GF-6卫星红边波段影响下东北大田作物识别精度分析

为探究GF-6卫星红边波段对东北大田作物(玉米、大豆和水稻)识别的影响,以覆盖研究区依兰县道台桥镇的2019年8月2日的GF-6宽幅影像为数据源,采用最大似然分类法,分别对8种不同波段组合方案下的东北大田作物进行分类提取,利用研究区基于RapidEye影像判别的实测耕地地块数据的东北大田作物的空间结果,采用误差矩阵计算进行精度验证评价,比较了有无红边波段前后东北大田作物识别率的差异,分析了红边波段对东北大田作物识别精度的影响,为东北大田作物识别提供有效帮助,为GF-6卫星在农业上的应用提供参考。

基于特征优选的GF-6WFV影像湿地信息提取

以洪泽湖湿地为研究对象,构建一种基于特征优选的湿地面向对象分类方法,利用高分六号宽幅多光谱(GF-6 WFV)影像进行湿地信息提取。首先对GF-6 WFV数据进行预处理和多尺度分割;然后提取光谱、植被指数、水体指数、红边指数和纹理特征,利用基于平均准确度下降法(mean decrease accuracy,MDA)的递归排除算法生成最优特征集;最后,基于最优特征集进行湿地分类,通过对比4种特征优选算法发现基于MDA的递归排除算法能更有效地进行特征变量选择,使用6种方案开展湿地分类实验。结果表明GF-6 WFV影像的红边波段和红边指数在湿地分类中具有重要作用,利用优选特征集的分类精度最高,为87.43%,比未进行特征优选的分类精度提高了1.55%。研究成果将为GF-6 WFV影像在湿地监测方面提供技术参考。

利用光谱混合分解模型分析GF-6新增波段对土地利用/覆被的响应

当前面对紧迫的自然资源管理压力和生态环境监测需求,针对国产遥感卫星大数据应用能力的挖掘将面临很大的挑战。GF-6卫星具有大角度、高频次和新谱段的特点,该文基于GF-6卫星数据,测试新增的红边、黄光和紫光波段响应能力。利用具有物理意义的全约束线性光谱混合分解模型,根据研究区物候特征确定四端元包括植被(GV),裸地和建设用地等基质(SU),山体植被阴影(DA)以及水(WA),通过对比保留红边、黄光波段、紫光波段和去除红边、黄光、紫光波段后的分解结果,对各新增波段和GV端元、SU端元、差均方根(RMSE)进行相关性分析;最后对比光谱混合分解结果和基于专家知识决策树分类结果。通过对比丰度值估计参数和决策树分类结果发现红边波段对植被较为敏感,对光谱混合分解模型的适用性、稳健性以及丰度值估计精度有着很大贡献,黄光波段和紫光波段经过数据降维后对植被和裸地、建设用地有少量贡献。通过相关性分析发现红边2波段、近红外波段与GV端元丰度图有最大的相关性,紫光波段、黄光波段和红边1波段与GV端元反向相关;红边1波段、紫光波段和黄光波段与SU端元丰度图显著相关;红边1波段和黄光波段对丰度值计算误差有主要贡献,是主要的噪音来源,紫光波段次之。通过对比GF-6数据和OLI、Sentinel-2数据丰度值估计结果发现GF-6丰度值估计的均方根误差以及除了WA端元的各端元丰度值估计变异系数均小于OLI和Sentinel-2载荷,体现出CF-6卫星在地表信息识别上较高的精度和稳健性。