GEE 案例：利用Sentinel-2在谷歌地球引擎上使用高斯过程回归监测农田物候

摘要

从光学卫星数据监测农田物候仍然是一项具有挑战性的任务，因为云层和大气伪影的影响。因此，需要采取措施来克服这些挑战，以更好地了解作物动态。云计算平台的出现，如谷歌地球引擎（GEE），使我们能够提出一个哨兵-2（S2）物候端到端处理链。为此，实施了以下流程： (1) 构建优化了主动学习的混合高斯过程回归（GPR）作物特征检索模型，(2) 在GEE上实施这些模型，(3) 通过GPR拟合生成这些作物特征的时空连续地图和时间序列，并最终，(4) 计算土地表面物候（LSP）指标，如季节开始（SOS）或季节结束（EOS）。总体而言，达到了从良好到高的性能，特别是在估计冠层水平特征（如叶面积指数（LAI）和冠层叶绿素含量）方面，标准化均方根误差（NRMSE）分别为9%和10%。通过GPR填补的S2时间序列，重建了整个图块，并在西班牙卡斯蒂利亚和莱昂的农业区域展示了结果地图，那里有作物日历数据可用于评估从作物特征推导的LSP指标的有效性。此外，基于归一化差异植被指数（NDVI）推导的物候被用作参考。NDVI不仅被证明是计算LSP指标的稳健指标，还用于展示定量特征产品的良好物候质量。得益于GEE框架，所提出的工作流程可以在世界任何地方和任何时间窗口实现，从而代表了卫星数据处理范式的转变。我们预计，生成的LSP指标可以为作物季节性提供有意义的见解。

函数

matrixTranspose(axis1, axis2)

Transposes two dimensions of each array pixel.

Arguments:

this:input&nb