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%