GF-1与GF-6 WFV影像在滇池悬浮物浓度反演中的对比分析

总悬浮物(TSM)是水环境评价的重要参数之一,也是遥感水质反演的重要指标。GF-1/WFV和GF-6/WFV作为高分系列对外免费开放的卫星数据,在遥感监测中的应用较为广泛,但目前针对两种数据的对比分析以及GF-6/WFV新增波段在水体水质参数反演中的适用性研究较少。以云南滇池水域为研究区域,对与水体实测数据同步过境(或时相相近)的GF-1/WFV和GF-6/WFV遥感影像采用统计分析的方法进行相同波段(蓝、绿、红、近红外)一致性分析,在此基础上运用经验回归方法分别构建两种数据的TSM反演模型,并将加入GF-6/WFV新增波段的模型与GF-1/WFV构建的模型进行对比分析,选择最优模型应用于滇池2020年的6幅GF-6/WFV图像得到滇池TSM分布图。结果表明:GF-1/WFV与GF-6/WFV的蓝、绿、红、近红外波段的相关系数分别为0.98,0.98,0.97和0.99,两种数据的表观反射率具有很高的一致性。GF-1/WFV基于蓝、绿、近红外波段构建的差值模型“B2+B4-B1”反演精度较高,模型反演的均方根误差为6.35 mg·L^(-1),平均绝对百分比误差为23.60%。GF-6/WFV基于近红外、红边1和红边2波段构建的比值模型“1/B5+B6”反演精度较高,模型反演的均方根误差(RMSE)为3.07 mg·L^(-1),平均绝对百分比误差(MAPE)为20.65%,以GF-1/WFV构建的差值模型“B1-B4”与GF-6/WFV构建的“B5-B4”对比发现后者均方根误差减小了2.61 mg·L^(-1),平均绝对百分比降低了32.33%,实验表明加入红边波段的模型反演效果较其他模型更好。采用建模公式得到了2020年滇池TSM分布图,滇池TSM的变化范围在4~45 mg·L^(-1),均值为18.23 mg·L^(-1),总体空间分布呈现北重南轻的分布态势,滇池TSM时间分布表现为上升-下降趋势。该研究不仅可以为湖泊水质监测传感器波段设置提供参考和借鉴,也为滇池水资源监管部门进行水质遥感监测提供了技术支撑。

GF-6/WFV与GF-1/WFV传感器数据对比

目的:利用GF-6和GF-1卫星高时空分辨率、覆盖范围广等特点,组网协同研究二者宽幅(WFV)传感器之间的差异。方法:基于同期过境的2对GF-6/WFV与GF-1/WFV影像数据,采用样区均值法进行地表反射率层面的交互对比分析,探究G F-6/WFV与GF-1/WFV波段光谱数据之间的定量关系,并构建线性转换方程。结果:GF-6/WFV与GF-1/WFV的观测能力具有较高的一致性,对应波段间线性回归方程的决定系数(R 2)均高于0.942。GF-1/WFV1、GF-1/WFV2与GF-6/WFV数据间的均方根误差(RMSE)在蓝光波段较小,但在绿光、红光和近红外波段的差异逐渐增大;总体上,GF-6/WFV的信号强度比GF-1/WFV低9%~14%,其低于GF-1/WFV1约9.327%,低于GF-1/WFV2约13.573%。经线性转换后的GF-1/WFV数据与G F-6/WFV数据的差异明显降低,GF-1/WFV1数据对应波段的RMSE降低56.435%,相对偏差率(ME)降低8.351%;GF-1/WFV2数据RMSE的降低率达60%以上,ME降低11.119%。结论:G F-6/WFV与GF-1/WFV的转换方程具有较高的准确性,可有效提升2颗卫星组网观测的一致性,对监测地表变化、采集地面信息等具有重要意义。本研究可为GF-6与GF-1卫星数据的协同观测和组网应用提供科学参考。

协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别

艾叶具有巨大的食用和医用价值,近些年艾草种植面积在中国南方地区显著增加。掌握艾草空间分布信息对于区域作物种植结构调整、艾草产业布局优化具有重要现实意义。该研究以中国艾草主要生产地——湖北省蕲春县为例,探讨国产高分1号(GF-1)和高分6号(GF-6)卫星影像识别艾草的潜力。本文首先基于高分影像构建了20个光谱特征,然后采用随机森林分类器进行分类,最后分析了红边指数对识别艾草的贡献度。为了评估协同GF-1和GF-6影像识别艾草的潜力,研究还比较了不同影像组合情景识别艾草的精度。结果表明,协同GF-1和GF-6影像提取的蕲春县艾草的用户精度是92.73%,制图精度是88.74%,均显著高于基于单一GF-1或GF-6影像识别艾草的精度。各乡镇艾草遥感制图面积和统计面积拟合的相关性系数R^(2)达到0.7,表明研究结果能够准确反映艾草的种植面积和空间分布。基于随机森林的重要性得分排名前50的特征中,红边波段以及红边植被指数的数量占比达54%,其中6月23日GF-6影像的红边波段I贡献度得分最高,是识别艾草的最优光谱特征。GF-6的另一新增的紫波段相较于其他传统波段,也对于区分艾草和其他作物做出了重要贡献。5月上旬和9月上旬分别为艾草第一茬和第二茬叶片快速繁殖生长阶段,是艾草的最佳识别时期,6月下旬和9月下旬也是区分艾草和其他作物的关键时期。研究表明,GF-6 WFV影像的新增波段以及基于红边波段构建的植被指数能够有效提高作物识别的准确性,协同GF-1和GF-6影像通过提高影像时间信息,能较好捕获作物的关键物候特征,从而提高作物识别精度。该研究为充分发挥多源国产高分卫星协同利用优势提供了典型应用示范,呈现的作物识别方法不仅适用于艾草,也适用于其他区域和其他农作物。

高分数据连续多时相南湾湖藻类污染监测

水藻污染影响水质,对生态环境造成显著破坏。在湖泊绿藻污染研究中,国产高分宽幅数据应用较少。本文综合利用高分一号、高分六号高光谱、宽幅数据,使用归一化植被指数和引入红边波段的归一化植被指数对南湾湖进行绿藻污染短时序监测,确定污染时间和范围演化。分析得到:(1)2020年7月20日,存在绿藻污染;(2)2020年8月2日和3日,无绿藻污染;(3)2020年8月4日、5日和9日,绿藻在下游某一弯道处有复发。南湾湖绿藻污染及复发情况与实际情况均符合,表明高分数据在短时序湖泊绿藻监测、提取准确率和效率等方面具备应用潜力。

典型作物种植结构遥感提取--以赤峰市宁城县与喀喇沁旗为例

基于遥感的种植结构提取对农业资源调查、作物面积监测及产量估算、农作物灾害预警和灾后评估具有重要意义。本文根据高分一号和高分六号的数据,选用3个与农作物相关的植被指数(NDVI、EVI、RVI),3个纹理特征信息(DEM、坡度、坡向)以及融合后各个波段作为模型输入特征,研究基于高分辨率率影像数据的农作物分类。结果表明:西北部农作物主要为玉米,中部主要为谷子,东南部地区以玉米为主,其次为高粱和谷子;红边波段705和红边波段745均对农作物的识别和分类具有一定的作用。

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅(GF-1 Wide Field of View,GF-1 WFV)数据以及具有宽覆盖、红边波段(Red-Edge band,RE)的高分六号(GF-6)卫星数据在森林郁闭度(Forest Canopy Closure,FCC)定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号(Sentinel-2A)红边波段,模拟GF-6红边波段特性,并提取相关纹理信息(Texture Information,TI)、植被指数(Vegetation Index,VI)和红边指数(Red-edge Index,RI),同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素(Topographic Factors,TF)对FCC估测的影响,利用快速迭代特征选择的k-NN(kNearest Neighbor with Fast Iterative Features Selection,KNN-FIFS)模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归(Stepwise Multiple Linear Regressions,SMLR)和支持向量机(Support Vector Machine,SVM)估测结果。通过44块调查样地实测数据验证发现:基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R2=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R2=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R2=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R2=0.68,RMSE=0.07,并高于SMLR(R2=0.39,RMSE=0.10)和SVM(R2=0.49,RMSE=0.10)方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。