Sentinel-1 SAR在洪水范围提取与极化分析中的应用研究

在洪水灾情监测中,快速准确的获取淹没区域和洪灾面积,对防汛救灾和灾后重建工作具有重要价值。本文以2017年美国圣路易斯洪水为例,基于Sentinel-1 SAR数据,利用变化检测和阈值相结合的方法实现大范围洪水淹没提取,将VV/VH极化数据分别与从同期Sentinel-2光学影像中获取的洪水淹没范围进行比较,评定极化方式的洪水适用性优劣程度。不同的SAR极化数据对洪水监测的适用性不同,通过绘制各极化不同时期的后向散射横断面线来分析多极化中的散射响应特征。研究表明：Sentinel-1 VV/VH极化数据均能以超过82%的高精度识别出洪水,VV极化洪水提取时产生的误判更少;在同样的区域,相较于VH,Sentinel-1 VV极化信号的散射程度小了约28%,在洪水中的信息敏感,更适用于洪水灾害的淹没范围监测。     

InSAR特征点分布与土地用途的关系研究

本文以广州为研究区域,选取72景具有两种极化模式(VV&VH)数据的Sentinel-1A卫星影像,获取区域内的永久性散射体(Permanent Scatterer,PS)和分布式散射体(Distributed Scatterer,DS),并结合Landsat-8卫星影像的土地利用类型分类结果,研究广州市的土地利用类型分布与PS点、DS点分布之间的关系.实验结果表明:(1)广州不同地区的土地利用程度存在差异,区域间发展不平衡且相差较大;(2)PS点和DS点在人工建筑物密集的建筑用地分布密集,在植被覆盖的区域分布稀疏,可以通过这一特点对研究区域土地利用类型进行初步确定并对土地类型分类结果是否正确进行判定;(3)采用VV极化模式数据的实验结果要优于采用VH极化模式.     

应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类

农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用 Savitzky Golay (S-G) 滤波器对 Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机（Support Vector Machine, SVM）分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明：① 典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;② 通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7% 和0.055;③ 基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。     

基于时序遥感影像的西南山区地块尺度作物类型识别

西南山区地块破碎且复杂,种植类型多样,且该地区多云多雨,可利用遥感数据有限,利用单一的光谱特征或植被指数难以实现作物的有效识别。物候特征能够反映作物的生长周期规律,可用于复杂地区作物的精细监测。本研究以重庆市潼南区为例,基于多时相中分辨率的Sentinel-2和Landsat8遥感影像,对地块尺度的NDVI、EVI等6个植被指数进行时间序列构建并提取其物候特征,通过特征优选构建多维数据,利用随机森林分类模型对柠檬、油菜、水稻、玉米等作物进行识别。结合植被指数与物候特征进行作物分类,总体精度达94.52%,Kappa系数为0.90,柠檬、油菜、玉米、水稻的精度分别为89.88%、87.30%、84.98%和95.57%。研究表明,利用时序遥感数据的植被指数与物候特征能够有效进行地块尺度的作物识别,为复杂种植结构地区获取大范围作物分布制图提供参考。     

融合多源遥感数据的黑河中游地区生长季早期作物识别

在生长季早期获取作物的种植情况,对于农业水资源管理,尤其是缺水地区的水量分配等具有重大的意义。本文利用改进型时空自适应融合模型（ESTARFM）,将作物生长早期3—6月的Sentinel 2影像与MOD09GQ数据计算得到的NDVI数据进行融合,建立NDVI时间序列,并利用随机森林分类方法对2019年黑河流域中游地区作物种植结构进行早期识别。利用3-6月Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列,作物分类精度达到91.42%,kappa系数为0.85,相比仅使用Sentinel-2 NDVI时间序列的作物分类精度提高1.05%,kappa系数提高0.02。与使用整个作物生长期（3—10月）Sentinel-2 NDVI时间序列的作物分类结果相比,精度仅低1.53%,kappa系数仅低0.03。利用Gini系数对利用Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列进行特征重要性评估,发现Gini系数得分高于平均值的10期NDVI影像中,有6期为时空融合影像,说明时空融合获取的NDVI数据利于提高分类精度的有效性。对比使用不同长度NDVI时间序列对作物种植结构进行早期识别的精度发现,最早可在4月中旬与4月下旬分别实现对苜蓿和玉米的早期识别;玉米的分类精度受NDVI时间序列长度的影响较大,可在5月下旬实现对玉米的早期识别。     

基于GF-3和Landsat 8遥感数据的土壤水分反演研究

基于我国首颗全极化雷达卫星高分三号（GF-3）和Landsat8数据,研究浓密植被覆盖地表土壤水分反演方法。为了提高浓密植被覆盖地表土壤水分反演精度,首先利用PROSAIL模型、实测植被参数及Landsat8光学数据分析了8种植被指数与植被冠层含水量的相关性,从中优选出归一化差异水指数（NDWI₅）用于反演植被冠层含水量,并通过分析植被含水量和植被冠层含水量的关系,构建植被含水量模型;然后结合植被含水量反演模型和简化MIMICS模型校正了植被对雷达后向散射系数的影响,最后基于AIEM建立裸土后向散射系数模拟数据集,发展一种主动微波和光学数据协同反演浓密植被覆盖地表土壤水分模型,并以山东省禹城市为研究区,实现了玉米覆盖下HH、VV和HH+VV 3种模式土壤水分反演。实验结果表明： ① NDWI₅为最佳植被指数,对于去除植被影响有较好效果;② 基于此方法,利用GF-3和Landsat8卫星数据反演得到的土壤水分具有较高的精度;③ 相比HH和VV两种极化模式,HH+VV双通道模式对土壤水分反演结果更好,决定系数（R2）为0.4037,均方根误差（RMSE）为0.0667 m ³m ^-3。     

利用物候差异与面向对象决策树提取油菜种植面积

及时、准确地获取农作物种植信息,对于农业生产管理和国家粮食安全有重要意义。目前越来越多的免费卫星数据可以用于作物分类及生理参数反演。Sentinel-2卫星于2015年6月发射,提供了13个光谱波段,具有较高的时间分辨率、空间分辨率和光谱分辨率,为不同作物特征区分以及大范围作物种植面积快速提取业务化运行的精度与效率提高带来了契机。随着Sentinel-2数据的免费下载,这就为大面积生产下一代区域或者国家尺度的高分辨率（10~30 m）农情遥感产品提供了可能。物候信息包含了作物随着季节不断变化的特征,利用如NDVI等时间序列植被指数找出不同作物的特征进而开展作物分类得到了广泛应用。本文以油菜为主要研究对象,以长江中下游地区的江汉平原为实验区,基于作物物候差异与面向对象决策树的方法,对Sentinel-2卫星影像用于油菜种植区提取的效果进行了评估与分析。首先利用作物不同生长时期各波段光谱信息以及归一化植被指数等信息的差异分析并找出油菜种植区提取的最佳时相,然后对影像进行多尺度分割,根据对象特征建立决策树逐一去除非植被、林地等干扰类型,进而提取出油菜种植区域。通过分析发现,基于Sentinel-2影像的图像分割可以有效生成不同作物类型的对象;油菜开花期的特征是其区分于其他作物的关键因素,利用该特征可以有效消除分类时其他地物类型对油菜的影响,提高作物分类信息提取的精度和效率。研究表明：在区分油菜的决策树分类特征信息中,贡献最大的是归一化植被指数（NDVI）,近红外波段（NIR）和亮度（Brightness）信息。用162个油菜验证样本点计算混淆矩阵,油菜种植面积提取的总体分类精度为98%以上,Kappa系数为0.95。说明结合物候信息利用Sentinel-2数据进行大范围作物种植面积提取具有巨大潜力,可以提高大范围油菜种植区域快速提取的精度和效率。     

基于特征分离机制的深度学习植被自动提取方法

随着遥感影像分辨率的提高,植被信息的高精度提取对于了解地表植被变化规律、评价生态区域具有重要意义。针对传统方法跨季节植被提取不完整问题,本文基于高分2号(GF-2)卫星数据,提出一种基于特征分离机制的深度学习语义分割网络植被提取方法。该网络在Densenet的基础增加可分离卷积和空间金字塔结合的特征分离机制来增大感受野,更有效利用植被的特征信息,提升了模型的精度。本文通过构建高精细跨季节植被样本库,使用本文所提方法,完成了遥感影像植被信息提取,并选取总体准确度、F1值和交并比作为评价指标,对不同的传统方法和深度学习方法进行精度对比与分析。实验结果表明,本文方法提取植被的效果较好,其中F1分数达到91.91%,总体准确度达到92.79%,交并比达到85.10%。对高分1号、高分6号和高景1号遥感影像进行植被提取通用性验证,结果表明本文方法具有一定的通用能力,可以从高分辨率遥感影像中准确地、自动地提取植被。本文研究成果可为城市生态环境评价和植被的应用研究提供数据参考。     

基于垂直带谱的太白山区山地植被遥感信息提取

遥感数据因其全覆盖的优势被广泛应用于山地植被信息的调查和研究。为了实现山区植被类型的高精度提取,本文以太白山区为实验区,结合山地植被的垂直地带性分布规律,利用太白山植被垂直带谱、高分辨率遥感影像（GF1/GF2/ZY3）和1:1万的数字表面模型（Digital Surface Model, DSM）数据,进行了多层次、多尺度的影像分割,构建了具有植被垂直带谱信息的地形约束因子,并据此进行样本选择和面向对象的分类,分类总精度达92.9%,kappa系数达到0.9160。该方法相比于未辅以垂直带谱信息的分类,总精度提高了10%。研究结果表明,分类过程中加入具有垂直带谱信息的地形约束因子,能显著地提高样本选择的效率和准确率,为后续的植被分类提供了精度的保证。通过人机交互的方式,将垂直带谱知识应用到分类中,可以有效地提高山地植被分类的精度。     

基于遥感的内蒙古二连盆地古河道信息提取技术研究

本文选取二连盆地9月份植被较发育的ETM+遥感影像为数据源,经过ETM+741RGB假彩色合成后,利用监督分类提取出水体信息,通过归一化植被指数阈值分割提取出植被信息,通过归一化盐分指数阈值分割提取出土壤盐渍化信息;然后将水体、植被、土壤盐渍化分别赋予蓝、绿、红合成假彩色影像;最后根据古河道在影像上与正常区域在色调和形状上的差异,在ETM+741假彩色合成影像上进行目视解译,结合水体、植被、土壤盐渍化RGB合成影像,通过目视解译提取出研究区古河道信息。     

Retrieval of Significant Wave Height Under Typhoon Conditions from Gaofen-3 SAR Imagery

The objective of this paper is to propose an empirical method to inverse significant wave height(SWH)under typhoon conditions from collected dual-polarization Gaofen(GF)-3 synthetic aperture radar(SAR)imagery.The typhoon scenes were cap-tured from narrow scan(NSC)and wide scan(WSC)images,and collocated with European Center for Medium-Range Weather Fore-casts reanalysis data of(ECMWF).To improve the quality of GF-3 SAR images,the recalibration over rainforest and de-scalloping were carried out.To establish the empirical relationship between SAR-derived parameters and collocated SWH,the sensitivity analysis of typical parameters about the normalized radar cross section(Nrcs)and imagery variance(Cvar)were performed to both VV and VH polarized images.Four scenes from GF-3 SAR imagery under typhoon conditions were used for training the model by the multivari-ate least square regression,and one scene was used for preliminary validation.It was found that the joint retrieval model based on VV and VH polarized SAR imagery performed better than any single polarized model.These results,verified by using ECMWF data,revealed the soundness of this approach,with a correlation of 0.95,bias of 0 m,RMSE of 0.44 and SI of 0.01 when VV polarization and VH polarization data were both used.     

基于潮汐动态淹没过程的长江口潮滩地形信息反演研究

潮滩是陆地与海洋之间重要的生态过渡地带,具有复杂的生态过程和重要的服务功能。受陆海交互作用及人类活动的影响,潮滩处于高度动态变化过程中,而传统测绘技术受到潮滩可达性影响无法快速获取潮滩地形信息。为解决潮滩高程数据获取困难的问题,本文提出一种基于潮汐动态淹没过程和时序遥感影像的潮滩地形信息提取算法,利用K-means++聚类方法实现水域提取,并通过时序淹没特征计算潮滩淹没频率提取潮滩范围信息,最终综合区域潮汐特征反演潮滩地形。研究以崇明东滩为例,利用2016—2020年所有可用Sentinel-2和Landsat-8时序遥感影像,实现潮滩范围提取与高程反演,并通过实测高程数据进行精度验证。研究结果表明,潮滩范围提取总体精度为97.73%,F1_score为0.98;高程反演平均绝对误差为0.15 m,潮滩高程的反演精度与可用影像的数量呈正相关。研究利用该算法进一步反演长江口地区主要潮滩地形特征,结果表明区域内潮滩面积为346.93 km²,高程范围为1.00~3.84 m,且与现有潮滩范围数据集相比,本研究提取的长江口潮滩范围更为完整。该算法为潮滩地形的快速反演提供了可能,对潮滩资源动态监测和管理具有重要意义。     

基于面向对象方法的Sentinel-1A SAR在洪水监测 中的应用

开展Sentinel-1A SAR数据在洪水淹没范围提取和水体变化监测方面的应用研究,对科学有效地管理洪涝灾害有重要意义。合成孔径雷达以其不受天气影响、能穿透云层、覆盖面积广等特点成为灾害监测的重要数据来源。面向对象的方法能有效解决影像的椒盐现象被广泛运用于信息提取研究。本文基于Sentinel-1A SAR数据,利用面向对象的方法构建洪水淹没范围提取流程,绘制灾前、灾中、灾后水体变化监测图,对比分析基于传统像元的提取方法,实现对广西临桂会仙岩溶湿地区域不同时期洪水动态监测。研究表明,Sentinel-1A SAR数据在洪水监测领域有巨大的应用潜力,相较于传统基于像元的方法,面向对象的方法能有效抑制杂斑生成,提高空间信息的利用效率,具有更好的提取精度。     

基于光学与雷达影像变化检测的2020年鄱阳湖洪灾评估与分析

利用遥感对地观测技术对2020年夏季鄱阳湖地区发生的洪水灾情进行评估和分析,分别选取Landsat 8卫星4月和 Sentinel-1A雷达卫星7月的影像作为洪水发生前、后的影像,利用遥感专题信息提取、随机森林分类和变化检测技术揭示洪水淹没范围,以及被淹没的主要土地覆盖类型面积,同时结合水文气象和地形数据进行灾情和受灾原因分析。研究结果表明,鄱阳湖2020年洪灾的淹没面积为1961.95 km2,共造成区内110.83 km2建筑用地、760.54 km2耕地、71.59 km2林地、992.02 km2草地和26.97 km2裸地被淹,其中尤以鄱阳县受灾最为严重,其总受灾面积达到514 km2,其次为新建区与余干县,分别达到了330 km2和310 km2。持续2个月的强降雨使得鄱阳湖流域的水位超过了其1998年特大洪水的水位,加上长江水倒灌,湖区地势北高南低,积水不能及时排出,圩堤决口等诸多水文气象和地形因素造成了此次鄱阳湖的特大洪灾。     

Using multispectral landsat and sentinel-2 satellite data to investigate vegetation change at Mount St. Helens since the great volcanic eruption in 1980

Long-term analyses of vegetation succession after catastrophic events are of high interest for an improved understanding of succession dynamics. However, in many studies such analyses were restricted to plot-based measurements. Contrarily, spatially continuous observations of succession dynamics over extended areas and time-periods are sparse. Here, we applied a change vector analysis (CVA) to investigate vegetation succession dynamics at Mount St. Helens after the great volcanic eruption in 1980 using Landsat. We additionally applied a supervised random forest classification using Sentinel-2 data to map the currently prevailing vegetation types. Change vector analysis was performed with the normalized difference vegetation index (NDVI) and the urban index (UI) for three subsequent decades after the eruption as well as for the whole observation time between 1984 and 2016. The influence of topography on the current vegetation distribution was examined by comparing altitude, slope angles and aspect values of vegetation classes derived by the random forest classification. Wilcox- Rank-Sum test was applied to test for significant differences between topographic properties of the vegetation classes inside and outside of the areas affected by the eruption. For the full time period, a total area of 516 km² was identified as re-vegetated, whereas the area and magnitude of re-growing vegetation decreased during the three decades and migrated closer to the volcanic crater. Vegetation losses were mainly observed in regions unaffected by the eruption and related mostly to timber harvesting. The vegetation type classification reached a high overall accuracy of approximately 90%. 36 years after the eruption, coniferous and deciduous trees have established at formerly devastated areas dominating with a proportion of 66%, whereas shrubs are more abundant in riparian zones. Sparse vegetation dominates at regions very close to the crater. Elevation was found to have a great influence on the reestablishment and distribution of the vegetation classes within the devastated areas showing in almost all cases significant differences in altitude distribution. Slope was less important for the different classes - only representing significantly higher values for meadows, whereas aspect seems to have no notable influence on the reestablishment of vegetation at Mount St. Helens. We conclude that major vegetation succession dynamics after catastrophic events can be assessed and characterized over large areas from freely available remote sensing data and hence contribute to an improved understanding of succession dynamics.     

Dry/wet snow mapping based on the synergistic use of dual polarimetric SAR and multispectral data

We propose a multi-sensor multi-spectral and bi-temporal dual-polarimetric Synthetic Aperture Radar(SAR) data integration scheme for dry/wet snow mapping using Sentinel-2 and Sentinel-1 data which are freely available to the research community. The integration is carried out by incorporating the information retrieved from ratio images of the conventional method for wet snow mapping and the multispectral data in two different frameworks. Firstly, a simple differencing scheme is employed for dry/wet snow mapping, where the snow cover area is derived using the Normalized Differenced Snow Index(NDSI). In the second framework, the ratio images are stacked with the multispectral bands and this stack is used for supervised and unsupervised classification using support vector machines for dry/wet snow mapping. We also investigate the potential of a state of the art backscatter model for the identification of dry/wet snow using Sentinel-1 data. The results are validated using a reference map derived from RADARSAT-2 full polarimetric SAR data. A good agreement was observed between the results and the reference data with an overall accuracy greater than 0.78 for the different blending techniques examined. For all the proposed frameworks, the wet snow was better identified. The coefficient of determination between the snow wetness derived from the backscatter model and the reference based on RADARSAT-2 data was observed to be 0.58 with a significantly higher root mean square error of 1.03 % by volume.     

面向对象的森林植被图像识别分类方法

 森林植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取森林植被的类型,本文以门头沟区森林植被占主要土地覆被类型为研究对象,选择HJ-1影像面向对象提取不同地物信息。由于研究区地形复杂,采用多尺度分割方法,对不同地物设置不同分割参数,实现不同地物分层提取。根据光谱、纹理及几何等特征选择合适的特征参数,构建隶属度函数,逐级提取研究区的土地覆被类型,并与传统的最大似然法进行对比。结果表明:面向对象的分类方法在门头沟区森林植被二级信息提取的精度为83%,与传统方法相比有了较大的提高。     

黑河流域中游地区作物种植结构的遥感提取

及时、准确地获取农作物种植结构对区域水资源管理与作物产量估测等具有重要意义。随着对通过遥感手段获得作物种植结构的深入研究,如何优选遥感数据和分类器成为需要重点考虑的关键问题。针对黑河流域中游地区的作物分布与种植特点,提出一种基于多时相遥感影像与多分类器组合的作物种植结构提取方法。利用2018年18景16 m分辨率的GF-1 WFV影像,构建NDVI时间序列。根据NDVI时间序列表征的作物季相节律和物候变化规律特点,采用分层的策略,首先解译一级土地覆被类型,再解译二级土地覆被类型。一级土地覆被类型解译中,使用决策树分类方法先将NDVI特殊且易提取的水体进行解译,再使用面向对象分类方法通过分区将需借助NDVI纹理信息提取的建设用地进行解译,最后使用随机森林分类方法解译耕地、林地、草地、裸地和湿地。在对耕地的进一步分类中,使用决策树分类方法首先将具有特殊物候规律且易于区分的苜蓿类别解译出来,再将与其他类别物候差异较大的小麦解译,最后将物候相似的玉米、蔬菜及其他解译。黑河流域中游研究区内一级土地覆被分类总体精度为97.24%,卡帕系数为0.96;作物种植结构解译总体精度为86.58%,卡帕系数为0.80。此外,还分析了影响黑河流域中游研究区解译精度的4个因素：对土地覆被类别的定义、混合像元、影像分割时基础影像的选择以及分类方法的选择。通过对不同分类方法的比较发现,与仅使用最大似然分类方法、支持向量机分类方法或随机森林分类方法相比,本文提出方法的解译结果更好,解译精度更高。