基于多源卫星数据的土地覆盖分类：Sentinel-1与Landsat 8融合实现97%精度

本项目融合Sentinel-1 C波段SAR与Landsat8光学数据，借助Google Earth Engine平台和机器学习技术，在洛杉矶地区实现97%的土地覆盖分类精度。项目设计友好，非技术用户也能通过直观界面完成复杂数据分析，支持城市规划、环境监测等场景应用。

项目采用两种互补数据源：

• Sentinel-1 SAR：欧洲空间局雷达卫星，具备全天候、昼夜观测能力，C波段适合植被、城市区域监测，6天重访周期；
• Landsat8：NASA/USGS联合卫星，多光谱（11波段）、30米分辨率，16天重访周期，提供光谱特征与地表温度信息。两者融合可发挥各自优势。

技术架构包括：

1. 数据融合：结合SAR的地表粗糙度信息与光学的光谱特征，利用GEE云端计算；
2. ML分类流程： -预处理：SAR辐射/几何校正、光学大气校正与云掩膜、时空配准； -特征工程：提取SAR后向散射系数、植被/水体指数、纹理特征、时序特征； -模型训练：支持随机森林、SVM、神经网络等，交叉验证确保泛化； -结果输出：生成专题图、面积统计，导出GeoTIFF/Shapefile等格式。

以洛杉矶地区为测试场（复杂地物类型：建成区、植被、水体、裸地等），采用多级分类体系。精度验证结果：总体精度超97%，Kappa系数>0.95，各类别用户/制图精度均高于90%，满足城市规划、灾害评估等应用需求。

项目降低遥感技术门槛，非专业用户可通过图形界面完成分析；采用MIT开源协议，支持算法改进、多语言本地化与GIS集成；为气候变化研究提供准确土地覆盖数据，助力城市扩张监测、森林砍伐评估等。

团队计划推出增强功能：三维地形叠加与时序动画、实时卫星数据流自动更新、更多深度学习模型集成、云端协作、移动端适配等，持续提升工具的实用性与可访问性。