Sentinel-1数据与Sentinel-2产品的融合,以克服不利的大气条件来绘制淹没图

该数据集729Sentinel-1数据是在多云期间监测内陆洪水表面的替代方案。使用单一训练模型对整幅图像进行监督分类的方法由于淹没区域的回波与现有地表覆盖特征之间的混淆，导致较差的精度。本研究采用像素为中心的方法，通过利用每个像素在一系列Sentinel-1影像中的回波值变化，针对每个3×3像素区域训练局部的随机森林分类模型，并据此对目标Sentinel-1影像中的每个像素进行分类。参考训练数据来自与目标日期接近时刻的Sentinel-2派生淹没图。研究的目的是确定目标Sentinel-1影像与可用的高精度Sentinel-2淹没图之间的最大日期差（Kappa系数—k > 0.9），从而估算出可信的目标Sentinel-1影像的淹没图。研究考察了不同组合的Sentinel-2和Sentinel-1训练数据集。对8个目标日期的评估表明，当目标日期与参考Sentinel-2影像的平均日期差小于30天时，可以生成Kappa系数平均为0.75的Sentinel-1淹没图。考虑更多的Sentinel-2影像组合可以提高Sentinel-1淹没图的估算精度。