基于Sentinel-1和Sentinel-2协同反演干旱区地表土壤水分--以格尔木河中下游为例

摘要：土壤水分是全球水循环的重要组成成分,对研究土壤水分的空间分布、农作物长势和产量 、气候变化、水资源时空分布等有着重要意义 。本文利用Sentinel（哨兵）系列主动微波雷达卫星SAR（Sentinel-1）结合光学卫星（Sentinel-2）对格尔木中下游低矮植被覆盖下的地表土壤水分进行反演研究, 探讨不同极化组合方式和水云模型前后的土壤水分含量反演方法的适用性。结果表明：其中VV (VV Polarization) 极化对比VH (VH Polarization) 极化更加适用该区域,VV极化结合归一化水指数 (NDWI）反演地表土壤水分精度达到42.6%,拟合精度最高,VH极化仅为22.6%;利用水云模型去除植被覆盖后对地表土壤水分的反演精度有所提升,其中,VV极化精度提高约3.5%,VH极化提高1.5%;Sentinel系列卫星影像对于干旱区的土壤水分的反演具有较好的适用性。本文旨在探索一种适用于该研究区乃至柴达木盆地土壤水分实现大面积实时监测的可靠依据和手段。     

基于机载极化雷达技术的农作物覆盖区土壤水分估算

从研究区辅助数据中获得植被覆盖区域农作物含水量，并对“水云模型”的参数进行了修改。从总的极化雷达后向散射中去除了植被影响；再应用简化的裸露地表模型和多极化数据特征消除了地表粗糙度的影响，从而能够通过多极化雷达数据得到地表土壤水分。经过文测数据验证表明农作物覆盖地表土壤水分变化的估算算法还需要更进一步发展和改进以提高反演精度，并探讨了应用极化雷达技术估算植被覆盖区土壤水分的方法。     

微波遥感反演土壤水分中构建粗糙度参数的新方法

地表粗糙度是影响雷达后向散射系数的重要因素。该文在基于SAR影像反演地表土壤水分的过程中,考虑到地表粗糙度的野外测量误差、取值范围和雷达入射角等方面的影响,统计了裸土、农用地和草地等几种典型地表的粗糙度测量数据,以此限定AIEM模型的输入参数范围。首先,利用AIEM模型模拟雷达后向散射系数与粗糙度、土壤水分之间的关系,构建了基于曲面拟合思想的、与入射角相关的组合粗糙度参数,并以此为基础利用Envisat ASAR双极化数据(VV、VH)建立了土壤水分反演模型。经实测数据验证,在不同入射角范围内,基于该文建立的模型得到的土壤水分反演结果与实测值都有良好的相关性。与其他形式的组合粗糙度参数进行对比,该文提出的模型反演精度较高,能够适用于入射角范围在(5°,65°)内的SAR影像的反演。     

基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类

滨海湿地是具有重要功能的特殊海陆过渡带生态系统,精准获取滨海湿地植被时空分布信息具有重要意义。传统的湿地遥感观测研究集中于高空间、高光谱分辨率影像分类,往往受限于数据成本和覆盖范围,仅适用于小区域湿地监测。Sentinel-2A/B卫星影像时空分辨率高且免费共享,为大区域滨海湿地动态监测提供了可能。本文采用2018年Sentinel-2影像,提出像元级SAVI时间序列及双Logistic植被物候特征拟合重构模型,采用随机森林算法进行盐城滨海湿地植被分类,探讨Sentinel-2遥感时间序列植被物候特征分类方法的适用性。结果显示,分类总体精度达87.61%,Kappa系数为0.8358,分类结果与湿地实况相吻合,比常规单一时相分类精度总体提高19.57%。植被判别物候特征参数可为影像数据缺失或不足的滨海湿地分类提供不同植被的判别依据。研究表明,基于像元级时间序列植被物候特征的分类方法能实现植被群落混生带的精准分类以及对“异物同谱”植被的有效区分,对大区域滨海湿地植被分类具有很好的适用性,有效提高了滨海湿地植被分类精度。     

植被覆盖地表主动微波遥感反演土壤水分算法研究

主动微波遥感监测土壤水分具有全天时、全天候并对地物有一定的穿透能力等特点,突破了传统测量方法和光学遥感获取土壤水分的局限。文中在分析植被对微波信号影响的基础上,总结了当前国内外基于主动微波遥感监测植被覆盖地表土壤水分的原理和方法,指出利用,宋朝景“水-云模型”从总的极化雷达后向散射中去除植被影响后,能够改进后向散射系数和土壤含水量之间的关系。最后利用ENVISAT ASAR数据,结合实地采样获得的土壤含水量数据拟合两者之间的关系,结果表明农作物覆盖地表土壤水分变化的估算算法还需要进一步发展和改进以提高反演精度。     

基于支持向量机回归算法的土壤水分光学与微波遥感协同反演

利用遥感技术反演土壤水分对于我国西北地区农业干旱问题研究具有重要意义。该文以新疆焉耆盆地为研究区域,分别利用微波遥感数据(Sentinel-1ASAR)和光学遥感数据(Landsat8)计算土壤后向散射系数(σ0soil)和改进型温度植被干旱指数(MTVDI),并将σ0soil和MTVDI参数作用于支持向量机(SVM)回归算法,探讨了不同参数条件下SVM模型在土壤水分反演中的适应性。实验结果表明,相比只用单因子(σ0soil或MTVDI)作为模型参数,以σ0soil和MTVDI两者共同作为SVM模型输入参数时,土壤水分监测精度显著提高,其建模集决定系数R2=0.81,均方根误差RMSE=3.16%;验证集R2=0.89,RMSE=3.15%。最后,利用最优模型对研究区土壤水分进行了反演,并对不同土地类型含水量进行了评价,可为光学遥感与微波遥感协同反演土壤水分提供参考。     

基于PROSAIL模型和Sentinel-2数据的陕北煤炭矿区植被叶绿素含量监测

为满足煤炭矿区植被叶绿素含量高精度动态监测需求,该文以陕北大柳塔矿区为研究区,首先分析PROSAIL模型对矿区典型植被欧李、野樱桃的适用性,然后根据PROSAIL辐射传输模型建立查找表,结合基于正则化的代价函数对欧李、野樱桃叶绿素含量进行反演,并利用SNAP软件反演结果与地面实测数据对PROSAIL模型反演结果进行验证,最后利用所构建模型反演得到2016—2019年大柳塔矿区植被叶绿素含量空间分布。结果表明：PROSAIL模型模拟光谱与地面实测光谱的绝对偏差平均值最大为0.016,该精度满足植被参数反演;PROSAIL模型反演得到的欧李、野樱桃叶绿素含量与地面实测数据的决定系数、均方根误差和相对均方根误差分别为0.679、1.926和4.625%,优于SNAP软件反演结果,反演得到的大柳塔矿区叶绿素含量时空变化与实际植被生态修复情况和土地利用覆盖类型一致。研究结果可为矿区植被叶绿素反演和生态修复效果评估提供技术参考。     

基于新的组合粗糙度参数的土壤水分微波遥感反演

土壤水分的时空分布是水文、气象等领域研究的重要参数。微波遥感因其全天时、全天候对地观测以及较强的穿透能力成为土壤水分反演的重要手段。该文以风沙滩地区为研究区,利用AIEM模型模拟雷达后向散射系数与粗糙度、土壤水分之间的关系,提出一种新的组合粗糙度参数S3/L,以法向菲涅尔反射系数代替土壤水分,建立了雷达后向散射系数与组合粗糙度、法向菲涅尔反射系数Г0的经验关系,利用Radarsat-2C波段双极化(VV、HH)数据构建了土壤水分反演模型。经实测数据验证,模型反演结果与实测值有着良好的相关性(R~2=0.8541),平均绝对误差为4.95%,均方根误差为6.00%。与以往同一区域的研究成果相比,该文提出的反演模型精度较高,更适合于风沙滩地区土壤水分的反演。研究结果可为该地区的水循环及水环境评价研究提供支持。     

基于AMSR-E被动微波遥感数据的广东省土壤水分变化监测

概述了植被覆盖地表微波辐射传输模型的原理和表示方法,指出在地表粗糙度、植被层和大气等影响相似的情况下,微波极化差异指数的变化突显土壤水分变化.利用AMSR-E星载被动微波遥感亮度温度数据,计算分析地表微波极化差异指数(MPDI)的月平均分布,以广东省为试验区,获得了2004- 2009年10月份广东省10.7 GHz通...     

TVDI用于干旱区农业旱情监测的适宜性

基于地表温度/植被指数(T_s/VI)特征空间建立的温度植被干旱指数(TVDI)受诸多因素的影响,其中一个重要的影响因素是植被指数,该指数在高、低植被覆盖时的敏感性不同,从而导致TVDI对旱情监测的准确度不同.针对这一问题,以新疆塔里木盆地北缘渭干河-库车河三角洲绿洲为研究区,选择2011年4月、8月两景TM影像,利用归一化植被指数(NDVI)和比值植被指数(RVI)分别建立T_s/VI特征空间,线性拟合特征空间的上、下边界,计算得到两种温度植被干旱指数(TVDI-NDVI、TVDI-RVI).用TVDI与同期野外实测的土壤含水量数据进行回归分析.结果表明:(1)植被指数、地表温度、土壤水分之间有显著互动关系,以不同植被指数计算得到的两种TVDI与表层土壤水分相关性较好,均能够反映区域土壤干旱状况;(2)由于植被指数对植被探测的敏感性,在4月低植被覆盖时,TVDI-NDVI与表层土壤水分的相关性较高,为0.4299,8月高植被覆盖时,TVDI-RVI与表层土壤水分的相关性较高,达到0.5791;(3)在低植被覆盖区域,NDVI较RVI敏感,而在高植被覆盖区域,RVI敏感性较高.RVI适用于高植被覆盖时反演土壤湿度,NDVI则更适用于中、低植被覆盖时.     

基于多时相SAR的IEM和Oh模型地表土壤含水率反演与融合

基于水云模型分析植被后向散射系数的影响,采用考虑组合粗糙度定标的积分方程模型(IEM)与Oh模型,在不利用实测土壤含水率的前提下,建立基于多时相多极化SAR影像的IEM和Oh模型地表土壤含水率反演方法,以2004年5期Walnut Gulch流域ENVISAT-ASAR影像为例,采用加权平均、算术平均两种融合方法对两种模型的3期反演结果进行融合.结果表明:1)流域植被覆盖度低,各地类在植被去除前后的土壤含水率差值多期均值多在0.002 cm3/cm3以下,植被对反演结果的作用不显著;2)基于IEM、Oh模型反演的0720期、0805期、0824期土壤含水率的时空分布较一致,基于IEM模型反演的0714期与0818期土壤含水率较低,基于Oh模型的反演方法受影像极化方式制约,0714期、0818期土壤含水率的空间连续性差;3)基于IEM模型反演结果的均方根误差(RMSE)与偏差(Bias)低于Oh模型,其中0805期土壤含水率存在低估,而Oh模型反演结果在各期存在不同程度高估;4)考虑数据权重的加权平均方法优于算术平均方法,两种方法融合后的RMSE值降低了0.003～0.065 cm3/cm3,0720期、0805期两种方法的融合结果均改进了IEM模型反演结果偏低、Oh模型反演结果偏高的不足.该研究可为基于多时相SAR的多模型/方法土壤含水率反演以及多时相高精度土壤含水率获取提供参考.     

集成Sentinel 1/2卫星影像的哈尼湿地森林沼泽制图研究

森林沼泽作为独特的湿地类型,对区域碳循环和生物多样性保护具有重要作用。以吉林省哈尼湿地为研究对象,集成应用Sentinel-1雷达和Sentinel-2多光谱影像,充分挖掘Sentinel-1多极化波段特征和Sentinel-2红边指数对森林沼泽遥感识别的潜力,应用随机森林方法实现哈尼湿地森林沼泽分布信息的提取。结果表明:当森林沼泽信息提取最优决策树数目为1200,融合Sentinel-1 VV与VH后向散射系数雷达波段特征与Sentinel-2红边波段特征能显著提高森林沼泽分布信息的提取精度,保护区森林沼泽信息提取总体精度与Kappa系数分别高达89%、0.85,提取质量相对较高。哈尼湿地景观类型多样化,天然湿地、人工湿地与非湿地景观类型并存。在天然湿地类型中,森林沼泽面积最大,为27.1 km^(2),占保护区总面积的11.2%;河流面积最小,为0.7 km^(2),占保护区总面积的0.3%。森林沼泽提取方法为哈尼湿地的可持续管理提供数据支持,也为其他地区森林沼泽制图提供案例指导。     

基于Sentinel-2A时序数据和面向对象决策树方法的植被识别

Sentinel-2A数据具有较高的空间分辨率和时间分辨率,克服了以往时序数据难以获取或空间分辨率低的问题。该文以山西省吕梁市陈家湾流域为研究区,基于Sentinel-2A时序数据,根据归一化植被指数(NDVI)时序曲线特征和光谱特征,构建基于面向对象决策树方法的分层分类模型,成功提取了陈家湾流域的植被信息,分类总体精度达到89.7%,Kappa系数为0.87。基于面向对象决策树方法的多时相分类结果与单时相分类结果相比,可以有效改善波谱特征相近和受地形影响较大地物的区分,减少混分现象;基于Sentinel-2A时序数据和面向对象决策树分类方法能够有效提高植被分类的精度。     

联合主被动遥感的植被覆盖度反演——以白洋淀–大清河流域山区为例（英文）

由于光学遥感穿透性差,不能穿透林冠层识别林下植被,基于单一光学遥感提取的植被覆盖度,难以反映林下植被信息,从而无法为土壤侵蚀评价提供有效植被覆盖因子。针对此问题,本文以白洋淀–大清河流域为研究对象,结合实测数据,探究不同光子点分类下光子计数ICESat-2/ATLAS植被覆盖度采样的能力,并实现了研究区内星地协同植被覆盖度采样。在此基础上,联合Sentinel-2和Sentinel-1以及DEM等多源数据,基于随机森林回归模型方法实现植被覆盖度反演,并与传统常用的NDVI像元二分法提取结果进行对比。结果表明：相比于传统的NDVI像元二分法提取的反演结果,利用本研究中构建的随机森林回归模型估算的植被覆盖度精度更高,一定程度上可以对茂密森林的林下植被进行监测,避免了光学遥感存在的林下植被信号缺失的问题。在0.05、0.1和0.15不同的植被覆盖度误差容忍范围内,精度分别提升–4.1%、5.3%和9.4%,分别达到55.6%、71.1%和94.3%。     

融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取

以黑龙江流域中的扎龙湿地及其上游区域为研究区,将Sentinel-2红边波段和Sentinel-1雷达波段影像数据相结合,根据面向对象原理,采用随机森林算法,对研究区的湿地进行遥感分类和信息提取;利用3种特征变量集,进行实验对比,研究红边波段反射率和雷达后向散射系数对湿地信息提取的作用。研究结果表明,红边波段反射率和雷达后向散射系数对土地覆盖分类精度的提高起到了重要作用,两者结合得到的分类结果的总体精度达到了88.72%,Kappa系数为0.87,其中,水体、水田和沼泽的用户精度分别为100%、98.18%和91.37%。利用红边波段和雷达波段影像数据,分别使土地覆盖分类总体精度提高了5.26%和2.51%,红边波段影像数据对沼泽提取精度的提高贡献最大,使生产者精度提高了12.5%。     

一种改进的土壤水分微波遥感反演模型

利用微波遥感数据反演地表土壤水分有着较好的物理基础,可实现大范围土壤水分状况的遥感监测。本文基于被动微波传感器AMSR-E的X波段数据,将土壤水分值分解成基准值和日变化量两个部分,并分别建立反演模型,同时引入降雨修正因子来进一步提高土壤水分的估算精度;利用IDL语言实现了我们所研发的模型,并集成为新疆土壤水分遥感反演系统模块之一;利用Watch Dog2400与传统铝盒采样获取的新疆地面土壤水分数据,提取适合的模型经验参数,并对模型结果进行精度评价。结果表明,经改进的模型反演得到的新疆土壤水分结果比美国冰雪数据中心的土壤水分产品在精度上有显著提高:均方根误差由8.4%降低为4.25%;所研发的软件模块可为相关应用部门提供快速的大范围土壤水分监测产品。     

Sentinel-2影像红边谱段对不同生长期区域优势树种识别的影响

以中国东北赤峰市美林地区5种典型优势树种为研究对象,采用与当地森林植被生长期相对应的5景Senti-nel-2影像,借助支持向量机模型(SVM)与递归特征消除算法(RFE),根据可见光-近红外波段(VNIR)与不同红边谱段(RE)及红边指数(REVI)组合条件下的森林优势树种可分性测度及结果精度差异,探讨Sentinel-2影像不同红边谱段及其指数特征对区域优势树种遥感识别的影响.结果表明:Sentinel-2影像红边谱段的不同组合方式对不同生长期优势树种识别影响存在显著差异(P<0.05),其中VNIR+B5+B6为生长盛期的最佳组合方式,能够在VNIR基础上将生长盛期的识别精度均值提升约7.71％;叶全变色期是进行优势树种识别的最佳时期(P<0.05),该时期基于VNIR波段的识别精度均值达71.28％,在叠加红边波段B5+B6后提升至75.41％.此外,采用SVM-RFE算法构建适用于不同生长期的最佳REVI组合,其平均识别精度能够在全年5个生长期达到72.00％～84.31％,相比同时期基于RE+VNIR组合的最优识别结果平均提升了10.77％;在此基础上,构建适用于全生长期的优选植被指数PSRI+mSAVI+CIred-edge时间序列,可实现89.03％的平均识别精度,比单时相最佳REVI组合提升了4.72％～17.03％.研究证明Sentinel-2影像红边谱段及其衍生指数特征在区域森林优势树种识别中具有较高的应用价值,可为快速、准确地提取不同生长期森林植被信息提供技术方法参考.     

城市绿地水热通量的遥感反演与实验验证

为了定量评估北京绿色奥运城市绿地建设对生态环境的改善作用,根据北京城市下垫面状况改进了SE-BAL模型地表比辐射率、地表温度参数,应用模型对北京TM遥感图像反演了城市绿地水热通量,并用涡度相关系统地面同步观测数据进行验证,模型反演值与地面观测值基本相符。秋季植被覆盖下垫面显热约为建筑区的78%,为裸土的60%;而潜热约为建筑区的1.24倍,为裸土的1.55倍;林地显热约为草地的97%,潜热为草地的1.12倍。显热随植被覆盖度Pv的增加而降低,而潜热随Pv的增加而增加;在低植被覆盖度(Pv0.6)区域,提高Pv对降低显热、增加潜热的效果比高植被覆盖度(Pv0.6)区域要显著。     

基于Sentinel-1A数据在广东省近海海面风场反演应用

采用基于风条纹提取风向的方式,利用地球物理模式函数,基于Sentinel-1A数据,通过CMOD5模型反演2017年3、5、7、12月份广东省近海海域风场。将反演结果与实测数据对比,风速普遍比实测风速大,风速反演的平均绝对误差为1.98 m/s,均方根误差为2.74 m/s,相关系数为0.8。其中3、5、7月的风速较为接近,且平均绝对误差和均方根误差都＜2 m/s,而12月份平均风速＞8 m/s,实测数据与卫星过境时间不完全匹配,导致平均绝对误差和均方根误差都偏大。哨兵一（Sentinel-1A）影像反演结果整体上与实测数据相一致,验证了COMD5反演模型适用于广东省近海高分辨率海洋风场反演,可为下一步估算广东省风能资源储量提供可能。     

基于多频率极化SAR影像的洪河国家级自然保护区植被信息提取北大核心CSCD

植被是湿地生态系统健康状况的"晴雨表",明晰湿地中植被的时空分布,是湿地修复与重建、保护与合理利用的前提和基础。以洪河国家级保护区为研究区,利用全极化C-band Radarsat-2和L-band PALSAR数据,根据极化合成孔径雷达(synthetic aperture radar,SAR)目标分解理论,提取了该保护区不同波长的极化分解参数和特征参量,整合为多源极化SAR数据集,利用多尺度迭代分割算法和Random Forest机器学习算法,构建了研究区中植被的遥感识别模型,实现了对研究区中植被的高精度分类,并对比分析了不同频率SAR数据集在植被识别精度上的差异。研究结果表明,利用整合PALSAR和Radarsat-2极化数据集,获取的植被遥感分类结果的总体分类精度为86.77%,比利用PALSAR极化数据集的分类结果精度提高了15%,但是其与利用Radarsat-2极化数据集的分类结果精度差异不显著;浅水草本沼泽的生产精度达到了90.91%,深水草本沼泽的用户精度为90.63%;C-band PALSAR数据比L-band PALSAR数据更适用于高精度识别洪河国家级自然保护区中的植被。