Abstract Sentinel-2 satellite is a new generation of multi-spectral remote sensing technique with high spatial, temporal and spectral resolution. Especially, Sentinel-2 incorporates three red-edge bands with central wavelength at 705, 740 and 783 nm, which are very sensitive to vegetation changing, heath and variations. Unfortunately, their spatial resolution is only 20 m, which is lower comparably. This spatial resolution brings difficulties for mining the potential of Sentinel-2 image in vegetation monitoring. Therefore, we focus on enhancing the spatial resolution of Sentinel-2 red edge band images to 10m using the SupReME algorithm. Furthermore, the summer corn canopy leaf area index (LAI), leaves chlorophyll content (LCC) and canopy chlorophyll content (CCC) were retrieved by the linear and physical models for the corn growth monitoring purpose. The results showed that the spatial resolution of Sentinel-2 images had been enhanced to 10m from original 20m, and the estimation accuracy (EA) was over 97% for pixels planted by summer corn. Moreover, the accuracy of summer corn canopy LAI, LCC and CCC was improved respectively using enhanced Sentinel-2 images by SupReME method. During these three parameters retrieval, the red-edge bands or SWIR bands were introduced into optimal cost function and vegetation index which the accuracy of these models was high. The SupReME algorithm provides a valuable way for Sentinel-2 images enhancement, which is of great potential to mining Sentinel-2 images and multitude its application.

中文翻译：

---

Sentinel-2图像的超分辨率增强用于检索夏季玉米的LAI和叶绿素含量

摘要 Sentinel-2卫星是新一代的多光谱遥感技术，具有高时空分辨率和光谱分辨率。特别是，Sentinel-2 包含三个红边波段，中心波长分别为 705、740 和 783 nm，对植被变化、健康和变化非常敏感。不幸的是，它们的空间分辨率仅为 20 m，相对较低。这种空间分辨率给挖掘 Sentinel-2 图像在植被监测中的潜力带来了困难。因此，我们专注于使用 SupReME 算法将 Sentinel-2 红边带图像的空间分辨率提高到 10m。此外，夏季玉米冠层叶面积指数（LAI），通过线性和物理模型检索叶片叶绿素含量 (LCC) 和冠层叶绿素含量 (CCC)，用于玉米生长监测。结果表明，Sentinel-2 图像的空间分辨率由原来的 20m 提高到 10m，对夏玉米种植的像素估计精度（EA）超过 97%。此外，通过 SupReME 方法使用增强的 Sentinel-2 图像分别提高了夏季玉米冠层 LAI、LCC 和 CCC 的精度。在这三个参数反演过程中，将红边波段或短波波段引入到最优成本函数和植被指数中，这些模型的精度较高。SupReME 算法为 Sentinel-2 图像增强提供了一种有价值的方法，对于挖掘 Sentinel-2 图像及其应用具有很大的潜力。结果表明，Sentinel-2 图像的空间分辨率由原来的 20m 提高到 10m，对夏玉米种植的像素估计精度（EA）超过 97%。此外，通过 SupReME 方法使用增强的 Sentinel-2 图像分别提高了夏季玉米冠层 LAI、LCC 和 CCC 的精度。在这三个参数反演过程中，将红边波段或短波波段引入到最优成本函数和植被指数中，这些模型的精度较高。SupReME 算法为 Sentinel-2 图像增强提供了一种有价值的方法，对于挖掘 Sentinel-2 图像及其应用具有很大的潜力。结果表明，Sentinel-2 图像的空间分辨率由原来的 20m 提高到 10m，对夏玉米种植的像素估计精度（EA）超过 97%。此外，利用 SupReME 方法使用增强的 Sentinel-2 图像分别提高了夏季玉米冠层 LAI、LCC 和 CCC 的精度。在这三个参数反演过程中，将红边波段或短波波段引入到最优成本函数和植被指数中，这些模型的精度较高。SupReME 算法为 Sentinel-2 图像增强提供了一种有价值的方法，对于挖掘 Sentinel-2 图像及其应用具有很大的潜力。夏玉米种植的像素估计精度（EA）超过97%。此外，通过 SupReME 方法使用增强的 Sentinel-2 图像分别提高了夏季玉米冠层 LAI、LCC 和 CCC 的精度。在这三个参数的反演过程中，将红边波段或短波波段引入到最优成本函数和植被指数中，这些模型的精度较高。SupReME 算法为 Sentinel-2 图像增强提供了一种有价值的方法，对于挖掘 Sentinel-2 图像及其应用具有很大的潜力。夏玉米种植的像素估计精度（EA）超过97%。此外，通过 SupReME 方法使用增强的 Sentinel-2 图像分别提高了夏季玉米冠层 LAI、LCC 和 CCC 的精度。在这三个参数反演过程中，将红边波段或短波波段引入到最优成本函数和植被指数中，这些模型的精度较高。SupReME 算法为 Sentinel-2 图像增强提供了一种有价值的方法，对于挖掘 Sentinel-2 图像及其应用具有很大的潜力。将红边波段或短波波段引入最优成本函数和植被指数中，这些模型的精度较高。SupReME 算法为 Sentinel-2 图像增强提供了一种有价值的方法，对于挖掘 Sentinel-2 图像及其应用具有很大的潜力。将红边波段或短波波段引入最优成本函数和植被指数，这些模型的精度较高。SupReME 算法为 Sentinel-2 图像增强提供了一种有价值的方法，对于挖掘 Sentinel-2 图像及其应用具有很大的潜力。