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-1/2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。

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-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。

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1+X证书的高职院校人才培养模式与证书考核工作探究——以“工业数据采集与边缘服务”(中级)等级证书为例

以“工业数据采集与边缘服务”职业技能等级(中级)证书人才培养及考核为切入点,根据实际岗位需求,深入分析中级证书考核标准,提出模块化融合型人才培养模式,并结合专业课程开发、考核站点建设的经验,在强化模拟训练基础上,建立标准化培训与考核流程,切实提高学生专业实践能力和1+X中级证书考证通过率。

1+X证书制度下大数据与会计专业建设探究

高职院校作为高等职业教育和1+X证书制度试点的主要阵地,应积极探索1+X证书制度实施的路径,重构大数据与会计专业课程体系,优化专业人才培养方案,创新人才培养和职业技能培训模式,加强师资队伍建设,加强校企合作,实现精准育人和高水平育人。

大数据时代高职院校会计专业“1+X”课证融合实施路径研究

“1+X”证书制度是提高人才培养质量的重要举措,开启了职业院校人才培养新模式。随着大数据、云计算等人工智能新技术在会计领域的推广应用,企业对财会人员的职业素养提出了更高的要求。高职院校可以从改革专业人才培养模式、构建课证融通的课程体系、建设高水平职业技能教师团队和推进校企深度合作等方面探索会计专业高质量发展和人才培养新路径。

“1+X”证书制度下《商务数据分析》课程改革探索——以柳州职业技术学院电子商务专业为例

在电子商务领域,商务数据蕴藏着巨大商机,数据分析已是电子商务从业人员不可或缺的一项重要技能。本文首先明确《商务数据分析》的课程目标与定位,提出《商务数据分析》教学中存在的问题,其次针对问题进行相应的改革探索,最后总结改革实施取得的成果及今后的反思与改进。

基于“1+X”证书制度的高职院校大数据与财务管理专业人才培养改革研究

“1+X”证书制度是教育领域的一项重大创新,“1”是基础,“X”是补充,两者相辅相成,“1+X”证书制度的实施给职业教育带来了新的发展契机,对于提高人才培养质量、提升职业教育的办学水平、促进专业群的发展具有重要作用。“1+X”证书制度自2019年提出以来,便在社会上引起了广泛关注,诸多院校和机构相继进行了研究和实践。在“1+X”证书制度的影响下,专业人才培养的各个方面必然需要做出改变,本研究以大数据与财务管理专业为例,分析了专业人才培养的现状,从课程体系、教材开发、师资培养、实训条件、考核评价等多个方面提出了改革的举措。

2019-2022年天津北大港湿地遥感分类数据集

湿地是地球上最重要的生态系统之一,具有净化水质、维持生物多样性等重要功能。由于湿地具有特殊的水文和植被特征,传统的监测方法难以对其进行测绘和管理。随着大数据和云计算的兴起,GEE(Google Earth Engine)为长时间序列的数据处理提供了可能。本研究基于GEE平台,结合Sentinel-1雷达影像和Sentinel-2光学影像,利用随机森林分类算法对天津北大港湿地进行信息提取,探讨多源遥感数据和时间序列特征对天津北大港湿地分类的重要性,并最终得到2019–2022年天津北大港湿地遥感分类数据集。经实测数据验证,分类结果的总体精度为95.35%,符合精度要求。本数据集可为天津北大港湿地保护和管理提供科学依据。

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)。

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。

中华人民共和国地质图(1∶150万)空间数据库建设方法

依托MapGIS平台,应用新技术和新方法,根据统一标准和要求编制了中华人民共和国地质图(1∶150万)和图形空间数据库。该图集成了近20多年来全国1∶5万和1∶25万区域地质调查、重点成矿区带1∶50万~1∶100万地质编图、部分省区地质志、基础地质科学研究等新成果和新资料,系统更新了全国区域地层系统、全国岩浆岩时空序列及变质岩分布与变质作用框架,建立并完善了区域地层格架,划分了全国大地构造单元,新确认一批区域性重要构造界面等。应用计算机辅助智能地质编图技术,华北、东北、华东、中南、西南、西北六大区同时编图,按省(区)分别进行地质单元、地理数据、数据结构无缝拼接,绘制“全国地质一张图”,形成库图一体成果。数据库数据量约1.65 GB,标示地质体78194个、火山口或火山喷发中心308个、重要化石点和化石群221个、金钉子12个、同位素年龄数据1197个、代表性钻孔(含大陆深钻)125个。该数据库填补了国家地质数据库体系空白,为地质大数据、“地质云”建设和服务提供了基础数据源,为自然资源规划管理、基础地质和资源环境背景研究、环境治理和灾害防治、国际合作等提供了重要的基础地质资料。

基于Sentinel-1遥感数据的东洞庭湖水文特征动态监测

水文特征的动态变化对于农业生产、防洪泄洪、水文循环以及湿地生态系统的稳定性及其生物多样性有直接影响,通过高时空分辨率的遥感影像对湖泊水文特征进行动态监测显得尤为重要。本研究基于Google Earth Engine(GEE)云平台、Sentinel-1(VV)雷达影像数据,使用Otsu法对东洞庭湖水体进行提取,应用台体公式结合城陵矶水文站的水位数据计算湖泊月度水量变化,再基于TRMM-3B43降水数据与水文站月平均径流量分析湖泊水量与洞庭湖流域降雨以及径流量的变化关系。结果表明:(1)东洞庭湖多年平均水体面积为565.39 km^(2),峰值为1228.84 km^(2)(2020年7月),谷值为188.63 km^(2)(2019年12月)。(2)东洞庭湖月度面积与城陵矶水文站的月度水位具有明显的线性关系,两者回归方程的R 2达到0.975。(3)随着浸没率上升,西侧湖泊范围扩大的连续性要强于东侧,说明东洞庭湖西侧湖底地形起伏较小。(4)历年湖泊水量达峰时间相较于流域降雨滞后一个月且两者波形高度一致。(5)东洞庭湖的湖水持续从位于湖泊东北角城陵矶的通江口流入长江,其径流量随季节波动明显并与相对水量变化具有较强一致性。本研究可为洞庭湖地区的灌溉管理、汛期洪水调蓄等实际应用提供参考,也为Sentinel-1数据在湖泊水文分析上的应用提供一种可行方案。

基于Sentinel数据的沅陵县针叶林可燃物载量估测研究

森林可燃物是引发森林火灾的重要因素之一,准确估测森林可燃物载量对于制定火灾防控策略、提高火灾预警能力以及保护生态环境具有重要意义。以湖南省沅陵县Senitnel-1A和Sentinel-2A影像为数据源,通过提取多源数据的不同类型遥感因子,结合地面调查获取的样地可燃物载量信息,采用前向特征筛选法和4种机器学习模型[多元线性回归(multiple linear regression,MLR)、k最近邻(k-nearest neighbor,kNN)、支持向量机回归(support vector regression,SVR)、随机森林(random forest,RF)]构建了针叶林可燃物载量反演模型,并对研究区内针叶林可燃物载量进行反演。结果表明:①基于Sentinel-1A数据提取的VH极化后向散射系数与针叶林可燃物载量有较高的相关性;②相比于单一数据源,联合Sentinel-1A和Sentinel-2A数据可显著提高针叶林可燃物载量估测精度,最优模型R^(2)分别提高了0.19、0.29,rRMSE分别降低4.66、6.94个百分点,RMSE分别降低了6.13、9.13 t/hm^(2),平均rRMSE分别降低了5.17、5.75个百分点,最优模型为SVR模型,其R^(2)=0.5,rRMSE=27.71,RMSE=36.47 t/hm^(2)。Sentinel-1A数据的加入有利于针叶林可燃物载量估测精度的提升。