摘要：精确估算森林蓄积量是国家实现2060年前碳中和目标的迫切需求,而基于遥感的森林蓄积量定量反演是当前遥感应用领域面临的重要挑战和研究热点。光学遥感数据由于无法获取森林高度信息并存在信号饱和问题,反演森林蓄积量的精度较低,而机载Lidar数据能获取高度信息,但成本高、观测范围有限。本研究利用sentinel-2多光谱、资源三号立体成像和机载Lidar数据,定量评价多源遥感数据在北亚热带估测森林蓄积量的能力,并探索小样本情况下贝叶斯模型在森林蓄积量估算中的优势,旨在解决单一数据集估测森林蓄积量精度低和样本数量不足的问题。研究结果表明,协同sentinel-2和林分冠层高度模型(CHM)数据的贝叶斯分层建模能够显著提高森林蓄积量估测精度,其相对均方根误差(rRMSE)为27.6%,其估测误差比sentinel-2数据减少了13.6 m^(3)/ha,比单独CHM数据减少了7.4 m^(3)/ha。多源数据可以有效改善低值高估和高值低估问题,相比单一数据集,多源数据在低值区估测误差减少了约1/4,在高值区减少了约1/3。分层贝叶斯模型有效缓解了因精细分层对样本数量的需求,减少了森林类型和地形差异对森林蓄积量估测精度的影响。为亚热带森林类型和地形复杂的地区,开展森林蓄积量估测制图提供关键技术手段。

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。

摘要：利用sentinel-2遥感卫星影像,结合遥感优势以光谱、指数、纹理等14种多种特征信息为输入,依托贝叶斯优化算法,设计了一种能自动获取最优超参数组合的BO-XGBoost方法,并将其成功应用于2021年阳澄湖蓝藻信息提取。结果表明:①通过贝叶斯优化算法获取最优超参数组合,进行训练得到BO-XGBoost蓝藻分类模型,其训练结果在测试集和训练集上表现效果良好,准确率高达96.07%;②将BO-XGBoost应用于参与样本集构建的影像,其蓝藻识别结果与人工解译成果对比,2种方法得到的蓝藻空间分布情况基本一致,交并比最低为41.31%;③为评价该分类模型在其他时相的适用性,选择其他时相影像数据进行蓝藻提取,BO-XGBoost与人工解译2种方法蓝藻空间分布情况基本一致,交并比最低为43.85%。

摘要：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;、WI;、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。

摘要：土壤电阻率是影响特高压直流输电接地极极址选择的重要因素,如何快速获取土壤电阻率的空间分布,为接地极极址选择提供参考依据是目前特高压直流输电中面临的重要议题。该文以陕西省榆林市府谷县和山西省部分地区为研究区,通过sentinel-1、sentinel-2和SMAP卫星数据联合反演研究区的土壤体积含水量,结合土壤容重获取土壤重量含水量的空间分布,最后利用土壤电阻率的实测数据与遥感重量含水量数据建立估算模型,得出土壤电阻率与土壤重量含水量呈现幂函数形式的拟合关系,据此获取拟接地极极址及周边地区的土壤电阻率空间分布。研究结果表明,通过遥感方式能为大范围内接地极极址的选择提供一种新思路。

摘要：为及时准确地获取干旱区农作物种植信息,确保干旱区粮食安全和保障农业可持续发展,文章以多时相sentinel-2影像和野外采样为主要数据源,依据新疆阜康市农作物物候特征,提取不同时期的农作物植被指数,并按时间顺序进行统计,建立植被指数时序变化曲线,并对其特征进行分析。使用See5.0决策树算法、分类与回归树(CART)算法和随机森林(RF)算法开展农作物遥感分类研究,用传统精度评价指标和破碎度指标对分类结果进行比较、分析和验证。结果表明:See5.0算法的总体精度为93.15%,高于RF算法(84.35%)和CART算法(78.26%),Kappa系数的关系为See5.0(0.8856)>RF(0.8020)>CART(0.7441),See5.0算法的总体精度和Kappa系数均最高,表明See5.0算法的分类结果与实际作物类型及分布状况具有较好的一致性;See5.0算法对阜康市农作物的制图精度均超过85%,制图结果清晰,地块内均匀一致,没有明显的“椒盐”噪声;See5.0算法相较于RF(10.25%)和CART(17.40%)算法,分类后的农作物样方破碎度最低,为5.54%,分类效果最好。综上,See5.0机器学习算法可以实现高精度遥感农作物制图,更适合在绿洲区进行农作物高精度遥感分类与动态监测研究。

摘要：南方山地丘陵地区耕地资源稀缺,耕地分布较为分散,导致现有的土地利用产品存在精度较低的情况。针对上述问题,文章以福州市为例,基于GEE云计算平台,借助sentinel-1与sentinel-2数据,探究不同特征组合下随机森林耕地信息的提取效果。结果表明,光学影像sentinel-2数据的分类精度高于sentinel-1数据,光谱指数和地形特征的引入使得分类精度得到明显提升;通过结合sentinel-1和sentinel-2数据构建最佳特征组合,总体精度达到92.37%,Kappa系数为0.89。总体而言,基于GEE云平台的sentinel-1和sentinel-2数据适用于南方多云多雨复杂地形地区的耕地信息提取。

摘要：以北方孟家岗林场的落叶松人工林为研究对象,引入遥感技术作为一种更高效、适用于大区域的遥感监测方法,利用sentinel-1和sentinel-2遥感数据,提取光谱特征、纹理特征、植被指数和后向散射系数等特征指标,基于Pearson相关系数和距离相关系数这两种特征选择方式,结合KNN、SVR和RF等3种机器学习模型,开展了6种人工林蓄积量估测方案的对比。研究表明:遥感数据源对模型的估测精度影响最大;以单一sentinel-1数据作为来源的模型估测精度最低,而基于sentinel-1和sentinel-2综合数据的估测模型精度最高,其中RF回归模型结合DC特征重要性评价方案获得了最佳的蓄积量估测结果,R_(RMSE)和R^(2)分别为22.94%和0.59。利用特征选择的方式结合多源遥感数据可以有效提升模型精度和泛化能力,得到更优的人工林蓄积量估测结果,为森林资源的保护、管理和可持续利用提供科学依据。