摘要：森林资源调查对于我国森林生态系统可持续发展具有重要意义,森林平均高度是森林资源调查的主要结构参数,也是获取难度最大的关键参数之一。为探究联合主被动遥感技术在估测森林平均高度方面的潜力,本研究以吉林省临江市西小山林场为研究区,利用sentinel-1 SAR和sentinel-2A数据,通过提取sentinel-1的2个后向散射系数、8个纹理信息,以及sentinel-2A的10个光谱波段及其纹理信息和11个植被指数,采用多元线性回归方法分别建立基于上述变量以及融合4类变量的5组平均树高估算模型,并评估各变量对反演精度的影响。结果表明:单一数据源变量中,基于sentinel-2A光谱波段提取的纹理信息建模效果较好,能够作为估算森林平均高度的有效数据;融合4类变量的森林平均高度估算模型最优,R2达0.56、留一交叉验证均方根误差为2.92 m、相对留一交叉验证均方根误差为21.5%。基于sentinel-1与sentinel-2A特征变量的平均树高模型能够提高森林高度的估算精度,可用于区域森林平均高度估测和制图。

摘要：水稻是中国主要粮食作物之一,稻米产量关系到民生福祉。及时、准确地获取水稻种植面积信息及其空间分布状况对于区域农业发展规划和产量评估具有重要意义。针对水稻与其他农作物易混以及光学数据易受云雨天气影响等问题,以东北三江平原为例,利用中高分辨率sentinel-1微波数据、sentinel-2光学数据,分别构建时序水体指数SDWI和植被指数NDVI组成水稻完整的物候生长曲线,分析水稻移栽期、分蘖期、抽穗期、成熟期4个重要生长时期不同的光谱差异,通过阈值分割和组合不同时期的数据,来实现水稻不同物候时期种植面积的提取,并与传统的基于单一光学数据的方法进行对比。研究结果表明:经过地表样本点的验证,所构建方法可以精确提取三江平原水稻几个关键生育期的种植面积并且优于单一使用光学数据的方法。同时利用单生育期影像例如移栽期影像提取水稻面积也可使总体精度达到87.08%,随着生育期数据的完整,总体精度也不断提高,其中基于全生育期的面积提取总体精度也高达91.88%,Kappa系数为0.834,可以满足实际应用需求。因此这种的多源数据结合的水稻种植面积提取方法能够准确、高效地提取三江平原水稻不同物候时期种植面积,为短期内的农情调查管理和区域农业可持续发展提供依据。

摘要：随着经济社会的不断发展,人们对资源的需求也在不断增加。鹤壁市拥有丰富的煤炭资源,同时也是南水北调总干渠所经过的城市,资源的开采和重要基础设施的建设势必会使城市产生地面沉降。本文采用小基线集InSAR技术(SBAS-InSAR)及2017年3月至2020年6月共计97景开源免费的sentinel-1数据对鹤壁市开展地面沉降监测工作,以低成本的手段获取鹤壁市广域的沉降监测结果。监测结果表明,矿区开采引发的地面沉降是该区域内最主要的沉降成因,LOS向形变最大量级达到了近180 mm/a。同时,我们将对沉降的分布情况进行分析,相关的结果可为后续鹤壁市开展规划及沉降治理工作提供基础数据参考。

摘要：棉花是新疆最主要的经济作物之一,及时准确地监测棉花种植信息对棉花种植管理及国际贸易至关重要。该文以石河子市为研究区,提出一种基于sentinel-1和sentinel-2数据的单一分类支持向量机提取新方法。结果表明,棉花8月份提取精度最大,总体精度为91.69%,Kappa系数为0.83。光学特征重要性大于雷达极化特征,其中sentinel-2的红边波段对棉花提取贡献率最大,sentinel-1极化特征在棉花吐絮期重要性较为显著。

摘要：星载雷达遥感具有全天候获取地面特征的特点,在恶劣环境下工作仍然能得到较高精度的图像,在洪水灾害监测中的作用显著。2017年6—7月,洞庭湖区发生了严重的洪涝灾害,损失严重。该文选取2017年6月4日、6月28日、7月10日以及7月22日4期sentinel-1数据,进行了洪涝灾害信息的提取与分析。通过去噪方法和水体提取方法对比分析,确定采用Lee滤波进行sentinel-1数据去噪、采用阈值法进行水体提取,提取了不同时期的水体分布,实现了洪水动态监测。采取地图差分法获取淹没范围为1015.43km2,岳阳整体受灾面积最大。综合土地利用数据,结合叠加分析和分区统计发现,此次洪涝灾害对耕地的影响最大,受灾面积达693.35km2。

摘要：冬小麦是我国主要粮食作物之一,及时准确地获取冬小麦种植面积,对保障粮食安全具有重大意义。本文以河南省为研究区,利用sentinel-1的后向散射系数VV和sentinel-2构建的植被指数EVI2,基于冬小麦拔节到成熟期的特征,设计WI指标,提取2020年河南省冬小麦空间分布。结果表明:河南省冬小麦种植面积为56 130 km~2,总体分类精度为94.70%,Kappa系数为0.89;与单一光学影像数据相比,结合雷达影像数据的冬小麦提取方法,能同时结合作物在光学及微波方面的特征,在光学影像质量较差的区域提高了分类精度。

摘要：针对南方丘陵山地因地形破碎和山体阴影而导致的分类精度低问题,该研究以东江源地区为例,通过结合多源数据,以sentinel-1、sentinel-2A卫星影像和DEM作为数据源提取27个指标,构建了6种特征变量集,并设计了9种方案,探讨加入红边特征、雷达特征和地形特征对南方丘陵山地土地利用分类信息提取的作用。同时结合随机森林算法和递归特征消除法进行特征变量优选和特征重要性排序,将随机森林特征优选后的分类结果与支持向量机算法(Support Vector Machine,SVM)和K近邻算法(K-Nearest Neighbor,KNN)作对比。结果表明:在未进行特征变量优选时,仅使用sentinel-2A的光谱特征提取的东江源地表覆盖分类总体精度和Kappa系数最低,在以光谱特征、植被指数和水体指数作为基本方案时,加入红边特征、雷达特征和地形特征后均可以有效地提升各地物分类精度,其中地形特征的加入更有助于对东江源园地和耕地信息的提取。通过结合随机森林和递归特征消除算法进行特征优选,在保持分类精度最优的情况下将所有特征变量从21个降低到13个,并且总体精度达到0.9372,Kappa系数达到0.9234,分类精度优于相同特征下的支持向量机算法(SVM)和K近邻算法(KNN),对东江源土地利用信息提取效果最佳。该研究提出基于多源数据的随机森林方法可为地形复杂的南方丘陵山地土地利用信息提取提供技术支持和理论参考。

摘要：机器学习结合多源遥感数据反演土壤水分含量(SMC)是目前SMC研究的热点,因较少考虑温度、蒸散等重要SMC影响因子,反演结果存在一定的不确定性。利用sentinel-1影像、MODIS产品和SRTM数据,提取雷达后向散射系数等32个SMC影响因子,经相关分析选择27个显著的SMC影响因子(P<0.05)作为反演因子,并设计三组因子组合。这三组因子组合分别与随机森林、支持向量回归、BP神经网络三种机器学习方法结合,发现基于随机森林结合所有因子的方案,其SMC反演精度最高,该组合均方根误差RMSE为0.039 m^3/m^3,将该方案被用于反演2017年生长季锡尔河流域中下游平原区农田SMC。结果表明:从上部至下部SMC总体呈逐渐增加的态势,但存在显著时空差异,春季和秋季SMC较高而夏季较低。SMC差异主要由土壤质地、热量条件和地表植被状况差异引起。春季平原区下部农田SMC要高于上部,SMC的主控因子是土壤质地和地表植被状况;在夏季,土壤水分的主控因子是热量条件,农田灌溉弥补了热量条件差异对土壤水分的影响,导致空间上平原上部和下部土壤SMC空间差异不显著;秋季SMC的主控因子植被状况抵消地表温度和土壤质地差异对SMC的影响,使得秋季SMC空间差异不显著。本文采用的研究方法在一定程度上克服了因考虑SMC影响因子不足而获取更高SMC精度的限制。

摘要：【目的】结合多源遥感数据进行特征提取,获取最优分类策略并探究时间序列特征在林分类型识别中的重要性,为遥感林分类型识别提供技术途径。【方法】结合sentinel-2光谱特征和时间序列特征、sentinel-1雷达后向散射特征和SRTM DEM地形特征在Google Earth Engine中进行各特征变量的提取,构建不同特征组合使用随机森林分类器进行分类并对不同分类结果进行制图输出和精度评价。【结果】(1)使用sentinel-2时间序列光谱特征、sentinel-1雷达后向散射特征和SRTM DEM地形特征的方案分类效果最好,总体精度为84.62%,Kappa系数为0.82;(2)在构建的5个不同特征组合方案中,多特征组合的方案分类效果优于单一特征;(3)地形特征、后向散射特征和时间序列特征对于分类结果非常重要,尤其是时间序列特征的加入能大大提升林分类型识别精度。光谱特征中短红外波段B11和B12最重要,时间序列特征中4月份和10月份为最重要的时间节点。【结论】基于多源遥感数据提取的多特征分类方案能够有效进行研究区林分类型识别,地形特征、后向散射特征和sentinel-2时间序列特征可以作为光谱特征的有效辅助特征变量提高分类精度,使林分类型识别更为准确,尤其是时间序列特征在提高林分类型识别精度上有突出作用。

摘要：光学和合成孔径雷达(SAR)多源传感器数据融合对提高森林地上生物量(AGB)提取精度具有重要意义。以太平湖森林为研究对象,以sentinel-1 SAR数据和sentinel-2光学数据为数据源,利用随机森林回归算法系统性地评估光学和SAR数据对AGB反演的互补优势和策略选择。采用sentinel-2光学数据的AGB反演精度(R^(2)=0.63,RMSE=37.05 mg/hm^(2),sMAPE=0.56)优于采用sentinel-1 SAR数据的AGB反演精度(R^(2)=0.37,RMSE=52.25 mg/hm^(2),sMAPE=0.65),联合两者数据的AGB估算精度最高(R^(2)=0.69,RMSE=34.17 mg/hm^(2),sMAPE=0.55);基于不同策略构建的AGB估计模型当中,植被指数(RVI、NDVI和红边相关的NDVIre)和纹理变量(NDVIre_Mea)的重要性高于光谱波段和后向散射系数。联合sentinel-1和sentinel-2数据的光谱波段、植被指数、纹理信息和后向散射系数,能够有效的缓和遥感信息饱和性问题和提高AGB反演精度。