Sentinel-2A卫星数据处理分析及在干旱河谷提取中的应用
西南科技大学环境与资源学院,绵阳 621010
Processing analysis of Sentinel-2A data and application to arid valleys extraction
College of Environment and Resource, Southwest University of Science and Technology, Mianyang 621010, China
责任编辑: 陈理
收稿日期: 2016-11-19 修回日期: 2017-01-7 网络出版日期: 2018-09-15
基金资助: |
|
Received: 2016-11-19 Revised: 2017-01-7 Online: 2018-09-15
作者简介 About authors
杨斌(1979-),男,博士,教授,硕士生导师,主要从事空间信息技术集成应用研究。Email:xjgis@126.com。 。
哨兵2A(Sentinel-2A)作为一颗新型光学遥感卫星,具有大宽幅、多光谱、高时空分辨率与免费共享等优点,已广为光学遥感应用领域关注。选取欧空局提供的Sentinel-2A遥感卫星数据,以四川省黑水河流域部分区域为研究区,通过对Sentinel-2A数据参数、组织形式、产品等级与格式分析,利用SNAP软件中sen2cor处理模块将L1C级别数据转换成L2A级别数据,分别获取研究区气溶胶厚度分布图、水汽分布图、场景分类图及植被生物量因子数据图层; 通过对生物物理量因子分析,利用研究区叶绿素含量生物量因子和数字高程模型,结合专家决策分类法提取出研究区内干旱河谷分布面积。研究结果表明,Sentinel-2A遥感卫星数据质量较好,丰富了遥感技术应用领域,其L2A级别数据将会对全球生态植被环境变化的监测与评价产生积极的应用价值。
关键词:
As a new optical remote sensing satellite, Sentinel-2A has become a hot spot in optical remote sensing applications because it has wide bandwidth, multi-spectrum, high spatial-temporal resolution and free sharing. In this study, we chose Heishui River basin as the study area and selected Sentinel-2A satellite data from European Space Agency. The authors obtained aerosol optical data, water vapor data, scene classification data and biomass factor data through analysis of data arguments, organization form, product grade and data format by using the sen2cor processing module of SNAP. The distribution areas of arid valley in the study area were extracted by using the vegetation ecological index data and digital elevation model, combined with the expert decision classification method with the analyses of biophysical index data. The result shows that Sentinel-2A satellite data have good quality in that they enrich the application field of remote sensing technology greatly. L2A level data have more positive application value for the monitoring and evaluation of global ecological vegetation environment change.
Keywords:
本文引用格式
杨斌, 李丹, 高桂胜, 陈财, 王磊.
YANG Bin, LI Dan, GAO Guisheng, CHEN Cai, WANG Lei.
0 引言
哨兵-2A(Sentinel-2A)卫星作为欧洲空间局(European Space Agency,ESA)“哥白尼”计划系列中的一颗重要的光学遥感卫星,于2015年6月23日发射升空,卫星运行在高度为786 km、倾角为98.5°的太阳同步轨道上。Sentinel-2系列计划发射2颗卫星,构建双星对地观测平台,主要用于全球生态环境的监测[1],并且该系列卫星与Landsat系统在对地观测领域互为补充,具有较高空间分辨率、免费共享使用等特点,因而对该卫星的深入研究与应用具有重要意义。
Sentinel-2A卫星具有13个光谱波段,涵盖可见光、近红外和短波红外波段,拥有10 m,20 m和60 m3个不同尺度的空间分辨率,重访周期为10 d,Sentinel -2B卫星发射升空后,Sentinel-2这2颗卫星每隔5 d就可对全球N84°~S56°范围内的所有地物覆盖一遍[2]。Sentinel-2A卫星自发射升空后经过近半年的运行和调试,从2015年12月3日起,正式向全球用户提供免费下载服务[3],国外研究人员前期则曾模拟Sentinel-2数据波段进行了小麦土豆的叶面积指数提取[4]及植被叶绿素含量的评估[5,6],而后又利用Sentinel-2A卫星数据进行了温室效应变化监测[7]、红边光谱指数适应性分析[8]和云检测分析[9],而国内研究人员对于Sentinel-2A卫星数据的应用研究还不多见。为进一步了解认识Sentinel-2A卫星影像数据的基本特点,通过对该影像进行数据处理与分析,选取研究区域尝试运用该数据相关指标进行地学环境领域综合应用,为了解该遥感卫星影像数据的应用潜力提供较为全面的基础信息。
1 Sentinel-2A卫星概述
1.1 卫星数据基本特征
表1 2种卫星数据主要参数对比
Tab.1
Landsat8(OLI传感器) | Sentinel-2A (MSI传感器) | |||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
波段 号 | 波段 名称 | 波长范围/μm | 空间分 辨率/m | 辐射分 辨率/bit | 时间分 辨率/d | 幅宽/ km | 波段 号 | 波段 名称 | 波长范围/μm | 空间分 辨率/m | 辐射分 辨率/bit | 时间分 辨率/d | 幅宽/ km | |
1 | 深蓝 | 0.433~0.453 | 30 | 1 | 深蓝 | 0.430~0.457 | 60 | |||||||
2 | 蓝 | 0.450~0.515 | 30 | 2 | 蓝 | 0.440~0.538 | 10 | |||||||
3 | 绿 | 0.525~0.600 | 30 | 3 | 绿 | 0.537~0.582 | 10 | |||||||
4 | 红 | 0.630~0.680 | 4 | 红 | 0.646~0.684 | 10 | ||||||||
8 | 全色 | 0.500~0.680 | 15 | 5 | 红边1 | 0.694~0.713 | 20 | |||||||
5 | 近红外 | 0.845~0.885 | 30 | 6 | 红边2 | 0.731~0.749 | 20 | |||||||
9 | 卷云 | 1.360~1.390 | 30 | 12 | 16 | 185 | 7 | 红边3 | 0.769~0.797 | 20 | 12 | 10 | 290 | |
6 | 短波红外 | 1.560~1.660 | 30 | 8 | 近红外 | 0.760~0.908 | 10 | |||||||
7 | 短波红外 | 2.100~2.300 | 30 | 8a | 窄近红外 | 0.848~0.881 | 20 | |||||||
9 | 水汽波段 | 0.932~0.958 | 60 | |||||||||||
10 | 卷云 | 1.337~1.412 | 60 | |||||||||||
11 | 短波红外 | 1.539~1.682 | 20 | |||||||||||
12 | 短波红外 | 2.078~2.320 | 20 |
图1
1.2 数据组织形式及产品格式
Sentinel-2A卫星数据的分发处理模式与Sentinel系列卫星相一致,分别通过地面控制中心、地面数据处理中心及数据分发中心3个环节进行。按照ESA发布的Sentinel-2A数据产品等级依次划分为L0,L1A,L1B,L1C和L2A这5种不同层次的数据格式[17],其中L0级别为卫星获取的初始压缩数据,并提供生产L1A级别数据所需的所有信息,L1A级别是在L0级别基础上,对所有波段进行解压,并对短波红外波段进行重新排列处理; L1B级别数据是在L1A级别数据的基础上,经过辐射校正,并基于有效的地面控制点构建物理几何精校正模型,并附带到该级别产品数据中; L1C级别数据则是在L1B级别数据的基础上,通过重采样、正射校正和大气表观反射率计算处理等操作,生产云、陆地/水体掩模数据。其中,L0,L1A和L1B级别的数据不对用户发布,L1C级别数据则通过ESA SciHub网站对用户免费公开发布。ESA对外共享发布的L1C级别数据都是按照100 km2作为最小瓦片单元进行存储,该数据经过UTM/WGS84投影正射校正处理,且最基本的文件单元包括影像数据文件(IMG_ DATA )、影像数据辅助文件(AUX_DATA)、影像质量指标文件(QI_DATA)以及元数据信息(Metadata),对L1C级别基本数据的说明分析如表2所示。
表2 L1C级别数据说明
Tab.2
数据类型 | 说明 |
---|---|
影像数据文件 | 利用JPEG2000影像压缩算法存储一系列瓦片数据,其中每个瓦片的单位面积为100 km2,瓦片数据经过了正射校正,瓦片数据中每个波段储存为单独的JPEG2000数据文件 |
影像数据辅助文件 | 影像数据的辐射特性、几何特性、影像内容特性及与影像内容有关的检测信息等(L1C级别基于L1B级别数据生成) |
影像质量指标文件 | 主要包括正射校正参考指标和大气环境相关指标,其中正射校正参考指标包括地表影像处理参数(ground image processing parameter,GIPP)、数字高程模型(digital elevation model,DEM)和 地面参考信息(ground referenced information,GRI)数据,大气环境相关指标包括欧洲中期天气预报中心参数(臭氧层含量、水汽含量和地中海平面大气压力) |
元数据信息 | 产品基础介绍及瓦片组合数据(数据获取时间、太阳高度角和方位角等,基于L1B级别数据生成) |
根据ESA发布的Sentinel-2A用户手册指出,L1C产品的获取、处理、归档及发布均由Sentinel-2卫星数据地面数据分发中心提供,而 L2A级别数据的生成处理与应用分析则需用户自行利用L1C级别数据和Sentinel-2 Toolbox(SNAP软件工具箱)处理完成。
1.3 L2A级别数据生成
通过对Sentinel-2A用户手册分析得出,L1C级别数据虽然经过了正射校正、大气表观反射率处理等操作,但在光谱特征、地形变换等方面仍然具有一定的缺陷,而L2A级别数据处理则基于查找表法(LUT)利用已经计算出的不同复杂大气条件下的气溶胶光学厚度、反射率和相函数等指标,进行大气下垫面发射率校正处理,最大程度考虑了大气对遥感数据的影响(即大气精校正)。由于 L2A级别数据是在L1C级别数据基础上用户自行生成,因此需对L2A级别数据生成进行探讨。
L2A级别数据生成是基于L1C级别数据调用SNAP软件Sentinel-2 Toolbox中的sen2cor处理模块,进行大气校正和几何精校正,生成精度更高的大气下垫面反射率影像数据,还附加生成了气溶胶厚度分布图、水汽分布图和场景分类图等环境质量分析数据[18]。Sentinel-2 Toolbox主要针对于Sentinel-2系列光学影像数据开发的可视化遥感处理工具箱软件,其处理操作可通过桌面可视化和命令行运行界面2种方式调用,并提供了基于Java和 Python语言的开发接口与环境,便于用户自行开发定制。根据ESA网站信息及发布的Sentinel-2卫星数据用户指南[19],Sentinel-2 Toolbox集成在SNAP软件中,而在处理生成L2A级别数据之前,需先安装SNAP软件再运用Python语言命令行安装sen2cor处理模块,然后在SNAP软件中调用sen2cor进行L2A级别数据的生成。
生成的L2A级别数据除完成大气下垫面反射率校正(bottom-of-atmosphere,BOA)、卷云计算(cirrus)和地形校正(terrain)等操作外,还将波段保留为10个(去除B1,B9和B10),且空间分辨率可以根据需求选择10 m,20 m和60 m的任何一种类型,数据的精度和应用价值均得到了显著提升[19]。此外,SNAP软件还可利用L2A级别数据生成叶面积指数(leaf area index,LAI)、吸收光合有效辐射比例(fraction of absorbed photosynthetically active radiation,FAPAR)、叶绿素含量(chlorophyll content in the leaf,CAB)、冠层含水量(canopy water content,CWC)和植被覆盖度(fraction of vegetation cover,FVC)等生物物理参数,可为大面积进行植被生态环境的潜力研究与评价提供重要数据。
2 研究区概况及数据预处理
2.1 研究区概况及数据获取
本文选取四川省茂县与黑水县交界区域为研究区。该区经纬度坐标范围为E103°17'~103°44',N31°47'~31°58',长41.61 km,宽19.89 km,总面积约848 km2。该区地处岷江上游黑水河支流区域,具有山地地形和青藏高原季风气候特征,干旱河谷比较发育。
遥感数据采用2016年5月5日Sentinel-2A L1C级别数据,投影/坐标系为UTM/WGS84,整景数据的含云量为14.84%,但研究区范围内云量较少,符合研究需求。
研究区范围及其影像如图2所示。
图2
图2
研究区Sentinel-2A数据范围及其遥感影像
Fig.2
Distribution of Sentinel-2A data in the research area
2.2 数据预处理
图3
图3
研究区L2A级别数据及相关信息分布
Fig.3
L2A data and correlative information in the research area
表3 研究区影像L2A级别数据各波段基本特征统计值
Tab.3
波段 | 最小值 | 最大值 | 平均值 | 标准差 | 第一主成分/% |
---|---|---|---|---|---|
B2 | 3 | 17 412 | 673.47 | 1 051.01 | 11.82 |
B3 | 5 | 16 179 | 817.98 | 964.32 | 10.84 |
B4 | 3 | 15 218 | 749.28 | 943.74 | 10.61 |
B5 | 0 | 15 388 | 1 084.49 | 897.18 | 10.09 |
B6 | 10 | 14 702 | 1 782.19 | 893.99 | 10.05 |
B7 | 38 | 14 141 | 1 952.12 | 895.17 | 10.06 |
B8 | 58 | 15 113 | 2 081.41 | 937.41 | 10.54 |
B8a | 64 | 13 601 | 2 117.36 | 877.70 | 9.87 |
B11 | 65 | 8 674 | 1 771.34 | 761.93 | 8.57 |
B12 | 40 | 9 620 | 1 184.13 | 672.41 | 7.56 |
从表3可以看出,B2,B3,B4和B8的标准差较大,在第一主成分分量中所占比例也较高,说明其信息量较为丰富,数据较为稳定,从而可得出红边波段在第一主成分分量中所占比例较为稳定,对于生态环境监测具有较好的应用价值。
2.3 数据产品分析
分别从数据生成机理、流程与应用效果等方面对L2A级别数据生成的气溶胶光学厚度、水汽分布和场景分类数据类型与影像数据的光谱特征进行重点分析[20]。
1)气溶胶光学厚度图层是利用浓密植被算法(dense dark vegetation),使用短波红外波段(B12)、红光波段(B4)和蓝光波段(B2)生成,该图层能有效反演大气透明度。图3(b)中可反映出研究区内高山无云区的气溶胶光学厚度较低。
2)水汽分布图层是利用大气预校正微分吸收算法(atmospheric pre-corrected differential absorption,APDA),使用Sentinel-2A数据中的窄近红外波段(B8a)和水汽波段(B9)生成。其中,将B8a设置为大气窗口区参考通道,将B9 设置为水汽吸收过程中的测量通道,吸收深度的计算是在假设测量通道的表面反射率与参考通道相同的情况下获得。图3(c)中可反映出研究区河谷区内水汽含量较大。
3)场景分类图层是利用阈值测试法(threshold test)和光谱大气表观反射率特性,检测出研究区云、雪、阴影和地物类型。其中算法可获得4种不同类型的云类型(低概率云层、中概率云层、高概率云层和薄卷云),并可生成云层阴影、植被、裸地、水体、雪和黑暗区域(盲区)等类型。图3(d)中显示出了研究区内10种不同的场景类型。
图4
3 生物量提取分析
基于L2A级别数据,利用SNAP软件中生物物理量处理器模块[22](biophysical processor)生成LAI,FAPAR,CAB,CWC和FVC这5种因子,并利用波段运算方法提取出研究区NDVI(图5)。该模块是将事先处理好的区域植被特征与Sentinel-2数据冠层表观(top of canopy)反射率相关联构建一个综合数据库,并通过训练定标好的神经网络去评估遥感图像中每个冠层的特性,而模型中每个神经网络元的构成则涉及到L2A级别数据中的B3,B4,B5,B6,B7,B8a,B11,B12和天顶角余弦值、太阳高度角余弦值、相对方位角余弦值等11个输入参数和5个具有正切S形曲线(sigmoid)传递函数的神经元辅助参数。此模型算法最大程度精细计算出各植被特征与冠层表观发射率之间的关系,可为生态环境定量遥感分析提供强有力的数据支持。
图5
图5
研究区植被生物量因子数据分布
Fig.5
Distribution of vegetable-biophysical index data in the research area
得出的5种生物物理量因子中,LAI是众多植被-大气相互作用模型(特别涉及到碳循环和水循环模型)中的一个关键参数[23],图5(a)反映出河谷地带的LAI显著低于海拔较高的山坡及山顶地区; FAPAR是描述植被结构以及与之相关的物质与能量交换过程的基本生理变量,也是遥感估算陆地生态系统植被第一性生产力(net primary productivity,NPP)的重要参数,该指标也能有效表征植被生长状态和演化过程,图5(b)中也反映出云雪与植被的显著反差,还能有效显示出河谷地带植被长势较差; CAB能够真实有效地指示出地表植被的生长和营养状况(受氮素胁迫程度)、光合作用能力、所处的生长发育阶段及是否受到自然环境破坏或病虫害影响等状态信息,图5(c)中CAB对植被特征区分精细度较高,并反映出黑水河上游区域(左下方)植被长势较好; CWC能够有效评估植被的生长状况,对干旱监测和生态环境改善等具有现实意义,但图5(d)中CWC对于区域植被特征显示不明显; 而FVC直接表征地表植被覆盖的多少,能大致反映出地表资源与生态环境的好坏程度,图5(e)中FVC能显著区分出裸露地区与植被覆盖度较高地区的差异性。综上所述,这5种因子对于区域植被情况特征分布均具有一定的指示作用,但具体的应用效果还有待进一步探讨。
4 干旱河谷提取与分析
由于该研究区位于青藏高原东缘地带的岷江上游流域,长年受西南横断山区季风气候的影响,气候温暖、干燥度与辐射度强、雨热同步等特点,且河谷区内植被发育情况较高海拔山坡差,形成了山地典型垂直分异植被特性。从遥感假彩色图像上可明显看出干旱河谷区内影像呈现出暗灰色调,其边界在图3(a)中的显示较为明显。
表4 各植被生物量图像特征分析
Tab.4
生物量 | 最小值 | 最大值 | 均值 | 标准差 |
---|---|---|---|---|
LAI | -0.521 1 | 15.231 0 | 1.051 8 | 0.457 6 |
FAPAR | -1.615 3 | 0.910 7 | 0.321 2 | 0.190 1 |
CAB | -75.971 8 | 328.030 1 | 43.433 4 | 22.758 7 |
CWC | -0.360 8 | 0.447 2 | 0.022 9 | 0.032 7 |
FVC | 0.000 0 | 0.951 1 | 0.303 4 | 0.155 1 |
NDVI | -0.888 0 | 0.986 0 | 0.536 7 | 0.217 4 |
图6
图7
通过上述分析与提取,将决策树分类结果导入到ArcGIS 软件中,运用ArcGIS空间分析功能,计算出该研究区内干旱河谷的面积为114.147 7 km2,占研究区总面积的13.46%。对干旱河谷空间分布进行的分析表明,干旱河谷区主要集中分布在黑水河河谷坡度小于25°的范围内。对照该区域的地质图,可以看出干旱河谷区内灰岩、千枚岩和石英岩较为发育。结合包维楷等[26]、杨兆平等[27]前期研究成果与作者以往的研究积累及野外实地考察,选取6个野外观测样点(图7),进行实地观测验证,提取精度达到90%以上。研究结果表明,干旱河谷提取结果能较好表征干旱河谷分布情况,为岷江上游干旱河谷大面积国土资源普查和生态环境变迁分析研究提供了方法支持。
5 结论
Sentinel-2A光学遥感卫星作为对地观测陆地资源卫星系列大家庭的一员,以其涵盖面积大、时间和空间分辨率高、数据免费共享等优势受到广大遥感应用工作者的广泛关注。本次遥感应用的主要结论如下:
1)从Sentinel-2A遥感数据的基本属性、光谱特征、产品特征和应用特征4个方面进行系统分析,利用SNAP软件sen2cor模块进行数据处理,处理结果可以较好满足后续应用需要。
2)以四川省岷江上游流域黑水河区域为研究区进行了遥感生物量因子提取分析,并利用分析后的生物量因子和DEM数据,采用决策树分类法模型进行了干旱河谷区域定量提取。结果表明,Sentinel-2A系列卫星数据光谱特征丰富、应用前景广阔、数据可扩展性较强,可为植被生态环境定量分析和地学综合应用提供更多的遥感数据资源。
参考文献
Sentinel-2:ESA’s optical high-resolution mission for GMES operational services
[J]. ,DOI:10.1016/j.rse.2011.11.026 URL [本文引用: 1]
78 Sentinel-2 provides multi-spectral high-resolution optical observations. 78 Systematic global acquisitions over land with high revisit frequency. 78 Observations in 13 spectral bands with a resolution of 10m to 60m. 78 Production of land cover and land change detection maps and geophysical parameters.
Sentinels for science:Potential of Sentinel-1,-2,and -3 missions for scientific observations of ocean,cryosphere,and land
[J]. ,DOI:10.1016/j.rse.2011.09.026 URL [本文引用: 1]
Bayesian object-based estimation of LAI and chlorophyll from a simulated Sentinel-2 top-of-atmosphere radiance image
[J]. ,DOI:10.1016/j.rse.2013.09.005 URL [本文引用: 1]
A multi-temporal method for cloud detection,applied to FORMOSAT-2,VENμS,LANDSAT and SENTINEL-2 images
[J]. ,DOI:10.1016/j.rse.2010.03.002 URL [本文引用: 1]
Vegetation index suites as indicators of vegetation state in grassland and savanna:An analysis with simulated SENTINEL 2 data for a North American transect
[J]. ,DOI:10.1016/j.rse.2013.06.004 URL [本文引用: 1]
Experimental Sentinel-2 LAI estimation using parametric,non-parametric and physical retrieval methods-A comparison
[J]. ,DOI:10.1016/j.isprsjprs.2015.04.013 URL [本文引用: 1]
Sentinel-2A red-edge spectral indices suitability for discriminating burn severity
[J]. ,DOI:10.1016/j.jag.2016.03.005 URL [本文引用: 1]
Fires are a problematic and recurrent issue in Mediterranean ecosystems. Accurate discrimination between burn severity levels is essential for the rehabilitation planning of burned areas. Sentinel-2A MultiSpectral Instrument (MSI) record data in three red-edge wavelengths, spectral domain especially useful on agriculture and vegetation applications. Our objective is to find out whether Sentinel-2A MSI red-edge wavelengths are suitable for burn severity discrimination. As study area, we used the 2015 Sierra Gata wildfire (Spain) that burned approximately 80km2. A Copernicus Emergency Management Service (EMS)-grading map with four burn severity levels was considered as reference truth. Cox and Snell, Nagelkerke and McFadde pseudo-R2statistics obtained by Multinomial Logistic Regression showed the superiority of red-edge spectral indices (particularly, Modified Simple Ratio Red-edge, Chlorophyll Index Red-edge, Normalized Difference Vegetation Index Red-edge) over conventional spectral indices. Fisher's Least Significant Difference test confirmed that Sentinel-2A MSI red-edge spectral indices are adequate to discriminate four burn severity levels.
Gaussian processes uncertainty estimates in experimental Sentinel-2 LAI and leaf chlorophyll content retrieval
[J]. ,DOI:10.1016/j.isprsjprs.2013.09.012 URL [本文引用: 1]
Visualizing the ill-posedness of the inversion of a canopy radiative transfer model:A case study for Sentinel-2
[J]. ,DOI:10.1016/j.jag.2015.02.003 URL
LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands
[J]. ,DOI:10.1016/j.rse.2011.04.018 URL [本文引用: 1]
78 Superspectral band settings can predict LAI as good as continuous spectra. 78 REIP can predict LAI for relatively high biomass and fractional cover crops. 78 On ground level, REIP is a better LAI predictor for wheat than for potato.
Machine learning regression algorithms for biophysical parameter retrieval:Opportunities for Sentinel-2 and -3
[J]. ,DOI:10.1016/j.rse.2011.11.002 URL [本文引用: 1]
Potential of ESA’s Sentinel-2 for geological applications
[J]. ,DOI:10.1016/j.rse.2014.03.022 URL [本文引用: 1]
61Sentinel-2 and ASTER are simulated using HyMAP.61Band ratio products for geological mapping are proposed for Sentinel-2.61Sentinel-2 ratio images compare favourably to ASTER Standard products.61Sentinel-2 geologic products reflect the mapped lithologies of the study area.61Sentinel-2 can provide data continuity for ASTER and LANDSAT.
Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3
[J]. ,DOI:10.1016/j.jag.2012.10.008 URL [本文引用: 1]
Spatially constrained inversion of radiative transfer models for improved LAI mapping from future Sentinel-2 imagery
[J]. ,DOI:10.1016/j.rse.2011.10.035 URL [本文引用: 1]
Performance evaluation of object based greenhouse detection from Sentinel-2 MSI and Landsat 8 OLI data:A case study from Almería (Spain)
[J]. ,DOI:10.1016/j.jag.2016.07.011 URL [本文引用: 1]
Sentinel 2 MSI-Level 2A Product Format Specifications Technical Note
[R].,
Sentinel-2 MSI-Level-2A Prototype Processor Installation and User Manual
[R].,
Sentinel-2 MSI-Level-2A Prototype Processor Installation and User Manual
[R].,
基于决策树的干旱区湿地信息自动提取——以疏勒河流域为例
[J]. ,DOI:10.11873/j.issn.1004-0323.2015.6.1146 Magsci [本文引用: 1]
<p>以疏勒河流域为研究区,探讨了干旱区湿地的遥感影像自动提取方法。以Landsat 8卫星影像数据为主要数据源并辅以数字高程模型(DEM),利用改进的干旱区湿地指数(MAZWI)、归一化植被指数(NDVI)、地表反照率(Albedo)、灰度共生矩阵(GLCM)的非相似性分量等识别指数构建决策树模型,对研究区湿地进行提取,并将结果与最大似然分类结果进行对比。结果表明:该方法在一定程度上提高了湿地提取的精度,与最大似然分类结果相比总体精度和Kappa系数分别提高了6.52%和0.124。证明决策树法是干旱区水域湿地自动提取的一种有效手段。
The automatic extraction of wetland information in arid zone based on decision tree algorithm:A case study in the Shule River basin
[J].
森林地上生物量遥感估测研究进展
[J]. ,<p>森林生物量是衡量生态系统生产力的重要指标,也是研究森林生态系统物质循环的重要基础,其估测方法可以分为传统地面实测法、遥感监测法和综合模型法。随着生物量估测从样地研究发展到区域应用,空间尺度的增大导致宏观资料和参数的获取存在很多困难。在深入分析目前应用遥感技术估算森林生物量的方法及原理基础上,系统评述了统计模型、物理模型、基于植被净初级生产力(NPP)模型的估算方法以及综合模型法的优缺点,分析了各种方法在不同森林植被及遥感数据源下的适用性及不确定性,探讨了此领域的研究方向。</p>
Advances in the estimation of above-ground biomass of forest using remote sensing
[J].
岷江上游流域环境脆弱性评价
[J]. ,以岷江上游流域TM遥感数据和地形数据为主要数据源,结合其他统计相关资料,尝试运用层次分析法(analytic hierarchy process,AHP)对复杂因素构成的脆弱性特征进行层次分解和重新构造,建立多目标要素的综合评价指标体系和模型。选取植被指数变化率、人口密度、地形起伏度、坡度及土壤类型5个要素作为评价指标因子,通过AHP确定各评价指标的权重,在ArcGIS平台下将各指标图层进行叠加分析,得出岷江上游区域环境脆弱性评价图,再根据环境脆弱性指数阈值分级,将研究区环境脆弱度分为5级。结果表明: 岷江上游环境脆弱性表现较为强烈,自然因素和人文因素是造成该环境脆弱性的本质原因,该方法为岷江上游流域环境脆弱性模式和生态环境综合评价提供了一种定量分析的思路。
Evaluation of environmental vulnerability in the upper reaches of the Minjiang River
[J].
/
〈 | 〉 |