基于Sentinel-1A卫星SAR数据的水体提取方法研究

在有山区的雷达图像上基于合成孔径雷达(SAR)提取地表水体时,由于水体与山体阴影的亮度值易混淆,导致自动提取地表水体较困难。因此,在SAR成像原理的支持下,通过DEM地形建模去除了水体提取过程中被误提为水体的山体阴影,提高了水体提取精度。首先,对SAR图像进滤波、地理编码等基本处理;然后利用面向对象分类法初步提取水体范围;再使用SRTM DEM数据进行地形建模,提取山体阴影;最后利用空间分析功能将地形建模阴影图与面向对象的水体提取结果进行匹配,达到去除山体阴影的效果,实现水体精提取。     

基于Sentinel-1A数据的土壤水分反演

土壤水分是影响作物生长的重要因素,也是监测旱情、估算作物产量的重要参量.为及时、准确地掌握土壤水分,在利用水云模型(Water Cloud Model,WCM)对Sentinel-1 A的后向散射系数校正的基础上,联合地面土壤水分数据,采用线性回归、BP神经网络和支持向量回归三类模型进行了地表土壤水分反演实验研究.实验...     

基于Sentinel-1A数据的地表形变监测

提取滑坡形变数据、分析形变趋势对地质灾害防治工作具有指导意义.合成孔径雷达干涉测量技术(InSAR)具有全天候、全天时精确获取地表形变数据的能力,是当前形变监测的重要手段.分别利用DInSAR和SBAS-InSAR技术处理了22景哨兵一号(Sentinel-1)C波段数据,得到了四川省安州区高川乡大光包滑坡2018年3月-2020年2月的形变数据特征.结果表明,大光包滑坡点共有3个相对明显的形变区域;近两年的平均形变速率最高不超过100 mm/a,其形变时间序列随降雨量变化具有周期性;总体地表形变趋于稳定,周边地区中小型地震的发生没有造成地质灾害隐患.     

基于时间序列Sentinel-1A数据的水稻识别

基于时间序列的Sentinel-1A数据,利用光谱相似性方法(SSM)对广东省台山县汶村镇和海宴镇进行了水稻识别。首先将SSM应用于时间序列SAR图像中,计算光谱相似度;再通过设置阈值获得初始水稻种植面积图;最后消除斑点噪声,获得水稻种植面积图。结果表明,基于VH极化图像,利用SSM和阈值法获得的水稻种植面积图的总体精度最高为97.34%,Kappa系数为0.94。因此,时间序列Sentinel-1A数据对于识别水稻或其他作物具有很大的潜力。     

基于Sentinel-1B SAR数据的洪水提取和监测

洪涝灾害是我国最严重的气象灾害之一,及时准确的洪灾监测是防灾减灾的重要前期工作和基础。本文利用sentinel-1B雷达数据,以黑瞎子岛为研究区,联合使用OSTU阈值分割法和随机森林面向对象分类法针对像素统计单波形、双波形、多波形SAR影像提取洪水要素,实现对洪灾淹没面积的时序监测,为灾情监测提供数据和技术支撑。     

Sentinel-1A卫星TOPS模式数据干涉处理

TOPS成像模式通过在方位向和距离向联合调整波束姿态来实现宽幅成像。与条带模式不同,该模式在成像过程中每组Burst多普勒中心频率在方位向发生变化,干涉处理重采样时精确获取每个采样单元的多普勒中心频率是本文研究的重点。因此本文采用意大利那波里地区Sentinel-1A卫星数据进行了试验,首先采用联合估计方法有效计算出了多普勒中心频率,再调制插值核,进而获得了干涉处理结果,最后参考零多普勒时间进行Burst干涉图间的拼接,获得了更大范围的干涉图。     

单时相Sentinel-1A卫星SAR数据水稻信息提取

以单时相Sentinel-1A GRD为主要数据、单时相Landsat-8和DEM为辅助数据,根据植被生长规律制定水稻识别规则,提取广东省五华县横坡镇水稻种植面积。通过精度验证,总体分类精度高达93.83%,Kappa系数为0.78。研究结果表明Sentinel-1A GRD在水稻识别方面具有较大的发展潜能,为以后的水稻识别提供了有效便捷的识别途径。     

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。     

Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取

遥感卫星的波段设置、信噪比及传感器观测角度等因素都会影响作物提取精度。为充分挖掘与发挥Sentinel-2卫星多光谱成像仪(MSI)与Landsat 8陆地成像仪(OLI)在冬小麦信息提取方面的优势,本文以商河县为研究区,基于两数据源的光谱特征、纹理特征、植被指数特征组合数据,利用随机森林(RF)与支持向量机(SVM)对冬小麦进行提取。结果表明:基于单一影像的最优Kappa系数与最优OA分别为0.89和95.13%,基于组合数据源的最优Kappa系数为0.92,最优OA为95.28%,两数据源组合的精度优于单一数据源提取精度;数据组合效果与分类器的性能有关,RF的Kappa系数相对于SVM分别提升0.04、0.20和0.11,OA分别提升2.41%、11.31%和6%,RF对冬小麦提取精度优于SVM。本文研究结果对于构建中高分辨率影像组合的典型农作物分类提取体系具有重要意义。     

基于多时相Sentinel-1A SAR数据草原地区降水量反演

水资源对草原地区牧草生长至关重要,准确获取降水量信息对陆地生态系统和水循环研究具有重要意义。基于降水过程前后土壤含水量变化引起的介电常数变化,会导致后向散射系数变化这一事实,提出了基于多时相SAR数据反演降水量的方法。以二连浩特和锡林浩特2个观测站点为例,利用降水过程前后Sentinel-1A SAR数据和降水量数据进行研究及对比验证。结果表明,降水过程前后后向散射系数差值与降水量的回归关系较好;采用该方法可以获得植被覆盖度较低地区真实的降水量空间分布;二连浩特地区2015年9月21日的降水量空间分布与考虑影像获取时间和大气运动后的MODIS大气可降水量产品数据空间分布一致性较高。     

基于Sentinel-2A的红树林提取机器学习方法比较

红树林和生态环境保护、生态平衡和生物多样性息息相关。使用Sentinel-2A数据获取海南省东寨港红树林保护区的遥感影像,对数据进行预处理,提取光谱特征、纹理特征和湿度特征,基于K近邻（K-nearest neighbor,KNN）、随机森林（random forest,RF）、决策树、支持向量机（support vector machine,SVM）和反向传播神经网络（back propagation neural network,BPNN）方法,通过多次实验提取出海南省东寨港红树林区域,并探讨了机器学习方法中不同类型分类器在提取红树林过程中的优缺点。结果表明：(1)Sentinel-2A的Band8A、Band11、Band12波段组合能够较好突出红树林特征,结合湿度特征和纹理特征可以提高红树林的分类精度;(2)基于机器学习方法能够准确提取红树林区域,其中,SVM分类精度最高,达到92.31%,BPNN、RF分类精度分别为88.46%、90.38%,Kappa系数表明分类结果具有良好的一致性;(3)比较不同机器学习方法对红树林的分类效果,发现SVM和BPNN等非线性方法能提取出更准...     

基于Sentinel-1的长江干流水域面积动态变化遥感监测

本文利用Sentinel-1数据获得了2016-2020年月度长江干流上海-宜宾段水域面积,并分析其年际、年内变化规律。分析结果表明,①月度变化规律为1-5月水面面积变化相对平稳,6-8月水域面积逐步增加,在7月达到峰值;9月稍有回落,10月再次达到峰值后逐步减少至稳定。②季节性变化规律为冬季水域面积最小,夏季水域面积最大,夏季和冬季呈现明显的季节差异。③年际变化规律为2016年后水域面积呈增长趋势,其中2017-2019年水域面积相对稳定且缓慢增长,2020年面积急剧增长。分段而言,水域面积随时间的变化幅度为下游>中游>上游,中上游变化相对平稳,下游较显著。④易发生洪涝的断面主要分布在中下游段,需引起重视并做好监测预警。     

利用Sentinel-1A数据监测地表形变案例分析

雷达卫星结合InSAR技术已广泛应用于高精度地表形变监测领域。本文选取2017年九寨沟地震为研究案例,利用Sentinel-1A地震前后的单视复数影像,基于D-InSAR技术获取该次地震的同震形变场。结果显示:震中西北侧表现出相对均匀的下沉现象,沉降漏斗区雷达视线向最大沉降量达25.1 cm;东南侧呈现不均匀抬升状态,地表破碎较为明显,最大抬升量为11.6 cm。研究表明基于Sentinel-1A数据的D-InSAR技术可以为地震形变场的定量分析提供一种快速有效的手段,为阐释地震发震机理及评估受灾情况提供必要的数据支撑,具有广阔的应用前景。     

利用Sentinel-1A数据监测南京河西地区地面沉降

南京河西地区是受长江和秦淮河淤积演化而成的漫滩地,由于河西新城大规模开发建设和地质条件的影响,地面沉降已成为该区域城市发展中不容忽视的问题。Sentinel-1数据是目前在轨运行的免费SAR数据,其具有较短的重访周期和较大的幅宽,为实现大范围长时序的地表形变监测提供了重要的数据源。利用短基线集干涉（SBAS-InSAR）技术对2015年4月至2018年4月覆盖南京河西地区的19景Sentinel-1A数据进行处理,获取了研究区2015—2018年间的地面沉降结果,并结合城市开发、人口分布等信息深入分析了地面沉降分布特征和成因。     

利用Sentinel-2A数据提取长江中下游丘陵地带农作物种植信息

长江中下游丘陵地带地块细小破碎、种植结构复杂,导致作物遥感光谱特征相互纠缠,信息精确提取困难等.本文基于Sentinel-2A数据提出了多特征组合优化的丘陵地带农作物种植结构精确识别方法.首先获取研究区内主要农作物的关键物候特征信息;然后计算其光谱特征、纹理特征、地形特征值,构建原始特征集;最后采用随机森林方法对特征进...     

Sentinel-1A数据矿区地表形变监测适用性分析

针对合成孔径雷达干涉测量(interferometric synthetic aperture Radar,In SAR)技术监测矿区地表形变中形变位置确定、形变梯度估计和相干性之间的关系,利用Sentinel-1A数据开展In SAR技术矿区地表形变监测适用性研究,分析干涉图相干性、形变位置识别和形变梯度之间的响应关系。以河南省焦作市某矿区为研究区,实验结果表明,在暖温带半湿润季风气候条件下,裸地和村落地表类型全年保持较高相干性,目视识别可以有效确定矿区的形变位置,受村落周边农田的影响,部分形变范围无法准确确定,通过形变梯度函数模型验证形变梯度也在可检测的范围;农田覆盖类型夏季在卫星最短重访周期内,目视识别可以有效确定矿区的形变区域和范围,但受噪声影响条纹模糊,通过形变梯度函数模型验证形变梯度位于可检测最小形变梯度上;采用真实水准数据验证了村落地物类别模型的适用性。     

基于Sentinel-2数据的农作物空间种植结构提取研究

以Sentinel-2数据为影像数据源,以全国30 m土地利用类型遥感监测数据中的耕地作为农作物空间种植结构提取的基础数据,以县域为尺度,采用多尺度分割结合面向对象的分类方法,对桦南县主要农作物(玉米、大豆、水稻)进行空间种植结构提取研究。结果表明：桦南县2020年玉米种植1.31万hm²,大豆种植0.72万hm²,水稻种植0.64万hm²,主要农作物的总体分类精度为95.22%,Kappa系数为0.89。该方法可以为县域农作物种植结构监测及调整提供技术支撑。     

时序Sentinel-1A数据支持的长江中下游汛情动态监测

合成孔径雷达（SAR）因其对地观测全天候、全天时优势,成为多云多雨天气限制下洪水动态监测中不可或缺的数据来源之一。由于GEE（Google Earth Engine）云计算平台的兴起和短重访Sentinel-1数据的可获取性,洪水监测与灾害评估目前正面向动态化、广域化快速发展。顾及洪水淹没区土地覆盖变化的复杂性和发生时间的不确定性,基于时序Sentinel-1A卫星数据提出了针对大尺度范围、连续长期的汛情自动检测及动态监测方法。该方法首先,利用图像二值化分割时序SAR数据实现水体时空分布粗制图,逐像素计算时间序列中被识别为水体候选点的频率。然后,利用Sentinel-2光学影像对精度较粗的初期SAR水体提取结果进行校正,得到精细的水体分布图。最后,针对不同频率区间的淹没特点,采用差异化的时序异常检测策略识别淹没范围：对低频覆水区利用欧氏距离检测时序断点,以提取扰动强度大、淹没时间短的洪涝灾害区;对高频覆水区利用标准分数（Z-Score）检测时序断点,以提取季节性水体覆盖区。在GEE平台上利用该方法,实现了2020-05—10长江中下游地区全域洪水淹没范围时空信息的自动、快速、有效监测,揭示了不同区域汛情发展模式的差异性。本文提出的洪水快速监测方法对大尺度下的汛情动态监测、灾害定量评估和快速预警响应具有重要的现实意义。     

Sentinel-1A数据及短基线集的昆明地面沉降分析

针对近年来昆明的城市建设、地下水抽取以及降雨量的变化对昆明地区的地面沉降造成巨大影响的问题,该文利用32景Sentinel-1ATOPS SAR影像基于短基线集技术获取2014-2017年昆明地表沉降信息,并结合城市建设资料、地质及水文资料以及气象资料对昆明沉降区的成因进行全面的分析。结果表明:昆明地表沉降空间特征明显不均匀,西山区和官渡区多处出现沉降,沉降最严重的是位于昆明新螺蛳湾国际商贸城地区。其沉降原因为地铁施工和大型建筑物和商业区建设造成土层变形引发地面沉降;地下水抽取导致地下水位下降以及第四系土体固结诱发地面沉降;6—11月丰富的降雨量有效地补充昆明地下水,使昆明地面沉降伴随降雨量呈现明显的季节非线性沉降。     

基于Sentinel-1A数据的PSI技术在城市地表形变监测方面的应用

随着佛山市城市化进程逐步加快,地表形变引发的地质灾害日益显著,应用时序InSAR技术可以精确监测城市地表形变。文中选取广东佛山地区为研究区域,利用2015—2017年获取的41景Sentinel-1A数据,基于永久散射体差分干涉测量(PSI)技术提取该地区的时序形变、平均沉降速率等形变数据。研究结果表明,佛山市部分区域出现不均匀沉降,部分地区沉降速率甚至超过-35 mm/a,主要集中在城市重点建设区域,如地铁施工、桥梁施工等地。综合研究结果表明,利用Sentinel-1A数据的时序PSI技术可以高精度监测城市地表形变,监测数据有利于及早预防城市地质灾害发生,为城市健康精细化管理提供决策依据。