时间序列植被指数来准确提取森林变化区域。基于森林资源清查数据和融合的多源遥感数据,在GEE上构建RF回归、分类回归树(Cart)以及梯度提升回归树(Gradient tree boost,GTB)3种回归模型,用于杉木组、马尾松组、毛竹林、硬阔叶树组以及其他类树种组的2018年林龄遥感反演,并估算出2017年和2023年的林龄信息,以揭示林龄和龄组在2017—2023年的动态变化情况。【结果】1)2017—2023年,研究区森林面积的整体变化总计113.93 km^(2),此间森林的减少和更新并存,其空间分布特征呈现出明显的区域差异。具体而言,森林面积变化多发生于靠近城区和低海拔地区,且靠近城区的森林面积减少往往不再恢复至森林;2)在5种不同树种组构建的3种模型中,RF回归模型的林龄反演结果最佳,平均R^(2)为0.845,平均RMSE为5.32 a,其中毛竹林反演精度最高,R^(2)为0.863,RMSE为2.411 a;3)2017—2023年,研究区林龄在40 a以下的森林由54.59%减少至51.06%,其中龄组变化最显著为杉木组成熟林,面积增加了38.88%。【结论】在GEE上融合多源遥感数据进行林龄反演和动态监测具有重要的应用潜力,本研究结果可为使用云平台及哨兵系列卫星数据对森林资源长时间序列的林龄反演和动态监测的应用提供参考和借鉴。

联合Sentinel-1与Sentinel-2的高时空分辨率玉米叶面积指数反演

叶面积指数(leaf area index,LAI)是单位地表面积上总叶面积的一半,是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响,雷达遥感数据易受土壤等的影响,二者在叶面积指数反演方面各有利弊,提出了一种考虑不同数据反演结果不确定性的融合方法。研究测试了多种机器学习模型在中国张掖地区的玉米农田上估算LAI的性能。结果表明,光学和雷达两种数据分别作为模型输入进行LAI反演时,高斯过程回归(Gaussian process regression,GPR)的表现均为最优。随后,基于Sentinel-1雷达数据和Sentinel-2光学数据,使用GPR模型生成了研究区2019年的两种LAI及不确定性时空分布图。考虑不同数据反演结果的差异,使用加权滤波方法将两种LAI融合,实现了高时空分辨率玉米LAI制图。通过定性和定量分析,融合后的LAI时间序列分布图变化连贯,空间分布均匀,精度相较于融合之前有了明显改善。

基于Sentinel-1 SAR数据的鄱阳湖水体提取方法对比研究

遥感水体提取技术在水体规划与监测中发挥着关键作用。针对Sentinel-1 SAR数据的水体提取,首先分析水体及其周围主要地物的后向散射特性,其次引入纹理、地形特征,对比分析阈值法、分类器法和面向对象法的水体提取效果,最后针对鄱阳湖的典型水体环境,提出不同方法的应用策略,以便更有效地提取水体。研究表明:多特征融合提取可减少水体信息的混淆;RF算法对细小水体和边界的提取相对精细,总体精度高达97.8%;针对含有植被的浅水区,SDWI、Otsu等阈值法展现出更好的识别能力;水面上的船体对水体提取的完整性造成影响。研究探讨了Sentinel-1 SAR数据在鄱阳湖水体提取中的方法适用性,以期为鄱阳湖的水资源监测提供技术支持。

基于GEE和Sentinel-1/2数据的夏玉米种植面积精细化识别方法

作物种植面积提取方式的选取,对农作物遥感监测有重要意义。为探究夏玉米遥感识别最佳时相、夏玉米遥感识别光学时序和夏玉米遥感识别光学与星载合成孔径雷达(synthetic aperture radar,SAR)融合时序3种方案在夏玉米种植区识别的差异,选取山东商河为研究区。基于谷歌地球引擎(Google Earth Engine,GEE)云平台Sentinel-1/2数据,构建分类数据集,结合地面调查制作分类样本,采用随机森林法进行3种方案下研究区夏玉米种植区域提取,并分析各方案精度。结果表明:3种方案均能较高精度地实现夏玉米与其他作物的区分;相对于夏玉米遥感识别最佳时相方案,夏玉米遥感识别光学时序方案下夏玉米总体分类精度由83.01%提高到89.44%,Kappa系数由0.77提高到0.86;相对于夏玉米遥感识别最佳时相和夏玉米遥感识别光学时序方案,夏玉米遥感识别光学与SAR融合时序方案的总体分类精度最高,达92.51%,Kappa系数达0.89。研究表明,夏玉米遥感识别光学与SAR融合时序方案可以在较高精度下有效识别夏玉米种植区,为发育期内的农情调查管理提供参考。

基于Sentinel-2A和GF-1B遥感数据的海岸带水产养殖识别方法比较

近海水产养殖为人类提供优质的动物蛋白,对海洋经济高质量发展具有重要意义。卫星遥感技术已被广泛用于海岸带水产养殖的监测,但目前相关的研究聚焦基于单一传感器卫星数据并使用单一信息提取算法而忽略与不同卫星传感器以及处理方法之间的比较。本研究以北莉岛东北部为研究区,基于多光谱Sentinel-2A卫星和高分一号B(GF-1B)卫星数据,分别使用自适应阈值法、支持向量机监督分类法以及多尺度分割面向对象分类法,开展海岸带人工水产养殖区的识别。研究表明,更高空间分辨率的GF-1B卫星对人工水产养殖水网密集区的提取正确率远优于Sentinel-2A卫星;基于高空间分辨率GF-1B卫星,多尺度分割面向对象分类法的正确率最高,为94.65%,优于支持向量机监督分类法的94.45%和自适应阈值法的84.62%;自适应阈值法更适用于中等空间分辨率卫星数据的水产养殖信息提取,其提取的水产养殖水面的面积与目视解译提取的面积差异小于4%。针对单个养殖池使用情况的业务化监测需使用高空间分辨率卫星数据,而大范围水产养殖面积的变化分析则可应用中等空间分辨率卫星数据。

基于Sentinel-1结合Sentinel-2和Landsat8影像的水体提取方法比较——以鲁班水库为例

基于sentinel-1数据结合sentinel-2数据和Landsat8数据,提取2017年—2021年鲁班水库五年间的水体年间变化,对所提取的水体面积进行分析,比较两种影像对鲁班水库水体提取的差异,经过水体指数的计算以及分析得到鲁班水库的水体面积。sentinel-2影像数据对水体提取的效果较好于Landsat8数据,sentinel-2影像总体分类精度达0.993,kappa系数为0.991,而Landsat8的总体精度为0.989,kappa系数为0.986。通过对鲁班水库这种大中型水体的水体提取选择使用sentinel-2数据较好。

集成Sentinel-1/2和环境变量的新疆农田土壤含盐量反演

土壤盐渍化是危害农业生产和生态环境的重要因素,快速精准获取农田土壤盐分信息对农业可持续发展和土地资源管理具有指导作用。为了提高卫星遥感在植被覆盖条件下的土壤含盐量预测精度,该研究以新疆生产建设兵团农八师为研究区域,分别在2023年7月和8月采集土壤表层(0~20 cm)样本,并获取同步卫星影像。通过Sentinel-1雷达信息、Sentinel-2多光谱信息与环境变量的不同组合构建数据集A(极化指数、光谱指数)、B(极化指数、环境变量)、C(光谱指数、环境变量)、D(极化指数、光谱指数、环境变量),采用自适应提升(adaptive boosting,AdaBoost)、梯度提升回归树(gradient boost regression tree,GBRT)和极端梯度提升树(extreme gradient boosting tree,XGBoost)3种集成学习算法,构建基于不同数据集的土壤含盐量反演模型。结果表明,1)基于数据集D构建的所有模型预测精度普遍高于数据集A、B、C构建的模型,环境变量与雷达数据、多光谱数据的协同使用可以有效提高模型精度;2)地形因子和地表温度可作为研究区土壤盐分预测的有效特征变量,其中海拔与表层土壤含盐量的相关性最高;3)在所有数据集中,XGBoost模型性能最优,GBRT次之,AdaBoost模型验证误差较大,其中D-XGBoost模型精度最高,其验证集决定系数为0.72,均方根误差为2.40 g/kg,平均绝对误差为1.29 g/kg;4)基于多种来源变量组合的集成学习算法具有强大的非线性拟合能力,XGBoost能够更好地模拟土壤含盐量与遥感信息和环境因子之间复杂的非线性关系,并获得理想的拟合结果。该研究结果可为新疆地区土壤含盐量实时动态监测和当地土地资源可持续利用提供有效的技术手段。

基于Sentinel-1A钦防地区地面沉降监测与分析

分析钦防地区地面沉降时空分布、演变规律和驱动因素,可为区域灾害预测防治及城市规划提供科学依据。基于小基线集时序合成孔径雷达干涉测量(small baseline subset interferometric synthetic aperture Radar,SBAS-InSAR)技术,利用45景Sentinel-1A合成孔径雷达影像提取了研究区2018—2021年的地面沉降信息,同时结合地区地质背景、降水数据、土地利用情况和道路等数据,借助于空间分析技术、数理统计和遥感图像分类及变化检测等方法对研究区地面沉降的整体特征、时空演变趋势及其影响因素进行了可视化分析和定量化分析。结果表明:①在空间维度上,研究时段内研究区地面形变速率介于-114.37~58.55 mm/a之间,研究区内地面形变分布范围广且不均匀分布明显,形成了以钦南区主城区中南部、钦州港与港口区为主的3个沉降中心区域,沉降地区的沉降面积逐年增加并呈现出向南扩张的趋势;②在时间维度上,各沉降中心区域从整体上随着时间变化呈现不均匀的下沉趋势,但出现了周期性的回升,回升值最大可达18.4 mm;③在影响因素上,城镇化扩张、道路密度、构造运动、地层作用、降水作用和海平面上升是导致研究区地面沉降的主要因子,同时也主导了地面沉降的扩张和增幅。

基于双极化Sentinel-1A数据的西南某机场沉降监测应用

以西南某机场为监测对象,收集2019年1月11日至2021年11月8日35景双极化Sentinel-1A降轨数据,应用PS-InSAR技术结合双极化数据获取了该机场范围内的形变分布情况,将双极化沉降数据进行对比,再与沉降形变最大水准测量数据进行验证。结果表明,合成孔径雷达差分干涉技术(InSAR)沉降形变区域与水准沉降形变区域的位置基本吻合,双极化沉降时间序列表现出一致性,该机场飞行区最大沉降速率达-77mm/y(VV极化)和-74 mm/y(VH极化),累计沉降量超过-200mm(VV和VH极化),与2021年5月最大沉降形变水准测量值对比,发现该机场沉降形变还在继续加深。此研究表明,InSAR技术结合双极化数据可高效识别沉降区域,全面掌握机场沉降形变情况,对监测西南地区机场沉降具有重要意义。

基于Sentinel-1和Sentinel-2的不同物候期农作物识别研究

为减少农作物提取过程中受光学数据成像质量的影响,基于Google Earth Engine平台,采用Sentinel-1和Sentinel-2数据,分别对小麦越冬期、返青期、孕穗期、成熟期四个物候期进行小麦和油菜的识别。使用随机森林方法对构建的光谱特征、植被指数特征、红边指数特征、纹理特征和极化特征共34个特征进行优选,构建特征集;并对比最小距离、决策树、支持向量机、随机森林四种分类器在四个物候期的识别结果,确定最优的分类器;同时还验证了极化特征在四个物候期对识别结果的影响。研究结果表明,在四个物候期中最优的分类器均为随机森林,其中识别精度从高到低的物候期分别为小麦的孕穗期、成熟期、返青期、越冬期,总体精度(OA)分别为92.91%、91.93%、90.24%、87.69%,Kappa系数分别为91.00%、89.92%、87.61%、84.53%。在四个物候期中加入极化特征均能提高识别的精度,其中在小麦的返青期和成熟期更为明显。

基于Sentinel-1/2数据特征优选的冬小麦种植区识别方法研究

为了提高冬小麦种植区识别精度,本文基于谷歌地球引擎(Google Earth Engine,GEE)平台和随机森林算法,对比雷达和光学遥感数据对冬小麦提取效果的差异,并对多类特征变量进行重要性分析,研究特征优选对冬小麦识别精度的影响。选取2019年3—5月冬小麦关键生育期的Sentinel-1和Sentinel-2影像为数据源,构建Sentinel-1的极化特征和纹理特征以及Sentinel-2的光谱特征、植被指数特征、植被指数变化率特征共5类特征变量;设置不同数据源和不同特征组合的冬小麦种植区提取方案;对方案中特征变量进行优选,得出最优特征组合,利用最优特征组合对河南省驻马店市冬小麦种植区进行提取。结果表明,无论是否进行特征优选,基于多源遥感数据的冬小麦识别精度均优于仅采用光学或雷达数据的精度;经过特征优选后,各方案的分类精度均有不同程度的提升,说明多源数据特征变量组合和特征优选均能够提高分类精度。不同月份和类型的特征变量对分类精度的贡献率不同,贡献率由大到小为4月、3月和5月;贡献率由大到小的特征类型为极化特征、植被指数变化率特征、植被指数特征、光谱特征和纹理特征。基于多源数据特征优选提取的2019年驻马店冬小麦空间分布最优,总体精度为95.60%,Kappa系数为0.93,冬小麦提取面积与统计年鉴数据相比,相对误差为2.23%。本文可为基于多源光学和雷达遥感影像进行农作物种植区提取的研究提供理论参考。

基于多时相Sentinel-1影像的江南地区水稻信息提取

为准确提取多云雨江南地区水稻种植信息,以江苏省丹阳市访仙镇为研究区,以多时相Sentinel-1数据为主、Sentinel-2数据为辅开展研究。通过计算水稻关键生育期内不同地物与水稻间的J-M距离,引入水稻移栽期内的归一化水体指数(NDWI)和收割完成后的归一化裸土指数(NDBI),获取水稻种植范围的最优特征组合;再以K近邻、随机森林和支持向量机(SVM)为基础建立分类模型,并对比验证了最优特征组合下不同模型的分类精度。结果表明,引入NDWI和NDBI的分蘖拔节期、孕穗抽穗期的VV极化后向散射系数以及孕穗抽穗期、乳熟成熟期VH极化后向散射系数为水稻提取的最优组合,采用SVM算法建立的分类模型的水稻识别精度最高,总体精度为0.916,Kappa系数达到0.828。

基于Sentinel-1的门源Ms 6.9三维同震形变提取与分析

基于Sentinel-1升、降轨合成孔径雷达(SAR)数据,利用SAR差分干涉测量(D-InSAR)、像素偏移量追踪(POT)技术,获取了2022-01-08青海门源Ms 6.9地震多角度地表形变,并采用三维形变估算模型提取了三维同震形变场。结果表明:(1)升、降轨D-InSAR最大形变分别为0.56 m和0.6 m,POT最大形变分别为0.65 m和0.72 m;(2)地震导致的地表破裂带长度超过20 km,整体呈NWW方向分布,同震形变场呈蝴蝶状,形变按幅度大小相近,方向相反的规律沿对称轴分布;(3)此次地震以东西向位移为主,水平最大位移超过1.1 m,垂直最大位移幅度约为0.5 m,符合走滑地震的特征。本文结果与实地踏勘结果较为吻合,丰富了该地震同震形变观测结果,并补充查明了地表破碎带的特征。

基于Sentinel-1A 数据的土地利用变化监测

广东多云雨天气造成光学遥感数据持续获取困难,合成孔径雷达(SAR)能够弥补光学影像缺失导致的土地利用高频次监测更新不及时、存在监测盲区的问题。哨兵一号(Sentinel-1)卫星数据可在欧洲空间局官网免费下载,虽然成本低、获取容易,但变化检测精度低,实际应用困难,本文提出一种综合Sentinel-1A的强度信息、相位信息和外部高程信息的新增房屋识别方法。首先对SAR影像进行预处理得到后向散射系数图,采用对数比值法对多时相影像构造差异图,再使用阈值分割算法提取变化区域。然后利用复数图像和数字高程模型计算相干系数和坡度,进一步剔除坡度较大和相干性较高的伪变化图斑,得到最终的变化图斑。实验结果表明,在差异图的基础上融合坡度和相干性信息,可得到较为可靠的变化检测结果,总体精度提升约18%,对广东开展高频次土地利用遥感监测工作具有重要意义。

融合Sentinel-1特征参数的海冰类型监测研究

本文以Sentinel-1A为实验数据,提取加拿大西北航道部分区域的纹理特征和极化特征,采用相关分析和ReliefF法筛选出对分类具有促进作用的特征参数,将参数进行组合后输入随机森林分类器进行海冰类型的识别。通过对比不同组合特征的分类精度,得到以下结论:融合纹理特征和极化特征的分类精度高达92.01%,分类结果相较其他融合特征组合也更加平滑,加入纹理特征或极化特征使分类精度提高了2.59%——18.75,Kappa系数也相应的得到了提高。实验表明,特征融合对识别不同海冰类型有促进作用,可以弥补单一特征之间的不足,提高海冰分类的精度。