使用无人机辅助的Sentinel-2图像对阿尔卑斯山草地部分植被覆盖面的估计

科学领域:

• 生态生态学 生态生态学
• 遥感 遥感 遥感 遥感
• 环境科学 环境科学

背景情况:

• 分数植被覆盖 (FVC) 对于评估生态系统健康至关重要,但由于植被稀疏以及Sentinel-2图像传统像素二分法模型的局限性,对高山草原的估计具有挑战性.
• 准确的FVC数据对于监测高山草原生态系统至关重要,特别是在青海-西藏高原等地区.

研究的目的:

• 通过整合 Sentinel-2 和无人机 (UAV) 数据,提高高山草原部分植被覆盖 (FVC) 估计的准确性.
• 将传统的像素二分法模型与各种机器学习算法 (RF,XGBoost,LightGBM,DNN) 的性能进行比较,用于FVC估计.

主要方法:

• 在Sentinel-2图像上使用像素二分法模型与九个植被指数进行初步FVC估计.
• 从厘米级无人机数据得出的FVC参考数据对初步估计的评估.
• 应用和优化四个机器学习模型 (RF,XGBoost,LightGBM,DNN) 使用Sentinel-2和UAV数据进行准确的FVC反转.

主要成果:

• 机器学习算法在使用Sentinel-2和无人机数据时,在高山草原上显著提高了FVC估计的准确性.
• 深度神经网络 (DNN) 模型表现最好,确定系数为0.82,根平均平方误差 (RMSE) 为0.09.
• 不同的植被指数根据FVC水平显示出不同的有效性:高覆盖率的GNDVI (FVC>0.7,RMSE=0.08) 和低覆盖率的NIRv/SR (FVC <0.4,RMSE=0.10).

结论:

• 将Sentinel-2和无人机数据与机器学习,特别是DNN集成,为在具有挑战性的高山草原环境中准确的FVC估计提供了强大的方法.
• 这种方法提高了FVC估计的准确性,减少了现场工作,支持对青海-西藏高原的高山草原的有效监测.
• 了解不同FVC级别的植被指数的性能变化对于优化估计模型至关重要.