基于Sentinel-2数据的苏州消夏湾生态安全缓冲区植被生长状况遥感监测评估

利用2021—2022年Sentinel-2卫星搭载的多光谱成像仪(MSI)遥感数据,通过SNAP遥感软件提供的植被生物物理参数处理模块(Biophysical Processor),反演了苏州消夏湾生态安全缓冲区的5种植被生物物理参数,包括植被吸收光合有效辐射比例(FAPAR)、植被覆盖度(FVC)、叶面积指数(LAI)、冠层叶绿素含量(CCC)和冠层含水量(CWC),开展植被生态环境监测评估研究。结果表明,该生态安全缓冲区2021年建成并投入运行后,植被覆盖度和生物量有所增加,区域植被冠层结构有所改善,植被生物物理参数从一定的角度反映了消夏湾生态安全缓冲区发挥了生态涵养成效。该研究方法能在大尺度上快捷、高效地反演植被生物物理参数,可为通过植被遥感动态监测评估生态安全缓冲区的生态功能提供有益的借鉴。

基于多时相Sentinel-2数据的成都平原主要农作物分类

针对成都平原落实最严格的耕地保护制度对耕地“非农化”“非粮化”快速、动态监测的需求,本文研究了基于多时相Sentinel-2数据的农作物分类方法,利用主成分分析,降低了冗余信息,提高了分类精度。以2021年成都平原崇州市的7景Sentinel-2多光谱影像为数据源,构建了时序多光谱、时序主成分波段、时序植被指数、典型时相多光谱+时序植被指数等4种分类数据集,开展基于支持向量机的主要农作物分类研究。研究表明:利用主成分分析,能有效提高主要农作物的用户精度,降低农作物分类的错分率;基于典型时相多光谱+时序植被指数的数据集取得了最高的总体精度。

基于PROSAIL模型和Sentinel-2数据的陕北煤炭矿区植被叶绿素含量监测

为满足煤炭矿区植被叶绿素含量高精度动态监测需求,该文以陕北大柳塔矿区为研究区,首先分析PROSAIL模型对矿区典型植被欧李、野樱桃的适用性,然后根据PROSAIL辐射传输模型建立查找表,结合基于正则化的代价函数对欧李、野樱桃叶绿素含量进行反演,并利用SNAP软件反演结果与地面实测数据对PROSAIL模型反演结果进行验证,最后利用所构建模型反演得到2016—2019年大柳塔矿区植被叶绿素含量空间分布。结果表明:PROSAIL模型模拟光谱与地面实测光谱的绝对偏差平均值最大为0.016,该精度满足植被参数反演;PROSAIL模型反演得到的欧李、野樱桃叶绿素含量与地面实测数据的决定系数、均方根误差和相对均方根误差分别为0.679、1.926和4.625%,优于SNAP软件反演结果,反演得到的大柳塔矿区叶绿素含量时空变化与实际植被生态修复情况和土地利用覆盖类型一致。研究结果可为矿区植被叶绿素反演和生态修复效果评估提供技术参考。

基于时序Sentinel-2数据水体动态变化监测——以河南省为例

内陆水体作为生态系统中不可替代的资源,在气候变化、区域水循环等诸多方面起着至关重要的作用。科学准确地监测水体分布与动态变化,对维持生态系统平衡、人类可持续发展、水旱灾害预警等方面具有重要意义。然而,目前针对内陆水体的研究多以静态监测为主,对于高分辨率水体动态变化监测研究仍较为匮乏。因此,研究依托Google Earth Engine(GEE)云计算平台,以2020年的Sentinel-2地表反射率数据为数据源,进行10 m空间分辨率水体动态变化监测研究。首先,研究基于典型地表覆盖类型在Sentinel-2不同波段及水体指数中的表现特征,选取最优的水体监测特征;其次,研究结合先验水体产品提出一种水体训练数据集的自动提取方法,来获取高置信度水体训练样本;再次,依据D-S(Dempster-Shafer)证据理论模型将光谱角距离与欧式距离相融合,并结合所提取的最优监测特征提出一种SA-ED(spectral angle-Euclidean distance)水体动态监测模型;最后,以河南省为例对算法的稳定性进行测试。结果表明,本研究所提SA-ED模型能够有效对水体的动态变化进行监测,基于SA-ED算法对河南省内水体的整体监测精度达到97.03%,对于稳定性水体用户精度和生产者精度分别为95.85%和95.17%,季节性水体的用户精度和生产者精度分别为96.21%和93.82%。研究成果可为精细分辨率的水体动态变化监测提供新的借鉴与思路。

基于多时相Sentinel-2数据的中牟县冬小麦种植面积提取

农作物的遥感识别监测是开展农作物长势监测、估产的前提和出发点,是农业遥感的焦点之一.利用遥感数据监测作物种植面积,日益成为农业管理及政策制定的重要技术支撑.以中牟县为研究区,选取2020—2021年期间的6幅Sentinel-2遥感影像数据,主要依据农作物的物候期光谱特征曲线变化和时序归一化植被指数曲线的变化,利用面向对象提取方法提取中牟县冬小麦面积及空间分布.将提取结果与谷歌地球高分辨率影像结合野外调查得到的验证样本进行精度验证,评价结果显示:总体精度93.33%,Kappa系数86.38%,结果能够较好地反映中牟县冬小麦种植面积及空间分布情况.该方法为大区域农作物的面积提取提供了重要方法参考.

利用Penman-Monteith-Leuning模型和Sentinel-2数据的灌区蒸散发反演

针对目前基于Penman-Monteith-Leuning模型(PML)的蒸散发模拟研究中,存在因多种地表参数的时空尺度差异导致蒸散发反演误差这一问题,提出了一种耦合土壤含水量改进模型土壤蒸发系数f的参数化方案。通过Sentinel-2影像反演土壤含水量、LAI等模型关键参数,并基于土壤含水量计算f,在河套灌区建设二分干灌域开展蒸散发反演,结合地面观测数据进行验证。结果表明:模型反演结果与涡动相关站实测数据有较好的一致性;在植被覆盖度较低时,改进的f参数化方案能更好地反映土壤蒸发的实际情况;该反演结果较为准确地反映了不同下垫面的蒸散发空间异质性。文章对蒸散发反演方法和数据的尝试,可为高分辨率蒸散发反演方法提供参考,并为干旱区和半干旱区的农业用水管理提供技术支持。

基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究

草地地上物生物量(AGB)是评价草地生产力的重要指标,精准反演天然草地的AGB,对草地长势监测和草畜平衡评估具有重要的意义。由于常用的遥感数据(如Landsat和MODIS等)受较低时间或空间分辨率引发的诸多问题的影响,因此探索具有更高时空分辨率及更多光谱波段的Sentinel-2卫星数据在县域尺度的草地植被监测状况具有极其重要的作用。利用Sentinel-2卫星遥感影像和青海门源县实测草地AGB数据,构建了基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)3种机器学习方法的草地生物量估算模型,研究了2019-2021年门源县天然草地生物量时空分布特征。结果表明:1)Sentinel-2卫星影像的3个原始波段(B2、B6、B11)和2种植被指数[反红边叶绿素指数(IRECI)和特定色素简单比值植被指数(PSSRa)],是草地AGB敏感的特征变量。其中,红边波段(B5、B6、B7)对天然草地AGB遥感反演具有重要作用。2)基于RF算法的草地AGB估测模型是门源县天然草地生物量估测的最优模型(验证集R2为0.72,RMSE为622.616 kg·hm^(-2)),优于SVM模型(验证集R2为0.66,RMSE为698.271 kg·hm^(-2))和ANN模型(验证集R2为0.63,RMSE为730.676 kg·hm^(-2))。3)2019-2021年门源县天然草地AGB平均值为3360.26~3544.00 kg·hm^(-2)。总体来说,2019-2021年门源县草地AGB呈先上升后下降的趋势,具有从四周向中部逐渐减少的空间分布特点。

基于CBAM-U-HRNet模型和Sentinel-2数据的棉花种植地块提取

棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法相比,CBAM-U-HRNet模型对棉花地块提取的准确率更高。研究结果可以为干旱地区棉花识别与种植地块快速提取提供技术支撑。

基于Sentinel-2数据的火烧迹地提取研究

昆明为云南省的政治经济文化中心,森林火灾多发给人民生产生活带来了极大的威胁。准确提取火烧迹地有利于掌握林火规律,加强森林火险区划,通过合理配备资源提高森林防火效率。以昆明地区2016—2020年Sentinel-2数据、高温火点数据和土地利用分类数据为基础,基于差分归一化火烧比率(dNBR)提取该地区火烧迹地面积,并对其空间分布特征进行分析。结果表明:土地利用数据有利于提高火烧迹地提取效率,但高温火点数据错漏较多,对火烧迹地提取贡献不大。Sentinel-2数据与dNBR指数的结合在单火场可以达到平均89%以上的提取精度,有较高适用性。昆明地区火灾高发区为安宁市、晋宁区等地,过火区域集中在高程1700~2300 m、坡度6°~25°的林地耕地混杂地区,阴坡过火面积略大于阳坡。

联合Sentinel-1与Sentinel-2数据的青藏高原东缘草地地上生物量反演

为探究协同主被动遥感在估算草地地上生物量(AGB)方面的潜力,本研究以青藏高原东缘阿坝藏族羌族自治州红原县为研究区,Sentinel-1 SAR数据和Sentinel-2多光谱影像为数据源,采用多元线性回归、逐步回归、半经验物理模型方式进行建模,探究Sentinel-1和Sentinel-2数据协同反演草地AGB的能力。结果表明,协同反演精度优于Sentinel-2单一数据源反演精度(多元线性回归模型的模型精度R2从0.74增加到了0.83)。另外,联合Sentinel-1和Sentinel-2数据,采用逐步回归方法建立AGB模型,模型精度R2达到了0.78;半经验物理模型的模型精度R2为0.77。总体上,Sentinel-1影响因子能在一定程度上提高了反演模型精度,多种建模方式最终反演的AGB结果与实测草地AGB相符,研究结果可为研究区乃至整个青藏高原东缘草地AGB精确估算提供科学依据。

ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量

目前卫星测深(SDB)被广泛应用于近海岸水深测量,然而常用的经验模型较简单,无法适用于各类复杂浅滩环境。为突破传统方法的局限性,本文提出一种ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量方法。以美国密西西比州猫岛(CI)、巴克岛(BI)为研究区,利用ICESat-2提取先验水深点,再基于Sentinel-2数据训练一维卷积神经网络(1-DCNN)以获取研究区水深图;同时采用波段比值模型(BR)、随机森林(RF)和多层感知器(MLP)作为对比方法进行精度定量分析发现,本文方法在CI、BI测得水深的均方根误差和决定系数分别为0.20 m、0.94和0.95 m、0.95,精度验证优于其他方法,因此该方法提高了水深反演精度。

基于Sentinel-2数据多特征优选的农作物遥感识别研究

本研究以滁州市全椒县为研究区,借助GEE平台,基于Sentinel-2卫星数据构建光谱特征、传统植被指数特征、红边植被指数特征、纹理特征等90个特征,选用基于随机森林的递归特征消除算法(random forest-recursive feature elimination,RF_RFE)、基于Relief拓展的Relief F算法、基于相似性的特征优选算法(correlation-based feature selection,CFS)结合随机森林分类器对农作物种植类型进行识别,探究不同的特征优选算法在农作物遥感识别中的效果优劣。在此基础上,进一步分析最佳特征优选算法在不同机器学习分类方法中的分类效果。研究表明:①光谱特征在农作物识别中最为重要,其次是红边指数特征,纹理特征影响较小;②基于RF_RFE特征优选方法的遥感识别结果精度最好,总体精度为92%,Kappa系数为0.89;③在RF_RFE特征优选方法下,随机森林(random forest,RF)的Kappa系数比支持向量机分类(support vector machine,SVM)和最小距离分类(minimum distance classification,MDC)分别高0.01和0.41,说明基于多特征的RF_RFE特征优选方法结合RF算法可以有效提高农作物遥感识别精度和效率。

基于神经网络算法的Sentinel-2数据的灌溉面积提取

在灌区用水管理中,灌溉面积及其空间分布信息非常重要。传统的灌溉面积提取手段耗费大量的人力物力和时间,已经不能满足灌区的现代化管理。自遥感技术应用于灌溉面积提取以来,经过几十年的发展,已经有很多的研究成果。但现今在应用于灌溉面积提取的遥感技术中,前沿的方法多数采用多个传感器数据或长时间序列的数据,且往往针对某一特定的区域,很难具体的应用在实际的灌区工作中。为了在灌区管理的实际应用中准确高效地提取灌溉面积和分布,开展了一种基于光学卫星多时相差值数据的神经网络算法的灌溉面积提取技术研究。以山东省淄博市桓台县的试验田为研究区域,首先利用随机森林对Sentinel-2卫星数据的所有波段以及一些与土壤水含量以及植被相关的指数进行重要性排序,不同地区的地情下重要性排序结果也不同,所以利用重要性排序可以快速的获取适合此地区的波段以及指数的组合。选取重要性较高的波段或指数作为神经网络模型输入层进行灌溉面积提取。然后根据实际样本田的数据对提取结果进行检验,所得到的总体灌溉面积提取精度达到了76.7%。Kappa系数为0.74。此外,对研究区域进行植被覆盖度分级,并分析了在不同植被覆盖度下的灌溉面积提取结果精度变化。其中,在中等和较高的植被覆盖度地区具有更高的精度。研究区大部分地区为农业地区,作物以冬小麦和夏玉米为主,使用数据为3月中下旬卫星影像,研究区此时期植被覆盖度较高,符合在此地情下进行灌溉面积提取在中等和较高植被覆盖度地区具有更高精度的结果。基于神经网络的多时相光学卫星数据差值提取灌溉面积研究可以在不同地区的地情下通过重要性排序获取适合该研究区波段的组合,得到更高的灌溉面积提取结果精度。

基于Sentinel-2数据的郑州市中心城区遥感信息提取

随着城市化进程的不断发展,城市下垫面及自然水体受到了破坏,与人类居住用地不相协调,土地的利用方式对洪涝灾害具有放大化的影响,并逐渐成为城市的隐患问题。本文以郑州市中心城区为例,采用10 m分辨率的Sentinel-2遥感数据,对获取的MNDWI指数进行预处理,然后进行阈值分割提取水体面积分布,并在此基础上,分别用支持向量机分类法、决策树分类法、随机森林分类法进行城市土地利用类型信息的提取,通过Kappa系数和混淆矩阵对比其精度。分别提取城市土地利用和水体面积信息并进行对比,对郑州市中心城区的土地利用进行研究分析,为城市的合理规划提供建议。结果显示:1) 采用阈值分割法提取水体的总体精度百分比为96.98,Kappa系数为0.94,精度较高;2) 随机森林分类法、决策树分类、支持向量机分类法的土地利用分类的Kappa系数分别为0.91、0.79、0.76,总体精度分别为93.38%、84.25%、82.38%,其中随机森林分类法的土地利用信息提取的Kappa系数及精度水平最高,准确性最高;3) 郑州市中心城区的水体面积占城市土地利用总面积的3.79%,占比较低;而城市居民用地和其他用地两类面积的占比较高,超过75%,居民建设用地和生态用地较为矛盾,城区的土地规划较不合理。采用Sentinel-2遥感数据提取郑州市中心城区的数据可以有效分析土地利用面积占比,据此可以为郑州市的土地利用规划提供数据支撑,协调居住与自然用地的比例,有效改善下垫面对地表水资源的调节作用,从而减少城市内涝的发生,不断推进郑州生态宜居型城市的建设。

联合Sentinel-1和Sentinel-2数据的森林可燃物载量反演研究

提高森林可燃物估测精度对有效防范森林火灾具有重要意义。以贵州威宁为研究区域,利用Sentinel-1A和Sentinel-2A遥感影像光谱信息、植被指数及影像纹理信息及森林可燃物样地调查数据,基于多元线性回归、随机森林算法、神经网络及装袋算法等4种模型进行森林可燃物载量遥感反演。结果表明:随机森林算法拟合效果最好,R2高达0.873;反演效果呈现出主被动式遥感结合的反演>主动式遥感>被动式遥感,联合雷达遥感和多光谱遥感数据,能够提高森林可燃物载量反演精度。

基于地面观测和Sentinel-2数据的玉米实际蒸散发估算

基于遥感技术估算作物蒸散发(Evapotranspiration,ET)对农业用水效率评价和精量灌溉决策具有重要意义。结合Sentinel-2数据和农田连续地面观测资料,利用混合双源蒸散发模型(Hybrid dual-source scheme and trapezoid framework-based evapotranspiration model,HTEM)对宁夏回族自治区中卫市2019年两个试验田玉米主要生育期(5—8月)的蒸散发量进行估算,并用水量平衡法对遥感估算结果进行验证和评价。结果表明:Sentinel-2数据具有高时空分辨率,能够与研究区复杂的种植地块相匹配,减少了混合像元的数量;遥感反演参数与地面观测数据拟合度较高,研究区2019年遥感反演的玉米田净辐射量均方根误差为36.256 W/m^(2)。利用HTEM模型估算可得,主要生育期内研究区两个玉米试验田的日均实际蒸散发量分别为4.269 mm/d和4.339 mm/d,实际蒸散发总量分别为525.114 mm和533.690 mm,其中植被蒸腾量分别为363.483 mm和358.196 mm,生育初期主要以土壤蒸发形式消耗水分,随着作物的生长,在生育中后期主要以植被蒸腾的形式消耗水分。ET遥感反演结果与水量平衡结果之间差别不显著,两个观测点绝对误差分别为13.533 mm和7.774 mm。因此,结合地面连续观测系统和Sentinel-2数据估算研究区玉米生育阶段蒸散发量具有较高的精度,可为作物耗水规律研究及区域农业水管理提供技术支撑。

基于Sentinel-2数据的黄河内蒙古段冰凌监测研究

基于冰雪指数阈值分类算法,利用Sentinel-2卫星数据对2019—2020年黄河内蒙古段冰凌重点时间和区域进行遥感动态监测,并以实测数据监督分类结果作为精度评价的参考数据。结果表明:Sentinel-2监测提取冰凌的精度与监督分类的总体精度基本一致,能满足业务需求;Sentinel-2具有较高的分辨率,对黄河冰凌有良好的识别能力;Sentinel-2数据可作为流凌监测的一种有效数据源,在凌汛监测中有很大的应用潜力。

基于Sentinel-1和Sentinel-2数据的石河子市棉花种植信息提取

棉花是新疆最主要的经济作物之一,及时准确地监测棉花种植信息对棉花种植管理及国际贸易至关重要。该文以石河子市为研究区,提出一种基于Sentinel-1和Sentinel-2数据的单一分类支持向量机提取新方法。结果表明,棉花8月份提取精度最大,总体精度为91.69%,Kappa系数为0.83。光学特征重要性大于雷达极化特征,其中Sentinel-2的红边波段对棉花提取贡献率最大,Sentinel-1极化特征在棉花吐絮期重要性较为显著。

基于Sentinel-2数据土壤表层水分遥感反演

文章基于土壤表层水分指数(SWCI)模型,将Sentinel-2数据应用于该模型,得到了土壤水分含量及其空间分布情况,该数据可用于精准快速的低植被覆盖下土壤水分遥感反演。通过SPSS对SWCI与土壤水分的相关性分析,得到Pearson、Kendall's Tau-b和Spearman 3个相关系数分别为0.880,0.778,0.891,呈显著性相关。在0～20 cm土层土壤水分遥感反演中,Sentinel-2数据模型操作简单、精度较高,适用于业务化监测。

Sentinel-2数据的小型湖泊水生植被类群自动提取方法——以翠屏湖为例

针对传统的水生植被遥感监测研究大多是面向大型浅水湖泊,利用Landsat和MODIS数据开展,且很少关注水生植被主要类群的细分,该文以小型湖泊-翠屏湖为例,利用欧空局Sentinel-2高分卫星数据,基于不同水生植被类群及水体间的光谱特征差异,构建了浮叶类植被指数(floating-leaved aquatic vegetation index,FAVI)和沉水植被指数(submerged aquatic vegetation index,SAVI)2个新的植被指数作为分类特征,结合Otsu算法,实现翠屏湖浮叶类植被类群、沉水植被类群和水体的自动提取。经验证,总体分类精度为88.57 %,Kappa系数为83.78%,并通过多期影像开展了算法的普适性检验。本研究为快速获取小型浅水湖泊的水生植被类群提供了高效的方法,可为湖泊管理和生态修复提供科学依据。