EN中文

地球信息科学学报 >

2020 , Vol. 22 >Issue 11: 2267 - 2276

DOI: https://doi.org/10.12082/dqxxkx.2020.190762

遥感科学与应用技术

老挝北部Sentinel-2 A/B云覆盖适宜阈值界定及其影像获取概率时空差异

  • 刘怡媛 , 1 ,
  • 李鹏 , 2, 3, * ,
  • 肖池伟 2 ,
  • 刘影 1 ,
  • 谢正磊 1
展开
  • 1.江西师范大学地理与环境学院,南昌 330022
  • 2.中国科学院地理科学与资源研究所,北京 100101
  • 3.中国科学院大学资源与环境学院,北京 100049
* 李 鹏（1984—）,男,江西永新人,博士,副研究员,主要从事资源遥感与边境地理研究。E-mail:

刘怡媛（1994—）,女,江西瑞金人,博士生,主要从事资源遥感研究。E-mail:

收稿日期: 2019-12-05

  要求修回日期: 2020-01-15

  网络出版日期: 2021-01-25

基金资助

国家自然科学基金项目(41971242)

国家自然科学基金项目(42001226)

中国科学院地理科学与资源研究所“秉维”优秀青年人才计划(2018RC201)

中国科学院青年创新促进会会员人才专项(CAS2020055)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Characteristic Threshold Determination of Cloud Coverage and Its Acquisition Probability Differences of Sentinel-2 A/B in Northern Laos

  • LIU Yiyuan , 1 ,
  • LI Peng , 2, 3, * ,
  • XIAO Chiwei 2 ,
  • LIU Ying 1 ,
  • XIE Zhenglei 1
Expand
  • 1. College of Geography and Environment, Jiangxi Normal University, Nanchang 330022, China
  • 2. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 3. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
* LI Peng, E-mail:

Received date: 2019-12-05

  Request revised date: 2020-01-15

  Online published: 2021-01-25

Supported by

National Natural Science Foundation of China, No.41971242, 42001226(41971242)

National Natural Science Foundation of China, No.41971242, 42001226(42001226)

Program for BINGWEI Excellent Young Talents of Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences(2018RC201)

Youth Innovation Promotion Association of the Chinese Academy of Sciences(CAS2020055)

Copyright

Copyright reserved © 2020
Fold

摘要

光学卫星影像云覆盖时空特征评估是衡量其作为重要遥感监测数据源的前提。Sentinel-2 A/B影像因其免费获取、多光谱（红边）、更高时空分辨率等优势,已在全球不同尺度陆面植被与生态监测中受到重视。相较于Landsat等同类影像产品,有关Sentinel-2 A/B的云覆盖分析还未见报道。本文利用2016—2018年老挝北部所有5288景Sentinel-2 A/B影像（Granule/Tile）的云覆盖元数据,基于不同云覆盖阈值（0~100%）水平下的影像获取概率差异确定了影像获取概率分析的云覆盖适宜阈值,并揭示了云量特征阈值水平下的影像获取概率时空差异。主要结论如下:① Sentinel-2 A/B影像获取概率分析云覆盖适宜特征阈值为20%（即云覆盖≤20%）,该阈值水平下老挝北部Sentinel-2 A/B影像的逐月累积平均获取概率最高（约27.41%）;② 在20%云覆盖阈值水平下,老挝北部Sentinel-2 A/B影像逐月累积平均获取概率差异在时间上与旱季（11月—次年4月）雨季（5月—10月）的时间分布较为吻合。旱季获取概率约为42.91%,3月概率（50.27%）最大,4月与2月次之,时间上与刀耕火种焚烧与橡胶林落叶特征吻合;雨季相应概率约为11.81%,6月最低（约1.26%）;③ 老挝北部Sentinel-2 A/B影像逐月累积平均获取概率在空间上存在东西差异,旱季西部省域单元（如琅南塔）影像获取概率远高于东部,雨季西部地区影像获取概率则略低于东部地区。本研究既可为后续开展大区及全球Sentinel-2 A/B影像云量分析提供借鉴,也对开展联合国减少森林砍伐和退化排放（UN-REDD）计划引发的土地利用变化如刀耕火种农业演变、橡胶林扩张等遥感监测有指导意义。

关键词： Sentinel-2; 云覆盖; 影像获取概率; 时空差异; 阈值; 刀耕火种农业; 橡胶林

本文引用格式

刘怡媛 , 李鹏 , 肖池伟 , 刘影 , 谢正磊 . 老挝北部Sentinel-2 A/B云覆盖适宜阈值界定及其影像获取概率时空差异[J]. 地球信息科学学报, 2020 , 22(11) : 2267 -2276 . DOI: 10.12082/dqxxkx.2020.190762

Abstract

Spatial and temporal characteristics assessment of cloud coverage for optical satellite images is a prerequisite for evaluating its potential as an important remote sensing monitoring data source. Sentinel-2 A/B images have been highly valued in the aspects of land surface vegetation and ecological monitoring at different spatial scales due to their advantages of free access, multi-spectral bands (especially the introduction of red edge bands), and finer spatial (10 m/20 m) and temporal (5-day) resolutions. Compared with Landsat and other similar satellite products, cloud coverage analysis of Sentinel-2 A/B has not been reported. In this paper, the cloud of 5288 Sentinel-2 A/B images (Granule/Tile) over northern Laos from 2016 to 2018 were used to determine the appropriate threshold of cloud coverage for image acquisition probability analysis under different cloud coverage thresholds (0~100%) based on GIS, aiming to reveal the spatial-temporal difference in acquisition probability. The main conclusions are as follows: (1) Sentinel-2 A/B imagery was highly appropriate for land surface remote sensing monitoring with a cloud coverage threshold of 20% (i.e., cloud coverage is ≤ 20%). This threshold resulted in the largest monthly cumulative probability (~27.41%) of Sentinel-2 A/B images in northern Laos. (2) Using the threshold of 20% cloud coverage, the differences in monthly cumulative average acquisition probabilities of Sentinel-2 A/B images in northern Laos were consistent with the temporal distributions of dry season (November to April) and wet season (May to October). The acquisition probability was 42.91% in the dry season, with the largest in March (50.27%), followed by April and February. The fact that Sentinel-2 is featured by larger acquisition probability during the peak of dry season greatly facilitates the monitoring of dynamics in swidden agriculture and rubber plantations. The corresponding probability in the wet season was merely 11.81%, with the lowest in June (~1.26%). (3) Huge differences in monthly cumulative average acquisition probabilities of Sentinel-2 A/B images between the east and west of northern Laos were revealed. In the dry season, the image acquisition probabilities of the western provinces (e.g., Luang Namtha) were much larger than those of the eastern ones, while the situation was just the opposite in the wet season. This study can provide important reference for the large-scale (e.g. global) cloud coverage analysis of Sentinel-2 A/B images and the selection of Sentinel-2 images for monitoring land use change due to United Nations Collaborative Programme on Reducing Emissions from Deforestation and Forest Degradation in Developing Countries (UN-REDD) in the tropics, including swidden agriculture transformation and rubber plantation expansion.

Key words： Sentinel-2; cloud coverage; imagery acquisition probability; spatiotemporal variations; threshold; swidden agriculture; rubber plantations

1 引言

遥感是监测陆地表面变化和生态系统动态的有效手段[1]。虽然光学卫星因其成像特性容易受到云层及其阴影的影响[2],但它仍是最常用的遥感影像数据[3]。光学影像可提取的信息量在一定程度上取决于云覆盖（Cloud Coverage, CC）水平,云覆盖范围和程度通常决定了影像数据的可用性,在热带、亚热带地区尤其如此[3,4,5]。云剔除算法通常用来掩膜云覆盖像元,或考虑用邻近影像来替换受到云影干扰的像元[5,6]。然而,由于云/影信息的复杂性,剔除或替代处理都与真实地面结果存在差距[7]。因此,在现有卫星观测影像基础上,开展光学卫星云覆盖适宜阈值及其影像获取概率研究,对及时掌握不同传感器影像数据基础及其遥感监测可行性至关重要[4]。在本文,“影像获取概率”是指,在标准景层面上,不同云量阈值水平下的影像可获取数量占该（轨道号）景所有可获取影像总数的比重[3,4]。
光学卫星特别是Landsat的云覆盖适宜阈值及其影像获取概率分析在全球不同尺度上已有报道。早在1990年,Kontoes等[8]评估了欧盟国家无云遥感影像（Landsat TM和SPOT）的获取概率差异。随后,Asner[4]利用1984—1997年巴西亚马逊地区TM影像数据对云覆盖可用性的适宜阈值进行了探讨,同时分析了其时空特征。随着Landsat家族卫星的增加,围绕美国、中国、东南亚等地区,开展了针对不同传感器、不同云量水平下的影像获取概率时空特征分析[3,5,9]。Landsat因其长时间序列和免费获取性已成为云覆盖及其影像获取概率的研究热点。云覆盖特征阈值（CC≤30%）是影像获取概率（超过50%）时空特征分析的关键,通过选择无云或少云影像为地表变化监测和生态系统研究提供了重要的指导作用[3,5,7,9]。2015年起发射的Sentinel-2 A/B卫星延续了Landsat与SPOT等系列影像数据,已在土地管理[10]、农业和林业[11]、灾害控制、风险测绘和安全问题[12]等方面广泛应用,且因其在时空分辨率与光谱设置上的优势为精细表征和监测地表变化提供了新的方向[13]。相较于Landsat而言,有关Sentinel-2 A/B不同云量等级水平下的影像获取概率分析还鲜有报道。同样地,更小幅宽（100 km×100 km）的Sentinel-2 A/B影像获取分析云量特征阈值有何变化?基于特定阈值下的影像获取概率又有什么时空特征?从地缘角度看,东南亚（含老挝）已成为经济全球化与区域一体化的重要区域[3]。老挝北部在大湄公河次区域（Greater Mekong Sub-region, GMS）经济合作的推动下已经历快速的社会经济和环境转型[14]、以及土地覆盖和土地利用变化。基于Sentinel-2的影像获取概率分析可以直接服务于遥感监测研究的前端,即提前评价其数据基础与可行性;同时选取合适卫星影像对开展区域陆地表面变化监测,尤其是开展联合国减少森林砍伐和退化排放（UN-REED）计划相关的刀耕火种农业演变、橡胶林扩张、森林退化等遥感监测至关重要。
本文以老挝北部为研究区,使用2016年1月—2018年12月Sentinel-2 A/B所有可获取影像（共5288个场景）的云覆盖元信息,基于GIS确定了Sentinel-2 A/B影像获取概率分析云覆盖适宜阈值,并揭示了该云量阈值水平下老挝北部地区月际、季节、年际的影像获取概率时空差异特征。老挝北部属于热带季风气候区,具有明显的旱季和雨季之分,对不同云覆盖水平下的影像获取概率进行逐月差异分析有助于为监测地表变化提供数据基础,亦可为开展大区及全球影像概率获取分析提供借鉴。

2 研究区概况、数据源与研究方法

2.1 研究区概况

老挝（也称寮国）是中南半岛唯一的内陆国家,分为上寮、中寮和下寮。本研究中,老挝北部是指老挝中寮波里坎塞省（含）以北的12个省级行政单元,包括丰沙里省、琅南塔省、波乔省、乌多姆赛省、琅勃拉邦省、华潘省、沙耶武里省、川圹省、万象省、万象市、赛宋本特区和波里坎塞省（图1）。该区是湄公河流域的重要组成部分,也是大湄公河次区域经济合作（1992）与澜沧江—湄公河合作机制（2015）的重要合作区域。土地面积为15.46万km2,约占老挝国土面积的65.29%,2017年人口超过420万人,约占全国总人口的60.87%。老挝北部地区以山地和高原为主,且多为森林覆盖。本区地势北高南低,北部与中国云南滇西高原接壤,东部老、越边境为长山山脉构成的高原,西部是湄公河谷地和湄公河及其支流沿岸的盆地和小块平原。地处热带季风气候区,年均气温在25 ℃左右,年均降雨量约1800 mm。由于季风环流在风向上的季节性变化,形成了旱季（11月—次年4月）和雨季（5—10月）。雨季降雨多,空气湿度大;旱季受干燥的东北季风影响,降雨量只有全年的13.38%[15]。
图1 老挝北部Sentinel-2 A/B卫星影像瓦片图及不完整影像样例

Fig. 1 Sentinel-2 A/B image tiles and partial image samples in northern Laos

2.2 Sentinel-2 A/B卫星影像云覆盖数据预处理

2.2.1 Sentinel-2 A/B卫星及数据编号规则
作为已退役欧洲遥感卫星ERS与环境卫星ENVISAT的延续,哨兵（Sentinel）系列卫星是欧空局（EAS）哥白尼计划的核心部分。Sentinel系列卫星包含6组卫星,其中Sentinel-2是哥白尼计划中发射的第2组卫星,包括2015年6月23日发射的Sentinel-2A与2017年3月7日发射的Sentinel-2B[16]。双星系统在太阳同步轨道以180°相位差协同工作,单星重访周期为10 d,双星同步工作重访周期缩短为 5 d,中高纬地区可实现2~3 d内全覆盖。Sentinel-2 A/B卫星搭载的有效载荷为多光谱成像仪（Multispectral Instrument, MSI）,该传感器采用推扫的方式获取扫描带内的地面反射光谱。MSI共包含13个光谱波段,涵盖了从可见光到短波红外的电磁波段。相较于Landsat等同类产品,Sentinel-2 A/B在可见光、近红外、短波红外波段等配置上既有延续,又有发展,如新增了3个红边波段（Red Edge）[17]。
Sentinel-2数据采用军事网格参考系统（Military Grid Reference System, MGRS）,大地坐标系为WGS/1984通用横向墨卡托（UTM）投影。目前,可免费下载Sentinel-2 A/B卫星Level-1C和Level-2A（2018年12月13日以后）2种数据产品。Level-1C产品经Level-0数据解压、辐射校正、几何校正和拼接而成,而Level-2A产品是在Level-1C基础上增加了场景分类、卷云与大气校正等处理。Sentinel-2卫星数据产品是由固定大小的基本粒斑（Granules）和单一的轨道组合而成。粒斑是一个产品（包含所有光谱波段）的最小不可分割部分。对于Sentinel-2 A/B的1C级和2A级产品,这些粒斑也称为瓦片（Tiles）,是UTM/WGS 84投影中100 km×100 km的正射影像。
Sentinel-2 A/B的观测范围在56°S—84°N之间,采用UTM系统分区编码规则[18]。首先,将地球表面按纬差8°、经差6°分成“带区”,从经度180°往东,每个经差6°的区域以1-60的带号进行编号;从80°S往北起算,每8°纬差分别按照C-X（去掉I、O,以免和数字1、0混淆）20个字母顺序进行区号标识。接着,在具有“带区”号网络区域标识的基础上,进一步划分出边长为100 km的网格单元。网格单元编号由分别代表东西方向列号和南北方向行号的2个英文字母组合表示。在东西方向上,列号从第1带的西边缘开始用A-Z（去掉I、O）24个字母依次反复表示,每3个带字母反复一次,每带8个字母,对应完整的或不完整的8个窄条。在赤道附近,每带共有6个完整和2个不完整的窄条。在南北方向上,奇数投影带的行号从赤道开始用A-V（去掉I、O）18个字母往北依次反复表示,约经过2个多区字母反复一次。偶数投影带的行号从赤道以南的第5个网格处开始用A-V（去掉I、O）18个字母往北依次反复表示,赤道以北第1个100 km网格是F。这样奇数和偶数带相差5个字母可以错开相同代号,避免指示目标和读图时发生混乱。因此每个100 km×100 km的瓦片完整的编号需要由“带区”标识和网格“行列”组合起来,如48QUG。
2.2.2 Sentinel-2 A/B卫星云覆盖数据预处理
老挝北部地区共需要32个瓦片才能够完全覆盖（图1）。从EAS官网（https://scihub.copernicus.eu/dhus/#/home）收集整理了Sentinel-2 A/B卫星性能参数信息以及老挝北部32个瓦片2016—2018年所有可获取影像对应的元数据,包括云覆盖（CC,介于0~100%）、采集日期以及影像中心位置（纬度和经度）等。Sentinel-2 A/B的云覆盖百分比是使用云掩膜计算（https://earth.esa.int/web/sentinel/technical-guides/sentinel-2-msi/level-1c/cloud-masks）,将Level-1C级产品嵌入,进行矢量掩膜（GML格式）,其中的云掩码为指定云类型（浓云和卷云）的指示器,最后统计云掩码中浓云像素和卷云像素的百分比。
2016—2018年,老挝北部32个瓦片上共覆盖有5288景影像,其中2016年、2017年和2018年分别有928景、1581景和2779景（图2）,占比分别为17.55%、29.90%和52.55%。瓦片内可能是完整或部分裁切的影像。以老挝北部为例,完整影像有2849景（约占54%）,不完整的影像则有2439景。不完整影像主要包括2种情况:① 相同采集时间相同数据块的不同最终用户产品,在研究区内此类不完整影像有228景,例如图1中的2018年12月23日QTJ 2景影像;② 由于投影方式的原因不可避免的使处于带状区域边缘的瓦片不能被影像完全覆盖,也正因为此,重访周期变成2—3 d。研究区内32个瓦片中处于带状区域边缘的瓦片编号有47QQE、47QQD、47QQC、48QUH、48QUG和48QUF,此类不完整影像有2211景,例如图1中的2018年11月3日QUG 2景影像。
图2 老挝北部2016—2018年Sentienl-2 A/B影像不同云覆盖水平场景采集统计数据

Fig. 2 Annual statistics of Sentinel-2 A/B scenes acquisition in northern Laos including varied levels of cloud coverage (CC) in each tile during 2016-2018

2.3 不同云覆盖阈值水平下的Sentinel-2 A/B影像获取概率计算

参照Landsat影像元数据有关云量等级标准,综合考虑Sentinel-2 A/B的瓦片宽度（100 km×100 km）及其不同云覆盖阈值下影像有效获取情况,首先对2016—2018年老挝北部所有可获取Sentinel-2 A/B观测影像按照5%云量为间隔划分成20个阈值等级范围,分别为5%（CC≤5%）、10%（CC≤10%）,再到100%（CC≤100%）,计算不同云覆盖阈值水平下对应的每个Sentinel-2 A/B瓦片（共32个）的影像获取概率。其次,计算阈值为5%、10%、15%、20%、25%和30%采集获取概率的累积平均值,以显示月均统计结果的差异。最后,根据月平均获取概率计算季节平均获取概率和年平均获取概率。使用式（1）[3,4]计算特定目标影像对应的云覆盖采集获取概率,并进行统计分析。在ArcGIS 10.5平台中,5228景Sentinel-2 A/B影像和所有导出结果的云覆盖元数据按瓦片编号（如47QPD）进行空间组织与分析。
P T t m = 1 N ∑ T t m
式中:t表示不同的云覆盖阈值等级（即从5%、10%到100%）;m表示月份（1月、2月至12月）;y代表年（2016、2017与2018年）; T t m 表示逐月每个Sentinel-2 A/B瓦片不同云覆盖阈值水平下对应的影像获取数量;N为2016—2018年逐月（m）观测影像的总景数。 P ( T ) t m 是指特定阈值水平下每个Sentinel-2 A/B瓦片逐月影像获取概率。

3 结果及分析

3.1 Sentinel-2 A/B影像的适宜云覆盖阈值

图3分别展示了在年、旱/雨季（图3(a)）和逐月（图3(b)）时间尺度上不同云覆盖阈值水平下对应的影像累积平均获取概率动态变化。不同云量阈值水平下,旱/雨季和逐月影像累积平均获取概率随云覆盖阈值等级的增加而呈“纺锤”状变化。除在0%~5%和95%~100% 2个云覆盖区间内有显著增加外,旱季随着云覆盖阈值增加,影像获取累积概率的变化速率减缓,即低云覆盖水平的影像获取概率要大于高云覆盖影像的获取概率。相反地,在雨季,随着云覆盖阈值的增加,影像获取累积概率的变化速率显著增加,即高云覆盖水平的影像获取概率要显著大于低云覆盖相应水平。旱季中影像获取概率最大的是3月,在20%云覆盖时累积概率超过50%;其次是4月和2月,在25%云覆盖时累积概率超过50%。类似地,11月在30%云覆盖时累积概率超过50%,而12月和1月分别是在40%和50%云覆盖时累积概率超过50%。雨季影像获取概率最大的是10月,在45%云覆盖时累积概率超过50%,其余9、5、8、7和6月均在大于或等于60%云覆盖时累积获取概率才能超过50%。云覆盖阈值在5%和10%时,逐月累积获取概率最大值是发生在2月,分别是35.71%和38.57%,云覆盖阈值在15%和20%时,逐月累积获取概率最大值发生在3月,分别是44.39%和50.27%,云覆盖阈值在25%、30%时,逐月累积获取概率最大值发生在 4月,分别是54.82%、59.39%。
图3 老挝北部Sentinel-2影像云覆盖阈值的累积获取概率

注:十字交叉处指在云覆盖阈值为20%时Sentinel-2 影像累积获取概率达到50%。

Fig. 3 The cumulative average acquisition probabilities (APs) of increasing CC thresholds range from 0-100% for all Sentinel-2 tiles in northern Laos: annual and seasonal and monthly

通常来说,影像云覆盖越少,越有助于清楚和准确地监测地表变化。Landsat影像的云覆盖阈值在小于或等于30%时表示土地表面监测的最大可用性[4]。而Sentinel-2 A/B影像的单景宽度远小于Landsat的单景宽度185 km×170 km,因此本文参考Landsat的30%的云覆盖阈值,初步以5%、10%、15%、20%、25%和30%这6个阈值来分析,进一步确定Sentinel-2 A/B影像对地表监测最大可用性的适宜阈值。在2016—2018年Sentinel-2 A/B影像在5%、10%、15%、20%、25%和30%的云覆盖阈值下年均观测的累积平均获取概率分别为13.03%、17.93%、22.64%、26.57%、30.30%和33.32%,旱季观测的累积平均获取概率分别为24.58%、31.63%、37.97%、42.91%、47.05%和50.52%,雨季观测的累积平均获取概率分别为2.59%、5.54%、8.78%、11.81%、15.15%和17.78%。在ArcGIS 10.5中将2016—2018年的5228景Sentinel-2 A/B影像和所有导出结果的云覆盖元数据按瓦片编号进行空间组织分析（图4）。5%、10%云覆盖阈值水平下,影像获取概率极低,不作考虑;在15%、20%和25%云覆盖阈值水平下,旱季和雨季影像获取差异对比效果相当;当云覆盖阈值达到30%时,旱/雨季间差异明显,但考虑到较大的云覆盖意味着图像无效,且比 Sentinel-2 A/B单景影像面积大3倍左右的Landsat影像的对地观测最大可用性的适宜云覆盖阈值仅为30%,因此也排除不计。
图4 老挝北部2016-2018年Sentinel-2 A/B影像不同云覆盖阈值的年均获取概率分布

Fig. 4 Annual average of acquisition probabilities (AP) of Sentinel-2 A/B data over northern Laos between 2016 and 2018

对于15%、20%和25% 3个云覆盖阈值进一步计算影像获取累积概率的变化率,分别是1.04,1.20和1.06。由于老挝北部属于热带地区具有明显的旱季和雨季之分,对于光学卫星而言,雨季影像获取极其困难,故旱季影像在观测地表时则更具实用性和代表性。15%、20%和25% 3个云覆盖阈值在旱季影像获取的累积概率的变化率,分别是1.11、1.28和1.19。值得注意的是,不管是全年还是旱季,在20%云覆盖阈值处出现了一个拐点,即云覆盖在20%以后云覆盖阈值的增加,影像获取概率并没有获得同等的增加幅度。综上,确定20%（云覆盖≤20%）作为Sentinel-2 A/B影像地表监测的适宜阈值。下文将使用20%云覆盖阈值来分析每月、旱/雨季和每年在瓦片、区域尺度上的影像获取概率差异。

3.2 云覆盖特征阈值下影像平均获取概率时空差异

在20%云覆盖阈值水平下,老挝北部Sentinel-2 A/B影像逐月的累积平均获取概率差异非常明显（图5）。结果表明:旱季1、2、3、4、11和12月的相比于雨季的5、6、7、8和9月具有更高的影像获取概率,即旱季有更多高质量Sentinel-2 A/B影像可资使用。其中3月的月平均获取概率最高,为50.27%,4月次之（48.98%）。这一较高影像获取概率对应的关键时间特征,为后续开展刀耕火种（其风干曝晒与集中焚烧就发生在每年3-4月）遥感监测提供了重要的影像数据基础[19,20,21]。紧接着,2、11、12、1、10、5和9月的影像获取概率,分别为46.00%、42.25%、38.11%、32.57%、26.61%、19.05%和18.96%,而6、7、8月3个月的平均获取概率皆不超过5%,分别为1.26%、1.69%和3.13%。从旱季各月特别是2—3月的影像获取概率来看,还有利于监测橡胶林同期的落叶与新叶萌生特征[22,23,24]。
图5 老挝北部2016—2018年Sentinel-2影像20%云覆盖阈值的月均获取概率分布

Fig. 5 Monthly average of AP of Sentinel-2 images over northern Laos between 2016 and 2018 at 20% CC thresholds

从老挝北部Sentinel-2 A/B影像逐月累积平均获取概率的时间差异上不难发现,其与旱季（11—次年4月）、雨季（5—10月）的时间分布极为吻合。旱季（11月—次年4月）的累积平均获取概率远高于雨季（5—10月）,旱季累积平均获取概率水平为42.91%,在雨季急剧下降到累积平均获取概率为11.81%的水平。以2、3和4月为代表的旱季在区域内累积获取概率具有明显的差异。例如,瓦片47QPB、47QPC、47QPD、47QQC、47QQA、48QVE和48QTE等覆盖的琅南塔、波乔、沙耶武里、乌多姆赛和万象市等西部省域的累积平均获取概率高达70%,而瓦片47QUG、48QVH、48QVG、48QVJ、48QWF和48QWE等覆盖的华潘、川圹等东部省域累积平均获取概率均小于40%,西部高质量Sentinel-2 A/B影像获取概率要比东部省域高得多。根据前期调查,琅南塔、波乔、沙耶武里、乌多姆赛等省是老挝北部刀耕火种农业与橡胶林扩展的集中分布区,未来可考虑利用Sentinel-2开展相应遥感监测分析。相比之下,以6、7、8月为代表的雨季空间差异与旱季则完全不同,在整个研究区范围内影像累积获取概率均低于研究区平均值,东西部影像获取概率相差不大（小于30%）,甚至东部影像获取概率略高于西部地区。可见,Sentinel-2影像对于动态监测雨季地表变化存在很大挑战,数据可支撑程度较低。尽管5月和10月一般被划分雨季,却是整个旱季和雨季间的过渡月份,换言之是西南季风系统和东北季风系统之间的过渡阶段,因此影像获取概率等属性也是旱季和与雨季的特点。2种季风到来时间的提前或推迟,亦可能会对Sentinel-2等光学卫星的成像质量造成影响。

4 结论与讨论

Sentinel-2 A/B卫星因其影像的免费获取性和更高的时空分辨率已在区域和全球的陆地表面监测中崭露头角。Sentinel-2 A/B影像数据的云覆盖分析是其遥感监测应用的前提。不同云覆盖特征阈值水平下的获取概率分析,有助于理解Sentinel-2 A/B影像的时空适用性。本研究以老挝北部2016—2018年5288景Sentinel-2 影像为基础,在确定影像获取概率分析的云覆盖特征阈值的基础上,揭示了特征阈值下影像获取概率时空差异。主要结论如下:
（1）Sentinel-2 A/B影像获取概率分析的云覆盖特征阈值为20%。在该特征阈值下,老挝北部Sentinel-2 A/B影像的逐月累积平均获取概率为27.41%,且旱季相应获取概率的变化率出现了一个拐点,即随着云覆盖阈值（>20%）的增加,影像获取概率并没有明显增加。
（2）旱季影像获取概率远高于雨季,可支持刀耕火种与橡胶林等遥感监测。云覆盖特征阈值水平下,影像获取概率与旱季和雨季的时间分布吻合程度较高。旱季影像获取概率高（42.91%）,其中 3月获取概率最大（50.27%）;雨季获取概率低（11.81%）,6月最小（1.26%）。
（3）在云覆盖特征阈值水平下,老挝北部地区Sentinel-2 A/B影像获取概率东西部差异非常明显。旱季西部省域（琅南塔、波乔、乌多姆赛等）获取概率远高于东部,雨季西部影像获取概率则略低于东部地区。
本研究分析了老挝北部Sentinel-2 A/B影像云覆盖统计特征,即其影像获取概率在20%云覆盖阈值时存在明显的时空差异,对区域特征地类监测影像数据筛选具有指导意义。在旱季获取的概率越大,就越有利于支持区域陆地表面变化监测,特别是旱季2—4月的较高影像获取概率对于开展与减少森林砍伐和退化排放（UN-REDD）计划相关的刀耕火种农业演变、橡胶林扩张、森林退化等[25,26]遥感监测极为有利。当前,本研究以老挝北部为试验区开展了Sentinel-2 A/B云覆盖特征阈值的界定分析,未来将考虑在大区乃至全球尺度上开展该卫星云覆盖特征阈值的界定研究及其影像获取概率等深入研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Qin Z, Karnieli A, Berliner P. A mono-window algorithm for retrieving land surface temperature from Landsat TM data and its application to the Israel-Egypt border region[J]. International Journal of Remote Sensing, 2010,22(18):3719-3746.

[2]
钟洪麟, 施润和, 曲培青, 等. MODIS影像的局地云量信息元数据提取算法与应用[J]. 地球信息科学学报, 2010,12(4):587-592.

[ Zhong H L, Shi R H, Qu P Q, et al. The regional cloud-cover metadata extraction based on MODIS image[J]. Journal of Geoinformation Science, 2010,12(4):587-592. ]

[3]
Li P, Feng Z M, Xiao C W. Acquisition probability differences in cloud coverage of the available Landsat observations over mainland Southeast Asia from 1986 to 2015[J]. International Journal of Digital Earth, 2018,11(5):437-450.

[4]
Asner G P. Cloud cover in Landsat observations of the Brazilian Amazon[J]. International Journal of Remote Sensing, 2001,22(18):3855-3862.

[5]
Ju J, Roy D P. The availability of cloud-free Landsat ETM+ data over the conterminous United States and globally[J]. Remote Sensing of Environment, 2008,112(3):1196-1211.

[6]
Singh P, Komodakis N. Cloud-Gan: Cloud removal for Sentinel-2 imagery using a cyclic consistent generative adversarial networks [C]// IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018.

[7]
Kovalskyy V, Roy D P. The global availability of Landsat 5 TM and Landsat 7 ETM+ land surface observations and implications for global 30m Landsat data product generation[J]. Remote Sensing of Environment, 2013,130:280-293.

[8]
Kontoes C, Stakenborg J. Availability of cloud-free Landsat images for operational projects. The analysis of cloud-cover figures over the countries of the European Community[J]. International Journal of Remote Sensing, 1990,11(9):1599-1608.

[9]
Xiao C W, Li P, Feng Z M, et al. Spatio-temporal differences in cloud cover of Landsat-8 OLI observations across China during 2013-2016[J]. Journal of Geographical Sciences, 2018,28(4):429-444.

[10]
Whyte A, Ferentinos K P, Petropoulos G P. A new synergistic approach for monitoring wetlands using Sentinels -1 and 2 data with object-based machine learning algorithms[J]. Environmental Modelling & Software, 2018,104:40-54.

[11]
Sothe C, Almeida C, Liesenberg V, et al. Evaluating Sentinel-2 and Landsat-8 data to map sucessional forest stages in a subtropical forest in Southern Brazil[J]. Remote Sensing, 2017,9(8):838-860.

[12]
Quintano C, Fernández-Manso A, Fernández-Manso O. Combination of Landsat and Sentinel-2 MSI data for initial assessing of burn severity[J]. International Journal of Applied Earth Observation and Geoinformation, 2018,64:221-225.

[13]
Baillarin S J, Meygret A, Dechoz C, et al. Sentinel-2 level 1 products and image processing performances [C]// IEEE International Geoscience & Remote Sensing Symposium. IEEE, 2012.

[14]
Thongmanivong S, Fujita Y. Recent land use and livelihood transitions in Northern Laos[J]. Mountain Research and Development, 2006,26(3):237-244.

[15]
Lao Statistics Bureau. Lao Statistical Yearbook 2017[R]. Lao Statistics Bureau, Ministry of Planning and Investment, Lao PDR, 2018.

[16]
龚燃. “哨兵”卫星家族概览[J].国际太空,2014(7):23-28.

[ Gong R, Sentinel satellite family overview[J]. Space International, 2014(7):23-28. ]

[17]
田颖, 陈卓奇, 惠凤鸣, 等. 欧空局哨兵卫星Sentinel-2 A/B数据特征及应用前景分析[J]. 北京师范大学学报(自然科学版), 2019,55(1):57-65.

[ Tian Y, Chen Z Q, Hui F M, et al, ESA Sentinel-2 A/B satellite: Characteristics and applications[J]. Journal of Beijing Normal University (Natural Science), 2019,55(1):57-65. ]

[18]
吕晓华, 万刚, 宗传孟. 美国军事网格参考系统及其启示[J]. 测绘科学与工程, 2008,28(4):69-73.

[ Lv X H, Wang G, Zong C M, Enlightenment from USA military grid reference system[J]. Geomatic Science and Engineering, 2008,28(4):69-73. ]

[19]
Li P, Feng Z M, Xiao C W, et al. Detecting and mapping annual newly-burned plots (NBP) of swiddening using historical Landsat data in Montane Mainland Southeast Asia (MMSEA) during 1988-2016[J]. Journal of Geographical Sciences, 2018,28(9):1307-1328.

[20]
Li P, Feng Z M. Extent and area of swidden in Montane Mainland Southeast Asia: Estimation by multi-step thresholds with Landsat-8 OLI data[J]. Remote Sensing, 2016,8(1):44-61.

[21]
Li P, Feng Z M. Monitoring phenological stages of swiddening in northern Laos during the dry season[C]. Procedding SPIE 9260, Land Surface Remote Sensing II, 926002 (8 November 2014), https://doi.org/10.1117/12.2068822.

[22]
Li P, Zhang J H, Feng Z M. Mapping rubber tree plantations using a Landsat-based phenological algorithm in Xishuangbanna, southwest China[J]. Remote Sensing Letters, 2015,6(1):49-58.

[23]
Xiao C W, Li P, Feng Z M. A renormalized modified normalized burn ratio (RMNBR) index for detecting mature rubber plantations with Landsat-8 OLI in Xishuangbanna, China[J]. Remote Sensing Letters, 2019,10(3):214-223.

[24]
刘怡媛, 肖池伟, 李鹏, 等. 基于CRNBR物候算法的西双版纳橡胶成林提取及时空变研究[J]. 地球信息科学学报, 2019,21(3):467-474.

[ Liu Y Y, Xiao C W, Li P, et al. Extraction of Mature Rubber Plantations based on the CRNBR Algorithm and Spatio-temporal Variations in Xishuangbanna[J]. Journal of Geo-information Science, 2019,21(3):467-474. ]

[25]
Li P, Feng Z M, Jiang L G, et al. A review of swidden agriculture in Southeast Asia[J]. Remote Sensing, 2014,6(2):1654-1683.

[26]
Fox J, Castella J, Ziegler A D. Swidden, rubber and carbon: Can REDD+ work for people and the environment in Montane Mainland Southeast Asia?[J]. Global Environmental Change, 2014,29:318-326.

Options
文章导航

/

〈 〉