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...     

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...     

陆地卫星遥感图像云检测及云去除方法研究

云一直是遥感图像处理、图像分析的一大障碍。由于受到云层遮挡的影响,就无法获得云层覆盖地区的信息,严重影响图像的质量。为了解决这一问题,研究了利用陆地卫星遥感图像ETM+云检测的方法,以及用相近时相卫星图像去除云的方法。通过相近时相卫星图像替代云区实现了云去除,保证了图像的连续性和客观性,提高了遥感图像的利用率。     

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...     

遥感图像的云分类和云检测技术研究

为了有效减小云层遮盖对遥感图像数据利用率的影响,提出了一种基于灰度特性 的算法,实现了遥感图像高效自动的云分类及云检测。该方法首先将大幅遥感图像切分成小块 子图,然后统计子图灰度值的均值和方差,在此基础上将云分成无云、薄云和厚云三类,最后 通过边缘检测算法,实现了对厚云影响范围的有效标记。对100 幅典型水域遥感图像的实验测 试结果表明：正确云分类判别率达到97%,误判率小于4%,漏判率小于2%,基本满足实时性 需求,证明了该算法的有效性。     

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GEE云平台的黄河源区河流径流量遥感反演研究

河流径流量是陆地上最重要的水文要素之一,准确获取径流信息对于区域的水资源评价和生态修复方面都具有重要作用。研究基于Google Earth Engine(GEE)云平台提供的Sentinel-1、Sentinel-2影像数据,结合数字高程模型(DEM)对河长、河宽、糙率、比降、河深和流速等水力学参数进行遥感估算,进而采用关系拟合法与改进的曼宁公式法对黄河源区唐乃亥站点附近河段进行径流量反演研究,探讨了河段长度差异对径流量反演精度的影响,并通过建立站点河段与上下游河段之间的河宽关系,实现了对站点河段径流量监测时间序列的扩展补充。结果表明,两种模型均能有效进行径流量的模拟估算,其纳什效率系数(NSE)均在0.80以上;关系拟合法与改进的曼宁公式法径流反演的均方根误差(RMSE)分别为233.431 m³s^-1和271.704 m³s^-1,相对均方根误差(RRMSE)分别为16%和24%,关系拟合法反演精度总体优于改进的曼宁公式法。通过对不同长度河段径流量的反演结果对比分析发现,辫状河心滩的河宽估算在汛期...     

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。     

基于图像与点云的三维障碍物检测

为提高平截头点云网络在三维障碍物检测中的精度,基于平截头点云网络的结构提出一种扩张平截头点云的检测方法。采用图像和点云数据,使用二维目标检测网络Yolov3,检测障碍物的二维包围框;扩张包围框的大小,在点云数据中提取出障碍物对应的点云;通过改进的Pointnet网络对该点云计算,得到障碍物的三维信息。在原模型基础上,加入扩张包围框,提高点云数据提取的完整性。通过KITTI数据集的验证和测试,实验结果表明,通过扩张二维包围框可以有效提高检测网络的性能。     

基于XGBoost算法的遥感图像云检测

云检测是利用卫星遥感影像进行相关应用的基础。针对云检测过程容易受到复杂地表环境干扰的问题，提出了一种基于极限梯度提升（XGBoost）算法的云检测模型。该方法以TOA反射率、亮温和光谱指数等组建特征空间；然后，采用贝叶斯优化对XGBoost模型的超参数进行了调整。为检验XGBoost的云检测效果，选择不同云场景的Landsat 8遥感影像为测试数据，并把XGBoost、随机森林和决策树的云检测结果作对比。结果表明：本文提出的XGBoost云检测模型的云识别效果优于随机森林和决策树，展现了XGBoost在云检测中的潜力；且XGBoost的F1分数和Kappa系数分别可达73%和71%以上，实现了较准确的云检测，可为后续开展云检测研究提供一定的支持。     

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...     

Retrieval of AOD from Sentinel-2 Data based on Deep Blue Algorithm

Medium-to-high resolution aerosol information is of great significance for surface reflectance inversion and urban ambient air quality monitoring. However, the high-precision aerosol optical thickness (AOD) retrieval in bright areas, such as cities and sparse vegetation areas, has long plagued the quantitative remote sensing applications. Taking Beijing urban area and Baotou desert area as examples, using MODIS surface reflectance products to construct prior knowledge constraints, the AOD inversion of 13 scenes Sentinel-2 images in bright areas was realized based on the deep blue algorithm. To verify the accuracy of the algorithm, the result were compared with the Sentinel-2 official algorithm processing result, the Landsat-8 official aerosol products and the ground-measured AOD data from the Global Aerosol Automated Observing Network (AERONET). The results indicate that the retrieved AOD values from deep blue algorithm is significantly correlated with the measured value of AERONET(R² > 0.90, RMSE = 0.056 0), and the AOD spatial distributions are also well consistent with those from Landsat-8, which reflects the characteristics of human activities. But, whether in desert bright area or urban bright area with less vegetation, the AOD values retrieved by Sen2Cor plug-in are fixed, no spatial distribution and do not conform to the actual situation. In general, compared with the current official products, the deep blue algorithm is suitable for aerosol retrieval in high-brightness areas of Sentinel-2 data，and has obvious advantages in terms of estimation accuracy and spatial distribution trend.     

基于多季相Sentinel-2影像的白洋淀湿地信息提取

白洋淀湿地是华北平原上重要的浅水湖泊湿地,对雄安新区绿色发展具有重要的生态价值。对白洋淀高度异质化的景观格局进行分类,能够为白洋淀湿地资源的遥感监测提供指导意义。针对湿地季节变化的特点,对白洋淀每个季节选取一期具有代表性的Sentinel-2影像,采用分类与回归树（CART）、支持向量机（SVM）、随机森林（RF）3种常用的机器学习分类器对15种季相组合实验方案进行分类,分析不同季相遥感影像及其组合对白洋淀湿地信息提取的优劣。结果表明：相较于使用单一季相影像分类,多季相影像的组合能够显著提高分类精度,春&夏季相组合能够得到最优的分类效果,相对单季影像总体分类精度提高了10.9%~25.5%,Kappa系数提高了0.09~0.29;SVM分类器的分类表现较为稳定,能够得到最高的平均分类精度,CART分类器在处理高维特征的能力不如随机森林和SVM;不同特征类型对湿地信息提取的贡献度从高到底依次是红边光谱特征、传统光谱特征、缨帽变换特征、主成分分析特征、纹理特征。实验成果能为湿地信息的遥感识别提供依据。     

基于边缘特征和AdaBoost分类的遥感图像云检测

传统遥感图像云检测方法在处理山地、雪地、暗云等场景时极易发生错判,准确度较低。通过对遥感图像中云与地物的不同特点进行分析,提出一种新的遥感图像边缘特征描述方法,结合图像的边缘特征和灰度特征使用AdaBoost分类器进行云图分类,并利用图像的空间相关性对分类结果进行修正。经10万余幅图像测试结果表明:该算法与传统算法相比准确度极大提高,正确率达到96%以上,且运算速度快,满足实时性要求。     

基于云计算的高校课程资源共享模式研究

云计算被认为是IT产业发展的方向.学校或教师可利用“云计算”提供的教育“云服务”,实现对课程资源的共享.通过云平台构建个性化的信息化教学环境,能有效支持教师教学和学生主动学习,促进学生思维能力和智慧发展,提高教育教学质量.     

Research Progress on the Application of Google Earth Engine in Geoscience and Environmental Sciences

With the rapid development and large integration of global informatization and industrialization since the 21st century,the Internet of things and cloud\|computing have emerged.The world has entered an era of big data.There are a huge amount geographical and remote sensing data generated every day in the field of geoscience,environmental science and related disciplines.However,the traditional approaches for storing,managing and analyzing massive data on the local platform,which take up lots of resources,time and energy,have been unable to meet the needs of the current researches.Google Earth Engine(GEE) cloud platform is powered by Google’s cloud infrastructure,and it combines a large number of geospatial datasets and satellite imagery,in which the datasets could be processing,analyzing as well as visualizing on a global scale.Meanwhile,it uses Google’s powerful computational capabilities to analyze and process a variety of environmental and social issues including climate change,vegetation degradation,food security and water resource shortages.Firstly,an introduction of GEE cloud platform has been given.Secondly,recent researches that using GEE cloud platform were reviewed.Thirdly,GEE cloud platform and MODIS land cover type data were used to analyze spatio\|temporal changes patterns of major land use and land cover type in Three Gorges Reservoir in the period of 2002~2013.The results indicate the largest changes occurring in forest lands,shrub grasslands and croplands.Finally,after a rough calculation,GEE cloud platform is superior to the traditional approaches in terms of both cost and economic efficiency,improving the overall efficiency by more than 90%.GEE cloud platform could not only provide powerful support to experts in the field of geosciences and remote sensing,but also offer valuable help to researchers in related disciplines.GEE cloud platform is an excellent tool for scientific research in geosciences,environment sciences and related disciplines.     

基于云空间和模糊嫡的边缘检测算法

基于模糊集理论及云理论,提出了对象云的图像模糊边缘检测方法(OCFD).算法充分考虑图像的模糊性和随机性,建立起图像空间与云空间的映射模型,生成模糊对象云和边界云,完成图像空间到云空间的映射.在云空间中实现逻辑云运算的边界云提取,提出并实现了基于边界云的过渡区定义及其提取算法.最后利用最大模糊熵在过渡区内实现检测边缘.实验证明,OCFD算法在检测性能方面优于模糊Sobel,Pal.King等算法,为图像的模糊理解和分析提供了一种新的思路,同时也丰富和拓展了云理论.     

Rapid Land Cover Classification Using Landsat Time Series based on the Google Earth Engine

Accurate maps of land cover at high spatial resolution are fundamental to many researchs on carbon cycle, climate change monitoring and soil degradation. Google Earth Engine is a cloud-based platform that makes it easy to access high-performance computing resources for processing very large geospatial datasets. It offer opportunities for generating land cover maps designed to meet the increasingly detailed information needs for science,monitoring, and reporting.In this study, we classified the land cover types in Shanxi using Landsat time series data based on the Google Earth Engine Platform. We selected 1 580 sample points be visual interpretation of the original fine spatial resolution images along with Google Earth historical images over six different cover types. We defined training data by randomly sampling 60% of the sample points. The remaining 40% was used for validation. We generated two diffirent types of Landsat composite: (1) one based on median values which is used as the input image for single-date classification; (2)one based on percentile values which is used as input images for time series classification. Random forest classification was performed with two different types of Landsat composites. Random forest classification was performed with two different types of Landsat composites.We visually compared the single-date based to the time series based cover maps of 1990, 2000, 2010 and 2017 in five local areas, and we future compared the results of time series to other products. We aslo performed an accuracy assessment on the land cover classification products. The results shown: (1) The results of time series classification had an overall accuracy of 84%~94%. The time series results improved overall accuracy by 5%~10% compared to single-date results; (2) The result of time series achieves the classification accuracy of products such as CNLUCC, GlobeLand30 and FROM-GLC.The following conclusions were drawn: (1) Cloud computing and archived Landsat data in the GEE has many advantages for land cover classification at a large geographic scale, such as s strong timeliness, short time cycle and low cost; (2) The statistics metrics from Landsat time series is a viable means for discrimination of land cover types, which is particularly useful for the time series classification.