基于时序Sentinel-2影像的农作物分类研究

特征选择是提高农作物分类精度的一个重要手段.本文基于时序Sentinel-2影像提取影像的波段特征、植被指数、纹理特征,以这三类特征构建分类特征集,使用随机森林算法对分类特征集进行特征选择和分类实验.根据分类混淆计算的研究区总体分类精度为92.5％,Kappa系数为0.904,高精度地提取了研究区内冬小麦、大蒜等主要冬季作物的种植信息,这表明随机森林算法在对特征降维的同时,也能保证较高的分类精度.     

联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取

湿地是地球上最重要的生态系统之一,在维持全球生态环境安全等方面发挥着举足轻重的作用.由于湿地独特的水文特征,传统的湿地监测需要耗费大量的人力和财力,对于大尺度的湿地信息提取更是困难重重.随着大数据和云计算的兴起,为大尺度和长时间序列的空间数据处理提供了契机.本文基于Google Earth Engine(GEE)云平台...     

利用Sentinel-2A影像的面向对象特征湿地决策树分类方法

苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。     

Sentinel-2 MSI卫星数据在水体信息提取中的应用

为实现水灾发生后淹没区域的快速监测,为受灾地区的灾情评估、调查及水资源管理提供依据,借助Sentinel-2 MSI卫星对乌海湖、黄河宁夏石嘴山河段、沙湖3个研究区域2018年7—10月强降水前后水位、水体面积进行了动态监测.结果表明,乌海湖10月中旬之前水体面积持续增大,之后出现下降;黄河石嘴山部分河段在7月强降水之...     

Sentinel-2和AW3D30相结合的湿地提取

为了实现大范围湿地动态监测,本文以辽河入海口附近的盘锦湿地为研究区,基于Sentinel2-L1C和AW3D30 DSM数据,在随机森林分类的基础上,结合地形数字特征和多边形形状特征对研究区进行湿地信息提取。通过人工目视解译对该分类方法进行精度验证,结果表明:该方法的自动化程度较高,能够在较少的人工干预下提取湿地覆盖范围。提取结果精度较高,制图精度和总体精度分别为91.04%和82.65%,Kappa系数为0.599 7,说明本文所采用的计算机分类方法与人工目视解译方法具有较好的一致性。     

基于Sentinel-2影像的巴尔托洛冰川冰面湖研究

冰面湖是冰川的重要组成部分,是冰川消融的指示器,不仅对全球气候变化响应迅速,而且对了解和掌握区域水资源信息意义重大。本文基于Sentinel-2遥感数据,利用随机森林算法,对巴尔托洛冰川冰面湖进行识别提取,并基于提取结果分析研究区冰面湖的空间分布特征,以及冰面湖面积、数量与冰川高程的关系。本文冰面湖提取的准确率达96.07%,完整率达92.18%,错误率为11.59%;识别出巴尔托洛冰川冰面湖567个,面积为249.46～37 134 m²;冰面湖多分布在距冰川末端3～26 km处,其中海拔3800～4300 m之间冰面湖数量最多,面积普遍较大,平均面积为1922 m²;随着高程的升高,冰面湖的数量和面积逐渐减少,在高程5300 m以上冰面湖数量仅为15个,平均面积为356 m²;高程升高导致冰面温度降低,是冰面湖数量和面积骤减的主要原因。     

融合随机森林模型和6种水体指数的上海市水体信息提取

为快速、准确地掌握水体分布信息,本文以上海市为研究区,基于多时相Sentinel-2卫星数据构建水体提取特征集,并采用效率高、稳健性好的随机森林模型,对研究区内的水体进行提取。水体提取特征集在现有光谱波段特征的基础上加入6种水体指数,分别为NDWI、MNDWI、AWEI_sh、WI₂₀₁₅、SWI和RWI,旨在提高水体提取精度。针对10个光谱波段特征及6种水体指数,设计了8种试验方案探究加入水体指数对于水体提取的作用。结果表明,将6种水体指数全部加入的方案精度最高,为97.910%;NDWI和RWI能提高水体提取精度、降低漏提率和误提率。     

黄河三角洲地区GF-3雷达数据与Sentinel-2多光谱数据湿地协同分类研究

黄河三角洲湿地的动态变化监测对湿地资源合理利用、开发保护具有重要意义。采用C波段全极化高分三号（GF-3）合成孔径雷达数据与欧洲空间局哨兵二号（Sentinel-2B）多光谱数据,分析了黄河三角洲湿地7类地物的光谱、指数、极化散射以及纹理等特征信息,分别基于最大似然法（maximum likelihood,ML）、决策树（decision tree,DT）、支持向量机（support vector machine,SVM）方法实现了有监督分类,评估了两者协同与单独应用于湿地地物分类与识别的能力,结果表明,两者协同分类时,其总体精度分别可达90.4%、95.4%、95.7%,均明显高于两者单独分类的结果,证明了GF-3雷达数据与多光谱数据在湿地协同分类方面的可靠性和应用潜力。     

高寒湿地分类的遥感特征优选研究

高寒湿地是青藏高原重要的地表覆盖类型之一,对于水源涵养、调节气候、维护生物多样性等起着关键作用,准确及时获知高寒湿地的时空分布对于湿地的保护和管理十分必要。遥感分类特征优选对湿地制图具有关键性的作用。虽然像光谱特征、纹理特征、地形特征等均在已有研究中有涉及,但鲜有研究聚焦光谱指数特征,深入探讨其数理统计特征和特征优选方法。本研究以甘肃首曲高寒湿地保护区为研究区,基于Sentinel-2数据得到各分类特征(光谱、植被指数、红边指数和水体指数),采用Filter和Wrapper特征选择方法包括Jeffries-Matusita距离、光谱角距离(SAD)、欧氏距离(ED)、RF-RFE算法和Relief-F算法对上述特征进行优选,并利用Filter方法的Z检验进行量化评价。研究表明:(1)所有参与分类的类别中,河流与裸地最容易区分,其次为草原与沼泽,沼泽化草甸与草甸较为难分。对沼泽、沼泽化草甸、草甸、草原邻近两类可尝试MCARI2、NDWI、DVI、EVI、EWI、IRECI、MCARI、TCARI、UGWI指数进行区分;(2)就不同指数特征对湿地信息提取贡献程度而言,水体指数特征>植被指数特征>红边指数特征;(3)从特征优选方法角度看,Filter方法中的ED距离算法与Relief-F算法表现突出;(4)最终选出适于高寒湿地信息提取的指数有RDVI、NDVI、MSR、RVI、VIgreen、RNDWI、NDWI、NDWI_B、MNDWI、EWI、CIre;(5)从不同分类特征的数理统计指标看,中值特征的分类结果最好,其次是平均值特征。本研究为湿地信息提取在特征变量优选方面提供了一种可迁移且普适性高的方法和思路。     

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。     

考虑植被红边信息的多时相Sentinel-2大范围冬小麦提取研究

冬小麦是中国的主要粮食作物且种植面积年际变化较大,及时准确掌握冬小麦种植面积变化有利于国家和相关部门科学决策。遥感技术是获取大范围冬小麦种植面积数据的最有效手段。前期研究多利用多时相中低分辨率影像（如MODIS）的归一化植被指数NDVI（Normalized Difference Vegetation Index）开展大范围冬小麦种植区提取,因分辨率低导致精度难以令人满意。Sentinel-2卫星是唯一能获取3个红边波段影像的米级分辨率传感器,但应用其红边波段进行大范围冬小麦提取的研究几乎没有。本文分析了红边位置指数REPI（Red-Edge Position Index）与NDVI各自在冬小麦提取中的优势,并基于冬小麦物候特征与JM距离研究关键时相,提出一种综合多时相Sentinel-2 PERI、NDVI的大范围冬小麦提取方法,将其应用于2020年京津冀地区的冬小麦种植区提取,冬小麦总面积提取误差为-2.57%。提取结果与Google Earth高分辨率光学影像的解译结果进行比较,总体精度为94.24%,Kappa系数为0.88,相较于已有大范围冬小麦提取研究精度有明显提升,表明了本文方法的有效性。     

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...     

Tree cover mapping based on Sentinel-2 images demonstrate high thematic accuracy in Europe

The spatial and temporal distribution of trees has a large impact on human health and the environment through contributions to important climate mechanisms as well as commercial, recreational and social activities in society. A range of tree mapping methodologies has been presented in the literature, but tree cover estimates still differ widely between the individual datasets, and comparisons of the thematic accuracy of the resulting tree maps are rather scarce. The Copernicus Sentinel-2 satellites, which were launched in 2015 and 2017, have a combination of high spatial and temporal resolution. Given that this is a new satellite, a substantial amount of research on development of tree mapping algorithms as well as accuracy assessment of said algorithms have to be done in the years to come. To contribute to this process, a tree map produced through unsupervised classification was created for six Sentinel-2 tiles. The agreement between the tree map and the corresponding national forest inventory, as a function of the band combination chosen, was analysed and the thematic accuracy was assessed for two out of the six tiles. The results show that the highest agreement between the present tree map and the national forest inventory was found for bands 2, 3, 6 and 12. The present tree map has a relative difference in tree cover between 8% and 79% compared to previous estimates, but results are characterised by large scatter. Lastly, it is shown that the overall thematic accuracy of the present map is up to 90%, with the user’s accuracy ranging from 34.85% to 92.10%, and the producer’s accuracy ranging from 23.80% to 97.60% for the various thematic classes. This demonstrates that tree maps with high thematic accuracy can be produced from Sentinel-2. In the future the thematic accuracy can be increased even more through the use of temporal averaging in the mapping procedure, which will enable an accurate estimate of the European tree cover.     

基于Sentinel-2的潮间红树林提取方法

位于潮间带的红树林可能在高潮时被海水淹没的特点,使得传统的植被提取方法在红树林信息提取方面存在局限性。本文在对比分析了出露的红树林、高潮水位淹没的红树林、海水水体的光谱特征后,提出了一种利用归一化潮间红树林指数（NIMI）提取潮间带红树林的方法。该指数是由植被强吸收的红波段,强反射的两个红边波段和近红外波段组成的归一化表达式。利用该指数对福建省龙海九龙江口湿地的红树林进行了分类提取,提取结果与高分二号影像目视验证和现场调查结果进行了对照。结果显示,该方法提取红树林的用户精度达到93.98%,并显著优于利用归一化水体指数（NDWI）、归一化植被指数（NDVI）及随机森林的结果。     

Automatic sub-pixel co-registration of Landsat-8 Operational Land Imager and Sentinel-2A Multi-Spectral Instrument images using phase correlation and machine learning based mapping

ABSTRACT

This study investigates misregistration issues between Landsat-8/ Operational Land Imager and Sentinel-2A/ Multi-Spectral Instrument at 30?m resolution, and between multi-temporal Sentinel-2A images at 10?m resolution using a phase-correlation approach and multiple transformation functions. Co-registration of 45 Landsat-8 to Sentinel-2A pairs and 37 Sentinel-2A to Sentinel-2A pairs were analyzed. Phase correlation proved to be a robust approach that allowed us to identify hundreds and thousands of control points on images acquired more than 100 days apart. Overall, misregistration of up to 1.6 pixels at 30?m resolution between Landsat-8 and Sentinel-2A images, and 1.2 pixels and 2.8 pixels at 10?m resolution between multi-temporal Sentinel-2A images from the same and different orbits, respectively, were observed. The non-linear random forest regression used for constructing the mapping function showed best results in terms of root mean square error (RMSE), yielding an average RMSE error of 0.07?±?0.02 pixels at 30?m resolution, and 0.09?±?0.05 and 0.15?±?0.06 pixels at 10?m resolution for the same and adjacent Sentinel-2A orbits, respectively, for multiple tiles and multiple conditions. A simpler 1st order polynomial function (affine transformation) yielded RMSE of 0.08?±?0.02 pixels at 30?m resolution and 0.12?±?0.06 (same Sentinel-2A orbits) and 0.20?±?0.09 (adjacent orbits) pixels at 10?m resolution.     

Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类

潮间带湿地是滨海湿地的重要组成部分,具有维持生物多样性、促进碳汇等重要生态功能.及时、准确地掌握潮间带湿地现状是实现潮间带湿地可持续管理目标的基础.先前的潮间带湿地分类研究依赖于训练样本、人工设定阈值或后处理等,本研究基于GEE (Google Earth Engine)平台开发一种自动、快速、高精度的潮间带湿地分类方...     

Sentinel-2A数据支持下的雷州半岛植被类型识别

本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。