联合GF-6和Sentinel-2红边波段的森林地上生物量反演

光谱反射率能反映地物差异,是森林地上生物量(Aboveground Biomass, AGB)遥感反演的理论基础。红边波段处于近红外与红光波段交界处快速变化的区域,能对植被冠层结构和叶绿素含量的微小变化做出快速反应,对植被生长状况较敏感。研究以GF-6和Sentinel-2多光谱影像作为数据源,结合野外调查AGB数据,构建落叶松和樟子松AGB线性和非线性估测模型,通过比较模型精度选择最优模型进行森林AGB反演和空间分布制图。结果表明:GF-6和Sentinel-2影像红边波段反射率与落叶松、樟子松AGB均呈显著相关(P<0.05),红边波段对AGB估测较敏感。多变量估测模型整体估测效果优于单变量模型,所有模型中多元线性回归模型取得了最优的决定系数(落叶松R2=0.66,樟子松R2=0.65)和最低的均方根误差(落叶松RMSE=31.45 t/hm^(2),樟子松RMSE=54.77 t/hm^(2))。相比单个数据源,联合GF-6和Sentinel-2影像构建的多元线性回归模型估测效果得到了显著提升,模型RMSE对于落叶松和樟子松AGB估测分别最大降低了22.9%和11.2%。增加红边波段进行AGB估测能显著提高模型估测精度,三组数据源分别加入红边波段信息后进行建模,模型RMSE得到了显著降低。GF-6拥有800 km观测幅宽和高效的重访周期,可以快速地提供大尺度时间序列数据,在森林地上生物量反演和动态监测方面有着很大潜力。

基于Sentinel-2多光谱遥感影像的小浪底水质反演

多光谱遥感技术可根据遥感波段信息反演水质参数,降低监测成本,提高监测速度和质量,为大范围水环境监测提供了一种新的方法。通过分析小浪底水库的Sentinel-2多光谱影像以及采样点实测水质数据,建立了最佳光谱波段的水质参数反演模型,对小浪底水库的化学需氧量(COD)、总磷(TP)、总氮(TN)和氨氮(NH_3-N)进行了遥感反演,验证了反演模型的精确度和稳定性,并反演了各水质参数的空间分布规律。结果表明:在4种水质参数反演模型中,COD模型精确度和稳定性最高,其次是TP、TN,最低的是NH_3-N,水库出水口和部分边缘COD质量浓度较高,水库中心TN、TP和NH_3-N质量浓度高于边缘处。

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的青铜峡灌区水稻和玉米种植分布早期识别

及时准确地掌握灌区内作物种植分布对于灌溉水资源高效配置、农田精准管理具有重要指导意义。以宁夏青铜峡灌区为研究对象,利用多时相Sentinel-2卫星数据,通过水稻和玉米早期特征分析,提取关键的“水淹”信号和“植被”信号,构建时序归一化差异水体指数(MNDWI)和归一化植被指数(NDVI)特征值数据集,并通过样本分析关键特征阈值,构建水稻和玉米早期种植分布决策树模型,提取2022年宁夏青铜峡灌区水稻和玉米种植的空间分布。结果表明(:1)玉米和水稻苗期的后半段5月15—31日,水淹信号和植被信号是区分二者关键时期。(2)基于早期作物物候特征的方法,在5月16—31日获取的水稻和玉米图像制图精度高于90%,用户精度超过91%,总体精度超过90%,Kappa系数高于0.88,明显高于同时期随机森林方法的分类精度。(3)本研究提出的方法在早期水稻和玉米种植分布提取方面具有较强的适用性,并且能够在时空尺度上以较少的实地样本进行延展,同时在时间上也更有优势。因此,该方法为青铜峡灌区水稻和玉米种植分布早期调查提供了重要的方法支撑。

基于时序Sentinel-2影像的引黄灌区作物结构提取和供需水分析

在黄河流域用水指标严格控制的背景下,以山东省东营市垦利区引黄灌区为例,利用2022年时序Sentinel-2遥感影像构建作物生育期的NDVI时间序列,采用决策树分类方法提取灌区作物种植结构,基于垦利站气象资料和Penman-Monteith公式,分析了1973—2022年各作物的需水特性,利用遥感影像解译的各作物种植面积,计算了2022年灌区作物在不同降水保证率(5%、25%、50%、75%、95%)条件下的灌溉总需水量,结合2023年分配给灌区作物的灌溉水指标探究了灌溉水资源供需之间的平衡。结果表明:基于NDVI时间序列构建决策树分类方法可有效提取作物的种植结构,总体分类精度为85.07%,Kappa系数为0.819,能够满足作物灌溉需水量的研究。作物净灌溉需水量年际波动较大,水稻和冬小麦补充灌溉水量在所有作物中位列前两位,均值分别为913 mm和410 mm;处于雨季生长的夏玉米、夏大豆补充灌溉水量较小且灌溉需求均值较小。研究区2023年分配的灌溉水指标在降水保证率为50%时研究区灌溉水亏缺量为235.5万m^(3),在降水保证率为75%和95%时灌溉水亏缺量分别为1 754.5万m^(3)和2 261.5万m^(3)。

Sentinel-2遥感影像在盘锦水稻米质监测中的应用研究

本研究基于水稻孕穗期、抽穗期、灌浆期和成熟期4个生育期的Sentinel-2遥感数据,分析各生育期内卫星遥感光谱参数与稻米品质指标的关系,建立基于各生育期卫星光谱信息的水稻品质指标预测模型。将5种稻米品质指标分别与4个生育期内的光谱参数进行皮尔逊相关性分析,结果表明,5项品质指标在4个生育期内均与光谱参数有不同程度相关性。然后筛选出相关性效果显著的光谱参数,用于建立各品质指标的预测方程,建模结果表明,基于卫星遥感光谱信息解释率由大到小的稻米品质指标依次是精米率>长宽比>蛋白质含量>直链淀粉含量>糙米率;卫星遥感光谱反演稻米各品质指标所在的最佳生育期不同,糙米率和精米率的最佳生育期为抽穗期,其建模决定系数(Coefficient of Determination,R^(2))分别为0.461和0.893;长宽比的最佳生育期为成熟期,R^(2)为0.878;直链淀粉含量和蛋白质含量的最佳生育期为灌浆期,R^(2)分别为0.646和0.647;基于卫星遥感光谱信息的稻米品质模型验证效果较好,解释率为51%~74%。可见,利用卫星遥感技术能够实现大范围水稻品质指标定量监测与评估。

基于Sentinel-2影像的巴尔托洛冰川冰面湖研究

冰面湖是冰川的重要组成部分,是冰川消融的指示器,不仅对全球气候变化响应迅速,而且对了解和掌握区域水资源信息意义重大。本文基于Sentinel-2遥感数据,利用随机森林算法,对巴尔托洛冰川冰面湖进行识别提取,并基于提取结果分析研究区冰面湖的空间分布特征,以及冰面湖面积、数量与冰川高程的关系。本文冰面湖提取的准确率达96.07%,完整率达92.18%,错误率为11.59%;识别出巴尔托洛冰川冰面湖567个,面积为249.46~37134 m^(2);冰面湖多分布在距冰川末端3~26 km处,其中海拔3800~4300 m之间冰面湖数量最多,面积普遍较大,平均面积为1922 m^(2);随着高程的升高,冰面湖的数量和面积逐渐减少,在高程5300 m以上冰面湖数量仅为15个,平均面积为356 m^(2);高程升高导致冰面温度降低,是冰面湖数量和面积骤减的主要原因。

基于Sentinel-2A NDVI时间序列数据和随机森林方法的高山冷凉蔬菜识别

该研究基于Sentinel-2A卫星的归一化差值植被指数(NDVI)时间序列数据,结合随机森林(RF)分类方法,对高山冷凉蔬菜种植区域进行精准识别与分类。以西吉县为研究区,利用2023年覆盖高山冷凉蔬菜全生育期的Sentinel-2A遥感数据,构建10 m高空间分辨率的NDVI时间序列数据,结合田间实测数据,使用RF分类方法对高山冷凉蔬菜进行识别分类。结果表明文章提出的方法在高山冷凉蔬菜种植区域识别中表现出了较高的精度和稳定性,总体精度达93.52%,Kappa系数为0.89。

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-2影像的黄河南岸典型改良示范区土壤含盐量反演模型

土壤盐渍化严重制约农田土壤环境的循环发展,高效准确地监测土壤盐分动态变化对盐碱地改良利用具有重要意义。为及时、有效地监测盐渍化土壤含盐量,以内蒙古黄河南岸灌区的4个典型盐碱化耕地改良示范区为例,利用Sentinel-2多光谱遥感影像,同步采集示范区内表层土壤的含盐量数据,通过相关性分析筛选敏感光谱指标,基于偏最小二乘回归(PLSR)、逐步回归(SR)、岭回归(RR)3种简单机器学习模型和深度学习Transformer模型建模,最后进行精度评价并优选出最佳含盐量反演模型。结果表明:示范区土壤反射率的可见光、红边、近红外波段反射率均与土壤含盐量呈正相关,短波红外波段反射率与土壤含盐量呈负相关,引入光谱指数能够有效提升Sentinel-2遥感影像与示范区表层土壤含盐量的相关性(相关系数绝对值不小于0.32);对比不同模型发现深度学习Transformer模型优于简单机器学习模型,验证集决定系数R~2和均方根误差(RMSE)分别为0.546和2.687 g/kg;含盐量反演结果与实地结果相吻合,为更精准反演内蒙古黄河南岸灌区盐渍化程度提供了参考。

基于Sentinel-2 MSI的养殖海湾富营养化反演研究

【背景】水体富营养化会导致水生生态系统的失衡,影响栖息生物的生存,造成水产养殖经济损失。快速掌握重要养殖水域富营养化状态与变化趋势对海洋渔业发展与生态环境保护具有重大意义。【目的】本研究旨在建立适用于重要养殖海湾的富营养化指数反演模型,为海洋环境保护、优化养殖规划布局等提供科学参考。【方法】基于实测水质参数和Sentinel-2 MSI卫星遥感影像数据,筛选与富营养化指数的对数lg(E)相关性最高的3个波段组合作为特征波段输入至CatBoost、BP神经网络、随机森林3个机器学习模型,对比3个模型的反演精度,确定最优模型,反演福建省诏安湾与东山湾2022年富营养化指数并进行时空特征分析。【结果】特征波段组合b3+b7、b3-b12、b3×b9与具有较高的相关性,作为反演富营养化指数的最佳波段组合;CatBoost模型相比BP神经网络和随机森林有更高的反演精度,决定系数(R^(2))达到0.90,均方根误差(RMSE)为5.67,平均绝对百分比(MAPE)为43.61%;东山湾富营养化指数整体呈由湾顶朝湾外逐渐降低的趋势。诏安湾富营养化指数整体呈沿岸高、湾中低的的趋势,且有明显的冬季低、其他季节高的特点。【结论】东山湾、诏安湾富营养化时空分布有着明显差异。影响富营养化的因素有陆域污染物输入、养殖活动、地理特征、水文环境、天气变化等。本研究结果能快速、全面反映海湾水质时空变化趋势,有助于定位污染源和敏感区,可为环境评价、污染治理及养殖管理提供参考。

基于Sentinel-2时序数据的新疆焉耆盆地农作物遥感识别与评估

为及时准确地获取干旱区农作物种植信息,研究借助PIE-Engine Studio平台,以新疆焉耆盆地为研究区,基于2022年Sentinel-2影像和1948个野外定位采样数据提取农作物生育期内14种植被指数,使用See5.0决策树、随机森林(Randomforest,RF)和多元回归(Multiple regression,MR)模型优选特征参数,结合支持向量机(Support vector machine,SVM)算法构建5种分类模型和5种样方分割方案进行农作物种植信息提取,通过目视解译和混淆矩阵对比分析分类结果,确定最佳分类方案。结果表明:(1)所有分类模型的总体精度(OA)和Kappa系数均在92.20%和0.9037以上,说明在PIE平台中使用SVM算法提取农作物信息是可行的。(2)SVM-有红边的OA和Kappa系数均值为93.77%和0.9236,比SVM-无红边方法提高了0.96%和0.0120。(3)相比于SVM-有红边方法,植被指数的引入提高了SVM-RF、SVM-MR和SVM-See5.0的OA和Kappa系数。(4)5种分类模型的OA和Kappa系数均值的大小关系为:SVM-RF>SVM-MR>SVM-See5.0>SVM-有红边>SVM-无红边,表明红边波段和植被指数的加入显著提高了农作物识别的精度,其中SVM-RF(8:2)为最佳分类模型,OA和Kappa系数分别为98.72%和0.9866。研究结果可为准确快速获取大尺度干旱区农作物信息提供新的思路和参考依据。

联合多时相GF-6 WFV和Sentinel-2的森林类型识别

【目的】我国南方地区多云雨,地型较破碎,森林类型精细识别较为困难,探讨联合多源、多时相的遥感数据对森林类型识别具有重要意义。【方法】以江西省信丰县为研究区,基于2019年森林资源二类调查数据,将森林划分为松林、杉木林、阔叶林、针叶混交林、针阔混交林、竹林、灌木林和其他林地等8种类型,利用随机森林算法比较GF-6 WFV和Sentinel-2最佳时相相同波段(紫/深蓝、蓝、绿、红、近红外、红边)和不同波段(黄边、短波红外)的森林类型识别能力,构建联合光谱特征集。联合多时相GF-6 WFV和Sentinel-2,构建多时相植被指数特征集,结合联合光谱特征集、纹理特征和地形特征,通过随机森林和递归消除法构建特征变量优选数据集进行森林类型识别,利用混淆矩阵和森林类型的实际分布对识别结果进行精度验证。【结果】(1)GF-6 WFV蓝、绿和红波段组合的总体精度为58.31%,分别加入紫、近红外、红边、黄边和Sentinel-2短波红外波段后,其总体精度分别提高1.99%、8.90%、10.71%、1.50%和14.10%;Sentinel-2蓝、绿和红波段组合的总体精度为54.68%,分别加入深蓝、近红外、红边、短波红外和GF-6 WFV黄边波段后,其总体精度分别提高3.30%、10.82%、12.92%、17.31%和3.97%。(2)特征变量优选数据集的总体精度和Kappa系数为80.80%和75.56%,贡献程度大小依次为GF-6 WFV多时相植被指数、Sentinel-2多时相植被指数、GF-6 WFV光谱特征、Sentinel-2光谱特征、地形特征和纹理特征,贡献率分别为40.44%、23.23%、18.12%、10.21%、4.61%和3.39%。(3)松林、杉木林、阔叶林、针叶混交林、针阔混交林、竹林、灌木林和其他林地的制图精度分别为86.97%、85.60%、88.61%、9.43%、19.01%、53.60%、86.90%和82.56%,用户精度分别为81.42%、79.79%、77.57%、71.43%、81.82%、67.00%、87.74%和82.88%,识别结果与研究区实际森林类型分布较吻合。【结论】联合多时相GF-6 WFV和Sentinel-2可以综合多时相、多源影像的优点,能够有效提高森林类型的识别精度。

基于GEE的Landsat-8与Sentinel-2影像在棉花种植提取中差异性分析及提取方法对比研究

棉花作为南疆地区重要的经济作物之一,在经济工作中起着至关重要的作用。及时、准确地获取棉花种植面积,对农业政策和经济发展具有重要意义。为了实现这一目标,需要综合分析不同方法和遥感数据对最终棉花种植面积制图精度的影响。本研究以新疆阿克苏地区棉花种植区为例,借助Google Earth Engine云平台,采用随机森林法(RF)、支持向量机法(SVM)、最小距离分类法(MDC)等3种机器学习方法,利用2类中分辨率影像提取棉花种植信息,充分评估使用的档案数据和官方统计数字。结果表明,采用Sentinel-2方法和RF获得了最优棉花图,随机森林法分类器的总体精度、Kappa系数和用户精度分别高达97.4%、96.7%和91.1%,分别比Landsat-8图像和RF模型的结果高出7.3百分点、0.081、2.8百分点。与官方统计数据相比,采用RF、SVM、MDC对Sentinel-2和Landsat-8图像的棉花种植面积估算图的精度分别为98.4%、95.8%、79.6%和90.3%、83.7%、72.5%。很明显,Sentinel-2和RF模型的组合与官方数据的一致性最高。对比分析结果表明,Landsat-8和Sentinel-2数据可用于大范围复杂种植结构的棉花高精度测绘。本研究结果有望为棉花大面积鉴别提供一定的理论指导和实践指导。

基于ICESat-2和Sentinel-2A数据的森林蓄积量反演

森林蓄积量是林业调查的重要指标,在衡量森林健康状况和评价森林固碳能力等方面发挥重要作用,协同主被动遥感是当前反演大区域森林蓄积量的主要手段。以云南香格里拉森林为研究区,分别提取ICESat-2/ATLAS和Sentinel-2A影像的特征变量,并通过相关性分析和共线性诊断方法筛选特征变量,构建Sentinel-2A变量集和ICESat-2/ATLAS变量集,以及二者联合的变量集,然后结合样地实测数据与3个特征变量集,采用逐步线性回归和随机森林方法分别建立线性和非线性回归模型,反演森林蓄积量,并对结果进行精度验证及对比分析。研究结果表明:对3个变量集,随机森林方法精度均优于逐步线性回归;ICESat-2/ATLAS变量集在2种回归方法下的反演精度均高于Sentinel-2A变量集;联合Sentinel-2A和ICESat-2/ATLAS变量集,随机森林方法的反演精度最高,其R 2,RMSE和rRMSE分别为0.7034,84.78 m^(3)/hm^(2)和36.46%。整体来说,与Sentinel-2A数据相比,基于ICESat-2/ATLAS数据及其与多源数据联合的反演模型均可以提高森林蓄积量反演精度和模型稳定性。

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。

融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取

以黑龙江流域中的扎龙湿地及其上游区域为研究区,将Sentinel-2红边波段和Sentinel-1雷达波段影像数据相结合,根据面向对象原理,采用随机森林算法,对研究区的湿地进行遥感分类和信息提取;利用3种特征变量集,进行实验对比,研究红边波段反射率和雷达后向散射系数对湿地信息提取的作用。研究结果表明,红边波段反射率和雷达后向散射系数对土地覆盖分类精度的提高起到了重要作用,两者结合得到的分类结果的总体精度达到了88.72%,Kappa系数为0.87,其中,水体、水田和沼泽的用户精度分别为100%、98.18%和91.37%。利用红边波段和雷达波段影像数据,分别使土地覆盖分类总体精度提高了5.26%和2.51%,红边波段影像数据对沼泽提取精度的提高贡献最大,使生产者精度提高了12.5%。

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Sentinel-2影像东北秋季典型湖泊大气校正方法适用性评价

本文利用6S(Second Simulation of a Satellite Signal in the Solar Spectrum)、Acolite DSF(Dark spectrum fitting)、C2RCC(Case 2 Regional Coast Color)、SeaDas(SeaWiFS Data Analysis System)、Sen2Cor(Sentinel 2 Correction)、Polymer(Polynomial based algorithm applied to MERIS)和iCOR(Image correction for atmospheric effects)7种大气校正算法,结合松花湖、月亮泡、小兴凯湖实测遥感反射率数据对“哨兵-2号”(Sentinel-2)数据进行大气校正研究,验证算法性能。整体校正结果显示,相较于实测遥感反射率,上述7种大气校正算法均在可见光波段(400~800 nm)呈现不同程度的低估。除C2RCC算法外,其余6种算法校正后的遥感反射率与实测光谱曲线变化趋势基本吻合,其中Sen2Cor算法与iCOR算法性能最佳,Polymer算法性能最差;在单波段校正精度对比中,Sen2Cor和iCOR算法几乎所有波段的均方根误差和平均绝对百分比误差都低于其余5种算法。Sen2Cor算法在560 nm、665 nm和705 nm处校正精度优于其余6种算法,iCOR算法在443 nm和740 nm处有良好的表现,在490 nm处6S算法校正精度最高,拥有最低的均方根误差(0.0059 sr^(−1))和平均绝对百分比误差(21.40%)。结果表明,这7种大气校正算法均可以在一定程度上去除大气影响,增加影像的可用性,Sen2Cor算法和iCOR算法更适用于本文所研究水体或相似水体。

基于Sentinel-2卫星影像的海南西岛珊瑚礁识别和变化分析

珊瑚礁是海洋中最重要的生态系统之一,近年来在全球气候变化和人为干扰加剧的影响下,我国南海珊瑚礁总体处于快速退化状态。以海南西岛珊瑚礁为例,基于Sentinel-2系列卫星10 m空间分辨率影像,利用面向对象分类法(object-based image analysis,OBIA)对2017年12月~2018年3月和2021年12月两个时期的海南西岛珊瑚礁底质进行了识别分类,并进行珊瑚礁面积变化分析。将2021年12月的分类结果与现场调查数据进行对比验证,总分类精度和Kappa系数分别为83.3%和0.71。对比两个时期珊瑚礁底质分类结果表明,西岛西侧珊瑚礁覆盖面积未出现明显变化,东侧珊瑚礁显示恢复趋势。本文研究表明,10 m地面分辨率卫星系列影像和面向对象的阈值分类方法可以对海南西岛珊瑚礁进行较为准确的识别和变化分析,监测结果可为海南岛沿岸西岛等小型岛礁珊瑚保护及修复提供参考。