用Sentinel-1, -2,PALSAR-2卫星数据和机器学习为德国城市和半城市地区建模绿色体积

科学领域:

• 环境科学 环境科学
• 遥感 遥感 遥感 遥感
• 城市规划 城市规划

背景情况:

• 城市绿色基础设施 (UGI) 对于气候变化适应至关重要,提供生态系统服务,如温度降温.
• 绿色卷 (GV) 量化了植被的3D空间,对于评估UGI有效性至关重要.
• 大规模的GV估计对于城市环境管理至关重要.

研究的目的:

• 开发和比较机器学习模型,以准确,大规模,每年绿色量 (GV) 估计.
• 评估不同采样策略和卫星数据源对GV估计准确性的影响.
• 为了评估各种机器学习算法的性能,用于UGI评估.

主要方法:

• 利用了带有植被指数的Sentinel-2光学,Sentinel-1雷达和PALSAR-2雷达数据.
• 为了收集参考数据,比较随机和分层抽样.
• 评估了梯度树增强 (GTB),随机森林 (RF) 和支持向量机 (SVM) 算法.
• 使用独立和跨年数据集验证的模型可转移性.

主要成果:

• 分层采样显著提高了比随机采样准确度.
• 基于"卫星卫星-2"的特征在GV建模方面超过了基于雷达的特征 (S-1,P-2).
• 随机森林 (RF) 证明了最高的准确性和稳定性,特别是在独立验证方面.
• 模拟的GV解释了在10米分辨率下79%的变化,在100米分辨率下超过90%.

结论:

• 开放的卫星数据可以准确地建模城市绿色体积 (GV).
• 建议使用Sentinel-2数据和分层采样的随机森林进行可靠的GV估计.
• 全球气候预测支持环境管理,气候变化适应和监测工作.