sentinel-2地质解译
基于Sentinel-2时序数据的新疆焉耆盆地农作物遥感识别与评估
基于Sentinel-2时序数据的新疆焉耆盆地农作物遥感识别与评估张旭辉;玉素甫江·如素力;仇忠丽;亚夏尔·艾斯克尔;阿卜杜热合曼·吾斯曼【期刊名称】《干旱区地理》【年(卷),期】2024(47)4【摘要】为及时准确地获取干旱区农作物种植信息,研究借助PIE-Engine Studio 平台,以新疆焉耆盆地为研究区,基于2022年Sentinel-2影像和1948个野外定位采样数据提取农作物生育期内14种植被指数,使用See5.0决策树、随机森林(Randomforest,RF)和多元回归(Multiple regression,MR)模型优选特征参数,结合支持向量机(Support vector machine,SVM)算法构建5种分类模型和5种样方分割方案进行农作物种植信息提取,通过目视解译和混淆矩阵对比分析分类结果,确定最佳分类方案。
结果表明:(1)所有分类模型的总体精度(OA)和Kappa系数均在92.20%和0.9037以上,说明在PIE平台中使用SVM算法提取农作物信息是可行的。
(2)SVM-有红边的OA和Kappa系数均值为93.77%和0.9236,比SVM-无红边方法提高了0.96%和0.0120。
(3)相比于SVM-有红边方法,植被指数的引入提高了SVM-RF、SVM-MR和SVM-See5.0的OA和Kappa系数。
(4)5种分类模型的OA和Kappa系数均值的大小关系为:SVM-RF>SVM-MR>SVM-See5.0>SVM-有红边>SVM-无红边,表明红边波段和植被指数的加入显著提高了农作物识别的精度,其中SVM-RF(8:2)为最佳分类模型,OA和Kappa系数分别为98.72%和0.9866。
研究结果可为准确快速获取大尺度干旱区农作物信息提供新的思路和参考依据。
【总页数】12页(P672-683)【作者】张旭辉;玉素甫江·如素力;仇忠丽;亚夏尔·艾斯克尔;阿卜杜热合曼·吾斯曼【作者单位】新疆师范大学地理科学与旅游学院流域信息集成与生态安全实验室;新疆干旱区湖泊环境与资源重点实验室【正文语种】中文【中图分类】TP3【相关文献】1.基于时序Landsat遥感数据的新疆开孔河流域农作物类型识别2.基于GF-1和Sentinel-2时序数据的茶园识别3.基于GF-6时序数据的农作物识别深度学习算法评估4.基于GEE和Sentinel-2时序数据的呼伦贝尔沙地及其周边植被类型识别研究5.基于Sentinel-2数据多特征优选的农作物遥感识别研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于哨兵2影像的河流湖泊遥感提取
30 信息化测绘1 引言河流是指由一定区域内地表水和地下水补给，经常或间歇地沿着狭长凹地流动的水流，河流湖泊作为陆地水圈的重要组成部分，在全球生态环境中扮演着重要角色。
河流是地球上水文循环的重要路径，参与自然界的水分循环，是泥沙、盐类和化学元素等进入湖泊、海洋的通道。
河流位置、水面宽度、水位及水储量等信息的变化是区域甚至全球气候变化的重要指示因子，是气候变化、生态环境研究的主要对象之一[1-3]。
河流网作为流域地形特征的基本骨架在地理信息系统（GIS）中占据重要地位，也发挥着重要作用。
河流在不同时期、不同环境中的状态各不相同。
遥感技术具有时效性强、数据获取简单、大面积同步观测等优势，是目前河流湖泊面积、水位等研究的主要数据源，国内外学者基于此开展了许多有意义的工作[4]。
2 技术发展现状传统的河流提取为人工数字化[5-6]，需要大量的野外调研与人力物力投入，时效性低。
遥感凭借大面积同步观测的优势，是目前河流湖泊等研究的主要数据源。
水体在遥感影像中具有显著的光谱特征，在可见光波段有较强的反射，在近红外波段有较强的吸收，这种特征主要依赖所使用的光谱波段，与传感器无关。
从遥感影像中提取湖泊边界的单一波段阈值法采用了水体在近红外波段的吸收特征[7]，如利用Landsat8影像近红外波段进行影像分割[8]，得出水体区域；波段比值法和水体指数法考虑了水体在可见光波段和近红外波段的反射、吸收特性，以更好地分开水体与其他地物[9]，如徐涵秋等利用改进的归一化水李兴亮（黔西南州水利电力勘测设计院，贵州 兴义 562400）摘 要：河流信息提取一直以来都是水利行业重要的工作内容，基于遥感技术的优势，采用高分辨率卫星影像哨兵2多光谱影像，进行河流信息提取，以此得到高精度的河流信息。
结果表明：基于遥感分类手段的河流提取具有很高的精度，河流呈现连续状态分布，并且植被区域与其他区域分类精度较好；基于遥感反演手段的河流提取同样具有很高的精度，反演手段从光谱信息中准确识别出水域信息并反映出来，河流信息呈客观分布且未出现断流现象，即该方法在河流提取中具有较好的应用。
基于Sentinel-2A卫星数据的黑龙江省天然湿地信息提取
基于Sentinel-2A卫星数据的黑龙江省天然湿地信息提取张博;夏宏炜;焦雯雯【期刊名称】《测绘与空间地理信息》【年(卷),期】2022(45)S01【摘要】以2017—2018年中6、7、8月云量覆盖少于10%的139幅Sentinel-2A卫星影像为数据源,利用最大似然与目视解译结合的方法提取黑龙江省天然湿地信息,确定黑龙江省天然湿地中各湿地类型的具体面积与分布情况。
结果显示:在通过Google Earth平台目视解译对基于像元的最大似然分类结果纠正后,黑龙江省天然湿地提取的总体分类精度达到98.81%,总体Kappa系数为0.955。
利用覆盖黑龙江省的Sentinel-2A影像数据提取出黑龙江省的天然湿地面积为51 554.3km^(2),主要分布于大小兴安岭、三江平原及松嫩平原东部。
其中沼泽湿地面积为40 874.7 km^(2),与第二次全国湿地资源调查结果相比增长了2 231.5 km^(2)。
沼泽湿地中草本沼泽所占比例最大,分布范围最广;其次是主要分布在大小兴安岭的森林沼泽;内陆盐沼主要分布在松嫩平原,且面积最小,仅40.9 km^(2)。
研究结果可为黑龙江省天然湿地保护工作提供重要参考依据。
【总页数】4页(P164-167)【作者】张博;夏宏炜;焦雯雯【作者单位】黑龙江省第五测绘地理信息工程院;北京经纬信息技术有限公司【正文语种】中文【中图分类】P237【相关文献】1.基于“高分四号”卫星影像洞庭湖湿地信息提取2.基于环境减灾卫星数据的湖泊旱涝灾害湿地实时信息提取——以鄱阳湖为例3.基于Sentinel-2A卫星数据面向对象的水边线提取——以如东县为例4.基于ASTER与Sentinel-2A融合数据的云南普朗铜矿化蚀变信息提取5.基于高分一号卫星遥感数据的青藏高原高寒湿地信息提取方法研究——以玛多县为例因版权原因，仅展示原文概要，查看原文内容请购买。
Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比
国土资源遥感
REMOTE SENSING FOR LAND & RESOURCES
Vol. 31, No. 3 Sep. ,2019
doi: 10. 6046/Etzyyy. 2019. 03. 20
引用格式：王大钊，王思梦，黄昌■ Sentinel - 2和Landsat8影像的四种常用水体指数地表水体提取对比［J］.国土资源遥感，
用于水体提取的方法很多,一般而言大致可以 分为单波段法［11-12］、多波段谱间关系法［13-14］、水体 指数法［15-18］和影像分类法［19］等类别。比如， Shih［20］基于Landsat MSS数据，采用密度分割法与
收稿日期：2018 -08 -03；修订日期：2018-10-01
基金项目：国家重点研发计划项目"山区暴雨洪水时空演变特征及山洪成灾暴雨阈值研究”（编号：2017YFC1502501）和国家自然科学 基金项目“基于多时相遥感影像的亚像元级地表水变化检测研究”（编号：41501460）共同资助。
traction index,AWEIs）和基于线性判别分析的水体指数&watef index,WIow）等4种常用的水体指数从2种影像中
提取湖泊水体的分布信息；然后,分析了在同种水体指数之下2种影像提取结果的差异性和同一幅影像中4种水
体指数提取结果的不同；最后,利用同期的高分一号影像目视解译的结果对水体提取结果进行了精度验证。结果
表明，对于2种遥感影像,4种水体指数均能成功地提取出研究区的大部分水体；AWEIs和WI2015的提取精度最高，
在Sentinel-2和Landsat8影像上分别达到了 98%和94%以上，MNDWI次之,NDWI的提取精度最低；相对而言，
基于Sentinel-1和Sentinel-2数据的衡水市冬小麦越冬前面积提取
SCIENCE &TECHNOLOGY INFORMATION科技资讯基于Sentinel-1和Sentinel-2数据的衡水市冬小麦越冬前面积提取刘馨1江亚军2(1.饶阳县气象局河北衡水053900;2.阜城县气象局河北衡水053700)摘要：该文以9月上旬至12月下旬Sentinel-1A GRD 为主要数据，提取小麦等不同地物后向散射系数变化曲线，根据当地种植制度和农事活动分析其后向散射系数曲线变化特点，结合11月下旬NDVI 通过基于专家知识的决策树分类法进行冬小麦越冬前面积提取。
经过精度验证，分类精度88.52%，Kappa 系数为0.81。
结果表明，该方法可在目标区冬小麦进入分蘖期后较准确地提取种植面积，为越冬期相关服务提供基础。
关键词：Sentinel-1A 冬小麦面积提取决策树中图分类号：P237文献标识码：A文章编号：1672-3791(2021)11(c)-0092-03Extraction of Winter Wheat Area before Overwintering in Hengshui City Based on Sentinel-1and Sentinel-2DataLIU Xin 1JIANG Yajun 2(1.Raoyang County Meteorological Service,Hengshui,Hebei Province,053900China;2.Fucheng CountyMeteorological Service,Hengshui,Hebei Province,053700China)Abstract:Taking Sentinel-1A GRD from early September to late December as the main data,the backscattering coefficient change curves of different ground objects such as wheat are extracted.The variation characteristics of backscattering coefficient curve are analyzed according to local planting system and agricultural bined with NDVI in late November,the area of winter wheat before overwintering is extracted by expert-knowledge-based Decision Tree Classification.After accuracy verification,the classification accuracy is 88.52%,and the Kappa coefficient is 0.81.The results show that this method can accurately extract the planting area after the winter wheat enters the tillering stage in the target area,and provide the basis for relevant services in the overwintering period.Key Words:Sentinel-1a;Winter wheat;Area extraction;Decision Tree冬小麦是衡水市主要农作物之一，其种植面积占全市粮食播种面积一半以上，在当地农业生产中占有重要比重[1]。
基于Sentinel-2卫星遥感数据的石漠化治理定量评估
基于Sentinel -2卫星遥感数据的石漠化治理定量评估谢玲琳㊀陈㊀铸∗㊀唐㊀根(湖南省第二测绘院,长沙410119)摘要:为科学㊁客观㊁真实评估 十三五 石漠化治理成效,辅助 十四五 制定最优的生态修复与治理方案,以湖南省永定区为例,利用遥感监测技术的优势,选取欧洲空间局(ESA )发布的Sentinel-2数据,通过对卫星遥感数据进行大气校正和辐射定标,分别反演出区内石漠化治理小班叶面积指数和植被覆盖度2类生物量指标㊂对比基于石漠化多指标评价体系的评价结果与部分野外核查情况,该方法能够科学㊁客观㊁真实的反映石漠化治理小班内植被生长与恢复状态,为石漠化治理生态环境定量评价提供了一种新的技术㊂关键词:Sentinel-2;石漠化治理;植被覆盖度;叶面积指数QUANTITATIVE ASSESSMENT OF ROCKY DESERTIFICATION CONTROLBASED ON SENTINEL-2SATELLITE REMOTE SENSING DATAXie Linling㊀Chen Zhu ∗㊀Tang Gen(The Second Surveying and Mapping Institute of Hunan Province,Changsha 410119,China)Abstract :In order to evaluate the effect of rocky desertification control in the 13th five year plan scientifically,objectively andtruly,and assist in the 14th five year plan to formulate the optimal ecological restoration and control plan,Taking Yongding District of Hunan Province as an example,using the advantages of remote sensing monitoring technology,the Sentinel-2data released by the European Space Agency (ESA )was selected,and through the atmospheric correction and radiometriccalibration of satellite remote sensing data,the two kinds of biomass indexes:leaf area index and vegetation coverage index,were inverted respectively.By comparing the evaluation results based on the multi index evaluation system of rockydesertification with some field verification results,this method can reflect the growth and recovery of vegetation scientifically,objectively and truly,and provide a new technology for quantitative evaluation of ecological environment of rocky desertificationcontrol.Keywords :sentinel-2;rocky desertification control;vegetation coverage;leaf area index㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2019-12-31基金项目:国家级地理国情监测武陵山片区扶贫开发与自然资源保护监测分析(HNJCCH-2018-16)㊂第一作者:谢琳玲(1968-),女,教授级高工,主要研究方向为地质与测绘地理信息㊂623753927@ ∗通信作者:陈铸(1983-),男,硕士研究生,工程师,主要研究方向为卫星遥感监测㊂chenzhuchenzhu@0㊀引㊀言岩溶石漠化是指在亚热带岩溶石山地区脆弱的生态环境背景条件下,由于自然演化并叠加不合理的人为活动,导致由植被遭受破坏㊁土层严重流失而引起的基岩逐步裸露的生态退化㊁地表呈现荒漠化景观的过程[1]㊂2018年12月国家林业和草原局发布了公报[2],数据显示,截至2016年底,全国岩溶地区石漠化土地总面积为1007万hm 2,占岩溶面积的22.3%,占区域国土面积的9.4%,涉及湖北㊁湖南㊁广东㊁广西㊁重庆㊁四川㊁贵州和云南8个省(自治区㊁直辖市)457个县(市㊁区)㊂岩溶石漠化已经成为岩溶地区一个严重的生态环境问题之一,石漠化与水土严重流失已形成恶性循环,造成的山穷㊁水枯㊁林衰㊁土瘦,给区域内人们的生存亮起了红灯[3],石漠化地区日趋恶化的脆弱生态环境制约了区域经济与社会的发展㊂受益于近年来石漠化地区一系列生态保护与治理措施的实施,岩溶地区石漠化面积持续减少,生态状况稳步好转,通过封山育林㊁人工造林㊁人工种草㊁退耕还林等措施对石漠化逆转发挥着主导作用[2]㊂科学定量评估石漠化治理成效是生态治理与修复的一项重要工作内容,目前石漠化治理成效评估手段基本以传统目视解译与实地调查为主,由于大部分的石漠化治理小班位置偏远,该类方法在大范围地区开展评估工作不但耗时费力,而且解译与调查的标准和结果也会因人而异㊂根据植被覆盖度与石漠化的程度呈负相关关系,即岩溶石漠化程度越高,则植被覆盖度越低;石漠化程度越低,相应的植被覆盖度越高这一特点[4],遥感影像的植被指数可以用来定量评估石漠化治理区生态演替情况㊂黄岩[5]利用ETM影像红光和近红外波段的组合研究植被的效果,提取喀斯特地区的石漠化现状数据结果表明,该方法提取石漠化区域内90%以上的植被信息㊂况顺达以TM为数据源[6],以贵州马别河流域为研究区,总结了岩溶石漠化遥感信息增强的技术方法,并结合研究实践提出了改进增强型植被指数模型GEVI,该模型充分利用了植被㊁土壤㊁裸岩及水体等在蓝光波段㊁红光波段及近红外波段的光谱响应特性,增大了土壤㊁植被㊁裸岩及水体之间的反差,有利于植被信息的提取㊂现有的石漠化遥感技术研究的对象主要针对植被覆盖度,但这一单一指标难以系统㊁全面的反映石漠化治理成效,基于构建的植被覆盖度和叶面积指数的多指标评价体系,选取湖南省永定区石漠化治理小班作为研究区域,结合欧洲空间局(ESA)提供的软件SNAP,对Sentinel-2遥感卫星数据的辐射定标和大气校正,着重探讨如何利用Sentinel-2卫星遥感数据反演评价指标,客观㊁真实反映石漠化治理小班范围内的植被生长与恢复情况,为系统㊁全面的定量评估石漠化治理成效提供一种新的技术方法㊂1㊀材料和方法1.1㊀Sentinel-2卫星数据Sentinel-2卫星(分为A㊁B两颗)属于欧洲空间局(ESA) 哥白尼计划 (Global Monitoring for Environment and Security,GMES)中的一大项目,携带的多光谱成像仪,覆盖13个光谱波段,幅宽达290km㊂赤道附近地区的单星重访周期为10d,在晴朗无云的条件下双星同步工作将使卫星重访周期缩短至5d,中纬度地区可在2~3d内实现完全覆盖[8]㊂该卫星从可见光到短波红外光谱范围,各波段具有不同的空间分辨率,具体数值见表1所示㊂由于数据具有覆盖范围广㊁重访周期短㊁波段数量多㊁空间分辨率高(最高分辨率可达10m)的特征,因此被广泛应用于森林火灾㊁土地利用变化㊁植被健康㊁湖水和近海水域污染等方面的监测㊂表1㊀Sentinel-2卫星波段信息波段中心波长/μm空间分辨率/m Band1-Coastal aerosol0.44360 Band2-Blue0.49010 Band3-Green0.56010 Band4-Red0.66510 Band5-Vegetation Red Edge0.70520 Band6-Vegetation Red Edge0.74020 Band7-Vegetation Red Edge0.78320 Band8-NIR0.84210 Band8A-Vegetation Red Edge0.86520 Band9-Wator vapour0.94560 Band10-SWIR-Cirrus 1.37560 Band11-SWIR 1.61020 Band12-SWIR 2.19020㊀㊀Sentinel-2数据设计吸纳了高光谱数据在红光边缘波段的应用,增加了水汽吸收波段Band9;在可见光和近红外波段区间,光谱分辨率较美国陆地系列卫星有所增强,且 红边 波段与近红外波段对于植被的辐射强度响应较为明显[7],为实现Sentinel-2卫星数据进行全球战略下的生态环境监测提供了技术参数支撑㊂1.2㊀研究区概况及数据处理永定区位于湘西山地东北部,地处张家界腹部,东与常德市的石门县与桃源县交界,永定区是国家确定的湖南省22个岩溶地区 石漠化 综合治理重点区县之一㊂本次收集到了永定区2015年度石漠化综合治理工程林业项目,全县石漠化综合治理植被恢复工程共有36个小班,总面积565.05hm2,分布在区内西溪坪街道和崇文街道,永定区开展封山育林㊁人工造林和人工种草石漠化治理小班数量分别为17和19和8个,面积分别为446.73㊁108.84和9.48公顷㊂在ESA Sci Hub官网(https://scihub.copernicus. eu/dhus/#/home)分别下载获取永定区范围内无云㊁质量高㊁同一季节的3景Sentinel-2卫星L1C级别的遥感源数据,时相分别为2016年7月25日㊁2017年7月10日㊁2018年8月19日㊂首先利用ESA提供的Sen2cor模型对下载的3景Sentinel-2卫星L1C数据进行辐射定标和大气校正等过程处理,转化为L2A 数据[9]㊂再利用SNAP软件下的生物物理处理模块和L2A 级数据分别反演提取每景数据空间分辨率为10m 的两项生物物理指标植被覆盖度和叶面积指数,再用ENVI 软件裁剪小班矢量数据范围内的植被覆盖度㊁叶面积指数2类生物物理指标,最后导入ArcGIS 10.1软件中进行定量分析,其处理流程如图1所示㊂图1㊀数据处理流程1.3㊀评价指标针对单一指标难以反映治理成效,综合 植被覆盖度+叶面积指数 等多指标,将石漠化治理植被长势划分为优(植被覆盖度增加㊁叶面积指数增加)㊁良(植被覆盖度增加㊁叶面积指数降低)㊁中(植被覆盖度降低㊁叶面积指数增加)和差(植被覆盖度降低㊁叶面积指数降低)四个等级,系统评估石漠化治理实施程度与成效㊂评价指标如表2所示,其中FVC2为后一时期植被覆盖度,FVC1为后一时期植被覆盖度,LAI2为后一时期叶面积指数,LAI1为前一时期叶面积指数㊂表2㊀评价指标评价结果评价指标优FVC2-FVC1>0LAI2-LAI1>0良FVC2-FVC1>0LAI2-LAI1ɤ0中FVC2-FVC1ɤ0LAI2-LAI1>0差FVC2-FVC1ɤ0LAI2-LAI1ɤ02㊀结果与讨论空间定量分析结果显示:2016 2018年间永定区植被覆盖增加的区域面积为88.01公顷,占治理总面积的15.58%;植被覆盖下降的区域面积为477.04公顷,占治理总面积的84.42%㊂该区植被覆盖空间示意如图2所示(c㊁d㊁e 框内为2016㊁2017㊁2018植被覆盖情况)㊂崇文街道植被覆盖相对较高(三年平均植被覆盖度0.6414)㊂但各小班植被覆盖差异较大,覆盖较高的主要有西溪坪街道么公坡村32号(三年平均植被覆盖度0.7264)㊁崇文街道王谭新村11号(三年平均植被覆盖度0.7127)以及西溪坪街道两岔溪村41号(三年平均植被覆盖度0.7107)等小班,石漠化程度相对较低;植被覆盖较低的主要有崇文街道一家张村24号小班(三年平均植被覆盖度0.1883),经实地核查,该地为张家界勇康建材有限公司采石场,土地利用类型变化导致24号治理小班损毁,如图3所示㊂进一步分析表明,2016 2018年封山育林小班石漠化治理未见显著成效,植被覆盖度和叶面积指数均呈微弱下降趋势㊂其中,植被覆盖度从2016年的0.67下降至2018年的0.62,叶面积指数从2.21下降至2.11㊂该区石漠化治理成效如图4所示,仅有2个小班治理成效达到 中 等以上,总面积70.61hm 2,占封山育林治理总面积的15.81%;其余15个小班治理成效等级为 差 ,总面积376.12hm 2,占封山育林面积84.19%㊂治理较好的小班(31号)位于西溪坪街道杨家溪村,植被覆盖度虽然降低0.03,但叶面积指数增加0.10㊂西溪坪街道么公坡村37号小班植被覆盖度与叶面积指数分别降低0.17和0.44,石漠化治理仍有待进一步加强㊂由于治理时间较短,人工造林类型治理小班亦未见明显成效,其植被覆盖度从2016年0.59下降到2018年0.56,叶面积指数从1.79下降至1.78㊂治理等级为 优 ㊁ 良 ㊁ 中 ㊁ 差 的小班分别为2个㊁1个㊁4个和12个,治理面积12.47㊁7.32㊁31.18和57.85hm 2,分别占人工造林总面积的11.46%㊁6.73%㊁28.65%和53.16%㊂治理成效最好小班(1号)位于西溪坪街道一碗水村,植被覆盖度和叶面积指数分别增加0.03和0.27㊂西溪坪街道杨家溪村3号小班植被覆盖度和叶面积指数分别降低0.13和0.38,石漠化治理仍有待进一步加强㊂3㊀结㊀论从各个小班对比分析来看,2016 2018年,永定区石漠化治理实施程度未有显著变化,治理的成效有待于进一步提高㊂从治理方式上看,封山育林方式受土壤条件等因素的限制,治理尚未见明显成效㊂人工造林的治理方式需要一定时间体现治理成效㊂在人工造林㊁封山育林两种治理方式中,人工造林方式治㊀㊀㊀图2㊀2016 2018年永定区石漠化治理小班植被覆盖度变化空间示意图3㊀永定区24号石漠化治理小班影像与实地照片(拍摄时间:2018年11月)理成效最佳,封山育林治理方式有利于长期维护生态环境的稳定,但治理成效易受自然因素影响㊂石漠化工作的展开须根据治理过程中存在的问题,加快实施程度,并做好治理后的维护与管理,切实提高片区石漠化治理效果㊂通过创新生态治理监测方法,提出了一种多光谱遥感技术监测石漠化治理的新方法,基于植被覆盖度与叶面积指数的多指标评价体系,综合采用植被覆盖度㊁叶面积指数等反映植被长势的多参数,避免传统基于目视解译与人工调查监测方法的劣势,定量的评估石漠化小班治理成效,有助于系统㊁客观地掌握 十三五 石漠化治理的实施成效,辅助 十四五 制定最优的石漠化治理方案,以便稳步推进下一步石漠化区域生态保护与修复工作㊂图4㊀2016 2018年永定区石漠化治理成效参考文献[1]㊀刘璞.广西壮族自治区红水河流域石漠化调查与研究[D].北京:中国地质大学(北京),2007.[2]㊀国家林业和草原局.第三次石漠化监测报告[R].北京:国家林业和草原局,2018.[3]㊀李月.基于GIS和RUSLE的典型喀斯特流域土壤侵蚀时空演变规律[D].贵州大学,2016.(下转第688页)。
基于Sentinel-2影像的火烧迹地快速提取方法比较研究
第48卷第6期 林 业 调 查 规 划Vol.48 No.6 doi:10.3969/j.issn.1671⁃3168.2023.06.001基于Sentinel-2影像的火烧迹地快速提取方法比较研究刘逸娴1,张军1,唐莹2,龙玉兰2(1.云南大学地球科学学院,云南昆明650504;2.云南大学国际河流与生态安全研究院,云南昆明650504)摘要:利用Sentinel卫星数据,特别是其中对植被敏感的红边波段与短红外波段,针对提取灾后火烧迹地研究不足的问题,选取四川省冕宁县4月20日森林火灾发生前后的Sentinel-2卫星数据,使用不同的提取方法探究识别火烧迹地的潜力,并进行对比研究。
实验结果表明,决策树分类法识别火烧迹地的能力最好,提取精度最高,BAI指数次之;其余方法均受道路、房屋和裸体不同程度的影响;用红边波段替换可见光红波段的效果相比原有指数提取效果并无明显提升。
研究证明在各类方法中,采用决策树分类法能快速高精度地将火烧迹地准确提取出来。
关键词:Sentinel-2影像;火烧迹地;植被指数分析;决策树分类法中图分类号:TP753;S762 文献标识码:A 文章编号:1671-3168(2023)06-0001-06引文格式:刘逸娴,张军,唐莹,等.基于Sentinel-2影像的火烧迹地快速提取方法比较研究[J].林业调查规划, 2023,48(6):1-6.doi:10.3969/j.issn.1671⁃3168.2023.06.001LIU Yixian,ZHANG Jun,TANG Ying,et parative Study of Rapid Extraction Methods of Burned Area Based on Senti⁃nel-2Images[J].Forest Inventory and Planning,2023,48(5):1-6.doi:10.3969/j.issn.1671⁃3168.2023.06.001Comparative Study of Rapid Extraction Methods of Burned AreaBased on Sentinel-2ImagesLIU Yixian1,ZHANG Jun1,TANG Ying2,LONG Yulan2(1.School of Geosciences,Yunnan University,Kunming650504,China;2.Institute of International Rivers and Eco-security,Yunnan University,Kunming650504,China)Abstract:Aiming at the problem of insufficient research on extraction of burned area,Sentinel satellite data were used,especially the red-edge band and short-infrared band that were sensitive to vegetation, and Sentinel-2satellite data in Mianning County,Sichuan Province before and after the forest fire on A⁃pril20were selected to explore the potential for identifying burned areas using different extraction meth⁃ods,and a comparative study was conducted.The experimental results showed that the decision tree method had the best ability to identify burned areas,with the highest extraction accuracy,followed by the BAI index;the other methods were influenced to varying degrees by roads,houses,and bare land;the effect of replacing the visible light red band with the red-edge band was not significantly improved com⁃pared to the original index extraction effect.This study proved that the decision tree method could meet the requirements of high-precision and rapid extraction of burned areas.Key words:Sentinel-2image;burned area;vegetation index analysis;decision tree method收稿日期:2022-05-13.基金项目:云南省研究生导师团队建设项目(C176230200);云南大学一流学科———地理学学科建设项目(C176210215).第一作者:刘逸娴(1999-),女,湖北武汉人,硕士.主要研究GIS应用与遥感信息提取.Email:yixianliu123@责任作者:张军(1972-),男,重庆人,博士,副研究员.主要研究遥感应用与GIS开发.Email:zhjun@ 森林火灾是指失去人为控制,对森林、森林生态系统以及人类带来一定危害和损失的林火行为,是一种突发性强、破坏性大、处置救助较为困难的自然灾害。
Sentinel2数据的冬小麦地上干生物量估算及评价
Sentinel2数据的冬小麦地上干生物量估算及评价一、本文概述本文旨在探讨利用Sentinel-2卫星数据进行冬小麦地上干生物量的估算及其评价。
Sentinel-2是欧洲空间局（ESA）发射的一系列高分辨率多光谱成像卫星，为地球观测提供了丰富的光谱信息。
本研究利用Sentinel-2数据，结合地面实测的生物量数据，建立冬小麦地上干生物量的估算模型，并对模型的精度和可靠性进行评价。
通过这一研究，我们期望为冬小麦的产量预测、生长监测以及农业管理提供有效的遥感手段，同时也为类似地区的农作物生物量估算提供参考和借鉴。
本文首先介绍了Sentinel-2卫星数据的特点及其在农业遥感领域的应用现状。
随后，详细阐述了数据预处理、特征提取、模型构建及验证等关键步骤，并采用了多种统计方法和评价指标对模型性能进行全面评估。
在结果分析部分，我们对比了不同模型的估算精度，并探讨了影响估算精度的主要因素。
对本研究的意义、局限性和未来研究方向进行了讨论和展望。
通过本研究，我们期望能够为冬小麦地上干生物量的遥感估算提供更为准确、可靠的方法，为农业生产管理和决策提供有力支持。
也为其他作物生物量的遥感估算提供有益的参考。
二、研究区域与数据来源本研究选取了中国北方的主要冬小麦种植区作为研究区域。
这一区域地理位置独特，气候条件适宜，是我国冬小麦的主要产区，对于保障国家粮食安全具有重要意义。
具体研究区域包括河北、河南、山东等省份的多个县市，覆盖了多种土壤类型和气候条件，以保证研究的普遍性和代表性。
在数据来源方面，本研究主要采用了Sentinel-2卫星遥感数据。
Sentinel-2是欧洲空间局（ESA）发射的一系列高分辨率多光谱成像卫星，具有重访周期短、覆盖范围广、光谱分辨率高等优点，非常适合用于农作物生长监测和生物量估算。
我们获取了研究区域内冬小麦生长季的多时相Sentinel-2影像，涵盖了从播种到收割的整个过程。
除了遥感数据外，本研究还结合了地面实测数据，包括冬小麦的地上干生物量、株高、叶面积指数等农学参数。
基于sentinel-2和landsat8 oli数据融合的土地利用分类研究
收稿日期:２０１９－０４－２６㊀㊀修回日期:２０１９－０６－１２基金项目:国家自然科学基金资助项目(５１８０９２５０ꎬ６１５０１２００)ꎻ水利部黄土高原水土流失过程与控制重点实验室开放课题基金项目(２０１７００４)ꎻ中国科学院科技服务网络计划资助项目(ＳＴＳ)￣(ＫＦＪ￣ＳＴＳ￣ＺＤＴＰ￣００９).作者简介:赵亚杰(１９９３－)ꎬ男.研究方向:３Ｓ技术在资源环境中的应用.Ｅｍａｉｌ:ｚｈａｏｙａｊｉｅｘｌ＠ｓｉｎａ.ｃｏｍ.通信作者王立辉(１９８５－)ꎬ男ꎬ副研究员ꎬ硕士生导师.研究方向:土地覆被与生态环境遥感.Ｅｍａｉｌ:ｗａｎｇｌｉｈｕｉ＠ｗｈｉｇｇ.ａｃ.ｃｎ.基于Ｓｅｎｔｉｎｅｌ￣２和Ｌａｎｄｓａｔ８ＯＬＩ数据融合的土地利用分类研究赵亚杰１ꎬ２ꎬ３ꎬ王立辉１ꎬ２ꎬ孔祥兵１ꎬ４ꎬ阴海明２ꎬ３ꎬ池㊀泓２ꎬ黄进良２(１.水利部黄土高原水土流失过程与控制重点实验室ꎬ河南郑州４５０００３ꎻ２.中国科学院测量与地球物理研究所环境与灾害监测评估湖北省重点实验室ꎬ湖北武汉４３００７７ꎻ３.中国科学院大学ꎬ北京１０００４９ꎻ４.黄河水利科学研究院ꎬ河南郑州４５０００３)摘要:以山东省平邑县为研究区ꎬ在随机选取的子研究区中ꎬ利用３种不同的融合模型ꎬ以Ｓｅｎｔｉｎｅｌ￣２影像的红㊁绿㊁蓝㊁近红外４个波段作为高分辨率融合参考影像ꎬ获得１２组融合影像ꎬ结果表明ꎬ利用小波变换(ＡＴＷＴ)算法并以红波段为高分辨率融合影像时ꎬ融合效果最好.采用最优模型和波段ꎬ对整个研究区进行数据融合ꎬ并利用随机森林算法对原始Ｓｅｎｔｉｎｅｌ￣２影像㊁融合获得影像和Ｌａｎｄｓａｔ影像进行土地利用分类ꎬ其中Ｓｅｎｔｉｎｅｌ￣２影像总体分类精度为８９.６９３９％ꎬＫａｐｐａ系数为０.８８６０ꎬ融合影像的总体分类精度为８８.７６５７％ꎬＫａｐｐａ系数为０.８６９０ꎬ略低于前者ꎬ结果表明ꎬ 红波段＋ＡＴＷＴ 融合影像在土地利用分类中可以获得接近原始影像分类精度的结果ꎬ能较好地保留原始影像的光谱信息并应用于较大区域的土地利用精细提取.开放科学(资源服务)标识码(ＯＳＩＤ)关键词:Ｓｅｎｔｉｎｅｌ￣２ꎻＬａｎｄｓａｔ８ＯＬＩꎻ数据融合ꎻ遥感ꎻ随机森林ꎻ土地利用中图分类号:ＴＰ７９文献标识码:Ａ文章编号:１６７１￣５４７０(２０２０)０２￣０２４８￣０８ＤＯＩ:１０.１３３２３/ｊ.ｃｎｋｉ.ｊ.ｆａｆｕ(ｎａｔ.ｓｃｉ.).２０２０.０２.０１６ＬａｎｄｕｓｅｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｄａｔａｆｕｓｉｏｎｏｆＳｅｎｔｉｎｅｌ￣２ａｎｄＬａｎｄｓａｔ８ＯＬＩＺＨＡＯＹａｊｉｅ１ꎬ２ꎬ３ꎬＷＡＮＧＬｉｈｕｉ１ꎬ２ꎬＫＯＮＧＸｉａｎｇｂｉｎｇ１ꎬ４ꎬＹＩＮＨａｉｍｉｎｇ２ꎬ３ꎬＣＨＩＨｏｎｇ２ꎬＨＵＡＮＧＪｉｎｌｉａｎｇ２(１.ＫｅｙＬａｂｏｒａｔｏｒｙｏｆｔｈｅＬｏｅｓｓＰｌａｔｅａｕＳｏｉｌＥｒｏｓｉｏｎａｎｄＷａｔｅｒＰｒｏｃｅｓｓａｎｄＣｏｎｔｒｏｌꎬＭｉｎｉｓｔｒｙｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓꎬＺｈｅｎｇｚｈｏｕꎬＨｅｎａｎ４５０００３ꎬＣｈｉｎａꎻ２.ＫｅｙＬａｂｏｒａｔｏｒｙｆｏｒＥｎｖｉｒｏｎｍｅｎｔａｎｄＤｉｓａｓｔｅｒＭｏｎｉｔｏｒｉｎｇａｎｄＥｖａｌｕａｔｉｏｎｏｆＨｕｂｅｉＰｒｏｖｉｎｃｅꎬＩｎｓｔｉｔｕｔｅｏｆＧｅｏｄｅｓｙａｎｄＧｅｏｐｈｙｓｉｃｓꎬＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓꎬＷｕｈａｎꎬＨｕｂｅｉ４３００７７ꎬＣｈｉｎａꎻ３.ＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓꎬＢｅｉｊｉｎｇ１０００４９ꎬＣｈｉｎａꎻ４.ＹｅｌｌｏｗＲｉｖｅｒＩｎｓｔｉｔｕｔｅｏｆＨｙｄｒａｕｌｉｃＲｅｓｅａｒｃｈꎬＺｈｅｎｇｚｈｏｕꎬＨｅｎａｎ４５０００３ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔｏａｓｓｅｓｓｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｄａｔａｉｎｆｕｓｉｏｎｉｎｌａｎｄｕｓｅｃｌａｓｓｉｆｉｃａｔｉｏｎꎬ３ｆｕｓｉｏｎｍｏｄｅｌｓꎬｉｎｃｌｕｄｉｎｇｓｍｏｏｔｈｉｎｇｆｉｌｔｅｒ￣ｂａｓｅｄｉｎｔｅｎｓｉｔｙｍｏｄｕｌａｔｉｏｎ(ＳＦＩＭ)ꎬｈｉｇｈ￣ｐａｓｓｆｉｌｔｅｒｉｎｇ(ＨＰＦ)ａｎｄａｔｒｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ(ＡＴＷＴ)ｗｅｒｅａｐｐｌｉｅｄｔｏＳｅｎｔｉｎｅｌ￣２ｉｍａｇｅｏｆＰｉｎｇｙｉＣｏｕｎｔｙꎬＳｈａｎｄｏｎｇＰｒｏｖｉｎｃｅ.Ｔｈｅｎ１２ｃｏｍｂｉｎａｔｉｏｎｓｏｆｆｕｓｉｏｎｉｍａｇｅｓｗｅｒｅｇｅｎｅｒａｔｅｄｆｒｏｍｒｅｄꎬｇｒｅｅｎꎬｂｌｕｅａｎｄｎｅａｒｉｎｆｒａ￣ｒｅｄｂａｎｄｓｏｆｔｈｅＳｅｎｔｉｎｅｌ￣２ｉｍａｇｅａｎｄａｌｓｏｕｓｅｄａｓｔｈｅｈｉｇｈ￣ｒｅｓｏｌｕｔｉｏｎｆｕｓｉｏｎｒｅｆｅｒｅｎｃｅｉｍａｇｅｓ.ＡｍｏｎｇｔｈｅｍꎬｒｅｄｂａｎｄｆｕｓｅｄｗｉｔｈＡＴＷＴａｌｇｏｒｉｔｈｍｄｅｍｏｎｓｔｒａｔｅｄｔｈｅｂｅｓｔｆｕｓｅｄｅｆｆｅｃｔꎬｔｈｅｒｅｆｏｒｅｔｈｅｙｗｅｒｅｓｅｌｅｃｔｅｄａｓｔｈｅｏｐｔｉｍａｌｍｏｄｅｌａｎｄｂａｎｄｆｏｒｔｈｅｄａｔａｆｕｓｉｏｎｏｆｔｈｅｗｈｏｌｅｓｔｕｄｙａｒｅａ.ＲａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍｗａｓｆｕｒｔｈｅｒｕｓｅｄｔｏｃｌａｓｓｉｆｙｔｈｅｏｒｉｇｉｎａｌＳｅｎｔｉｎｅｌ￣２ｉｍａｇｅꎬｆｕｓｅｄｉｍａｇｅａｎｄＬａｎｄｓａｔ８ＯＬＩｉｍａｇｅ.ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｏｖｅｒａｌｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆＳｅｎｔｉｎｅｌ￣２ｉｍａｇｅｒｅａｃｈｅｄ８９.６９３９％ꎬｗｉｔｈＫａｐｐａｃｏｅｆｆｉ￣ｃｉｅｎｔｂｅｉｎｇ０.８８６０ꎬｗｈｉｌｅｔｈａｔｏｆｆｕｓｅｄｉｍａｇｅｗａｓ８８.７６５７％ꎬｗｉｔｈＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｂｅｉｎｇ０.８６９０ꎬｗｈｉｃｈｗａｓｏｎｌｙｓｌｉｇｈｔｌｙｌｅｓｓｔｈａｎｔｈａｔｏｆｔｈｅｏｒｉｇｉｎａｌＳｅｎｔｉｎｅｌ￣２ｉｍａｇｅ.ＴｏｓｕｍｍａｒｉｚｅꎬｆｕｓｉｏｎｏｆｒｅｄｂａｎｄａｎｄＡＴＷＴｃａｎｒｅｓｕｌｔｉｎａｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｗｈｉｃｈｗａｓｃｌｏｓｅｔｏｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅｗｈｉｌｅｍａｉｎｔａｉｎｉｎｇｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎ.Ａｌｓｏｉｔｉｓｈｉｇｈｌｙａｐｐｌｉｃａｂｌｅｔｏｆｉｎｅｅｘｔｒａｃｔｉｏｎｏｆｌａｎｄｕｓｅａｔａｌａｒｇｅｒｓｃａｌｅ.Ｋｅｙｗｏｒｄｓ:Ｓｅｎｔｉｎｅｌ￣２ꎻＬａｎｄｓａｔ８ＯＬＩꎻｄａｔａｆｕｓｉｏｎꎻｒｅｍｏｔｅｓｅｎｓｉｎｇꎻｒａｎｄｏｍｆｏｒｅｓｔꎻｌａｎｄｕｓｅ福建农林大学学报(自然科学版)第４９卷第２期ＪｏｕｒｎａｌｏｆＦｕｊｉａｎＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ)２０２０年３月土地利用变化是全球变化的主要驱动力之一ꎬ是全球变化与可持续发展研究中的热点[１]ꎬ通过土地利用分类ꎬ既可以了解各种土地覆被类型的基本属性ꎬ进行农作物种植面积提取㊁产量预估[２]ꎬ还可以认识土地利用的区域结构和分布特点ꎬ为进一步研究地域差异奠定基础[３].遥感是土地利用与土地覆被变化研究技术体系中的主要组成部分ꎬ目前ꎬ具有多光谱与多时相特征的遥感技术已成为获取土地覆被动态监测数据和土地覆被分类的最有效工具[４].常见的遥感影像有空间分辨率较低的ＭＯＤＩＳ数据ꎬ也有中空间分辨率的Ｌａｎｄｓａｔ系列ꎬ以及高空间分辨率的高分一号㊁ＱｕｉｃｋＢｉｒｄ等[５].其中ꎬＬａｎｄｓａｔ８ＯＬＩ影像获取的多光谱影像包含１５ｍ分辨率的全色波段和３０ｍ分辨率的８波段影像ꎬＳｅｎｔｉｎｅｌ￣２影像则包括１０ｍ空间分辨率的４波段影像㊁２０ｍ分辨率的６波段影像和６０ｍ分辨率的３波段影像.不同的影像在土地利用研究中已被广泛应用ꎬ李静等[６]利用Ｌａｎｄｓａｔ影像对大棚菜地信息进行提取并取得较好的地物识别效果ꎬ李晓慧等[７]利用Ｌａｎｄｓａｔ８ＯＬＩ时序遥感数据结合地物细微光谱特征对农作物进行分类ꎬ并获得较高的总体分类精度ꎬ张卫春等[８]基于Ｓｅｎｔｉｎｅｌ￣２影像和地形数据在低山丘陵区采用随机森林方法获得的土地利用分类结果优于传统分类方式所获得结果ꎬ为地形复杂区域的土地利用分类提供了参考ꎬ杨斌等[９]同样使用Ｓｅｎｔｉｎｅｌ￣２Ａ卫星数据提取了四川黑水河流域的干旱河谷ꎬ结果表明Ｓｅｎｔｉｎｅｌ￣２Ａ数据丰富的光谱特征能够较好地满足国土资源普查和生态环境变迁分析.但对于Ｓｅｎｔｉｎｅｌ￣２和Ｌａｎｄｓａｔ数据融合及其在土地利用中的应用等方面ꎬ国内的研究很少ꎬ国外学者如Ｇｅｍｉｎｅｅｔａｌ[１０]也只是针对多种影像融合模型进行了质量评价.鉴于此ꎬ本研究以山东省平邑县为研究区ꎬ采用Ｓｅｎｔｉｎｅｌ￣２和Ｌａｎｄｓａｔ８ＯＬＩ遥感数据作为研究区数据源ꎬ探讨在基于亮度的平滑滤波(ｓｍｏｏｔｈｉｎｇｆｉｌｔｅｒ￣ｂａｓｅｄｉｎｔｅｎｓｉｔｙｍｏｄｕｌａｔｉｏｎꎬＳＦＩＭ)㊁高通滤波(ｈｉｇｈ￣ｐａｓｓｆｉｌ￣ｔｅｒｉｎｇꎬＨＰＦ)㊁小波变换(ａｔｒｏｕｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬＡＴＷＴ)等３种不同融合模型下ꎬＳｅｎｔｉｎｅｌ￣２的１０ｍ高分辨率波段与Ｌａｎｄｓａｔ８ＯＬＩ３０ｍ波段数据的融合效果ꎬ并以最佳的融合波段与融合算法ꎬ获取整个研究区的融合影像ꎬ采用随机森林机器学习算法分别对Ｓｅｎｔｉｎｅｌ￣２原始影像㊁融合获得影像和Ｌａｎｄｓａｔ８ＯＬＩ影像进行分类ꎬ从分类精度上进一步探讨该融合方法在土地利用分类研究中的适用性.１㊀研究区概况及数据源图１㊀研究区２０１７年Ｌａｎｄｓａｔ８真彩色合成影像Ｆｉｇ.１㊀Ｌａｎｄｓａｔ８ｔｒｕｅｃｏｌｏｒｃｏｍｐｏｓｉｔｅｄｉａｇｒａｍｏｆｔｈｅｓｔｕｄｙａｒｅａｉｎ２０１７１.１㊀研究区概况㊀㊀研究区平邑县位于山东省中南部㊁临沂市西陲(１１７ʎ２５ᶄ １１７ʎ５６ᶄＥꎬ３５ʎ０７ᶄ ３５ʎ４３ᶄＮ)ꎬ东西最大横距４７.３５ｋｍꎬ南北最大纵距６６.７５ｋｍꎬ总面积约１８２４.９７ｋｍ２.研究区属季风区域大陆性气候ꎬ具有冬季寒冷㊁夏季炎热㊁光照充足㊁无霜期长的特点ꎬ同时具有明显的山区特征ꎬ地势南北高ꎬ中间低ꎬ略向东南倾斜ꎬ中部谷地㊁陆地土质肥沃ꎬ田地分布较多ꎬ境内土地覆被类型多样.研究区影像如图１所示.１.２㊀数据来源及预处理遥感数据包括Ｓｅｎｔｉｎｅｌ￣２Ｌ１Ｃ级别数据的蓝㊁绿㊁红㊁近红外４个１０ｍ空间分辨率波段ꎬＬａｎｄ￣ｓａｔ８ＯＬＩ数据的对应４个波段ꎬ成像时间均为２０１７年９月１４日.针对Ｌａｎｄｓａｔ８数据ꎬ利用ＥＮＶＩ进行辐射定标和大气校正等预处理.Ｓｅｎｔｉｎｅｌ￣２数据则利用哨兵数据应用平台(ｓｅｎｔｉｎｅｌａｐｐｌｉｃａｔｉｏｎｐｌａｔｆｏｒｍꎬＳＮＡＰ)中的ｓｅｎ２ｃｏｒ模块进行大气校正㊁产品格式转换等预处理.对两种预处理后的影像ꎬ再利用ＥＮＶＩ软件裁剪出图１红色区域的子研究区ꎬ以便后续研究的应用.９４２ ㊀第２期赵亚杰等:基于Ｓｅｎｔｉｎｅｌ￣２和Ｌａｎｄｓａｔ８ＯＬＩ数据融合的土地利用分类研究２㊀研究方法首先在研究区内随机选取面积约为５.７６ｋｍ２的子研究区ꎬ以ＳＦＩＭ㊁ＨＰＦ㊁ＡＴＷＴ３种不同融合模型为基础方法ꎬ利用Ｓｅｎｔｉｎｅｌ￣２的４个１０ｍ高分辨率波段分别与Ｌａｎｄｓａｔ８ＯＬＩ３０ｍ波段数据进行融合ꎬ从而得到最佳的融合波段与融合算法ꎬ在此基础上获取整个平邑县研究区的融合影像ꎬ根据２０１７年８月份平邑县土地调查数据和谷歌地球高分辨率影像获取的样本ꎬ参考基于遥感技术的全国生态系统分类体系[１１]ꎬ并采用随机森林机器学习算法分别对Ｓｅｎｔｉｎｅｌ￣２原始影像㊁融合获得影像和Ｌａｎｄｓａｔ８ＯＬＩ影像进行分类ꎬ最后进行分类精度评定.２.１㊀数据融合算法目前ꎬ已经有多种图像融合算法在现实中广泛应用ꎬ本研究选取ＳＦＩＭꎬＨＰＦ和ＡＴＷＴ３种算法作为融合基础.ＳＦＩＭ算法是一种基于空间域滤波变换的融合算法[１２]ꎬ该算法简单易用ꎬ融合影像的光谱几乎不失真ꎬ具有较高的光谱保真度ꎬ但在高频空间信息融合上略逊色于Ｂｒｏｖｅｙ变换方法[１３].ＳＦＩＭ变换的融合算法公式:ＢＳｉ＝ðｊðｋＢｌｉｊｋˑＢｈｊｋＢｍｊｋ式中ꎬＢＳ为用该算法生成的融合影像ꎻｉ为波段值ꎬｊ和ｋ分别为影像的行㊁列值ꎻＢｌ为低分辨率影像ꎬ在此代表Ｌａｎｄｓａｔ的４个波段(３０ｍ)ꎻＢｈ为高分辨率影像ꎬ即为Ｓｅｎｔｉｎｅｌ￣２波段(１０ｍ)ꎻＢｍ为模拟低分辨率影像ꎬ它可以通过对１０ｍ波段进行低通均值滤波处理来获得.ＨＰＦ是一种基于高通滤波的影像融合算法[１４]ꎬＨＰＦ融合算法能够较好地提取全色影像细节信息ꎬ并把全色影像的细节信息直接叠加到多光谱影像上[１５].融合后影像的边界清晰度增强ꎬ可更好地保留光谱特征[１６].ＨＰＦ算法的定义公式:ＨＰＫ＝ＷａˑＰＡＮＫＨ＋ＷｂˑＭＵＬＫＬ式中ꎬＷａ㊁Ｗｂ为权ꎬ且满足Ｗａ＋Ｗｂ＝１ꎬＰＡＮＫＨ为Ｓｅｎｔｉｎｅｌ￣２高空间分辨率影像波段进行高通滤波的结果ꎬＭＵＬＫＬ为Ｌａｎｄｓａｔ８影像进行低通滤波的结果ꎬＨＰＫ为锐化后的输出影像.ＡＴＷＴ是基于小波变化的图像融合算法[１７]ꎬ该算法利用小波变换将源图像分解到不同频段的特征域中ꎬ然后在不同的特征域中采用不同的融合规则和融合算子进行图像融合处理ꎬ从而形成新的小波金字塔结构ꎬ最后利用小波反变换技术获得融合图像ꎬ所以小波变化算法能够对图像细节及边缘信息进行较好的体现[１８].２.２㊀随机森林分类随机森林是属于集成学习的一种组合分类算法ꎬ集成学习的核心思想就是将若干个弱(基)分类器组合起来ꎬ得到一个分类性能显著优越的强分类器.如果各弱分类器之前没有强依赖关系㊁可并行生成ꎬ就可以使用随机森林算法.随机森林利用自主抽样法从原数据集中有放回地抽取多个样本ꎬ对抽取的样本先用弱分类器 决策树进行训练ꎬ然后把这些决策树组合在一起ꎬ最终的分类或预测结果由多颗树分类器通过投票得出[１９].随机森林算法较强的抗干扰能力ꎬ表现性能的优异ꎬ相较于人工神经网络㊁决策树㊁支持向量机等机器学习方法ꎬ在分类精度和分类效率方面更具优势[２０]ꎬ因此ꎬ越来越多的学者在进行遥感影像分类研究时采用随机森林机器学习算法[２１－２２].３㊀结果分析３.１㊀融合结果分析首先在子研究区中ꎬ利用ＳＦＩＭ㊁ＨＰＦ和ＡＴＷＴ３种算法ꎬ分别以Ｓｅｎｔｉｎｅｌ￣２影像的蓝㊁绿㊁红㊁近红外波段作为高分辨率影像参与到融合中ꎬ采用不同算法时各波段的融合效果如图２㊁图３㊁图４所示.从图中的视觉效果来看ꎬ融合影像能够将Ｓｅｎｔｉｎｅｌ￣２影像波段的空间信息和Ｌａｎｄｓａｔ８多光谱影像的色彩信息集成在一起ꎬ相比于原始的多光谱影像ꎬ融合影像在保留其波段信息前提下拥有了Ｓｅｎｔｉｎｅｌ￣２影像的细节信息ꎬ同时在色彩方面ꎬ融合结果与Ｌａｎｄｓａｔ８ＯＬＩ影像的色彩差距并不明显.但在空间细节方面ꎬ利用ＳＦＩＭ和ＨＰＦ ０５２ 福建农林大学学报(自然科学版)第４９卷㊀算法获得的融合影像中ꎬ道路及人工表面等地类的纹理模糊感较强ꎬ边界信息模糊ꎬ而图４的融合影像表明ＡＴＷＴ算法对细节的处理明显强于前两种算法ꎬ融合的结果也更加精确.以Ｓｅｎｔｉｎｅｌ￣２不同波段作为高分辨率融合影像时ꎬ融合效果也不同ꎬ可以明显注意到ꎬ不论采用哪种算法ꎬ近红外波段的融合影像都丢失了很多细节信息ꎬ目视效果较差.蓝㊁绿㊁红㊁近红外４个波段的融合效果采用相关系数(ｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉ￣ｃｉｅｎｔꎬＣＣ)㊁光谱角制图(ｓｐｅｃｔｒａｌａｎｇｌｅｍａｐｐｅｒꎬＳＡＭ)和相对整体维数综合误差(ｒｅｌａｔｉｖｅｇｌｏｂａｌ￣ｄｉｍｅｎｓｉｏｎａｌｓｙｎｔｈｅｓｉｓｅｒｒｏｒꎬＥＲＧＡＳ)３个指标作定量比较分析.相关系数能够反映两幅影像间灰度信息的相关程度ꎬ通过计算融合前后影像间的灰度相关系数ꎬ可以判断影像融合后的光谱保持程度ꎬ若相关系数趋向于１ꎬ则说明光谱保持性好ꎬ反之则差ꎻＳＡＭ是把图像中的每个像元的光谱视为一个高维向量ꎬ通过计算两向量间的夹角来度量光谱间的相似性ꎬ夹角越小ꎬ两光谱越相似ꎬＳＡＭ理想值为０[２３]ꎻＥＲＧＡＳ主要评价在光谱范围内所有融合波段的光谱质量ꎬ考虑光谱变化的整体情况.它的值越接近０ꎬ表明在光谱范围内ꎬ融合图像的光谱质量越好[２４].ａ:Ｌａｎｄｓａｔ８ＯＬＩ影像(３０ｍ)ꎻｂ:Ｓｅｎｔｉｎｅｌ￣２影像(１０ｍ)ꎻｃ:蓝波段融合结果(１０ｍ)ꎻｄ:绿波段融合结果(１０ｍ)ꎻｅ:红波段融合结果(１０ｍ)ꎻｆ:近红外波段融合结果(１０ｍ).图２㊀ＳＦＩＭ融合结果Ｆｉｇ.２㊀ＲｅｓｕｌｔｓｏｆＳＦＩＭ￣ｂａｓｅｄｆｕｓｉｏｎ表１列出了在不同算法下各波段的融合影像质量评价结果ꎬ从表中可以看出ꎬＡＴＷＴ算法的融合效果总体优于ＳＦＩＭ和ＨＰＦ算法ꎬ特别是以Ｓｅｎｔｉｎｅｌ￣２蓝㊁绿㊁红３个高分辨率波段进行融合所获得影像的相关系数最高ꎬ且ＳＡＭ和ＥＲＧＡＳ值最小ꎬ但以近红外波段进行数据融合后ꎬ３种算法获得融合影像各波段的相关系数较低ꎬＳＡＭ值和ＥＲＧＡＳ值高于其他波段融合结果ꎬ总体符合目视效果.同时ꎬ相比于蓝㊁绿㊁近红外波段ꎬ在利用Ｓｅｎｔｉｎｅｌ￣２的红波段作为融合时高分辨率参考影像时ꎬ融合影像的蓝㊁绿㊁红３个波段的相关系数最高ꎬ分别达到０.８５０４０５㊁０.８５１３３１㊁０.８３８２２９ꎬＳＡＭ最低ꎬ为５.６４４６.１５２ ㊀第２期赵亚杰等:基于Ｓｅｎｔｉｎｅｌ￣２和Ｌａｎｄｓａｔ８ＯＬＩ数据融合的土地利用分类研究２５２ 福建农林大学学报(自然科学版)第４９卷㊀ａ:Ｌａｎｄｓａｔ８ＯＬＩ影像(３０ｍ)ꎻｂ:Ｓｅｎｔｉｎｅｌ￣２影像(１０ｍ)ꎻｃ:蓝波段融合结果(１０ｍ)ꎻｄ:绿波段融合结果(１０ｍ)ꎻｅ:红波段融合结果(１０ｍ)ꎻｆ:近红外波段融合结果(１０ｍ).图３㊀ＨＰＦ融合结果Ｆｉｇ.３㊀ＲｅｓｕｌｔｓｏｆＨＰＦ￣ｂａｓｅｄｆｕｓｉｏｎａ:Ｌａｎｄｓａｔ８ＯＬＩ影像(３０ｍ)ꎻｂ:Ｓｅｎｔｉｎｅｌ￣２影像(１０ｍ)ꎻｃ:蓝波段融合结果(１０ｍ)ꎻｄ:绿波段融合结果(１０ｍ)ꎻｅ:红波段融合结果(１０ｍ)ꎻｆ:近红外波段融合结果(１０ｍ).图４㊀ＡＴＷＴ融合结果Ｆｉｇ.４㊀ＲｅｓｕｌｔｓｏｆＡＴＷＴ￣ｂａｓｅｄｆｕｓｉｏｎ表１㊀融合影像质量评价Ｔａｂｌｅ１㊀Ｑｕａｌｉｔｙｅｖａｌｕａｔｉｏｎｏｆｆｕｓｉｏｎｉｍａｇｅｓ算法融合波段相关系数蓝红绿近红外ＳＡＭＥＲＧＡＳＳＦＩＭ蓝㊀㊀０.８３１２１８０.８０２２９７０.８００６８０.７７８７８５５.９１７４７.９３３１绿㊀㊀０.８２２０１００.７９４４１５０.７９８９６３０.７４７２９９５.９０１１７.９４２８红㊀㊀０.８３９６６３０.８０９４４７０.８０８７２４０.７８４５４９５.８８６０７.８３６３近红外０.７３６８９００.７８３２７７０.７７０１９７０.８０３８１６７.１４７１８.１７４５ＨＰＦ㊀蓝㊀㊀０.８３３１７６０.７９４０１４０.７９２５０７０.７５３７６４５.９１２５７.９２７０绿㊀㊀０.８２４６６３０.７９６７０２０.８０１８３６０.７５１６５４５.８９５４７.９４６０红㊀㊀０.８４２０９９０.８１０６１６０.８１０５３４０.８１１３８３５.８７９３７.９３７３近红外０.７３２８６６０.７７９５９６０.７９０９１３０.８１４７０２６.１１９５８.０５９７ＡＴＷＴ蓝㊀㊀０.８２０２２４０.８３６８８７０.８２６３０９０.７６３４０１５.７２５９８.０４５５绿㊀㊀０.８３７０５００.８４０１２９０.８１７６１４０.７４６５０４５.６７７８８.０２４５红㊀㊀０.８５０４０５０.８５１３３１０.８３８２２９０.８２７９７９５.６４４６７.９２８３近红外０.７９５７４１０.７４７７６４０.７３６２５３０.８３３７１３６.２４１１８.１８９４图５㊀Ｌａｎｄｓａｔ８影像分类结果Ｆｉｇ.５㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｂａｓｅｄｏｎＬａｎｄｓａｔ８ｉｍａｇｅ３.２㊀土地利用分类结果对比㊀㊀结合研究区主要地类分布ꎬ分为人工表面㊁水体㊁耕地㊁林地和裸地等５个类别ꎬ影像分类结果如图５㊁图６和图７所示.通过总体分类精度㊁Ｋａｐ￣ｐａ系数以及各地类的制图精度㊁用户精度ꎬ对分类结果进行定量分析ꎬ结果如表２所示.考虑到分类所用影像空间分辨率的不同ꎬ总体而言ꎬ３种分类结果的总体精度和Ｋａｐｐａ系数之间的关系为:Ｓｅｎｔｉｎｅｌ￣２影像>ＡＴＷＴ融合影像>Ｌａｎｄｓａｔ影像.ＡＴＷＴ融合影像的总体分类精度及Ｋａｐｐａ系数为８８.７６５７％和０.８６９０ꎬ低于Ｓｅｎｔｉｎｅｌ￣２的８９.６９３９％和０.８８６０ꎬ差距很小ꎬ但比Ｌａｎｄｓａｔ８影像的总体分类精度和Ｋａｐｐａ系数提高了６.１０１４％和０.０５６７.结果表明 红波段＋ＡＴＷＴ 融合方法能较好的保留原始影像的光谱信息ꎬ虽然在土地利用分类中只能获得接近原始影像分类精度的结果ꎬ但该融合方法能为解决Ｓｅｎｔｉｎｅｌ￣２影像中云污染所导致的影像缺失问题提供理论依据ꎬ从而为后续融合Ｓｅｎｔｉｎｅ￣２和Ｌａｎｄｓａｔ８ＯＬＩ数据以获得完整的１０ｍ高分辨率时间序列影像提供了一种有效的方法.４㊀结论本研究结果表明:(１)利用ＡＴＷＴ算法并以Ｓｅｎｔｉｎｅｌ￣２影像的红波段为高分辨率融合参考影像时ꎬ融合效果最好.所获得融合影像的Ｂ２㊁Ｂ３㊁Ｂ４波段的相关系数最高ꎬ分别为０.８５０４０５㊁０.８５１３３１㊁０.８３８２２９ꎬ同时ＳＡＭ值最低ꎬ为５.６４４６.(２)采用随机森林对整个研究区进行土地利用分类后ꎬ融合影像的总体分类精度为８８.７６５７％ꎬＫａｐｐａ系数为０.８６９０ꎬ略低于Ｓｅｎｔｉｎｅｌ￣２影像分类精度ꎬ其总体分类精度为８９.６９３９％ꎬＫａｐｐａ系数为０.８８６０ꎬ考虑到空间分辨率的差异ꎬＬａｎｄｓａｔ８影像的总体分类精度为８２.６６４３％ꎬＫａｐｐａ系数为０.８１２３ꎬ远低于之前两种数据的精度.结果表明 红波段＋ＡＴＷＴ 融合影像在土地利用分类中可以获得接近原始影像分类精度的结果ꎬ能较好的保留原始影像的光谱信息并应用于较大区域的土地利用精细提取.３５２ ㊀第２期赵亚杰等:基于Ｓｅｎｔｉｎｅｌ￣２和Ｌａｎｄｓａｔ８ＯＬＩ数据融合的土地利用分类研究图６㊀Ｓｅｎｔｉｎｅｌ￣２原始影像分类结果Ｆｉｇ.６㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ￣２ｉｍａｇｅ图７㊀ＡＴＷＴ融合影像分类结果Ｆｉｇ.７㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｂａｓｅｄｏｎＡＴＷＴｆｕｓｉｏｎｉｍａｇｅ表２㊀不同影像分类精度评价表Ｔａｂｌｅ２㊀Ａｃｃｕｒａｃｙｅｖａｌｕａｔｉｏｎｏｆｉｍａｇｅｓｆｒｏｍｄｉｆｆｅｒｅｎｔｓｏｕｒｃｅｓ土地利用分类精度类型㊀㊀分类影像Ｓｅｎｔｉｎｅｌ￣２影像ＡＴＷＴ融合影像Ｌａｎｄｓａｔ８影像耕地㊀㊀制图精度/％㊀㊀８９.９１８９.６５８４.２４用户精度/％㊀㊀９０.５４８６.２５８２.６３林地㊀㊀制图精度/％㊀㊀９０.４４８８.０１８２.２１用户精度/％㊀㊀８８.３３８１.８５８０.３２水体㊀㊀制图精度/％㊀㊀９４.７９９２.２３９０.５３用户精度/％㊀㊀９７.６０９６.０９９１.１０人工表面制图精度/％㊀㊀８４.０６８３.１９７８.８４用户精度/％㊀㊀８５.５２８２.８７８０.１２裸地㊀㊀制图精度/％㊀㊀８９.００８８.４０８１.６７用户精度/％㊀㊀９０.６０９０.４４７９.００总体分类精度/％８９.６９３９８８.７６５７８２.６６４３Ｋａｐｐａ系数㊀㊀０.８８６００.８６９００.８１２３㊀㊀(３)图像融合时选取的Ｓｅｎｔｉｎｅｌ￣２数据与Ｌａｎｄｓａｔ８数据日期一致ꎬ而实际应用中ꎬ往往难以获取同一时间的影像ꎬ故不同时间Ｓｅｎｔｉｎｅｌ￣２影像与Ｌａｎｄｓａｔ影像融合在土地利用研究中还有待进一步探讨ꎬ以期能得到连续高分辨率时序影像ꎬ更好应用于地面种植作物复杂区域的遥感制图.参考文献[１]李海雷ꎬ胡小娟ꎬ郭杭ꎬ等.迁移学习支持下的土地利用/土地覆被分类[Ｊ].测绘通报ꎬ２０１８(９):５０－５４.[２]ＢＥＣＫＥＲＲＩꎬＶＥＲＭＯＴＥＥꎬＬＩＮＤＥＭＡＮＭꎬｅｔａｌ.Ａｇｅｎｅｒａｌｉｚｅｄｒｅｇｒｅｓｓｉｏｎ￣ｂａｓｅｄｍｏｄｅｌｆｏｒｆｏｒｅｃａｓｔｉｎｇｗｉｎｔｅｒｗｈｅａｔｙｉｅｌｄｓｉｎＫａｎｓａｓａｎｄＵｋｒａｉｎｅｕｓｉｎｇＭＯＤＩＳｄａｔａ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔꎬ２０１０ꎬ１１４(６):１３１２－１３２３.[３]陈佑启ꎬ杨鹏.国际上土地利用/土地覆盖变化研究的新进展[Ｊ].经济地理ꎬ２００１ꎬ２１(１):９５－１００.[４]史洪超.土地利用/覆被变化(ＬＵＣＣ)研究进展综述[Ｊ].安徽农业科学ꎬ２０１２ꎬ４０(２６):１３１０７－１３１１０ꎬ１３１２５.[５]刘桂林ꎬ张落成ꎬ刘剑ꎬ等.基于ＬａｎｄｓａｔＴＭ影像的水体信息提取[Ｊ].中国科学院大学学报ꎬ２０１３ꎬ３０(５):６４４－６５０.[６]李静ꎬ赵庚星ꎬ李涛ꎬ等.ＴＭ影像中大棚菜地信息提取技术研究[Ｊ].水土保持学报ꎬ２００４ꎬ１８(１):１２６－１２９.４５２ 福建农林大学学报(自然科学版)第４９卷㊀[７]李晓慧ꎬ王宏ꎬ李晓兵ꎬ等.基于多时相Ｌａｎｄｓａｔ８ＯＬＩ影像的农作物遥感分类研究[Ｊ].遥感技术与应用ꎬ２０１９ꎬ３４(２):３８９－３９７.[８]张卫春ꎬ刘洪斌ꎬ武伟.基于随机森林和Ｓｅｎｔｉｎｅｌ￣２影像数据的低山丘陵区土地利用分类 以重庆市江津区李市镇为例[Ｊ].长江流域资源与环境ꎬ２０１９ꎬ２８(６):１３３４－１３４３.[９]杨斌ꎬ李丹ꎬ高桂胜ꎬ等.Ｓｅｎｔｉｎｅｌ￣２Ａ卫星数据处理分析及在干旱河谷提取中的应用[Ｊ].国土资源遥感ꎬ２０１８ꎬ３０(３):１２８－１３５.[１０]ＧＥＭＩＮＥＶꎬＬＵＣＩＡＮＯＡꎬＪＯＣＥＬＹＮＣꎬｅｔａｌ.Ａｃｒｉｔｉｃａｌｃｏｍｐａｒｉｓｏｎａｍｏｎｇｐａｎｓｈａｒｐｅｎｉｎｇａｌｇｏｒｉｔｈｍｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１５ꎬ５３(５):２５６５－２５８６.[１１]欧阳志云ꎬ张路ꎬ吴炳方ꎬ等.基于遥感技术的全国生态系统分类体系[Ｊ].生态学报ꎬ２０１５ꎬ３５(２):２１９－２２６.[１２]ＬＩＵＪＧ.ＥｖａｌｕａｔｉｏｎｏｆＬａｎｄｓａｔ７ｅｔｍ＋ｐａｎｃｈｒｏｍａｔｉｃｂａｎｄｆｏｒｉｍａｇｅｆｕｓｉｏｎｗｉｔｈｍｕｌｔｉｓｐｅｃｔｒａｌｂａｎｄｓ[Ｊ].ＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈꎬ２０００ꎬ９(４):２６９－２７６.[１３]徐涵秋.基于ＳＦＩＭ算法的融合影像分类研究[Ｊ].武汉大学学报(信息科学版)ꎬ２００４ꎬ２９(１０):９２０－９２３.[１４]ＣＨＡＶＥＺＰＳꎬＳＴＵＡＲＴＣＳꎬＪＥＦＦＲＥＹＡ.Ｃｏｍｐａｒｉｓｏｎｏｆｔｈｒｅｅｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓｔｏｍｅｒｇｅｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎａｎｄｍｕｌｔｉｓｐｅｃｔｒａｌｄａｔａ:ＬａｎｄｓａｔＴＭａｎｄＳＰＯＴｐａｎｃｈｒｏｍａｔｉｃ[Ｊ].ＰｈｏｔｏｇｒａｍｍｅｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ１９９１ꎬ５７(３):２６５－３０３.[１５]程宇峰ꎬ陈关洲.几种遥感图像融合算法的比较[Ｊ].科技与企业ꎬ２０１２(１７):９６ꎬ９８.[１６]林子晶ꎬ李卫国ꎬ申双和ꎬ等.ＨＪ星和ＧＦ１号数据在水稻面积提取中的应用[Ｊ].江苏农业学报ꎬ２０１６ꎬ３２(１):１１１－１１７.[１７]ＶＩＶＯＮＥＧꎬＲＥＳＴＡＩＮＯＲꎬＭＵＲＡＭＤꎬｅｔａｌ.Ｃｏｎｔｒａｓｔａｎｄｅｒｒｏｒ￣ｂａｓｅｄｆｕｓｉｏｎｓｃｈｅｍｅｓｆｏｒｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｅｐａｎｓｈａｒｐｅｎ￣ｉｎｇ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＬｅｔｔｅｒｓꎬ２０１４ꎬ１１(５):９３０－９３４.[１８]ＳＨＥＮＳＡＭＪ.Ｔｈｅｄｉｓｃｒｅｔｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ:ｗｅｄｄｉｎｇｔｈｅａｔｒｏｕｓａｎｄｍａｌｌａｔａｌｇｏｒｉｔｈｍｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇꎬ１９９２ꎬ４０(１０):２４６４－２４８１.[１９]董师师ꎬ黄哲学.随机森林理论浅析[Ｊ].集成技术ꎬ２０１３ꎬ２(１):１－７.[２０]谷晓天.基于机器学习的湟水流域土地利用/土地覆被分类研究[Ｄ].西宁:青海师范大学ꎬ２０１８.[２１]王娜ꎬ李强子ꎬ杜鑫ꎬ等.单变量特征选择的苏北地区主要农作物遥感识别[Ｊ].遥感学报ꎬ２０１７ꎬ２１(４):５１９－５３０.[２２]朱永森ꎬ曾永年ꎬ张猛.基于ＨＪ卫星数据与面向对象分类的土地利用/覆盖信息提取[Ｊ].农业工程学报ꎬ２０１７ꎬ３３(１４):２５８－２６５.[２３]ＭＡＲＹＡＭＡＢＤＩꎬＭＯＨＡＭＭＤＨＫ.ＡｐｐｌｉｃａｔｉｏｎｏｆｓｐｅｃｔｒａｌａｎｇｌｅｍａｐｐｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎｔｏｄｉｓｃｒｉｍｉｎａｔｅｈｙｄｒｏｔｈｅｒｍａｌａｌｔｅｒａｔｉｏｎｉｎＳｏｕｔｈｗｅｓｔＢｉｒｊａｎｄꎬＩｒａｎꎬｕｓｉｎｇａｄｖａｎｃｅｄｓｐａｃｅｂｏｒｎｅｔｈｅｒｍａｌｅｍｉｓｓｉｏｎａｎｄｒｅｆｌｅｃｔｉｏｎｒａｄｉｏｍｅｔｅｒｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ[Ｊ].ＡｃｔａＧｅｏｌｏｇｉｃａＳｉｎｉｃａ(ＥｎｇｌｉｓｈＥｄｉｔｉｏｎ)ꎬ２０１２ꎬ８６(５):１２８９－１２９６.[２４]ＷＡＮＧＱＭꎬＢＬＡＣＫＢＵＲＮＧＡꎬＡＬＥＸＯＯꎬｅｔａｌ.ＦｕｓｉｏｎｏｆＬａｎｄｓａｔ８ＯＬＩａｎｄＳｅｎｔｉｎｅｌ￣２ＭＳＩｄａｔａ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１７ꎬ５５(７):３８８５－３８９９.(责任编辑:郑姗姗)㊀㊀５５２ ㊀第２期赵亚杰等:基于Ｓｅｎｔｉｎｅｌ￣２和Ｌａｎｄｓａｔ８ＯＬＩ数据融合的土地利用分类研究。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
sentinel-2地质解译
Sentinel-2卫星是欧空局（ESA）的一项地球观测计划，旨在
提供高分辨率、多光谱的地球观测数据。
这些数据可用于地质解译，对地质特征和地质过程进行分析和识别。
地质解译是指利用遥感数
据来识别和分析地表的地质特征和地质过程的过程。
在进行Sentinel-2地质解译时，可以利用其多光谱数据来识别
不同类型的地质材料和地貌特征。
多光谱数据可以提供关于地表覆
盖类型、植被覆盖、土壤类型和水体分布等信息。
这些信息对于识
别矿产资源、地质构造、地表变化等具有重要意义。
在地质解译中，可以利用Sentinel-2数据进行以下方面的分析
和识别：
1. 地质构造，利用多光谱数据识别地表的断裂带、褶皱构造等
地质构造特征。
2. 矿产资源，通过光谱特征分析，识别矿物的分布情况，帮助
进行矿产资源的勘探和评估。
3. 地表覆盖类型，利用多光谱数据对地表覆盖类型进行分类，
如植被覆盖、裸露地表、水体等。
4. 地表变化监测，通过多时相的Sentinel-2数据，可以进行
地表变化的监测，包括土地利用变化、植被覆盖变化等。
此外，还可以结合地面调查和其他地质数据，对Sentinel-2数
据进行验证和地质解译结果的精度评价。
总的来说，利用Sentinel-2数据进行地质解译可以提供丰富的
地质信息，对于地质资源的勘查、地质灾害的监测和评估等具有重
要的应用意义。
当然，在进行地质解译时，需要综合考虑多种因素，确保解译结果的准确性和可靠性。