A phenology-based vegetation index for improving ratoon rice mapping using harmonized Landsat and Sentinel-2 data

Ratoon rice,which refers to a second harvest of rice obtained from the regenerated tillers originating from the stubble of the first harvested crop,plays an important role in both food security and agroecology while requiring minimal agricultural inputs.However,accurately identifying ratoon rice crops is challenging due to the similarity of its spectral features with other rice cropping systems(e.g.,double rice).Moreover,images with a high spatiotemporal resolution are essential since ratoon rice is generally cultivated in fragmented croplands within regions that frequently exhibit cloudy and rainy weather.In this study,taking Qichun County in Hubei Province,China as an example,we developed a new phenology-based ratoon rice vegetation index(PRVI)for the purpose of ratoon rice mapping at a 30 m spatial resolution using a robust time series generated from Harmonized Landsat and Sentinel-2(HLS)images.The PRVI that incorporated the red,near-infrared,and shortwave infrared 1 bands was developed based on the analysis of spectro-phenological separability and feature selection.Based on actual field samples,the performance of the PRVI for ratoon rice mapping was carefully evaluated by comparing it to several vegetation indices,including normalized difference vegetation index(NDVI),enhanced vegetation index(EVI)and land surface water index(LSWI).The results suggested that the PRVI could sufficiently capture the specific characteristics of ratoon rice,leading to a favorable separability between ratoon rice and other land cover types.Furthermore,the PRVI showed the best performance for identifying ratoon rice in the phenological phases characterized by grain filling and harvesting to tillering of the ratoon crop(GHS-TS2),indicating that only several images are required to obtain an accurate ratoon rice map.Finally,the PRVI performed better than NDVI,EVI,LSWI and their combination at the GHS-TS2 stages,with producer's accuracy and user's accuracy of 92.22 and 89.30%,respectively.These results demonstrate that the proposed PRVI based on HLS data can effectively identify ratoon rice in fragmented croplands at crucial phenological stages,which is promising for identifying the earliest timing of ratoon rice planting and can provide a fundamental dataset for crop management activities.

Mapping winter rapeseed in South China using Sentinel-2 data based on a novel separability index

Large-scale crop mapping using remote sensing data is of great significance for agricultural production, food security and the sustainable development of human societies. Winter rapeseed is an important oil crop in China that is mainly distributed in the Yangtze River Valley. Traditional winter rapeseed mapping practices are insufficient since they only use the spectral characteristics during the critical phenological period of winter rapeseed, which are usually limited to a small region and cannot meet the needs of large-scale applications. In this study, a novel phenology-based winter rapeseed index(PWRI) was proposed to map winter rapeseed in the Yangtze River Valley. PWRI expands the date window for distinguishing winter rapeseed and winter wheat, and it has good separability throughout the flowering period of winter rapeseed. PWRI also improves the separability of winter rapeseed and winter wheat, which traditionally have been two easily confused winter crops. A PWRI-based method was applied to the Middle Reaches of the Yangtze River Valley to map winter rapeseed on the Google Earth Engine platform. Time series composited Sentinel-2 data were used to map winter rapeseed with 10 m resolution. The mapping achieved a good result with overall accuracy and kappa coefficients exceeding 92% and 0.85, respectively. The PWRI-based method provides a new solution for high spatial resolution winter rapeseed mapping at a large scale.

Digital mapping of soil salinization based on Sentinel-1 and Sentinel-2 data combined with machine learning algorithms

Soil salinization is one of the most important causes of land degradation and desertification,especially in arid and semi-arid areas.The dynamic monitoring of soil salinization is of great significance to land management,agricultural activities,water quality,and sustainable development.The remote sensing images taken by the synthetic aperture radar(SAR)Sentinel-1 and the multispectral satellite Sentinel-2 with high resolution and short revisit period have the potential to monitor the spatial distribution of soil attribute information on a large area;however,there are limited studies on the combination of Sentinel-1 and Sentinel-2 for digital mapping of soil salinization.Therefore,in this study,we used topography indices derived from digital elevation model(DEM),SAR indices generated by Sentinel-1,and vegetation indices generated by Sentinel-2 to map soil salinization in the Ogan-Kuqa River Oasis located in the central and northern Tarim Basin in Xinjiang of China,and evaluated the potential of multi-source sensors to predict soil salinity.Using the soil electrical conductivity(EC)values of 70 ground sampling sites as the target variable and the optimal environmental factors as the predictive variable,we constructed three soil salinity inversion models based on classification and regression tree(CART),random forest(RF),and extreme gradient boosting(XGBoost).Then,we evaluated the prediction ability of different models through the five-fold cross validation.The prediction accuracy of XGBoost model is better than those of CART and RF,and soil salinity predicted by the three models has similar spatial distribution characteristics.Compared with the combination of topography indices and vegetation indices,the addition of SAR indices effectively improves the prediction accuracy of the model.In general,the method of soil salinity prediction based on multi-source sensor combination is better than that based on a single sensor.In addition,SAR indices,vegetation indices,and topography indices are all effective variables for soil salinity prediction.Weighted Difference Vegetation Index(WDVI)is designated as the most important variable in these variables,followed by DEM.The results showed that the high-resolution radar Sentinel-1 and multispectral Sentinel-2 have the potential to develop soil salinity prediction model.

Complementarity of Sentinel-1 and Sentinel-2 Data for Mapping Agricultural Areas in Senegal

The small size of agricultural plots is the main difficulty for crops mapping with remote sensing data in the Sahelian region of Africa. The study aims to combine Sentinel-1 (radar) and Sentinel-2 (Optic) data to discriminate millet, maize and peanut crops. Training plots were used in order to analyse temporal variation of the three crops’ signals. The NDVI (Normalized Difference Vegetation Index) was able to differentiate crops only at the end of the rainy season (October). The optical data as well as the radar ones could not easily discriminate the three crops during the growing season, because in that period vegetation cover is low, and soil contribution to the signals (due to roughness and moisture) was more important than that of real vegetation. However, the ratio of VH/VV (VH: incident signal in vertical polarization and reflected signal in horizontal polarization;VV: incident signal in vertical polarization and reflected signal in horizontal polarization) gave a difference between millet and the two other crops at the beginning cultural season (July 11). Difference appears from the second third of September when the harvest of cereals crops (millet and maize) began. From middle of October, the peanut signal dropped sharply thus facilitating the differentiation of peanut from the two other crops. This analysis led to the identification of data that have could be used to discriminate these crops (useful data). Classification of the combined useful data gave an overall high accuracy of 82%, with 96%, 61% and 65% for peanut, maize and millet, respectively. The non-agricultural areas (water, natural vegetation, habit, bare soil) were well classified with an accuracy greater than 90%.

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-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。

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时序数据的广东省英德市茶园分类研究

茶叶是一种高附加值的经济作物,是我国南方山区乡村振兴的主要抓手。由于毁林种茶等破坏行为,导致森林资源破坏并引发水土流失等生态环境问题。快速准确获取茶园的空间分布对于政府监管和茶叶产业的规划发展至关重要。由于研究区天气多阴雨,茶园分布较为分散,与森林等植被光谱较为接近等原因,导致基于卫星影像提取茶园挑战性较大。为了摸清英德市的茶园空间分布,系统分析了中高分辨率的多光谱Sentinel-2影像数据,结合多时序多特征信息在茶园提取中的应用潜力。以英德市全境为研究区,选用2019年—2021年的9期Sentinel-2影像数据,详细分析了茶树生长的物候特征,进一步探究了茶园和其他地类在多时序中的特征变化,采用Relief算法对所有特征进行重要性排序。根据特征排序结果,选取特征权重值加权90%的特征因子,即7个植被指数特征和2个纹理特征,通过不同的组合排序构建了9种茶园分类场景,采用RF算法对所有分类场景进行精度评价,选取最佳分类场景,进一步探讨了RF分类算法和SVM分类算法对茶园提取的可行性。结果表明:(1)在进行英德市茶园提取时,2月和10月是采用多时相构造茶园多特征的最佳组合,可能因2月茶树处于萌芽期长出部分嫩绿的新叶易于和森林植被区分且在10月前后由于茶园进行了修剪其特征也较明显,因此两时相特征融合易于区分茶园。(2)RF分类方法与SVM分类方法相比,后者的精度较高,其总体精度达到91.56%,Kappa系数为0.89,生产者精度和用户精度分别为80.22%和84.56%。该研究为快速高效获取英德市茶园空间分布信息提供了一种高效的方法,同时为政府在进行茶叶产业规划、管理提供了数据支持。

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.

多特征多层次Sentinel-2影像辽宁省湖库水体提取

以辽宁省为研究区,本文基于GEE遥感云平台,使用Sentinel-2遥感影像,提出了一种多特征多层次的湖库水体提取算法。该算法选择自动水体指数(AWEI sh)和改进的归一化水体指数(MNDWI)提取水体,并利用归一化植被指数(NDVI)、归一化建筑指数(NDBI)、归一化差异红边指数(NDREI)、Sentinel-2的B8和B9波段及DEM数据多层次地消除暗地物和高亮地物噪声,对提取结果中被云雾遮挡而部分缺失的水体进行修复,最后将河流及细小像素剔除。利用此算法提取了辽宁省2017—2021年每年4、7、10月的湖库水体,并对比了不同水体提取算法及不同的水体数据产品。试验结果表明,本文算法在大尺度条件下提取水体具有良好的效果,总体精度达96%以上,可以较好地去除植被、阴影等暗像元表面,并且保证了水体信息的完整性,在大尺度水体提取方面具有一定的适用性和稳定性。

基于Sentinel-2影像的新疆冰湖制图及空间分布特征

在全球气候变暖的背景下,新疆的冰川迅速融化,形成了大量规模较小的冰湖。部分冰湖在短时间内迅速扩大,并可能引发溃决洪水,提高对这些小型冰湖的制图精度对深入了解冰川冰湖灾害机理至关重要。本文基于Sentinel-2影像和DUNet语义分割模型生成2022年新疆冰湖数据集,并结合历史冰湖数据分析了冰湖的空间分布特征。结果表明,大(>10 hm^(2))、中(>1~10 hm^(2))、小(≤1 hm^(2))型冰湖的制图平均误差分别为2.29%、10.02%、27.71%,平均误差均小于已有的三种冰湖产品,其中面积>0.81 hm^(2)的冰湖相对误差为18.36%。2022年新疆>0.06 hm^(2)的冰湖数量为6854个,总面积为200.36 km^(2)。其中,≤1 hm^(2)的冰湖占总数量的70.32%,>1 hm^(2)的冰湖占总面积的92.49%。阿尔泰山区、天山西部、天山南部是新疆冰湖分布最集中的区域,也是近30年来冰湖数量增加最多的区域;在各区域中,面积≤10 hm^(2)的冰湖数量增加最为显著。本研究可为新疆冰湖灾害预警、冰湖灾害评价提供数据支持和有效依据。

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。

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。