Sentinel-1卫星数据产品应用探讨

以Sentinel-1卫星的特点、传感器的特点、数据产品以及潜在应用为逻辑主线,介绍了Sentinel-1卫星的基本参数、C波段传感器的参数特性以及Sentinel-1的数据产品,为Sentinel-1的进一步应用提供参考。     

基于Sentinel-1A与Sentinel-2A融合的土地利用/覆盖分类研究——以昆明市呈贡区为例

为提高土地利用/覆盖分类精度,本文以昆明市呈贡区为例,融合Sentinel-1A(S1A)与Sentinel-2A(S2A)遥感数据,采用支持向量机(SVM)的监督分类方法对土地利用/覆盖进行分类。对比分析了Sentinel-1A与Sentinel-2A数据在不同组合情况下所有分类结果的总体精度,结果表明:将Sentinel-1A的强度数据、纹理数据与添加植被指数的Sentinel-2A数据融合时分类精度相对较高,总体精度可达93.60%。采用雷达数据与光学数据融合的方法可以在一定程度上提升土地利用/覆盖分类精度。     

基于GEE云平台的山东省不透水面提取

不透水面是衡量城市化发展水平的重要指标,及时、准确地掌握城市不透水面的动态变化对于监测城市地区的发展和环境变化至关重要。利用Google Earth Engine(GEE)云平台和Sentinel-1 SAR数据、Sentinel-2光学数据以及随机森林算法对山东省2020年4月不透水面进行提取。结果表明：使用光学和SAR数据融合的山东省不透水面提取精度为92.17%,Kappa系数为0.79;雷达特征的重要性优于光学特征,光学与雷达数据结合提取不透水面精度更高,错提明显减少;雷达特征对于面状不透水面的提取效果优于线状不透水面,实际使用中应针对不同的应用选择合适的特征。     

对比多源遥感数据在滨海湿地提取中的差异

Landsat 8与Sentinel-2数据是当前遥感分类最典型、常用的光学数据源,但这两种数据源在滨海湿地分类中的差异性仍有待进一步研究。基于Landsat 8、Sentinel-2和Sentinel-1数据,采用随机森林（random forest,RF）算法对南沙区湿地进行分类,并探讨光学数据源、主成分变换融合方法以及各特征变量对南沙区滨海湿地RF分类精度的影响。结果表明：(1) Sentinel-2数据参与的方案分类精度均优于Landsat 8数据参与的方案,其分类精度分别为90.24%（单一光学数据参与分类）、85.89%（光学数据与雷达数据融合参与分类）。(2)主成分变换融合方法对分类精度的提高不大,融合数据使滨海湿地总体分类精度下降（p<0.05）,但融合数据在一些滨海湿地类型提取中具有一定优势。融合Sentinel-2与Sentinel-1数据减小了沿海滩涂与浅海水域之间的错分现象;融合Landsat 8与Sentinel-1数据更有利于库塘、红树林湿地信息提取以及湿地与非湿地信息的区分。     

基于光谱指数法的本溪市域红叶提取方法研究

红叶是一类观赏树木的统称,有槭树红叶、黄栌红叶、火炬树红叶等种类,在全国皆有分布。本溪是中国枫叶之都,快速、准确地提取其红叶信息能够促进当地旅游业的发展,具有巨大的经济价值与发展前景。然而传统的红叶指数播报采用人工定点观测的形式,耗费人力物力且无法实现大范围的红叶面积提取,为此,本研究采用光谱指数法快速、准确地提取红叶面积,选择本溪老边沟、天桥沟为中心的区域。首先利用目视解译法确定Sentinel-2影像上红叶像元区域,分析红叶和非红叶植被的光谱差异,并基于可见光波段的光谱特征构建差值红叶指数DRI,用于提取红叶区域,结果显示DRI的提取精度可达92%,与其他方法对比效果良好。本研究为本溪地区红叶面积提取提供了一种便利、高效的方法。     

基于SBAS-InSAR技术的广州市白云区长时序地表形变监测与成因分析

随着我国城市化进程的推进,城市区域人类活动越来越密集,如地下水开采和地下工程等,导致地表发生沉降,影响人们的生活。为了确保城市健康稳定发展,开展城区大范围地面沉降监测具有重要意义。本文利用SBAS-InSAR技术对广州市白云区2016年2月—2022年3月获取的176景Sentinel-1 SAR影像进行处理,得到了该区域的平均形变速率和时序形变。同时,结合历史光学影像和现场调查对研究区域内的形变原因进行了分析。结果表明,形变主要与当地的地质条件、垃圾生化降解和人类活动(如建构筑物施工等)有关,最大形变速率超过40 mm/a,最大累计形变量超过350 mm。本文研究可为城市区域的地面沉降监测和成因分析提供参考。     

基于PS-InSAR技术的地表变形监测

近年来,将InSAR技术应用于地表监测成为研究的热点.为确定煤矿采空区历年地表沉降情况,采用PS-InSAR技术,利用历史存档降轨数据,提取研究区不同时期地表变形速率图.结果表明,PS-InSAR技术能够获得采空区地表毫米级变形监测结果.     

基于Sentinel-1A数据的多种机器学习算法识别冰山的比较

冰山识别对于海洋环境监测和船只安全运行等具有重要的意义,是北极航道开通和北极开发过程中的重要内容。采用合成孔径雷达(SAR)影像进行冰山识别具有独特的优势,多种机器学习算法均可用于SAR影像的冰山识别中。为了最大限度地发挥机器学习算法的性能,有必要对不同机器学习算法及其搭配使用的特征与特征标准化方法进行评估,从而进行最优冰山识别方法的选择。因此,本文基于Sentinel-1A SAR影像,采用多种机器学习方法、多种特征组合及多种特征标准化方法进行冰山识别,并比较各流程方法的识别性能差异。采用的机器学习算法包括贝叶斯分类器(Bayes)、反向神经网络(BPNN)、线性判别分析(LDA)、随机森林(RF)以及支持向量机(SVM);特征标准化方法包括Min-max标准化、Z-score标准化及log函数标准化;数据集是含有12个SAR影像特征的969个冰山与非冰山样本,样本主要位于格陵兰岛东海岸。分类效果采用接收者操作特性(ROC)曲线下的面积(AUC)进行衡量。结果显示,最佳搭配下的RF的AUC值最高,达到了0.945,比最差的Bayes高出0.09。从识别率上来看,RF在冰山查全率为80%的情况下非冰山查全率达到92.6%,效果最好,比第2位的BPNN高出1.4%,比最差的Bayes高出2.6%;BPNN在冰山查全率为90%的情况下非冰山查全率达到87.4%,比第2位的RF高出0.8%,比最差的Bayes高出2.7%。上述结果表明,对冰山识别而言,选择最优的机器学习算法和最佳的特征与特征标准化方法都是十分重要的。     

基于IPTA技术的广州市2017—2020年地铁沿线沉降监测

干涉点目标分析技术(IPTA)是一种常用的地表形变监测技术,能够克服大气延迟、时空失相关的影响,获取高精度的监测数据。本文采用IPTA技术对覆盖广州市2017年5月至2020年5月期间的85景Sentinel-1A影像进行处理,获取了广州市的平均形变速率信息。同时,本文还分析了广州市及其地铁沿线形变的空间分布特点。结果显示：广州市地铁沿线的整体地表形变较为稳定,沉降主要集中在6号线沿线,最大的沉降漏斗位于柯木塱站,沉降速率达到了-39.5 mm/yr。结合实地考察结果,IPTA技术能够为大范围城市地铁沿线的沉降监测提供可靠的信息支撑。