基于Sentinel-2影像的多种水体指数法提取地表水对比研究

高时空分辨率的Sentinel-2影像日渐成为地表水体提取的主要遥感数据源,开展基于该卫星影像的多种水体指数方法提取效果的对比研究,对提升地表水遥感监测能力具有重要参考价值。本研究针对目前较为常用的7种水体指数（NDWI、MNDWI、AWEInsh、AWEIsh、WI2015、CDWI和MNDWI＿VIs）,以分布在华北、东北、长江中下游和西北的具有不同地表水体类型组合特征的4个样区为例,在GEE(Google Earth Engine)平台上采用Sentinel-2 MSI影像实现了基于7种水体指数的地表水提取,进而定量分析了不同指数提取水体的精度。结果表明：总体而言,7种水体指数均可以较好识别地表水,但在不同类型的地表水体提取时的表现存在一定的差异;NDWI指数在瞬时性水体（如水田、洪泛区等）会低估地表水的分布,漏分率较高;而AWEInsh、AWEIsh和WI2015指数整体存在高估倾向,错分率较高;MNDWI＿VIs水体指数在复杂水体类型的区域提取精度保持最高;在长时序水体变化监测方面,7种水体的性能表现与基于单景影像所得结论基本一致。本研究为不同类型水体开展地表水监测提供了重要...     

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-2的海南耕地复种指数监测及时空变化分析

海南是发展热带特色高效农业的黄金宝地,开展高时空分辨率耕地复种指数遥感监测与时空变化分析对海南农业生产管理具有重要意义。基于Sentinel-2数据,利用最大值合成法和Savitzky-Golay滤波对NDVI时间序列曲线作平滑重构,结合二次差分法计算2016—2020年海南耕地复种指数,分析海南省耕地复种指数的时空演变特征。结果表明：通过2020年地面调查数据验证,海南耕地复种指数提取总体精度达91.94%,Kappa系数为0.88。海南省耕地复种指数从2016年1.53提升到2020年1.66,提高了0.13。从2016年到2020年单季种植面积占比增加了6.10%,两季种植面积占比减少了2.65%,三季种植面积占比增加了5.10%,休耕或抛荒耕地面积占比减少了5.60%。海南省各市县耕地复种指数在1.28—1.96区间内,其中海口市、三亚市、东方市、临高县等地区耕地复种指数上升,而琼海市、万宁市、琼中县等地区耕地复种指数下降。研究结果可为海南农业部门合理调整休耕、开垦方案等政策,实施热带高效农业可持续发展战略提供数据和决策支撑。     

青海湖区域水体识别系统设计

青海湖是我国最大的内陆湖,其对于当地生态系统起着至关重要的作用.对青海湖水体进行快速有效监测,成为研究的一个方向.目前的水体识别研究多采用单机版来进行实现,其存在识别速度较慢,自动化程度低等问题.随着遥感数据量的日益增长,传统识别方法难以满足需求.基于Hadoop和Spark分布式大数据框架,设计并实现了自动化水体识别系统.该系统主要实现了遥感图像的数据存储,数据读取,数据处理,模型预测等功能模块,并最后通过shell脚本来实现系统的自动化执行.最后选用了青海湖区域三天遥感图像数据来对系统进行验证.实验结果表明,该系统能够自动完成水体识别流程,并能准确的预测水体.     

基于分布式计算的遥感图像水体识别研究

为了提高遥感数据的处理速度,解决遥感信息提取中的数据密集与计算密集问题,将并行计算的思想引入到遥感图像的处理与信息提取中,构建基于Landsat ETM+影像的分布式遥感图像水体提取模型。以渭干河流域为研究区,利用单波段阈值法、多波段谱间关系法、水体指数法等方法进行水体信息自动提取的实验。实验结果表明,该模型具有较高的识别精度,能够快速识别水体,并具有稳定的可扩展性和伸缩性。     

基于Sentinel-2A影像光谱和纹理特征的冬小麦叶面积指数估算模型研究

叶面积指数(Leaf Area Index, LAI)是反映作物生长状态的重要指标,常用植被指数来反演。传统的反演模型大都是基于多变量的多元回归模型,而基于双变量的多元回归模型在LAI反演中的潜力还未被充分发掘。通过提取卫星影像的光谱特征和纹理特征,基于皮尔逊相关系数分析各个遥感特征与冬小麦LAI之间的相关性,利用简单回归模型(Simple Regression, SR)、多元线性回归模型(Multiple Linear Regression,MLR)和随机森林回归模型(Random Forest Regression,RFR)开展遥感特征与冬小麦LAI之间的关系模型构建反演研究,并结合精度指标(决定系数R²,均方根误差RMSE,相对均方根误差rRMSE)判定各反演模型的反演精度,以提出最优的反演模型。研究表明：(1)所有植被指数和部分纹理指数在反演LAI中取得了较好的反演效果(R²>0.6)。其中,通用归一化植被指数(Universal Normalized Vegetation Index, UNVI)在各植被指数中表现最好(R     

基于GEE和Sentinel-2时序数据的呼伦贝尔沙地及其周边植被类型识别研究

沙地及其周边植被对固定沙丘、防止水土流失和环境治理等方面具有重要作用,开展沙地及其周边植被类型识别研究对于客观地反映沙地及其周边的生态环境,进而为沙地恢复治理政策制定具有重要意义。GEE云平台丰富的长时间序列遥感数据和强大的云计算能力,为开展大区域植被类型识别提供了便捷。本研究基于GEE云平台存储的2019年Sentinel-2时序数据,采用RF算法开展呼伦贝尔沙地及其周边主要植被类型的空间判识研究,探索了GEE平台下顾及植被物候信息的植被类型识别效果。研究发现：(1)Sentinel-2影像的光谱信息和近红外波段的纹理信息对研究区的主要植被类型识别能力有限,而物候特征有效地弥补了原始光谱特征等对研究区不同植被类型区分能力的不足;(2)基于RF算法顾及物候特征的植被类型识别精度达到84.37%,Kappa系数为0.8,比单一时相数据的识别精度提高了10.01%;(3)呼伦贝尔沙地及其周边主要植被类型的物候特征差异明显,有助于不同类型植被的空间识别,特别是提高了灌草丛和草原的识别精度。研究表明利用Sentinel-2数据和GEE云平台对沙地等大区域植被类型的识别具有较大的潜力和广阔的应用...     

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...     

耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型研究

云覆盖阻碍了光学遥感卫星对地观测的有效范围,快速、准确的云检测是遥感应用产品生成过程中的重要一步。针对Google Earth Engine云平台中缺乏适用且高质量的云检测模型,以热带多云的斯里兰卡为研究区,构建了耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型,通过实验从目视判读与定量分析两个角度对比了其与QA60法、Cloud-Score算法以及Fmask的云检测精度,并在海南岛和亚马逊森林两个地区进行了云检测测试。研究结果表明：Fmask模型的云检测性能最低,总体精度仅为63.45%,存在严重的水体误分为云的现象,但其漏提率极低;QA60法对卷云识别不足,漏提率较高,同时存在一定的误分现象,并且低空间分辨率影响了云体边界提取结果的细节性;Cloud-Score算法的云检测性能明显好于QA60法,总体精度达到了89.83%,误提率仅为2.17%,但仍存在部分卷云漏提的现象;相比于其他3种云检测方法,本文提出的云检测模型总体精度最高,达到了98.21%,并且拥有极低的漏提率和误提率,能比较精准地识别出云体的边界,可满足Sentinel-2遥感产品的云检测预处...     

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。     

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...     

基于多时相Sentinel-2影像的黑河中游玉米种植面积提取研究

玉米是黑河中游种植面积最大的农作物,生长期需水量大、蒸散量高.准确获取玉米种植面积对该区域农作物种植结构调整、水资源合理规划有重要参考意义.基于2019年4月至9月Sentinel-2多时相影像,采用随机森林算法开展了黑河中游玉米种植面积提取研究.研究方法分为两类—直接提取法和两步提取法.进一步探讨了多时间信息量对玉米...     

影像图中水体识别与提取技术研究综述

随着工业的发展与生活水平的提高,水资源的需求逐渐升高,在水资源的高效动态化管理等方面提出了更高的要求。科学监测水量、水质及水体分布有助于了解各地水资源的流域分布、水体变动和污染情况。目前,水体的大范围监测主要依靠人工野外勘测,耗时、危险、无法实时监控水体动态,卫星遥感数据可以高效、准确地获取水体各类形态参数,涉及位置、面积、河宽等多个信息。随着遥感卫星测绘数据量的增加、空间分辨率的提升以及影像识别算法的深入研究,智能化高效解释水体信息是一项重要的研究课题。基于合成孔径图像与光学图像,总结影像图识别算法通用性与匹配校准,对高精度全自动化影像信息提取算法进行了展望。     

Sentinel-2监测西藏冰崩灾害

利用Sentinel-2卫星遥感数据监测了2016年和2018年发生在西藏阿汝错和色东普沟的冰崩灾害,重现了两次冰崩灾害事件全过程,2022年2月还对阿汝错冰崩区进行了实地调查。结果表明：阿汝错53号冰崩是一起冰川前部断裂解体后发生的冰崩,冰崩体于2018年7月全部消融,而阿汝错50号冰崩是一起典型的冰川前部垮塌产生的冰崩,2021年6月22日仍有冰崩体面积0.58 km²。2017年和2018年4次大规模冰崩—岩崩—碎屑流事件不仅对色东普沟地表地貌形态和沟口水流状况产生了重要影响,对色东普流域造成了重大灾害。西藏东西两次冰崩灾害事件是气候变暖和局地强降水作用在特定的高山冰雪地形地貌结构上发生的。其中,阿汝错冰崩事件是由气候和天气驱动的外力强迫作用在该区多温和软性基岩的冰川特性上引起的,是一起历史罕见的低角度冰川的巨大灾难性不稳定事件。气候变暖引起的冰雪消融和局地强降雨是色东普沟冰崩–岩崩灾害事件发生的主要诱发因素,且呈多发、频发、周期性特点,今后很长的时间内仍会多次发生。     

利用Sentinel-1A数据的纳木错湖面月际变化监测北大核心CSCD

针对高原湖泊缺乏月际面积变化监测的问题,基于Sentinel-1A SAR数据,以纳木错湖为实验区,采用面向对象分割方法,通过最大类间方差法(Otsu)确定湖泊提取分割阈值,并结合灰度共生矩阵提取的纹理特征,进行湖泊面积提取并分析其变化情况。结果表明:Otsu法提取水体速度快但提取精度低,基于纹理特征方法提取水体边界清晰但存在误提现象,两种方法相结合提取准确率达到95.12%,精度明显提高;通过分析提取结果得到,2018年12个月纳木错水域面积呈现动态变化趋势,1—3月湖泊面积最小,随后缓慢增加,在9—10月达到年内稳定最大值;气温升高和降水增加是影响湖泊面积变化的主要正向驱动因素,风速的增大是主要负向驱动因素,湖面面积的变化与蒸发量、日照时数相关性不明显。     

基于生成对抗网络的Sentinel-2遥感图像超分辨率分析

为了将开放访问的Sentinel-2卫星遥感图像的分辨率提升至商业卫星的水平,提出基于生成对抗网络（GAN）的超分辨率分析方法 KN-SRGAN,该方法仅使用开放数据提供的图像,不须高分辨率监督图像,通过核估计和噪声注入构造高-低分辨率图像对训练数据集,构建带有感知特征提取器的GAN,实现卫星图像×4倍的超分辨率分析。与残差通道注意力网络（RCAN）、强化深度残差网络（EDSR）、强化超分辨率生成对抗网络（ESRGAN）、退化核超分辨率生成对抗网络（DKN-SR-GAN）等最新方法比较,KN-SRGAN的生成图在直观视觉效果上具有更清晰的细节以及更好的感知效果,无参考图像质量评估指标的定量对比也证明了KN-SRGAN的有效性。     

基于GF-2影像的沈阳市黑臭水体遥感分级识别

城市黑臭水体遥感分级识别对于黑臭水体的监管及治理具有重要作用。针对目前黑臭水体遥感识别算法无法对河流黑臭程度分级这一问题,在沈阳市建成区内开展野外实验,对比分析一般水体、轻度黑臭水体和重度黑臭水体的反射率光谱差异,利用绿波段反射率的基线差值与红波段反射率之比,提出了一种城市黑臭水体遥感分级指数BOCI(Black and Odorous water Classification Index)模型。首先采用实测光谱数据对BOCI模型检验,并将其与改进后归一化比值模型进行对比,结果表明,BOCI模型具有更高的黑臭水体识别精度,且可以将重度黑臭水体与轻度黑臭水体区分开,解决了现有模型无法对黑臭水体污染程度分级的问题;然后将BOCI模型应用于沈阳市同步GF-2影像进一步检验,同样取得了较高的识别精度;最后将该模型应用于2015~2018年4景GF-2影像,对研究区内黑臭水体进行动态监测,结果显示,新开河、南运河和满堂河黑臭现象逐步得到改善,辉山明渠黑臭现象依然很严峻。     

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。