一种实用的方法用于红边带重建Landsat图像,通过将Sentinel-2数据与机器学习回归算法相协同

科学领域:

• 遥感 遥感 遥感 遥感
• 地球观测 地球观测
• 地理空间分析的研究.

背景情况:

• 红边光谱带对于使用多光谱遥感进行精确的植被监测至关重要.
• 陆地卫星OLI数据缺乏红边带,限制了其在详细的植被健康评估中的应用.
• 现有的Landsat数据被广泛使用,使其光谱增强对长期生态研究非常有价值.

研究的目的:

• 为Landsat OLI开发和验证一种用于重建红边带的创新方法.
• 提高Landsat数据的光谱分辨率,以改善植被监测.
• 评估将这种方法扩展到LandsatTM/ETM+历史数据的可行性.

主要方法:

• 使用各种重新采样和大气校正技术,研究了Landsat OLI和Sentinel-2 MSI频段之间的一致性.
• 采用机器学习算法 (回归,GBRT,随机森林) 来建模和重建红边带.
• 根据Sentinel-2 MSI数据验证重建的频段和衍生的植被指数.

主要成果:

• 双线插值和LaSRC大气校正产生了高频段一致性 (R2 > 0.88).
• 梯度增强回归树 (GBRT) 算法准确地重建了三个 OLI 红边带 (R2 > 0.96,RMSE < 0.0122).
• 重建的Landsat红边指数显示与Sentinel-2指数有很强的一致性 (R2:0.780.95).

结论:

• 拟议的方法有效地扩大了Landsat OLI的光谱域,大大提高了其用于植被遥感的实用性.
• 这种方法为改进区域和全球植被监测提供了有价值的工具,使用历史和当前的Landsat数据.
• 为增强LandsatTM/ETM+历史数据提供了一条途径,以改进时间序列植被分析.