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-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。

基于多时相Sentinel-2卫星影像的冬小麦面积提取

及时准确地提取冬小麦种植信息,对开展冬小麦农情遥感监测具有重要的意义.以杭州市余杭区冬小麦越冬期(2021-12-04)、扬花期(2022-04-08)和乳熟期(2022-05-03)Sentinel-2遥感影像为数据源,分别采用最大似然法、支持向量机、归一化差值植被指数(normalized difference vegetation index,NDVI)相加和相减合成运算提取冬小麦种植面积.结合冬小麦地面调查数据与实测种植面积,对不同方法的提取结果进行精度评价.结果显示,利用越冬期影像NDVI阈值将常绿植被区(茶园、林地)掩膜处理,对非常绿植被区(建筑、水体、冬小麦)扬花期与乳熟期影像NDVI值进行和值运算,是提取余杭区冬小麦种植面积的最佳方法,面积精度为91.96%,说明基于多时相遥感影像结合植被物候特征与典型地物类型,能够实现冬小麦种植面积的高精度提取.

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-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-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)。

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。

联合无人机数据与Sentinel-2影像的流域制图研究

沱江流域是长江上游重点生态屏障建设区,是四川省境内生态资源最丰富的区域,其在地理位置、水文特征、区域气候等方面具有重要生态意义。由于流域范围大、地理情况复杂,使得利用卫星遥感进行流域制图过程中,采集训练样本费时费力,而训练样本的采集在遥感制图监督分类过程中至关重要。基于此,研究一种联合无人机数据与Sentinel-2影像的流域制图方法,将无人机数据作为卫星影像流域制图的训练样本区和验证样本区数据源,以解决实地调查采集样本费时费力的问题。首先将无人机采集的样本区数据,通过影像镶嵌、面向对象的分类、坐标转换和降采样处理流程,得到用于卫星影像制图的训练样本和验证样本;其次将无人机样本的降采样结果作为Sentinel-2卫星影像的训练样本;最后采用面向对象分类得到流域制图结果,研究发现将无人机获得的小区域训练样本用于卫星影像分类,总体精度达92.68%,Kappa系数为0.8668,能够满足大范围流域制图精度要求。

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。

基于GEE与Sentinel-2影像的落叶针叶林提取

【目的】针对森林资源精细监测评价的需求,探索多时相、多特征的Sentinel-2影像在落叶针叶林识别中的应用潜力,根据落叶针叶林的物候特征构建分类模型,为大范围落叶针叶林识别提供方法参考。【方法】基于GEE平台,以黑龙江省孟家岗林场为研究区,分析不同季节落叶针叶林与其他森林之间的差异。研究使用2020年春季(5月7日和5月27日)、夏季(8月9日)和秋季(10月19日)的4景Sentinel-2影像,提取光谱特征、纹理特征和地形特征构建多特征数据集,根据特征重要性得分进行特征优选,最后使用随机森林分类器得到落叶针叶林识别的最佳模型,实现孟家岗林场落叶针叶林的精确提取。【结果】试验结果表明落叶针叶林具有明显的植被光谱特征和季相特性,多时相影像数据包含落叶针叶林更多物候期,春季和秋季的影像更有利于区分落叶针叶林与其他森林。此外,近红外、短波红外波段的光谱信息对识别落叶针叶林有较大帮助。利用GEE平台和多时相Sentinel-2影像可以高效快速地提取植被信息,落叶针叶林提取总体精度与Kappa系数分别达到91.20%,0.82。【结论】基于GEE平台和Sentinel-2影像构建的分类模型对落叶针叶林信息的快速提取有一定的可行性和适用性,研究结果对大面积落叶针叶林的空间位置分布提取具有一定的参考价值。

Sentinel 2A影像去云下的丘陵地区植被覆盖度反演

光学遥感影像作为一种重要的数据源,被广泛应用于植被覆盖度反演,但南方丘陵地区常年多云雾,受云雾污染,像元质量下降。受丘陵地形的限制,地块破碎化严重,加之南方丘陵植被类型多,植被光谱变化较大,这些因素造成了植被覆盖度提取的准确度降低。为了提高丘陵地区植被覆盖度反演的精度,提出一种整合光学与SAR影像的反演框架。以Sentinel1A和Sentinel 2A影像作为遥感数据源,首先利用Sentinel 1A的光谱特征去除Sentinel 2A影像上的云像元,再使用光谱归一化减弱植被的光谱变化,在此基础上将扩展线性光谱混合模型用于反演植被覆盖度。结果表明:该框架能有效恢复云污染的像元,端元和影像归一化后,降低光谱异质性,反演丘陵地区植被覆盖度的精度较高,均方根误差为0.14,相关系数为0.95,接近地表植被覆盖的真实情况。

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GEE和Sentinel时序影像的优势树种识别研究

开展香格里拉市针叶林优势树种识别研究,为该区森林资源管理和研究提供参考。基于Google Earth Engine(GEE)平台和2020年Sentinel-1/2时间序列影像,构建植被的时序特征,并结合雷达特征、光谱特征、纹理特征和地形特征等共计43个特征,通过对特征的不同组合方案,采用分层分类和随机森林分类算法对香格里拉高山松、云南松、云冷杉和落叶松4种优势树种进行精细识别。结果表明,多源时间序列影像结合所有特征在3个层次上分类精度均较高;研究区森林与非森林分类的总体精度为98.73%,Kappa系数为0.97,用户精度和制图精度的调和平均值F_(1)为98.71%;针叶林和阔叶林分类的总体精度为92.80%,Kappa系数为0.85,F_(1)为92.58%;4种优势树种识别的总体精度为89.51%,Kappa系数为0.86,F_(1)为89.36%。不同树种在不同特征上均具有可分离性;多特征结合能在一定程度上提高树种识别的精度;基于GEE平台和Sentinel-1/2多源时间序列数据可以实现10 m空间分辨率下的森林优势树种精细识别。

基于Sentinel-2的川西高原植被叶片含水量反演

植被叶片含水量多少不仅影响着植被本身的生长情况,还是该地区水源涵养的重要因子,特别是在川西高原地区,应用遥感技术大范围估算植被叶片含水量对于该地区生态环境保护、水环境循环有着重要的作用。基于Sentinel-2卫星影像数据,选取FVC、NDVI、NDVI 705、NDWI 1、NDWI 2、TVI共6种植被指数,结合野外实测叶片含水量,建立植被叶片含水量与植被指数之间的关系模型,包括多元逐步回归模型、随机森林模型和BP神经网络模型,并对反演过程及结果进行了十折交叉验证,最终采用最优模型(BP神经网络)得到川西高原松潘县试验区植被叶片含水量分布情况。研究结果表明:BP神经网络模型均方根误差最小,平均绝对百分比最小,模型精度最高,可以有效反演植被叶片含水量。

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。

利用Sentinel-2多光谱影像构建一种潮滩提取指数

潮间带潮滩由于受到潮汐周期性淹没的影响导致难以精准确定其空间分布,因此,迫切需要利用遥感技术了解潮滩受潮汐淹没的光谱变化特征,构建潮滩提取指数,对潮滩的精准解译提供方法及基础数据支持。基于多时相Sentinel-2多光谱影像,通过分析高、低潮影像上不同地物的光谱反射率特征差异,优选出能反映潮滩特征的波段,构建一种海岸带潮滩提取指数。在此基础上,从三方面对已构建潮滩指数的可行性进行论证:(1)将潮滩提取指数应用到3个不同潮滩类型的研究区,研究了潮滩指数的可分离性及对不同潮滩类型区域的适用性,研究结果表明:与其他地类相比,构建的潮滩提取指数对潮滩具有较好的可分离性,并且适用于砂质、泥质不同种类的潮滩;(2)研究了潮滩提取指数对不同分类方法(包括最小距离法、极大似然法、支持向量机)的适用性,研究表明:采用所选取的三种分类方法进行潮滩解译时,其总体精度均大于93%,Kappa系数均大于0.85,潮滩提取指数对不同的分类方法均具有普适性,且可有效提高潮滩的解译精准度;(3)研究了潮滩提取指数对不同数据源的适宜性,采用“珠海一号”数据与本文Sentinel-2多光谱数据解译潮滩并对比结果,研究显示:构建的潮滩提取指数适用于不同数据源,且取得了较好的潮滩分类精度。该方法提高了海岸带潮滩遥感提取的准确度,丰富了潮滩遥感解译理论,对海岸带潮滩生态系统的科学管理与保护提供了理论指导与意义。

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)。