研究目的
评估Sentinel-2 MSI光谱波段反射率对FVC估算的性能，并确定哪些波段对FVC估算更为重要。
研究成果
哨兵-2号MSI数据的红波段、短波红外2波段（SWIR2）和近红外2波段（NIR2）对FVC估算最为重要，其精度与使用全部波段相当。红边波段对提升FVC估算精度的效果甚微。相较于绿波段，第12波段（SWIR2）在提高FVC估算精度方面具有较大潜力。
研究不足
模拟数据是对现实世界的简化，可能无法完全匹配真实反射率。实际波段反射率和实地调查数据存在不确定性与变异性。本研究聚焦于随机森林回归（RFR），未与其他机器学习算法进行比较。未探究红边波段变换（如REPI、REVI）在植被覆盖度估算中的潜力。
1：实验设计与方法选择：
本研究采用PROSAIL辐射传输模型模拟不同条件下Sentinel-2 MSI的冠层反射率及对应FVC值，运用随机森林回归（RFR）方法构建FVC估算模型并评估波段重要性。
2：样本选取与数据来源：
通过PROSAIL生成20万条模拟数据集，输入参数遵循特定分布（均匀或高斯分布）。实地FVC数据采用数码相机和GPS设备在中国衡水采集，下载并预处理Sentinel-2 Level-1C数据。
3：实验设备与材料清单：
用于野外拍摄的数码相机、手持GPS设备、Sentinel-2 MSI数据、PROSAIL模型、大气校正SNAP工具箱及RFR算法。
4：实验流程与操作步骤：
模拟数据集生成（80%训练集，20%验证集），基于模拟数据训练RFR模型，采用变量选择策略评估波段重要性，从真实Sentinel-2数据估算FVC，并利用实地调查数据进行验证。
5：数据分析方法：
采用均方根误差（RMSE）和决定系数（R²）验证模型精度，通过置换袋外样本的均方误差增量（MSE）评估RFR中的变量重要性。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Sentinel-2 MSI
S2A, S2B
European Space Agency (ESA)
Provides multispectral remote sensing data with 13 bands for vegetation monitoring and FVC estimation.
-
GPS device
Collects coordinates of sample points during field surveys.
-
Digital camera
Takes photographs for field FVC measurements.
-
SNAP toolbox
Sen2Cor algorithm version 2.4.0
European Space Agency (ESA)
Performs atmospheric correction on Sentinel-2 Level-1C data to produce Level-2A bottom-of-atmosphere reflectance products.
-
PROSAIL model
PROSPECT-D + SAIL
Simulates canopy reflectance and FVC values for training and validation datasets.
-
Random Forest Regression
RFR
Machine learning algorithm used for FVC estimation and band importance assessment.
-
登录查看剩余4件设备及参数对照表
查看全部
