基于Sentinel-2A MSI特征的毛竹林刚竹毒蛾危害检测

为快速、准确地检测毛竹林刚竹毒蛾(Pantana phyllostachysae Chao)危害,基于Sentinel-2A MSI数据分析不同刚竹毒蛾危害等级下毛竹林像元光谱的变化,从叶损量、绿度、含水率等多个维度选择对刚竹毒蛾危害具有响应能力的22个Sentinel-2A MSI光谱衍生指标;经单因素方差分析(ANOVA)以及递归特征消除法(Recursive feature elimination,RFE)优选后,得到可用于刚竹毒蛾危害识别的10个遥感特征,包括LAI、RVI、NDMVI、EVI、NDVI_(705)、NDVI_(783)、RegVI_(1)、RegVI_(2)、GVMI和NDWI;将上述指标作为自变量,虫害等级作为因变量,建立基于XGBoost模型的刚竹毒蛾危害检测模型。研究发现,Sentinel-2A MSI数据波段6、7、8、8a对刚竹毒蛾危害具有较强的响应能力;红边与近红外波段参与构建的指数有效反映了竹林的受害情况;XGBoost模型对刚竹毒蛾危害识别的总精度为83.70%,对不同刚竹毒蛾危害等级的识别精度依次为94.72%、72.06%、79.77%、92.41%。因此,利用ANOVA-RFE筛选Sentinel-2A MSI光谱特征建立的XGBoost虫害检测模型,具有较高的识别精度,可为毛竹林刚竹毒蛾危害遥感监测提供技术支持。

GF-1 WFV与Landsat-8 OLI和Sentinel-2A MSI遥感图像光谱信息转换研究

地表环境的宏观动态监测研究中,受卫星回归周期及天气的影响,单颗卫星难以获取长期、连续的光学遥感数据,因此,定量分析多平台遥感数据的光谱信息关系是十分必要的.本研究基于两组同日过境的无云卫星影像(GF-1与Landsat-8和Sentinel-2A),结合地面调查数据,进行了不同传感器影像间对应波段的光谱信息对比,并通过统计回归分析获得了两组卫星对应波段(蓝、绿、红和近红外)的反射率转换方程.研究结果显示,GF-1与Landsat-8和GF-1与Sentinel-2A对应波段的反射率都具有很强的相关性,得到的转换方程能够对上述三种卫星数据间对应波段的光谱信息实现高精度的转换.本研究能够实现同日多光谱遥感数据的光谱信息转换及协同应用,并为区域资源环境的长期定量遥感监测提供技术支持.

随机森林方法支持下Sentinel-2A MSI多种特征的冬小麦识别分析

目的:研究Sentinel-2A MSI数据的光谱反射率、植被指数和纹理特征对农作物精细识别的影响。方法:基于冬小麦关键生育期的Sentinel-2A MSI影像,利用机器学习中具有稳健性能的随机森林方法(Random Forest,RF)分析了多种特征数据集(光谱反射率、植被指数、纹理特征和综合特征)支持下的蚌埠市怀远县冬小麦精细分类精度,并根据RF的特征重要性对上述多种特征进行对比分析。结果:综合特征集的地物识别效果最好,纹理特征集次之,光谱反射率特征集的识别效果最差;对冬小麦生产者识别精度最高的是纹理特征集,最低的是光谱反射率特征集;用户精度最高的是综合特征集,最低的是植被指数特征集。所有参与分类的特征中,贡献度最大的光谱反射率、纹理特征和植被指数分别是B1(Deep Blue)、方差(Variance)和植被衰减指数(PSRI);贡献度最小的光谱反射率、纹理特征和植被指数分别为B8(NIR)、相关性(Correlation)和比值植被指数(RVI)。结论:相比于光谱反射率和植被指数特征集,纹理特征更有助于提高冬小麦的识别精度。

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-2A MSI数据的水体信息提取算法对比研究

地表水体信息的准确提取对于水资源规划管理与相关灾害监测等具有重要意义。以Sentinel-2A MSI影像为研究数据,基于10种典型光谱波段指数算法对鄱阳湖周边区域的水体进行了提取,并以结合目视解译的synthetic aperture radar(SAR)影像水体识别结果作为真值进行了对比分析。实验结果表明:归一化差异水体指数、高斯归一化差异水体指数、伪归一化差异水体指数的识别效果最好,平均F1-score超过95%,且阈值稳定程度较高;改进的归一化差异水体指数适用于城镇区域的水体提取;组合水体指数在水田以及河流区域识别效果较好;增强型水体指数、阴影水体指数均适用于山区,其中增强型水体指数在城镇区域也具备适用性;修订型归一化差异水体指数仅适用于针对大面积水体的识别;面向阴影的自动化水体指数能够有效剔除地形阴影造成的干扰,而非面向阴影的自动化水体指数的整体表现相对较差。

Sentinel-2A MSI和Landsat 8 OLI两种传感器多光谱信息的交互对比

在遥感对地观测中,受卫星发射、过空时间以及大气等因素的影响,单颗卫星获取的影像难以满足长时间序列的观测需求。因此,定量研究不同卫星平台传感器数据之间的关系是非常必要的。对Sentinel-2A MSI和Landsat-8 OLI传感器之间的定量关系进行了研究,基于两种传感器的3对同日过空的无云影像对,采用样区均值法和全试验区法对二者对应波段的光谱信息进行逐一对比,探求它们之间的定量关系。研究结果表明:Sentinel-2A MSI和Landsat 8 OLI的表观反射率数据总体比较一致,两种方法获得的R~2均值分别为0.89(全试验区法)和0.99(样区均值法)。但二者也存在着差异,表现在Sentinel-2A MSI的表观反射率总体要比Landsat 8 OLI高约5%,且在不同的波段的表现有所不同。分析表明:二者之间的差异与其光谱响应函数、光谱范围以及试验区土地覆盖类型的不同有关。通过回归分析获得了两种传感器各对应波段数据的转换方程。验证结果表明,转换方程可以显著提高Sentinel-2A MSI和Landsat 8 OLI数据之间的一致性,为二者之间的协同使用提供了可行的方法。

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。