​

Land Surface Phenology with Sentinel-2

使用Sentinel-2的地表现象学
这个资源库包含谷歌地球引擎的代码，该代码是为了用Sentinel-2在高纬度地区估计地表现象学（LSP）指标（季节的开始和结束（SoS和EoS））而开发。

LSP的提取方法是阈值法。

Sentinel-2A/B串联卫星的高空间分辨率和重访时间使得对地表物候学的检索有可能得到改善。然而，生物群落和区域特征极大地制约了LSP算法的设计。在北极地区，这种生物群落的特定特征包括长时间的积雪、持续的云层和短暂的生长季节。在这里，我们评估了Sentinel-2用于推导北极地区高分辨率LSP地图的可行性。我们通过在谷歌地球引擎（GEE）中简单实现阈值法，提取了2019年和2020年的季节开始和结束的时间（分别为SoS和EoS）。我们发现Sentinel-2和PhenoCam指标之间有很高的相似性；Sentinel-2增强型植被指数（EVI）的结果最好（SoS的均方根误差（RMSE）和平均误差（ME）分别为3.0 d和-0.3 d，EoS为6.5 d和-3.8 d），尽管其他植被指数表现类似。Sentinel-2 EVI的物候图与同质地貌中从中分辨率成像分光仪（MODIS）中提取的相同地图相比较好（SoS的RMSE和ME分别为9.2 d和2.9 d，EoS为6.4和-0.9 d）。不可靠的LSP估计值被过滤，当Sentinel-2时间序列出现长时间（>40 d）的数据缺失时，质量标志指标被激活；春季和初夏的不连续性（9.2%）比夏末和秋季（39.4%）低。Sentinel-2的高分辨率LSP地图和GEE物候提取方法将支持植被监测，并有助于改善陆面模型中对北极植被物候的表述。

在这里，我们提出了第一个高空间分辨率的SoS和EoS地图（10米），完全覆盖最近几年（2019-2020年）的北极。我们证明了仅用Sentinel-2和使用GEE中阈值方法的基本实现在该地区提取物候学指标的可行性；高纬度地区的高重访时间使得在无云条件下可以在1-3天内获得密集的时间序列，并且只有9.2%的像素在绿化期的时间序列中显示出>40d的不连续性。我们为LSP估计中使用的三种常见植被指数提出了一套用于Sentinel-2中雪地观测重新分类的强迫值：GCC、NDVI和EVI；还提供了专门针对Sentinel-2的NDPI的重新调整参数化。未来的工作可能会使用调整后的参数和强迫值以及GEE中的阈值方法来进行大规模的物候学指标估计。检索到的Sentinel-2高分辨率LSP地图和提议的GEE物候学提取方法将支持在高空间分辨率下监测植被变化，预计将有助于在陆面模型中表现北极植被物候。

代码：

• Estimation of SoS and EoS with time series smoothing (20-day composition and cubic interpolation) https://code.earthengine.google.com/7b8201664a88b8a29ae08503a1f5bd23

• Estimation of SoS and EoS without time series smoothing (linear interpolation over the raw time series) https://code.earthengine.google.com/246ebbb8b98393445e5e12cd87ab524c

代码中主要分为以下几个步骤：

第1节 - 定义参数和设置
 第2节 - 定义三维插值的函数
 第3节 - 准备Sentinel-2数据
 第4节 - 生成合成物
 第5节 - 增加空合成物的窗口大小
 第6节 - 内插时间序列
 第7节 - 估算物候学指标
 第8节 - 绘制结果
 第9节 - 显示图例

Adrià Descals - a.descals@creaf.uab.cat / CREAF - Centre de Recerca Ecològica i Aplicacions Forestals

文献引用：
Descals, A., Verger, A., Yin, G., & Peñuelas, J. (2020). Improved estimates of arctic land surface phenology using Sentinel-2 time series. Remote Sensing, 12(22), 3738.

​