基于Sentinel-1数据的黑河中游土壤水分反演

基于Sentinel-1合成孔径雷达 (SAR) 数据及相同时段的中分辨率成像光谱仪（MODIS）和Landsat 8两种归一化植被指数（NDVI）,构建变化检测模型以估算黑河中游的高分辨率土壤水分,并探讨模型中具体参数设置对估算精度的影响。结果表明：①在对后向散射系数时间序列的差值 ( \mathrm{\Delta } \sigma ) 和植被指数 ( \mathrm{V} \mathrm{I} ) 进行线性建模过程中,MODIS NDVI和Landsat 8 NDVI这两种植被产品所构建的模型在 \mathrm{\Delta } \sigma - \mathrm{V} \mathrm{I} 空间中所选取的采样点比例分别为2%和4%时,各自取得最优精度; ②以土壤水分反演为目标,使用Landsat 8 NDVI构建的变化检测模型略优于使用MODIS NDVI构建的变化检测模型,两种模型的均方根误差RMSE分别为0.040 m³/m³和0.044 m³/m³,相关系数R分别为0.86和0.83; ③对于变化检测方法的关键参数,若使用低分辨率的SMAP/Sentinel-1 L2_SM_SP土壤水分数据分别代替站点观测的土壤水分初始值和缩放因子 (即两个连续时相土壤水分变化的最大值 \mathrm{\Delta } M s_{max} ) 这两个参数,则土壤水分RMSE将分别增加0.01 m³/m³和0.04 m³/m³。即土壤水分缩放因子这一参数的误差对反演结果的影响大于土壤水分初始值误差对反演结果的影响,故采用高精度的缩放因子进行变化检测估算。研究结论对于利用新兴的Sentinel-1 SAR数据,通过变化检测算法准确获取高分辨率土壤水分信息具有实际参考价值。     

Sentinel-1和Sentinel-2协同反演地表土壤水分

土壤水分是水文循环、生态环境、气候变化等研究中的关键参数,获取高分辨率长时间序列的土壤水分信息对农业管理、作物生长监测等具有重要的意义,同时也是研究的难点。基于时间序列(2019年至2020年)的Sentinel-1雷达数据和Sentinel-2光学数据,构建了地表土壤水分的雷达与光学数据协同反演模型,即裸土条件下地表土壤水分的变化检测方法,并利用归一化植被指数对植被影响进行校正,实现了青藏高原多年冻土区(五道梁)100 m空间分辨率的土壤水分反演。与地面实际观测的土壤水分进行对比验证,结果表明土壤水分反演结果与地面实测数据的相关系数介于0.672与0.941之间,无偏均方根误差介于0.031 m³/m³与0.073 m³/m³之间,土壤水分变化与区域降水事件和特征密切相关,验证了本文提出的考虑植被物候的变化检测方法在地势平坦、植被稀疏的青藏高原地区具有极高的适用性。     

基于Sentinel-1及 Landsat 8数据的黑河中游农田土壤水分估算

土壤水分是陆地表层系统中的关键变量。利用主动微波遥感,特别是合成孔径雷达(Synthetic Aperture Radar,SAR)的观测,在监测和估计表层土壤水分时空分布方面已开展了诸多研究。然而,SAR土壤水分反演仍存在诸多挑战,特别是地表粗糙度和植被的影响。因此,本文提出了一种结合主动微波和光学遥感的优化估计方案,旨在同步反演植被含水量、地表粗糙度和土壤水分。反演算法首先在水云模型的框架下对模型中的植被透过率因子(与植被含水量密切相关)采用3种不同的光学遥感指数——修正的土壤调节植被指数(Modified Soil Adjusted Vegetation Index,MSAVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和归一化水体指数(Normalized Difference Water Index,NDWI)进行参数化估计,用于校正植被层的散射贡献。在此基础上,构造基于SAR观测和Oh模型的代价函数,利用复型洗牌全局优化算法进行土壤水分和地表粗糙度的联合反演。采用Sentinel-1 SAR和Landsat 8多光谱数据在黑河中游开展了反演试验,并利用相应的地面观测数据对结果进行了验证。结果表明反演结果与地面观测具有良好的一致性,其中基于NDWI的植被含水量反演效果最佳,与地面观测比较,土壤水分决定系数(R 2)在0.7以上,均方根误差(RMSE)为0.073 m^ 3/m^ 3;植被含水量R 2大于0.9,RMSE为0.885 kg/m 2,表明该方法能够较准确地估计土壤水分。同时发现植被含水量的估计结果,以及植被透过率的参数化方案对土壤水分的反演精度有一定的影响,在未来的研究中需要进一步探索。     

基于Sentinel-1和MODIS数据反演农田地表土壤水分—以REMEDHUS地区为例

土壤水分是陆地生态系统和水循环的重要状态变量,在植被生长监测、农作物产量评估等研究中均发挥着重要作用。为了消除植被散射的影响,进而实现农田地表土壤水分的高精度反演,以时间序列Sentinel-1影像及MODIS产品为实验数据,基于高级积分方程模型和比值植被模型的耦合模型,通过采用不同光学植被参数和VH交叉极化后向散射系数,分别对农田植被散射贡献进行表征,消除植被散射的影响,进而实现土壤水分的高精度反演。结果表明：当利用VH极化进行参数化植被散射贡献时,标定的耦合模型,虽然可消除对光学植被参数的依赖并较好地模拟Sentinel-1卫星观测,但土壤水分反演结果效果欠理想,相关系数R最大仅为0.54;与VH极化相比,利用光学植被参数表征植被散射贡献时,土壤水分整体反演效果较理想,R最大达到0.79,但光学植被参数反演结果在不同站点存在显著的空间差异性,R介于0.07~0.79之间。因此,在未来研究中可尝试将雷达数据与光学数据协同反演,以期在消除植被散射影响的基础上,实现植被覆盖区域土壤水分的高精度反演及动态变化监测。     

基于Sentinel-1双极化数据改进水体提取的Otsu算法

基于SAR图像的阈值分割法是水体信息有效提取的常用方法之一。针对Otsu算法对于SAR影像水体提取精度低、噪声大的问题,以C波段Sentinel-1 SAR为数据源,提出一种基于Otsu算法的SAR图像水体提取新方法。该方法首先基于双极化数据构建自然指数函数,优化原始Sentinel-1数据图像像元直方图分布,再结合Otsu算法对图像进行水体提取,最后基于DEM数据去除误提取的山体阴影。以同一天的Landsat 8光学影像作为真实水体样本进行精度评定,结果表明：在不同水体占比情况下,该方法水体提取精度均优于Otsu算法,在水体占比小于10%时综合精度提升约为20%—60%,而且噪声小、适用性强,可用于快速高效获取大范围内水体信息。     

基于Sentinel-1 SAR数据巢湖流域洪水时空动态变化监测研究

洪涝灾害危害巨大,对区域人民生命财产和经济发展造成重大威胁,回溯区域洪水事件,甄别洪水风险区,判断洪水时空特征,并给出规划建议非常重要。以巢湖流域为试验区,基于Sentinel-1合成孔径雷达（SAR）影像,构建了谱间关系与阈值分割相结合的洪水淹没识别方法,应用于Google Earth Engine平台上,获得了2015～2020年巢湖流域洪水时空格局,结合土地利用数据,分析了洪水对巢湖流域农田和以建设用地代表的居民点的影响。结果表明：(1)该方法精度相比单波段阈值和简单指数法提升了3%～7%,能够快速应用遥感数据提取历年流域洪水淹没范围;(2)2015～2020年间,监测到两次特大洪水和一次小规模洪水,淹没范围集中在杭埠河、裕溪河、兆河等河流区域;(3)农田占据受淹面积的86.47%～95.35%,建设用地占据4.47%～5.36%,受到洪水影响的居民点主要为基层村庄及乡镇。研究表明了SAR卫星数据在监测巢湖流域洪水有良好的适用性,有助于掌握洪水对农田和乡村居民点的破坏程度,对于未来制定相关规划战略,加强流域乡村洪水控制保障人员与粮食安全十分关键。     

基于深蓝算法的Sentinel-2数据气溶胶光学厚度反演

中高分辨率气溶胶信息对于高精度地表反射率反演以及城市空气环境质量监测具有重大意义,但在城市及稀疏植被等高亮地表区域,气溶胶光学厚度(AOD)的高精度反演一直是定量遥感领域的难点之一。以北京城市区和包头沙漠区为例,利用MODIS地表反射率产品构建先验知识约束条件,基于深蓝算法实现了13景Sentinel-2高亮地表的AOD反演。为验证算法精度,将反演结果与全球气溶胶自动观测网(AERONET)站点实测值、Sentinel-2官方插件Sen2Cor处理结果、Landsat-8反演值作对比。结果表明:①采用深蓝算法反演的AOD值与AERONET实测值具有显著的相关性(R^2>0.9,RMSE=0.056);②无论是沙漠高亮区还是植被较少的城市高亮区,Sen2Cor插件反演的AOD值整景均为固定值,无空间分布,不符合实际情况;③Sentinel-2深蓝算法反演结果与准同步过境的Landsat-8反演的AOD产品在空间分布上具有高度一致性,较好地反映了人类活动特征。相比于目前官方产品,深蓝算法适合Sentinel-2数据高亮区域的气溶胶反演,在绝对精度和空间分布趋势方面均具有明显优势。     

基于SMOS、SMAP数据的青藏高原季风及植被生长季土壤水分长消特征研究

青藏高原地理位置特殊、环境特征显著,是地球系统作用的关键参与和决策者。利用大尺度的星载微波遥感数据开展其土壤水分研究,不仅能为理解典型地区对全球水、气、能、热交互机制的量化影响提供理论支持,还能够为证实遥感数据的可靠性提供实践依据。以SMOS(2011—2020)和SMAP(2016—2020)卫星土壤水分数据为主,以ISMN实测数据、GPCP降水数据、MOD16A2蒸散发数据、C3S地表类型数据为辅,利用土壤水分(年均值,■与时间之间的相关系数(R_xt),研究青藏高原土壤水分在季风及植被生长季(7—9月)的时空分布及长消特征;进而利用偏相关系数(R_xy,z),初步分析了土壤水分与降水和蒸散发的耦合关系。结果显示,青藏高原土壤水分在时间上呈现先减(2011—2015年)后增(2015—2018年)随后波动变化(2018—2020年)的趋势,在空间上呈现自西北向东南逐渐升高的趋势;大部分地区的土壤水分与降水的耦合表现强于蒸散发;SMOS和SMAP对青藏高原土壤水分时空特征的捕捉具有较高的一致性。     

青藏高原L波段微波辐射观测与土壤水分反演研究进展

土壤水分是地气间水热交换的重要变量,影响着地表感热潜热划分、水分收支和植被蒸腾等过程,青藏高原土壤水分的研究对于改进高原水分循环和能量平衡的模拟研究具有重要意义.随着SMOS、SMAP等卫星的发射,L波段被动微波遥感技术成为大尺度监测土壤水分的主要手段.分别从L波段星—机—地观测与微波辐射模拟、区域尺度土壤水分观测、卫...     

基于Sentinel-1/2影像的水稻种植面积提取方法研究——以三江平原为例

水稻是中国主要粮食作物之一,稻米产量关系到民生福祉。及时、准确地获取水稻种植面积信息及其空间分布状况对于区域农业发展规划和产量评估具有重要意义。针对水稻与其他农作物易混以及光学数据易受云雨天气影响等问题,以东北三江平原为例,利用中高分辨率Sentinel-1微波数据、Sentinel-2光学数据,分别构建时序水体指数SDWI和植被指数NDVI组成水稻完整的物候生长曲线,分析水稻移栽期、分蘖期、抽穗期、成熟期4个重要生长时期不同的光谱差异,通过阈值分割和组合不同时期的数据,来实现水稻不同物候时期种植面积的提取,并与传统的基于单一光学数据的方法进行对比。研究结果表明：经过地表样本点的验证,所构建方法可以精确提取三江平原水稻几个关键生育期的种植面积并且优于单一使用光学数据的方法。同时利用单生育期影像例如移栽期影像提取水稻面积也可使总体精度达到87.08%,随着生育期数据的完整,总体精度也不断提高,其中基于全生育期的面积提取总体精度也高达91.88%,Kappa系数为0.834,可以满足实际应用需求。因此这种的多源数据结合的水稻种植面积提取方法能够准确、高效地提取三江平原水稻不同物候时期种植面...     

基于MODIS数据的渭河流域土壤水分反演

利用MODIS产品数据MOD11A1、MOD13A2和MOD15A2获取地表温度(TS)、昼夜温差(TSD)、表观热惯量(ATI)、归一化植被指数(NDVI)、增强植被指数(EVI)、叶面积指数(LAI),构建渭河流域2006年8月1日、8月6日的TS-NDVI、TS-EVI、TS-LAI、TSD-NDVI、TSD-EVI、TSD-LAI、ATI-NDVI、ATI-EVI、ATI-LAI特征空间,根据TS-NDVI、TS-EVI、TS-LAI、TSD-NDVI、TSD-EVI、TSD-LAI、AI-NDVI、ATI-EVI、ATI-LAI特征空间建立了温度归一化植被指数型干旱指数(TNDI)、温度增强植被指数型干旱指数(TEDI)、温度叶面积指数型干旱指数(TLDI)、温差归一化植被指数型干旱指数(DTNDI)、温差增强植被指数型干旱指数(DTEDI)、温差叶面积指数型干旱指数(DTLDI)、表观热惯量归一化植被指数型干旱指数(ANDI)、表观热惯量增强植被指数型干旱指数(AEDI)、表观热惯量叶面积指数型干旱指数(ALDI),并以这些干旱指数作为土壤水分监测指标,反演了渭河流域2006年8月1日、8月6日的土壤水分.利用TDR实测10cm土壤水分进行相关分析表明: TEDI、TNDI、TLDI在高植被覆盖的地区、低植被覆盖的地区进行土壤水分反演和干旱监测都能取得较好的效果,其中TEDI效果最好;DTNDI、DTEDI、DTLDI、ANDI、AEDI、ALDI比较适合在低植被覆盖的地区进行土壤水分反演和干旱监测,但在高植被覆盖的地区效果较差,不适合进行土壤水分反演和干旱监测.     

基于Sentinel-1与Landsat 8的巢湖地区洪水淹没灾害分析

为及时准确得到阴雨天气下的洪水淹没区域及受灾情况,以巢湖流域作为研究区域,选择灾前、灾后的Sentinel-1影像作为数据源,基于SDWI指数及直方图双峰法提取水体信息,结合Landsat 8数据对山体阴影进行去除,快速提取洪水淹没范围,分析洪涝灾害前后时空变化特征,并结合Landsat 8数据获取的土地利用类型分类图,对受灾地区进行灾情评估。结果表明：2020年6—9月巢湖流域重灾区域集中于巢湖西部、东部、北部,耕地、居民地受灾程度严重;利用多时相Sentinel-1影像快速提取洪涝受灾情况,可为国家减灾备灾、应急救灾、恢复重建工作提供有力的数据支撑。     

基于Sentinel-1与FY-3C数据反演植被覆盖地表土壤水分

基于新一代的Sentinel-1SAR数据与FY-3C的MWRI数据,研究植被覆盖地表土壤湿度反演方法。为消除植被对土壤湿度反演影响,首先利用FY-3C/MWRI的微波极化差异指数MPDI,建立植被含水量反演模型;然后,结合植被含水量反演模型和水—云模型,发展一种主被动微波联合反演植被覆盖地表土壤含水量模型;最后,在江淮地区开展反演试验,利用观测的土壤湿度数据进行反演结果的精度验证。结果表明:(1)对于植被覆盖地表土壤湿度反演,由FY3C/MWRI提取的MPDI对于去除植被影响效果较好;(2)相比于VH极化哨兵1号卫星数据,VV极化数据更适用于土壤含水量的反演,能够得到更高的土壤湿度反演精度;(3)哨兵1号卫星数据能够获得较高精度的土壤含水量反演结果,试验反演的土壤湿度值与实测值相关系数为0.561 2,均方根误差为0.044cm~3/cm~3。     

基于MODIS数据反演阜新地区土壤水分的研究

利用MODIS数据计算表观热惯量模型反演阜新地区春季的土壤含水状况分布。通过处理 2009、2010年4月的数据,拟合表观热惯量与土壤含水量的关系模型,得到阜新地区土壤含水状况分布图。通过与37个实测点土壤含水量数据对比验证表明,深度为0~10 cm时,相对误差均值为5.4%;深度为10~20 cm时,相对误差值为10.82%;深度为20~30 cm时,相对误差值为16.50%,相对误差都满足地区实际反演要求,并随土层深度增加相对误差均值增大。     

基于深度学习的Sentinel-1A影像冰川识别北大核心CSCD

冰川监测对于气候变化研究及区域可持续发展有重要意义,利用遥感影像提取冰川边界是冰川监测的关键。利用Sentinel-1A结合地形数据,通过基于VGG16、MobileNetV2的UNet和DeepLabV3+卷积神经网络对喀喇昆仑地区的冰川进行识别,并比较VH极化和VV极化下的识别精度。结果表明,VH极化的识别精度整体高于VV极化。基于MobileNetV2网络的识别精度不如VGG16高,但实现了精度相当的同时提高了运行效率。基于相同的主干网络,DeepLabV3+较UNet网络识别精度高,即基于VGG16的DeepLabV3+网络精度最高,在VH极化下其识别总体精度可达95.18%,交并比IoU可达84.33%,均交并比mIoU达到88.91%。卷积神经网络对纯净冰川、表碛冰川及冰川湖都有较好的识别效果,且识别出部分前进冰川,为大区域山地冰川的快速且半自动化识别提供了技术基础。     

基于Sentinel-3A的北部湾海域叶绿素a浓度遥感反演研究

以北部湾为研究对象,基于Sentinel-3A卫星搭载的OCLI水色传感器,探索了叶绿素浓度的遥感反演方法。通过利用实测光谱数据对北部湾海域进行了分区,结合实测的叶绿素a浓度和Sentinel-3A遥感数据尝试不同的反演因子,包括波段比值、波段差值和波段差比,构建了叶绿素a浓度的遥感反演模型。研究结果表明：(1)北部湾海域的遥感反射率曲线呈现明显的分区的特征,结合光谱特征将北部湾海域分为近岸水体、过渡水体和离岸水体;(2)不同水体类型适用不同的反演因子构建模型,其中R_rs(764.375)/R_rs(681.25)用于近岸水体,[1/R_rs(620)-1/R_rs(708.75)]/R_rs(753.75)用于过渡水体,R_rs(708.75)-R_rs(764.375)用于离岸水体,均取得了较好的拟合效果,相应的R2值分别为0.67、0.80和0.8;(3)分区的方法有效的提高了遥感反演北部湾叶绿素浓度模型的适用性和精度。研究基于Sentin...     

基于宇宙射线观测的喀斯特槽谷区典型流域土壤水分反演研究

宇宙射线中子法是一种百米尺度的土壤水分无损测量方法。基于重庆市青木关槽谷区多个站点的多层土壤水分观测数据,针对宇宙射线土壤水分观测系统（COSMOS）同步测得的中子序列开展了土壤含水量反演研究。在反演算法研究过程中,引入S-G滤波对COSMOS快中子数进行平滑,分析了植被含水量的影响,探索和优化了算法率定和验证阶段不同的数据筛选方案。结果表明：该区域植被含水量对COSMOS反演结果影响较小,且考虑全时段土壤水分水平下发展的算法能得到与实测区域平均更为一致的土壤水分序列。最后应用该反演算法进一步生成了COSMOS观测时段的长时间序列土壤水分产品,并与周边相邻土壤水分观测进行间接验证,揭示了该区域的土壤水分季节变化特征。该研究发展的COSMOS土壤水分反演算法在该区域展现了较强的适用性,可为重庆市青木关喀斯特槽谷区典型流域的区域尺度土壤水分观测与水文气象分析提供支持。     

基于多源遥感数据协同反演森林地表土壤水分研究

土壤水分在土壤监测中是一项重要的指标,对于农业生产、生态环境以及水资源管理有着重要的影响.随着遥感建模与反演理论的不断成熟,其逐渐成为分析土壤指标的重要技术与手段.因此,利用光学影像与雷达影像数据,以大兴安岭地区漠河市为研究区域,分别建立以Landsat 8为数据源的土壤水分反演模型和由Landsat 8影像数据与GF...     

反演策略对SMOS土壤水分反演算法的影响研究

为降低SMOS土壤水分反演算法的复杂度、提高土壤水分反演精度,对SMOS土壤水分反演策略进行调整：将多参数反演改为单参数反演以简化观测与模拟亮温的代价函数,以固定步长（0.001 m3/m3）代替不定步长从而避免复杂的矩阵运算,将围绕土壤水分先验值的少量局部搜索调整为全土壤水分区间（0~0.05 m³/m³）的密集全局搜索。利用美国USCRN 44个站点实测土壤水分分别与SMOS官方反演的土壤水分和SMOS调整算法反演的土壤水分进行对比分析。结果表明：与SMOS相比,算法调整后土壤水分的平均绝对偏差MAD、均方根误差RMSE和无偏均方根误差ubRMSE分别降低了0.012、0.018和0.020 m3/m3。     

被动微波遥感反演土壤水分进展研究

在地球系统中, 地表土壤水分是陆地和大气能量交换过程中的重要因子, 并对陆地表面蒸散、水的运移、碳循环有很强的控制作用, 大面积监测土壤水分在水文、气象和农业科学领域具有较大的应用潜力。被动微波遥感是监测土壤含水量最有效的手段之一, 相比红外与可见光, 它具有波长长, 穿透能力强的优势, 相比主动微波雷达, 被动微波辐射计具有监测面积大、周期短, 受粗糙度影响小, 对土壤水分更为敏感, 算法更为成熟的优势。然而微波辐射计观测到的亮温除了受土壤水分影响外, 还要考虑如植被覆盖、土壤温度、雪覆盖以及地形、地表粗糙度、土壤纹理和大气效应以及地表的异质性等其它因子的影响。目前, 已研究出许多使用被动微波辐射计反演土壤水分的方法,这些方法大部分是围绕着土壤湿度与亮温温度之间的关系进行, 同时也考虑其它各种不同因子对 地表微波辐射的影响。从介绍被动微波反演地表参数的原理入手, 重点介绍被动遥感反演土壤水分当前的算法进展、研究趋势等。