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-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。

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-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。

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的安徽省2020年梅雨期洪水淹没监测

2020年超长梅雨期内的持续强降雨,导致安徽省发生全域性洪涝灾害,为了快速、准确地提取洪涝淹没范围,为防汛救灾提供科学支撑,选取安徽境内巢湖流域和淮河流域的灾前和灾中Sentinel-1A数据,首先,在快速预处理基础上,采用双极化水体指数(Sentinel-1A dual-polarized water index,SDWI)法,并结合地形因子对平原和山区分别提取水体信息,建立一套洪水淹没区监测流程;然后通过该流程利用灾前、灾中两期合成孔径雷达数据提取2020年7月27日巢湖流域、淮河流域行蓄洪区洪水淹没范围。结果显示:SDWI比直接用后向散射系数提取水体具有优势;7月27日巢湖流域洪水淹没区面积为524.8 km^(2),其中受洪灾较重的是白石天河子流域,西河子流域次之;淮河流域安徽境内行蓄洪区,沿淮的4个地市淹没面积从大到小依次为淮南市、阜阳市、六安市、蚌埠市。研究表明,基于Sentinel-1A数据,采用SDWI和地形因子建立的洪水淹没区监测流程对平原和山区都具有较好的准确性、适用性,且具有较高的时效性,便于及时开展洪水灾害监测。

基于Sentinel-1影像的浙江省沿海养殖池塘提取与管理

沿海养殖池塘建设能带来巨大的经济效益,对保障海产品供给和丰富居民食物多样性具有重要意义。而养殖池塘的快速扩张也会带来严重的环境危机,故有效揭示养殖池塘的时空分布特征对有序管理沿海养殖池塘至关重要。但养殖池塘大多分布于岸线曲折、靠近海洋的潮滩一侧,有效且高精度识别养殖池塘具有难度。对此,提出结合Google Earth Engine云平台和ArcGIS本地端分类后处理的养殖池塘识别方法,基于地区水体频率、对象特征和精细处理得到了浙江省沿海2016—2021年较高精度的养殖池塘空间分布数据。结果表明:养殖池塘总体精度均大于93%,Kappa系数均大于82%,表明研究方法具有较好的适用性。浙江省沿海养殖池塘面积趋于下降,2016、2019、2021年分别为30360.60、24375.35、21700.02 hm^(2)。养殖池塘地级市集中分布于宁波市、台州市、绍兴市和杭州市,县域聚集于慈溪市、宁海县、三门县、萧山区、上虞区和象山县。浙江省养殖池塘集聚性下降,聚集于海湾、河口、沿海平原与潮滩,如杭州湾、象山港、三门湾、浦坝港和乐清湾。养殖池塘空间差异性突出,其海侧大于陆侧、北部大于南部。

多时相Sentinel-1影像反演玉溪典型烟区烤烟种植分布的方法

为准确识别烤烟种植分布特征,基于2020年玉溪烤烟大田生长期不同时相的11景Sentinel-1卫星影像,结合野外实地调研,分析不同土地利用类型合成孔径雷达(SAR)极化信息的可区分度,并结合70%样地训练随机森林分类方法提取不同土地利用的分布范围,最后用30%调研样地验证烤烟种植的提取精度。结果表明,垂直发射垂直接收(VV)相较于垂直发射水平接收(VH)更能区分不同土地利用类型,VH、VV、VV+VH和VV+VH+VV/VH四种极化信息组合方式中,地物分类精度最高的为VV+VH组合,总体分类精度为87.6%,Kappa系数为0.847,其中,烤烟种植识别的制图精度为96.3%,用户精度为89.4%。在玉溪典型烟区采用多时相SAR识别烤烟种植分布,识别准确率基本能满足区域烤烟种植识别的精度要求。

基于Sentinel2-L1C的江汉平原水产养殖区水质参数反演

遥感技术已成为监测内陆水域水质的一种有效手段,为研究江汉平原水产养殖区域内水体总磷、总氮和化学需氧量浓度的变化规律,基于Sentinel2-L1C遥感数据建立水体透明度、悬浮物浓度、叶绿素a浓度3种光学活性物质浓度的反演模型,结合推算出的水体透明度、悬浮物浓度和叶绿素a浓度与拟合点水体实测总磷、总氮和化学需氧量浓度分别建立关联,构建江汉平原拟合点水体总磷、总氮和化学需氧量浓度3种非光学活性物质浓度的间接反演模型并进行模型的率定验证。结果表明:水体透明度与水体总磷浓度具有较好相关性,水体透明度越高,水质越好,水体总磷浓度越低;水体悬浮物浓度与水体总氮浓度具有较高相关性,水体悬浮物浓度越高,水质越差,对应水体总氮浓度越高;水体叶绿素a浓度越高,对应水体化学需氧量浓度越高。构建水体总磷浓度、总氮浓度和化学需氧量浓度的间接反演模型,确定性系数均>0.6,并对江汉平原监测点水体的总磷、总氮和化学需氧量浓度进行了模拟和分析,结论与水产养殖区内饲料投喂主要时期的影响规律基本保持一致。研究结果对于探测江汉平原水产养殖区大尺度范围水质参数的时空演变具有一定的实用价值。

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。

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。

基于Sentinel-1与激光测高数据的冰川运动监测研究

针对不同遥感数据源对冰川监测具有不同的优势,结合Sentinel-1归一化互相关计算方法与激光测高数据重叠点法,对恩格斯堡岛周边冰川进行冰流速和高程变化联合监测。实验结果表明恩格斯堡岛周边Priestley冰川至Nanshen冰架沿线表面流速和高程变化均呈两端大于中间趋势。该区域冰流速最大区域位于Priestley冰川纳什山脊段以及Nanshen冰架与其周边各冰川交汇区。该区域从2003~2019年平均高程变化为2.03 m,最大高程变化为5.16 m,高程变化趋势与表面流速具有较高的一致性,位于Priestley冰川纳什山脊段和Nanshen冰架与各冰川交汇口处高程变化较大,Priestley冰川凯纳特山段相对比较稳定。本文研究方式可为小区域冰川综合监测提供新思路。

基于Sentinel-1卫星SAR数据的2020年巢湖洪涝监测及灾情分析

受持续降雨的影响,2020年6-8月巢湖流域水位超洪水设防的百年一遇标准,对巢湖流域的经济和生态环境造成严重危害。文章采用具有全天时、全天候、全覆盖优势的Sentinel-1卫星合成孔径雷达(synthetic aperture radar,SAR)影像数据,对比单阈值法、哨兵-1双极化水体指数(Sentinel-1 dual-polarized water index,SDWI)阈值法和支持向量机(support vector machine,SVM)分类算法3种方法的精度,选择最优方法来提取巢湖水体,实现对淹没区域面积的动态监测;同时利用Landsat 8、Sentinel-2卫星中、高空间分辨率光学影像对灾前研究区进行地物分类,分析灾情期间各类地物的受灾程度。结果显示:采用单阈值法可有效提取洪水淹没范围,总体精度达到98.43%以上,淹没面积为424.10 km^(2);淹没土地类型包括农用地、建成区和裸地等,其中淹没情况最严重的是农用地,淹没面积达到278.95 km^(2)。

基于Sentinel-1和Sentinel-2的河南省冬小麦种植面积提取

冬小麦是我国主要粮食作物之一,及时准确地获取冬小麦种植面积,对保障粮食安全具有重大意义。本文以河南省为研究区,利用Sentinel-1的后向散射系数VV和Sentinel-2构建的植被指数EVI2,基于冬小麦拔节到成熟期的特征,设计WI指标,提取2020年河南省冬小麦空间分布。结果表明:河南省冬小麦种植面积为56 130 km~2,总体分类精度为94.70%,Kappa系数为0.89;与单一光学影像数据相比,结合雷达影像数据的冬小麦提取方法,能同时结合作物在光学及微波方面的特征,在光学影像质量较差的区域提高了分类精度。