联合多时相GF-6 WFV和Sentinel-2的森林类型识别

【目的】我国南方地区多云雨,地型较破碎,森林类型精细识别较为困难,探讨联合多源、多时相的遥感数据对森林类型识别具有重要意义。【方法】以江西省信丰县为研究区,基于2019年森林资源二类调查数据,将森林划分为松林、杉木林、阔叶林、针叶混交林、针阔混交林、竹林、灌木林和其他林地等8种类型,利用随机森林算法比较GF-6 WFV和Sentinel-2最佳时相相同波段(紫/深蓝、蓝、绿、红、近红外、红边)和不同波段(黄边、短波红外)的森林类型识别能力,构建联合光谱特征集。联合多时相GF-6 WFV和Sentinel-2,构建多时相植被指数特征集,结合联合光谱特征集、纹理特征和地形特征,通过随机森林和递归消除法构建特征变量优选数据集进行森林类型识别,利用混淆矩阵和森林类型的实际分布对识别结果进行精度验证。【结果】(1)GF-6 WFV蓝、绿和红波段组合的总体精度为58.31%,分别加入紫、近红外、红边、黄边和Sentinel-2短波红外波段后,其总体精度分别提高1.99%、8.90%、10.71%、1.50%和14.10%;Sentinel-2蓝、绿和红波段组合的总体精度为54.68%,分别加入深蓝、近红外、红边、短波红外和GF-6 WFV黄边波段后,其总体精度分别提高3.30%、10.82%、12.92%、17.31%和3.97%。(2)特征变量优选数据集的总体精度和Kappa系数为80.80%和75.56%,贡献程度大小依次为GF-6 WFV多时相植被指数、Sentinel-2多时相植被指数、GF-6 WFV光谱特征、Sentinel-2光谱特征、地形特征和纹理特征,贡献率分别为40.44%、23.23%、18.12%、10.21%、4.61%和3.39%。(3)松林、杉木林、阔叶林、针叶混交林、针阔混交林、竹林、灌木林和其他林地的制图精度分别为86.97%、85.60%、88.61%、9.43%、19.01%、53.60%、86.90%和82.56%,用户精度分别为81.42%、79.79%、77.57%、71.43%、81.82%、67.00%、87.74%和82.88%,识别结果与研究区实际森林类型分布较吻合。【结论】联合多时相GF-6 WFV和Sentinel-2可以综合多时相、多源影像的优点,能够有效提高森林类型的识别精度。

基于GF-6/WFV卫星遥感的大田冬小麦叶片氮素含量估测

为对大田冬小麦叶片氮素含量(LNC)进行快速、准确及无损监测,通过在江苏省泰州泰兴市、盐城大丰区和南通如皋市布设冬小麦遥感监测大田试验,在获取试验样点冬小麦冠层红光波段反射率(REDref)、近红外波段反射率(NIRref)和计算的十个光谱指数(RVI、NDVI、DVI、SAVI、OSAVI、MSR、RDVI、EVI2、NLI和SVI)基础上,将12个遥感光谱指标与冬小麦LNC进行相关分析,选出与LNC相关性较好的作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型,并利用GF-6/WFV卫星遥感影像对县域冬小麦LNC的空间分布开展监测。结果表明,12个遥感光谱指标与冬小麦LNC之间存在不同程度的相关性,其中NDVI、RVI、MSR、OSAVI和NLI与冬小麦LNC的相关性较好(相关系数不低于0.65)。将优选的5个遥感光谱指标作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型(LNC-BPEM),模型的估测精度r^(2)=0.866,RMSE=0.246%,ARE=12.9%。将冬小麦LNC-BPEM估测模型和GF-6/WFV影像结合对县域冬小麦LNC的空间信息监测,获得了如皋县域冬小麦LNC的空间分布特征,该区域冬小麦LNC范围在0.9%~2.0%(长势正常)的种植面积为29 693.3 hm^(2),占冬小麦总种植面积的74%。这说明利用GF-6/WFV卫星的多个遥感光谱指标与神经网络结合建模可有效估测县域大田冬小麦叶片氮素含量。

融合GF-6 WFV影像主成分分析特征的县域冬小麦种植面积提取

为准确、快速获得县域冬小麦的种植信息,针对多时相方法存在的成本高、效率低、过程复杂等问题,以安徽省固镇县为研究区,提出基于单时相GF-6 WFV影像主成分分析特征与原始光谱波段归一化融合、并使用K-最近邻算法进行土地覆盖物分类的有效面积提取方法。结果表明,所提出方法优于RAW和PDR这2种基准方法,且降维维度参数为3时效果最好,总体精度和Kappa系数分别为89.71%和0.87,实际冬小麦提取面积精度达98.49%,相对误差仅为1.51%。

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。

不同大气校正模型对GF-6 WFV影像清晰度的影响评价研究

为探讨不同大气校正模型对高分六号(GF-6)WFV影像清晰度的提升,利用主客观相结合的方法对大气校正后的影像清晰度进行评价。结果表明:1)不同大气校正模型对影像清晰度提升的效果不同。从基于地理视觉要素的主观评价来看,大气校正后的GF-6 WFV影像纹理特征更为明显,清晰度得以提升。2)基于影像特征的定量评价结果表明,不同的大气校正模型对GF-6 WFV影像清晰度提升程度不同,快速大气校正对影像提升效果最为明显。3)从基于色彩保真度的定量评价结果可知,不同大气校正结果对不同地物反射率影响较为明显,FLAASH大气校正结果更适合于植被遥感应用研究,快速大气校正模型的适用范围更广。

基于随机森林的GF-6 WFV和Landsat8 OLI遥感影像分类比较

高分六号卫星具有宽覆宽、多种分辨率、波段多的优势,能为遥感土地覆盖提供更丰富的信息。为了明确GF-6 WFV在土地覆盖分类中的重要性,以山西省浑源县为研究对象,选取同期Landsat8 OLI影像为对比数据集,采用随机森林分类方法进行土地覆盖分类对比研究,结果表明:GF-6 WFV和Landsat8 OLI总体分类精度分别为91.11%和87.87%,Kappa系数分别为0.89和0.85,说明GF-6 WFV的分类效果优于Landsat8 OLI。对比GF-6 WFV和Landsat8 OLI影像的地物光谱特征分析可知,各地物在两幅影像的近红外波段区分较明显,但是GF-6 WFV在红边波段对耕地、林地、草地和灌木的可分性更好,尤其是在红边2波段差异最明显;GF-6 WFV提取的地类面积占比更接近真实值,此外,GF-6 WFV具有更高分辨率的优势,在复杂地物类型分布的地区,GF-6 WFV的分类精度更高。

基于GF-6 WFV影像和CSLE模型的山区耕地侵蚀定量评价及特征分析

坡耕地是高原山区水土流失最主要的策源地,其严重的土壤侵蚀已经威胁到山区粮食安全和农业可持续发展。该研究以云南省土壤侵蚀较为严重的文山州为例,在第三次全国国土调查数据、水利普查抽样单元和GF-6WFV等多源遥感数据基础上,结合随机森林算法快速自动提取梯田,利用CSLE模型对山区耕地土壤侵蚀进行精细定量评估,并以空间自相关分析揭示土壤侵蚀空间分布特征。结果表明:1)文山州耕地空间异质性显著,以广南、西畴、马关一线为界,呈自西向东递减格局;坡耕地占耕地总面积的79.27%,3929.57 km^(2)耕地采取水土保持工程措施,占49.79%。2)全区耕地平均侵蚀模数为5180.72 t/(km^(2)·a),其中69.99%的耕地遭受轻度及以上侵蚀;耕地总侵蚀量达4081.50万t,其中未采取保护措施耕地的侵蚀贡献率为79.40%,土壤侵蚀对坡度和高程的响应存在差异,具有明显垂直地带性特征,1000~1800m高程带侵蚀情况严峻,3073.65万t侵蚀量源于20°以上陡坡,占侵蚀总量的75.30%。3)侵蚀空间聚集特征鲜明,文山州南部和东部为侵蚀高值中心,低值中心见于中西部和北部。利用区域侵蚀因子自动提取产品和空间自相关分析能够快速完成侵蚀精细定量评估,可为区域水土保持资源精准分配和生态环境建设提供参考。

GF-6WFV黄边波段在森林扰动监测中的应用潜力研究

为了探讨国产高分六号卫星多光谱宽视场成像仪(WFV)八波段数据在森林扰动研究中的应用潜力,本文基于北京市西山林场2018年10月-12月期间的4期高分六号卫星WFV数据,经数据标准化处理后,比较4波段和7波段黄边归一化植被指数(YNDVI)与标准NDVI在森林扰动信息提取方面的差异。研究结果表明在初秋至初冬的时间序列内,植被的季节性变化明显,GF-6 WFV的近红外波段对于森林扰动监测作用最大;基于近红外和黄边波段建立的YNDVI比近红外和红波段的NDVI更能有效反映森林扰动信息。因此,GF-6 WFV传感器的新增波段在森林资源监测、病虫害监测、森林火灾预警等多个方面具有巨大应用潜力。

GF-6 WFV光谱植被指数模型的叶面积指数反演

农业是国家经济发展的基础支柱,同时也是社会发展的基础产业。我国农业遥感技术的进步和发展,大量遥感卫星发射升空,如高分1号、2号和6号等,为我国农情监测、作物长势、农业产业结构调整提供了重要技术支撑。农业遥感成为农业科技创新和精准农业的重要手段。叶面积指数(LAI)是一种可用来衡量植被冠层生理与生化的关键指标,不仅可以用来评估植被冠层表面的最初能量交换情况,提供相应的结构定量数据,还能反映植被冠层的光谱能量信息。同时,在陆地气候变化情况下,叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。此外,研究发现植被冠层受人为活动和气候变化的直接或间接影响时,叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。因此,针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、稳定性较弱的问题。基于GF-6 WFV遥感影像以栾城县为试验区,通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数,采用R^(2)和RMSE进行模型评价,同时利用未参与建模的实测叶面积指数和MODIS LAI产品验证模型。实验结果表明:(1)由相关性分析可知,整体上讲,20种光谱植被指数与LAI具有显著相关性,相关系数在0.4以上,且红边参与构造的光谱指数相关性要高于无红边参与构造的光谱指数,其中NDSI的相关性最优;(2)由拟合分析可知,整体上讲,20种光谱植被指数与LAI拟合效果较好,其中NDS13的拟合精度是最高的,R^(2)为0.803,RMSE为0.3012。(3)由反演的空间分布可知,反演结果符合当地的实际情况。(4)由实测叶面积指数验证模型可知,实测叶面积指数与NDSI3模型反演的LAI整体拟合较好,R^(2)为0.804,RMSE为0.3125,说明该模型能有效反演乳熟期玉米的生长状况。(5)由MODIS LAI产品验证模型可知,LAIMODIS均值要高于LAIGF-6,这与MODIS影像像元混合严重和空间分辨率低有关。综上所述,GF-6WFV反演叶面积指数能力较强,其影像中红边参与构造的光谱植被指数模型能有效反演乳熟期叶面积指数,为玉米长势监测提供依据。

基于Sentinel-2与GF-6 WFV数据的花生种植面积提取差异分析

为比较基于Sentinel-2与GF-6 WFV数据对花生种植面积提取的差异,以许昌市榆林乡为研究区域,选取Sentinel-2和GF-6 WFV遥感数据相同波段,采用K邻近法和最大似然法提取花生种植面积,基于样本点构建混淆矩阵进行精度验证,并结合地面样方实测数据,比较对花生种植面积提取的相对误差。结果表明,2种分类方法对2种数据源的花生种植面积提取效果均可满足实际需要,制图精度均大于85%,用户精度均大于80%,相对误差均小于10%。提取结果显示,花生种植面积空间分布主要集中于西北部和东南部,东北部和西南部面积较少且分布零星。通过对比发现,采用面向对象的K邻近法能更好地避免复杂地物类型区像元错分及漏分问题,其总体精度、Kappa系数以及花生种植面积的制图精度、用户精度和面积相对误差等参数均优于传统基于像元的最大似然法。在同数据源不同分类方法时,2种数据源利用K邻近法的分类精度均高于最大似然法。说明面向对象的K邻近法可充分利用地物光谱特征及纹理特征,比基于像元的最大似然法取得更高精度的提取结果。在同方法不同数据源时,利用最大似然法对Sentinel-2花生种植面积的提取精度低于GF-6 WFV,利用K邻近法对Sentinel-2花生种植面积的提取精度高于GF-6 WFV。综上,由于Sentinel-210 m融合数据的空间分辨率高于16 m的GF-6 WFV,对细节的表达效果更佳,更适合用于提取种植结构复杂的小尺度区域。

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。

基于GF-6的可可西里典型湖泊水体面积提取方法研究

湖泊是气候变化的敏感指示器,快速准确地获取湖泊水体信息对区域气候变化研究、区域生态环境保护和治理具有重要意义。本文基于高分六号(GF-6)WFV数据,以可可西里地区4个湖泊为研究对象,分别采用单波段法、波段差值法、归一化差异水体指数(NDWI)法提取了水体面积,并以目视解译所得结果作为参考标准,对不同方法的提取结果进行了精度评价。结果表明,单波段法易受浅水区水体影响,但受积雪的影响较小,而波段差值法和NDWI法受积雪影响较大;NDWI法虽能有效提取浅水区水体,但仍受一定程度湖底沉积物的影响;波段差值法与单波段法和NDWI法相比,能有效区分浅水区水体和背景地物。

2018-2022年青海省主要湖泊蓄水量时空变化数据集

青海省是中国西北部重要的生态功能区,水资源总量丰富,但时空分布极不均匀,且由于气候、地理环境等因素的影响,大部分湖泊长期缺乏监测。而湖泊作为地表水水资源的重要载体,是研究气候变化和人类活动对水循环过程影响的重要指示器。国产高分一号、六号卫星宽幅相机空间分辨率为16 m,组网运行可实现2天重复观测,可以高频次获取地表水体面积;ICESat-2激光测高数据具备厘米级的测高精度,可以获取高精度的地表水体测高水位。本数据集基于GF-1/6WFV水体面积和ICESat-2测高水位构建青海省湖泊蓄水量遥感监测模型,通过遥感手段对青海省湖泊蓄水量进行时空变化监测。经验证,本数据集中湖泊蓄变量监测精度总体优于93%,满足湖泊蓄水量时空变化遥感监测需求。本数据集在时间尺度上涵盖2018-2022年,共计60期月度监测结果;空间尺度上覆盖了青海省面积大于30 km^(2)的33个湖泊,主要集中分布在青海省西部、北部、东南部,可为青海省湖泊、水文与气候变化过程监测、水资源动态评价、优化水资源管理与调度提供基础数据支撑。

多源卫星遥感影像的林火监测

目前遥感林火监测主要侧重极轨卫星火点探测精度,而基于多源遥感影像进行火点、烟雾特征等综合火场信息遥感监测识别研究较少。以云南省安宁市2020年5月9日森林火灾为研究对象,基于高分六号卫星宽幅(GF-6 WFV)数据和风云三号D极轨气象卫星中分辨率光谱仪(FY-3D MERSI)数据进行火场烟雾、火烧迹地提取及火点判识。首先根据GF-6 WFV影像,选取6种光谱特征指数,以最大似然法、支持向量机分类法及随机森林分类法,识别火场烟雾和火烧迹地,并进行精度评价;然后,基于1 km的FY-3D MERSI中红外通道数据,对潜在火点识别算法进行改进,根据FY-3C VIRR和MODIS火点探测基本原理,利用动态阈值和上下文检测法识别火点,再结合250m分辨率的远红外通道优化识别结果。最后结合两种数据提取的烟雾、火点及火烧迹地信息,探讨分析GF-6 WFV与FY-3D MERSI对于林火的监测能力。结果表明:通过5种特征指数及GF-6 WVF数据的8个波段,能有效识别出烟雾及火烧迹地,3种分类方法中随机森林分类效果最佳,总体分类精度和Kappa系数为97.20%和0.955;改进后的FY-3D MERSI数据火点识别算法,能有效提高火点识别的准确率;将中红外通道与远红外通道相结合探测火点,能使火点识别能力由千米级提高至百米级;综合GF-6 WFV及FY-3D MERSI数据可有效提取火场的烟雾、火烧迹地及火点信息。利用多源数据,可多方位进行林火监测预警,对于提高卫星遥感林火监测能力具有重要意义。

统一样本云检测技术在GF-6 WFV上的改进与应用

目前基于深度学习的云检测方法,受训练样本限制,算法难以推广及应用。为了快速实现针对多种传感器的高精度的云检测,Sun等(2020)提出统一样本云检测方法。基于AVIRIS高光谱样本库模拟出待检测传感器的云和晴空地表像元,将模拟得到的多光谱样本数据输入到BP神经网络中进行逐像元分类,生成云检测模型,实现Landsat 8 OLI等宽光谱传感器较高精度的云检测。该方法基于统一样本模拟出不同传感器的样本像元库,适用于多种传感器的云检测。由于Landsat 8 OLI波段较多,波谱范围覆盖宽,容易实现云的高精度识别。为了进一步提高其在光谱范围较窄的GF-6 WFV数据上的云检测应用精度,在模拟出的样本库中加入GF-6 WFV数据典型高亮地表像元。通过目视解译对云检测结果进行精度验证,结果表明,该算法利用可见光和近红外通道的遥感数据可以高精度的识别出植被、水体、建筑、裸地等地表类型上空的厚云、碎云和薄云。改进后的云检测算法,云像元平均正确率达到88.40%,在高亮地表上空云像元正确率达到87.40%,在不同地表类型上空的云像元平均正确率为92.60%。结果表明,加入高反射率地物的算法可以利用有限波段实现云和地表的高精度分离。

中国陆地区域GF-1 WFV地表反射率产品

高分一号卫星(GF-1)搭载的WFV传感器具有高空间分辨率和宽幅成像能力,是资源调查和生态环境保护等领域的重要数据源。目前GF-1 WFV数据仅提供L1级标准化产品,缺少地表反射率产品,而大多数定量遥感研究都是建立在地表反射率产品的基础上。为了研发GF-1 WFV地表反射率产品,本文提出一种基于多源MODIS AOD空间融合和动态查找表的6S大气校正算法并生产和共享中国陆地区域2020年GF-1 WFV地表反射率产品。在产品精度验证方面,通过比较大气校正前后的影像质量、直方图和典型地物反射率差异并利用同步过境的Landsat 8 OLI地表反射率产品和地面实测数据进行定量验证。精度验证和分析结果表明,经过大气校正后的影像质量改善明显,与Landsat 8 OLI地表反射率产品具有良好的一致性。基于实测地表反射率数据的精度验证结果表明蓝、绿、红和近红外波段的均方根误差(Root Mean Square Error)分别为1.21%、1.53%、1.26%和6.14%。研究结果表明,研发的GF-1 WFV地表反射率产品的质量可靠且产品算法具有自动化和业务化的生产能力。

黄化森林植被的GF-6WFV光谱响应特征分析

针对现阶段我国精准提升森林质量的迫切需求,本文以山西省关帝山国有林管理局为研究区,利用秋季时序GF-6 WFV数据,分析了归一化植被指数(NDVI)、归一化绿红植被指数(NGRDVI)、归一化黄紫植被指数(NYCDVI)对植被黄化的响应,并基于构建的森林植被黄化程度监测模型实施了遥感监测。表明了GF-6WFV数据在森林冠层变化即时监测中的应用潜力,可以成为准实时、科学评估森林灾害的重要技术手段,推动林草即时数据采集技术体系的建设。

高分六号宽幅数据的森林植被黄化监测应用

针对森林精准监管需求越来越迫切的现状,本文以山西省关帝山国有林管理局为研究区,利用高分六号宽幅数据,构建了森林植被黄化程度监测模型,开展黄化森林植被的预警监测,对物候所致的黄化林分和生长胁迫所致的黄化林分进行监测与分析,展示了高分六号宽幅数据在森林植被冠层变化监测中的应用潜力。

高分六号宽幅数据识别火烧迹地的光谱及指数分析

为探究利用高分六号卫星宽幅(GF-6 WFV)数据识别火烧迹地的适宜光谱波段和指数,选取2019年发生在我国内蒙古大兴安岭林区的三处雷击火形成的火烧迹地作为研究区,结合GF-6 WFV波段组成,选取归一化植被指数(normalized difference vegetation index,NDVI)、全球环境监测指数(global environment monitoring index,GEMI)、增强植被指数(enhanced vegetation index,EVI)、燃烧面积指数(burned area index,BAI)、土壤调节植被指数(soil-adjusted vegetation index,SAVI)、改进型土壤调节植被指数(modified soil-adjusted vegetation index,MSAVI)和归一化差异水体指数(normalized difference water index,NDWI)等7个光谱指数及地面叶绿素指数(MERIS terrestrial chlorophyll index,MTCI)、归一化差值红边指数(normalized difference red edge index 1,NDRE1)、改进的叶绿素吸收指数(modified chlorophyll absorption ratio index 2,MCARI2)和改进的归一化土壤指数(modified normalized difference soil index,MNDSI)等4个改进指数,基于同期影像和前后两期影像进行火烧迹地和其他典型类别的区分度计算,并利用上述11个指数及指数差值进行火烧迹地的识别,定量评价了GF-6 WFV各波段、所选光谱指数及改进指数识别火烧迹地的能力。结果表明:(1)GF-6 WFV的近红外波段和新增的两个红边波段区分度较高,反映火烧迹地特征的能力较强。(2)在区分火烧迹地和火烧前正常植被上,NDVI,GEMI,EVI,BAI,SAVI,MSAVI和NDWI 7个光谱指数等的区分能力较强,4个改进指数中,NDRE1和MCARI2的区分能力较好,MNDSI和MTCI的区分效果较差。(3)在区分同期影像火烧迹地和其余典型类别上,BAI,NDVI,MCARI2和NDWI区分效果较优,其次为NDRE1,GEMI,EVI,SAVI和MSAVI,而MNDSI,MTCI的区分能力较差。(4)在利用所选指数和指数差值识别火烧迹地中,GEMI,EVI,BAI,SAVI和MSAVI的识别精度均较优,其次是MCARI2,NDVI和NDWI,做差后提取精度显著上升,Kappa系数均提升到0.80以上,MTCI,MNDSI和NDRE1提取效果较差。综合比较,BAI和GEMI识别效果最好,NDVI,EVI,SAVI,MSAVI,NDWI和MCARI2的识别能力中等,而MNDSI,NDRE1和MTCI等3个改进指数识别火烧迹地的能力较差。

基于改进LCCD算法的高分六号WFV数据云检测研究

高分六号WFV是搭载在我国高分六号卫星上的高空间分辨率多光谱传感器,该传感器实现了高分辨率和宽覆盖的结合。精确识别高分六号WFV数据的云像元对于农业资源监测、林业资源调查以及防灾减灾等行业具有重要意义。基于全球土地覆盖产品FROM-GLC10数据,改进地表类型支持的云检测算法(LCCD算法),开展了高分六号WFV数据的云检测工作。以FROM-GLC10作为先验数据,充分考虑不同地表类型反射率的变化,在每种地表类型上分别采用不同的方法设置阈值。通过目视解译的方法对云检测结果进行精度评价,云正确率整体达到了92.46%,其中植被类、水体类、高亮地表类的云正确率分别为93.09%、95.60%和88.70%。结果表明,改进的基于地表类型的云检测算法有效提高了高分六号WFV数据云检测的精度。