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。

GF-6 WFV传感器数据的缨帽变换系数推导

缨帽变换是影像增强中最常见的一种方法,已在遥感中得到了广泛的应用。但是,由于高分辨率卫星传感器(例如GF-6 WFV)通常缺乏短波红外波段,所以用常规的Gram-Schmidt(G-S)正交化方法得到的缨帽变换系数通常会存在湿度分量失真的问题。为此,文章选取了覆盖不同地区、不同时相、不同季节的12幅GF-6 WFV影像和6幅同步的Landsat8 OLI影像,首先利用GF-6和Landsat8的同步影像进行湿度分量回归,确定GF-6 WFV传感器的湿度分量系数,进而采用G-S逆推算法依次推导出亮度、绿度及其他分量,开发出了GF-6 WFV传感器的缨帽变换系数。研究发现:①通过调整缨帽变换湿度分量的推导顺序,即先推导湿度分量再推导亮度和绿度等分量,可以较好地推导出GF-6 WFV传感器的缨帽变换系数,并解决传统G-S正交化方法中存在的湿度分量失真问题;②GF-6 WFV缨帽变换各分量具有稳定的特征,地物在不同分量组成的特征平面内具有典型的“缨帽”分布特征;③尽管GF-6 WFV传感器与Landsat8 OLI传感器在波段设置和光谱响应方面存在一定差异,但它们缨帽变换对应分量之间具有较好的一致性,相关系数仍高达0.8。

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%。

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。

基于GF-6影像的GNDVI水体指数应用研究

基于GF-6影像的光谱分析,本文利用反射率最强的近红外波段和反射率最弱的Coastal Blue波段做差,并与绿波段建立比值关系,结合固定步长搜索方法获取步长改正因子,提出绿波改正差异性归一化植被指数(Green Wave Correction Difference Normalized Vegetation Index,GNDVI)。同其他方法进行对比,研究该指数在水体提取中的应用价值。结果表明:该指数能够有效、稳定地提取水体空间分布。研究区水体提取结果总体精度均在76%以上、F1均在0.68以上、Kappa系数处于高度一致性,为GF-6影像的水体提取提供了一种技术参考。

T/CSAE 221-2021《SP、GF-6汽油机油》团体标准解读

T/CSAE 221-2021《SP、GF-6汽油机油》标准在美国石油协会(API) SP/ILSAC GF-6标准基础上,引入我国自主开发的评价机油抑制低速早燃性能的台架试验,对SP、GF-6汽油机油的性能要求进行了规范。文章对T/CSAE 221-2021的标准内容以及SP、GF-6汽油机油的性能指标进行解读,作为读者在查阅此标准时的参考。T/CSAE 221-2021的实施,填补了我国汽油机油国家标准在SP、GF-6汽油机油上的空白,对我国汽车原始设备生产商(OEM)和终端市场的选油、用油具有重要的现实指导意义。同时,也为我国自主汽油机油标准体系的建立奠定了坚实基础。

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与Landsat8混合像元分解的石漠化信息提取差异研究--以普定县为例

目前不同中空间分辨率遥感卫星在利用混合像元分解方法提取石漠化信息上存在效果差异,比较不同遥感卫星在提取石漠化信息上的差异,有助于进一步提高石漠化信息提取精度。本研究以贵州省普定县为例,采用GF-6与Landsat8卫星数据,利用顶点成分分析(vertex component analysis,VCA)和完全约束最小二乘法(fully constrained least squares,FCLS)相结合的混合像元分解方法进行石漠化信息提取,探究GF-6与Landsat8在石漠化信息提取的端元特征和等级差异,以此探索GF-6在提取石漠化信息的可行性与有效性。研究结果表明:①红边波段范围上,GF-6植被端元波谱曲线明显区别于基岩与土壤端元,更易识别出植被端元;②石漠化信息端元提取精度上,GF-6和Landsat8提取植被端元OA分别为0.63和0.45,Kappa系数分别为0.50和0.29,RMSE分别为1.19和1.71,GF-6和Landsat8提取基岩端元OA分别为0.79和0.61,Kappa系数分别为0.63和0.42,RMSE分别为0.54和0.88;③石漠化等级评价上,GF-6和Landsat8提取石漠化等级OA分别为0.76和0.59,Kappa系数分别为0.56和0.38,RMSE分别为0.64和1.27。因此,GF-6在混合像元分解提取石漠化信息精度要优于Landsat8,且GF-6的红边波段能更好地识别石漠化区域植被信息,基于GF-6的混合像元分解方法可作为一种石漠化监测手段应用于实际工作中。

基于GF-6影像的农作物种植结构提取方法研究

【目的】挖掘国产卫星影像数据信息,快速准确地获取农作物的种植结构类型,为优化农业生产布局提供参考。【方法】利用随机森林算法模型,结合样本数据对影像的光谱特征、植被指数特征、纹理特征进行重要性分析,通过评估分类精度获得基于GF-6影像的最优特征组合,并将优选后的特征用于面向对象分类研究(以平滑度0.5、紧致度0.3为参数,10为步长,设置40~140共11种不同分割尺度),以得到研究区主要农作物种植结构的空间分布。【结果】特征优选的方法得到GVI、EVI、Nir、GI、GNDVI和Green特征,能够有效减少农作物分类中的数据冗余,提升分类效率;研究区农田设置的11种分割尺度中,最优分割尺度为100,分割结果保留了地块的完整性并体现了不同农作物类型的异质性;基于面向对象分类方法的分类精度达96.2%,Kappa系数为0.944,相较基于像元的分类精度提升5.3个百分点。【结论】以国产GF-6影像为数据源,采用特征优选的面向对象分类方法能够有效提升分类精度,可作为开展农作物种植结构监测的有效手段。

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。

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。

基于GF-6影像的农作物种植结构提取研究

红边波段可以有效地监测植被的生长状况,GF-6卫星是国内首颗单独设置红边波段的多光谱遥感卫星,提升了国产卫星对农业、林业、草原等资源的监测能力。以2020年8月26日的GF-6 WFV数据为数据源,利用随机森林算法对拜泉县水稻、大豆和玉米进行空间分布提取,利用野外采集验证点数据进行分类精度验证。结果表明:基于GF-6 WFV遥感数据利用随机森林算法对拜泉县主要农作物种植结构进行提取,kappa系数为0.893 72,总分类精度达92.5%。采用GF-6 WFV数据提取农作物种植结构,其精度能够满足监测要求,为摸清农业要素家底、推进农业数字化管理提供有力的数据支撑。

低黏度GF-60W-16发动机油节能摩擦模拟试验

为了进一步提高汽车燃料经济性,ILSAC颁布的节能发动机油规格已发展到黏度更低的GF-6级别。由于GF-6发动机节能台架试验周期长、成本高,为了提高开发GF-60W-16汽油机油配方的筛选效率,利用摩擦模拟试验分析0W-16汽油机油的摩擦润滑性能,并采用综合分析法研究摩擦模拟试验结果和发动机节能台架结果的相关性。结果表明:汽油机油配方中各添加剂之间的协同效应对其节油率和摩擦润滑性能产生显著影响,有机钼添加剂含量多的低黏度GF-60W-16汽油机油比参比油GF-50W-20更具减摩作用;试验温度激发汽油机油中有机钼减摩剂进一步发挥作用,降低摩擦因数;所建立的摩擦模拟试验综合分析法能够较好地预测低黏度GF-6润滑油节能台架试验结果。

基于GF-6卫星的棉花种植面积提取研究——以山东省夏津县为例

国产高分卫星6号(简称GF-6)具有高分辨率、宽覆盖、高质量和高效成像等特点,可为农业资源遥感监测提供可靠的数据支撑。本研究以GF-6卫星影像为主要数据源,综合利用遥感技术理论和方法开展对夏津县棉花种植面积的提取研究,利用同时相的哨兵2号(简称Sentinel-2)影像解译结果进行对比分析。研究结果表明:基于GF-6卫星的夏津县棉花种植面积提取方案高效、准确,提取精度明显优于Sentinel-2卫星,进一步证明了新增了红边波段的GF-6卫星能够显著增强作物的识别能力,其在大规模作物种植信息提取方面具有广阔的应用潜力。

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。

北美汽油发动机油规格ILSAC GF-6与ILSAC GF-5对比分析

绿色节能是当今汽车行业的发展趋势。汽车OEM越来越广泛地采用缸内直喷、涡轮增压等发动机新技术以应对日益严苛的节能环保法规要求,进而对润滑油也提出了更高的要求,推动了发动机油规格的不断升级。文章主要介绍了ILSAC GF-6和ILSAC GF-5规格的技术要求,同时,从高温抗氧化、低温油泥分散性、阀系磨损保护以及燃油经济性等方面,对ILSAC GF-6和ILSAC GF-5规格进行了对比研究分析。ILSAC GF-6规格对油品性能进行了全面升级,而且特别针对涡轮增压直喷汽油机增加了低速早燃抑制及正时链条磨损保护性能,能够满足最新一代乘用车发动机的润滑需求。

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时序数据的农作物识别深度学习算法评估

农作物类型制图是农情遥感的重要内容。该研究利用GF-6时序数据,在黑龙江省对基于卷积、递归和注意力3种机制的6个深度学习模型在农作物类型制图中的性能进行了定性和定量的评估。结果表明:所有模型对大豆、玉米和水稻3类主要农作物的F1值不低于89%、84%和97%,总体分类精度达到了93%~95%。将模型异地迁移后,各模型的总体分类精度下降7.2%~41.0%,基于卷积或递归的深度学习模型仍保持了较强的农作物识别能力,优于基于注意力的深度学习模型和随机森林模型。在时间消耗上,各深度学习模型相比于随机森林模型,训练与推理时间不超过6.2倍。GF-6时序数据结合深度学习模型在分类精度和运行效率上满足高精度大范围农作物制图的需要,且迁移性优于传统模型。研究结果可为深度学习在黑龙江农作物遥感分类任务中的应用提供参考。

联合GF-6和Sentinel-2红边波段的森林地上生物量反演

光谱反射率能反映地物差异,是森林地上生物量(Aboveground Biomass, AGB)遥感反演的理论基础。红边波段处于近红外与红光波段交界处快速变化的区域,能对植被冠层结构和叶绿素含量的微小变化做出快速反应,对植被生长状况较敏感。研究以GF-6和Sentinel-2多光谱影像作为数据源,结合野外调查AGB数据,构建落叶松和樟子松AGB线性和非线性估测模型,通过比较模型精度选择最优模型进行森林AGB反演和空间分布制图。结果表明:GF-6和Sentinel-2影像红边波段反射率与落叶松、樟子松AGB均呈显著相关(P<0.05),红边波段对AGB估测较敏感。多变量估测模型整体估测效果优于单变量模型,所有模型中多元线性回归模型取得了最优的决定系数(落叶松R2=0.66,樟子松R2=0.65)和最低的均方根误差(落叶松RMSE=31.45 t/hm^(2),樟子松RMSE=54.77 t/hm^(2))。相比单个数据源,联合GF-6和Sentinel-2影像构建的多元线性回归模型估测效果得到了显著提升,模型RMSE对于落叶松和樟子松AGB估测分别最大降低了22.9%和11.2%。增加红边波段进行AGB估测能显著提高模型估测精度,三组数据源分别加入红边波段信息后进行建模,模型RMSE得到了显著降低。GF-6拥有800 km观测幅宽和高效的重访周期,可以快速地提供大尺度时间序列数据,在森林地上生物量反演和动态监测方面有着很大潜力。