GF-6衛(wèi)星WFV數(shù)據(jù)在林地類型監(jiān)測中的應(yīng)用潛力

劉晉陽 辛存林 武紅敢 曾慶偉 史京京

?

GF-6衛(wèi)星WFV數(shù)據(jù)在林地類型監(jiān)測中的應(yīng)用潛力

劉晉陽1辛存林1武紅敢2曾慶偉3史京京4

（1 西北師范大學(xué)地理與環(huán)境科學(xué)學(xué)院，蘭州 730070）（2 中國林業(yè)科學(xué)研究院資源信息研究所，北京 100091）（3 二十一世紀(jì)空間技術(shù)應(yīng)用股份有限公司，北京 100093）（4 國家林業(yè)局調(diào)查規(guī)劃設(shè)計院，北京 100714）

為了了解“高分六號”（GF-6）衛(wèi)星寬視場（WFV）傳感器1A級產(chǎn)品數(shù)據(jù)品質(zhì)，評估新增4個波段在林地類型分類研究中的應(yīng)用潛力，文章以內(nèi)蒙古鄂倫春自治旗的秋季GF-6衛(wèi)星WFV數(shù)據(jù)為對象，開展了絕對定位精度的測試，并應(yīng)用隨機(jī)森林方法進(jìn)行了林地類型分類研究。結(jié)果表明，GF-6衛(wèi)星的WFV平原區(qū)數(shù)據(jù)幾何畸變較小，無控制點有理多項式系數(shù)校正后圖像配準(zhǔn)的中誤差在1個像元之內(nèi)，有助于降低遙感技術(shù)應(yīng)用的門檻，提高工作效率。新增的紅邊1、紅邊2、黃邊波段對林地類型分類影響顯著，整體分類精度從74%提高到80%以上，紫邊波段對于森林類型分類也有所貢獻(xiàn)。因此，GF-6 衛(wèi)星WFV的8波段多光譜遙感數(shù)據(jù)對中國大尺度森林資源、森林災(zāi)害等的宏觀動態(tài)監(jiān)測具有重要意義和極大應(yīng)用潛力。

寬視場“高分六號”衛(wèi)星 隨機(jī)森林 林地類型 應(yīng)用潛力 衛(wèi)星遙感應(yīng)用

0 引言

森林是陸地上最大的生態(tài)系統(tǒng)，具有調(diào)節(jié)氣候、保持水土、保護(hù)生物多樣性和維護(hù)生態(tài)平衡等作用[1]。近年來，利用遙感技術(shù)對林地類型及其變化實施監(jiān)測，同時，隨著計算機(jī)自動分類技術(shù)的發(fā)展，遙感植被分類的效率和精度得到大幅度提高[2]，為宏觀、快速、準(zhǔn)確掌握科學(xué)數(shù)據(jù)提供了堅實的保障。

利用中分辨衛(wèi)星數(shù)據(jù)開展植被、森林、林地等類型的監(jiān)測一直是遙感應(yīng)用研究的熱點，我國自1999年開始在森林資源清查中全面引入了遙感技術(shù)，即建立了遙感監(jiān)測與地面調(diào)查技術(shù)相結(jié)合的雙重抽樣遙感監(jiān)測體系。遙感技術(shù)主要用于地類、森林等類型的識別[3]，在森林宏觀監(jiān)測中具有不可替代的作用[4]。文獻(xiàn)[5]利用專題繪圖儀（Thematic Mapper，TM）遙感圖像的光譜信息、空間信息以及地形數(shù)據(jù)，通過4階段分類方法，在極其復(fù)雜的四川省攀枝花地區(qū)開展了植被類型的信息提取，精度達(dá)到90%；文獻(xiàn)[6]引入了一種基于針葉林—闊葉林—灌草模型的混合像元分解方法，在黃土高原溝壑區(qū)提取了針闊混交林分布區(qū)；文獻(xiàn)[7]通過將TM3、TM4、TM5與全色波段分別融合，并用融合后TM4R和TM5R構(gòu)建了歸一化植被指數(shù)，采用最大似然法獲得了南京市的森林覆蓋率信息。

2013年4月26日“高分一號”（GF-1）衛(wèi)星發(fā)射以來[8]，由于其公益性與高重訪周期的特點，涌現(xiàn)了大量寬視場（Wide Field of View，WFV）單時相遙感數(shù)據(jù)應(yīng)用和多時相數(shù)據(jù)結(jié)合應(yīng)用的新成果，如：利用單時相數(shù)據(jù)可以開展優(yōu)勢樹種的識別、甘蔗種植面積的提取、農(nóng)作物種植結(jié)構(gòu)提取、植被地上碳儲量估算、植被覆蓋度估計、草原毒草和冬小麥條銹病遙感監(jiān)測[9-15]；基于多時相數(shù)據(jù)實現(xiàn)了森林覆蓋變化區(qū)域的檢測、森林覆蓋動態(tài)變化定量提取、農(nóng)作物分類、植被凈初級生產(chǎn)力估算和荒漠草原豬毛蒿群落信息提取等行業(yè)應(yīng)用[16-20]。

以上的應(yīng)用充分表明單時相或者時間序列GF-1衛(wèi)星 WFV數(shù)據(jù)在森林、草原植被監(jiān)測和調(diào)查中發(fā)揮著重要作用，且隨機(jī)森林算法是非常實用的分類方法。作為組網(wǎng)運(yùn)行的姊妹星“高分六號”衛(wèi)星（GF-6），不僅保留了GF-1衛(wèi)星原有的4個波段，還新增了有利于植被分類的紅邊等波段。本文主要針對林業(yè)行業(yè)用戶最為關(guān)注的新型遙感數(shù)據(jù)的幾何和光譜特性，以林地類型分類為目標(biāo)，開展GF-6衛(wèi)星WFV數(shù)據(jù)在大尺度林地類型遙感監(jiān)測方面的實用性評價，探討今后服務(wù)于年度森林資源數(shù)據(jù)更新等新型業(yè)務(wù)需求的應(yīng)用潛力，對于完善我國高分辨率對地觀測系統(tǒng)體系具有重要科學(xué)價值和意義。

1 研究方法

1.1 研究區(qū)概況和GF-6衛(wèi)星WFV傳感器

依據(jù)現(xiàn)有遙感數(shù)據(jù)的覆蓋范圍，選取內(nèi)蒙古呼倫貝爾市鄂倫春自治旗北部為研究區(qū)，該區(qū)位于大興安嶺南麓，嫩江西岸，東經(jīng)122°25′~126°04′，北緯49°~51°22′之間。區(qū)內(nèi)分布有畢拉河、南甕河等林業(yè)局，總面積約41 464.61km2，森林覆蓋率約82.5%，主要樹種為興安落葉松、樟子松、白樺、黑樺、柞樹、灌木叢等[21]。從總體地形地勢看，既有古老的準(zhǔn)平地面，也有渾圓形山體的特征，河網(wǎng)縱橫，河谷開闊，地勢起伏相對較緩。

2018年6月2日我國成功發(fā)射GF-6衛(wèi)星，是我國首顆精準(zhǔn)農(nóng)業(yè)觀測的高分衛(wèi)星[22]。它配置2m全色/8m多光譜高分辨率傳感器（PMS）和16m多光譜中分辨率寬幅傳感器（WFV）。其中WFV傳感器觀測幅寬800km且增加了可有效反映植被特有光譜特征的“紅邊”、“黃邊”等波段，WFV傳感器的主要技術(shù)參數(shù)見表1。

圖1 研究區(qū)位置圖

表1 GF-6衛(wèi)星WFV傳感器技術(shù)指標(biāo)

Tab.1 Technical specifications of WFV sensor for GF-6 satellite

1.2 研究數(shù)據(jù)與預(yù)處理

中國資源衛(wèi)星應(yīng)用中心提供了2018年9月9日過境的GF-6衛(wèi)星WFV傳感器L1級數(shù)據(jù)產(chǎn)品，產(chǎn)品號為9836777，其中有3個數(shù)據(jù)塊，本文只選取中間數(shù)據(jù)塊開展應(yīng)用研究，并利用圖像處理軟件進(jìn)行了無控制點有理多項式系數(shù)（Rational Polynomial Coefficient，RPC）的校正，獲得了具有一定幾何精度的數(shù)據(jù)產(chǎn)品。同時收集了2018年9月26日過境的Landsat-8數(shù)據(jù)，軌道號為120/025，用于對GF-6衛(wèi)星數(shù)據(jù)開展幾何精度測試與評價。

1.3 控制點的選取

利用ENVI軟件中圖像對圖像的幾何精校正功能，基于Landsat-8的全色波段數(shù)據(jù)，人工在圖像上選取了分布相對均勻的100個控制點，主要為道路交叉點、人工目標(biāo)等，并確保準(zhǔn)確一一對應(yīng)。

圖2展示了用于GF-6衛(wèi)星WFV傳感器數(shù)據(jù)配準(zhǔn)的控制點空間分布狀況，基本滿足均勻分布的要求。

圖2 控制點分布圖

1.4 分類樣本選取

根據(jù)國家森林資源連續(xù)清查和森林資源規(guī)劃設(shè)計調(diào)查技術(shù)規(guī)程，以及研究區(qū)地表覆蓋現(xiàn)狀和中分辨率遙感數(shù)據(jù)的應(yīng)用現(xiàn)狀，本文將遙感監(jiān)測地類分為針葉林、闊葉林、灌草地、耕地、水體、其它共6個類別，其中灌草地包含沼澤地等類型。

根據(jù)呼倫貝爾市2016年最新一次森林資源規(guī)劃設(shè)計調(diào)查成果——林相圖，選取用于遙感分類研究的面狀樣本，總計1 013個樣本，各地類數(shù)量情況見表2所示。其中約70%作為訓(xùn)練樣本，剩余約30%作為精度驗證樣本。

表2 樣本情況表

Tab.2 The sample table

圖3為樣本的空間分布狀況。樣本在地表覆蓋類型多樣的山前或溝谷區(qū)域分布相對集中，而在森林茂密、人跡罕至且地表覆蓋類型單一區(qū)域相對少些。訓(xùn)練和驗證樣本分布比較均勻，布滿整個研究區(qū)。

圖3 樣本分布圖

1.6 圖像分類

（1）多光譜數(shù)據(jù)及其組合

為了評價GF-6衛(wèi)星新增4個波段數(shù)據(jù)對于林地類型提取的貢獻(xiàn)或潛力，本文分別用6種組合開展多光譜數(shù)據(jù)森林分類研究，以分析新增的紅邊、紫邊和黃邊波段在林業(yè)中的應(yīng)用潛力，組合方式見表3。

表3 GF-6衛(wèi)星WFV多光譜數(shù)據(jù)分類組合表

Tab.3 Classification combination of GF-6 WFV multispectral data

（2）隨機(jī)森林算法

隨機(jī)森林算法屬于一種高效的數(shù)據(jù)挖掘方法，由Breiman于2001年提出[23]，常應(yīng)用于數(shù)據(jù)分類與回歸。它從訓(xùn)練樣本中選擇子樣本，有放回地抽樣選擇向量生成分類樹，每個樹都會生長而不會修剪，通過隨機(jī)生成的大量的樹應(yīng)用于分類。

隨機(jī)森林算法由多個決策樹組成。與決策樹算法不同，隨機(jī)森林算法并沒有采用最好的分割變量進(jìn)行節(jié)點分割，而是從樣本數(shù)據(jù)中抽取訓(xùn)練子集，在每個節(jié)點隨機(jī)選擇個預(yù)測變量，并在這些隨機(jī)變量中選擇一個最優(yōu)的變量進(jìn)行分割，建立一個不需要修剪的深度最大的分類樹。本文設(shè)定樹的個數(shù)為100，變量個數(shù)設(shè)為變量總數(shù)的平方根，以往研究表明分類精度的變化對參數(shù)設(shè)置并不敏感，通常使用默認(rèn)參數(shù)，即可達(dá)到理想的分類結(jié)果[24]。由于只采用了隨機(jī)抽取的數(shù)據(jù)進(jìn)行建模，因此不會產(chǎn)生模型過度擬合[25]的問題。本文主要應(yīng)用ENVI軟件中隨機(jī)森林算法開展了基于像元的森林分類研究。

2 結(jié)果與分析

林業(yè)用戶缺乏高精度地面控制點和數(shù)字高程模型等基礎(chǔ)數(shù)據(jù)支持，導(dǎo)致需要投入大量人力和物力進(jìn)行圖像幾何精校正工作，極大降低了遙感應(yīng)用效率。美國陸地衛(wèi)星遙感數(shù)據(jù)之所以受到全球用戶熱捧，除了出色的輻射特性之外，其穩(wěn)定、精準(zhǔn)的幾何性能功不可沒。因此，遙感圖像數(shù)據(jù)的無控RPC正射產(chǎn)品對于行業(yè)應(yīng)用的效率、水平和分類產(chǎn)品精度（面積準(zhǔn)確率和位置誤差）至關(guān)重要，所以本文也主要從幾何和分類精度兩個方面評估GF-6衛(wèi)星新型遙感數(shù)據(jù)的林業(yè)應(yīng)用潛力。

2.1 幾何精度評估

衛(wèi)星遙感影像利用有理多項式系數(shù)模型進(jìn)行校正，其精度應(yīng)控制在2個像元內(nèi)[26-27]?；谶x取的100個控制點數(shù)據(jù)，分別采用二元一次、二次和三次多項式校正的誤差情況見表4，結(jié)果表明中誤差約在1個像元之內(nèi)，且方程次數(shù)對誤差影響甚微，研究區(qū)基本為平緩地形是其主要原因之一。同時也說明GF-6衛(wèi)星傳感器的航偏、俯仰、滾動等引起的幾何畸變較小，可以滿足應(yīng)用要求。總體而言，沿軌方向略大于垂軌方向，其極值都基本在1個像元左右。表明GF-6衛(wèi)星的RPC參數(shù)準(zhǔn)確，無控RPC校正后圖像的絕對定位精度能在16m之內(nèi)，表明GF-6衛(wèi)星WFV傳感器的中間塊數(shù)據(jù)具有良好的幾何性能。

表4 配準(zhǔn)偏差表

Tab.4 Registration error table

2.2 分類結(jié)果

基于6種組合的多光譜數(shù)據(jù)，利用隨機(jī)森林算法分類可以得到相應(yīng)的混淆矩陣以及總體精度、卡帕系數(shù)等數(shù)據(jù)，其中混淆矩陣的對角線值代表了正確分類的像元數(shù)。6種組合有林地的正確分類狀況如圖4所示。

圖4 六種組合的林地類型正確分類統(tǒng)計圖

根據(jù)各組合正確分類的像元數(shù)量大小可知，如果以傳統(tǒng)的四波段為基準(zhǔn)，對于針葉林而言，正確率由高到低排序分別是全新四波段集合>黃邊波段>紫邊波段>紅邊1波段>紅邊2波段，相對來說紅邊貢獻(xiàn)較少；對于闊葉林而言，正確率排序分別是全新四波段集合>黃邊波段>紅邊1波段>紅邊2波段>紫邊波段，相對來說紫邊貢獻(xiàn)較少；就灌草地而言，正確率排序分別是紅邊1波段>全新四波段集合>紅邊2波段>黃邊波段>傳統(tǒng)四波段集合>紫邊波段，此時紅邊有較好的貢獻(xiàn)，而紫邊為負(fù)貢獻(xiàn)。總之，對于處于秋季的森林植被來講，新增的紅邊波段對于灌草和行將落葉的闊葉林有很好的作用，黃邊波段對落葉林和針葉林都有貢獻(xiàn)，而紫邊波段只稍有助于針葉林和闊葉林的分類。

6種組合的分類結(jié)果如圖5所示。西部以針葉林為主，東部為闊葉林間灌草地，這些遙感分類結(jié)果總體趨勢一致，證明了WFV數(shù)據(jù)在林地類型監(jiān)測中的實用性和隨機(jī)森林算法分類方法的可靠性。

圖5 六種組合的分類結(jié)果圖

2.3 精度評價

基于像元的遙感分類結(jié)果常常會有椒鹽噪聲等現(xiàn)象，既不美觀也無助于分析，更無法滿足制圖綜合要求，需要進(jìn)行相關(guān)的后期處理。本文主要采用ENVI 5.2新增的小斑塊處理工具，進(jìn)行了斑塊聚類，模板大小為3像元×3像元范圍的窗口。表5展示了6種組合類后處理前后的總體分類精度，新增的4個波段相比傳統(tǒng)4個波段可提高6.5%左右。每種組合若再經(jīng)過類后處理，分類精度又能提升約3%~4%。

表5 六種組合分類結(jié)果精度評價表

Tab.5 Accuracy evaluation of classification results

3 結(jié)束語

通過在我國東北林區(qū)對秋季GF-6衛(wèi)星 WFV數(shù)據(jù)的林地覆蓋類型監(jiān)測能力的初步研究，結(jié)果表明：

1）地形平緩區(qū)的中間塊GF-6衛(wèi)星WFV數(shù)據(jù)無控RPC校正后，內(nèi)部幾何畸變較小，圖像的絕對定位精度能在1個像元之內(nèi)，滿足行業(yè)用戶小于1︰10萬比例尺宏觀監(jiān)測制圖的幾何要求，即可以省略幾何精校正的預(yù)處理過程，對降低遙感技術(shù)應(yīng)用門檻和提高工作效率具有現(xiàn)實意義。

2）新增的黃邊、紅邊1、紅邊2和紫邊波段都有助于森林類型遙感分類精度的提升，充分證明了新增波段對植被含水量、葉綠素含量等變化較為敏感，實現(xiàn)了提高植被分類精度的傳感器設(shè)計目標(biāo)。

當(dāng)然本文的研究僅是初步嘗試，還未進(jìn)行其它數(shù)據(jù)塊、復(fù)雜地形區(qū)和多時相數(shù)據(jù)結(jié)合的分類精度對比研究，相信隨著衛(wèi)星的交付使用，GF-6衛(wèi)星WFV數(shù)據(jù)在我國林地、草地、濕地、荒漠化、森林災(zāi)害等領(lǐng)域的準(zhǔn)實時宏觀動態(tài)監(jiān)測和管理中的應(yīng)用將更為深入和廣泛。

[1] 李俊明, 邢艷秋, 楊超, 等. 基于環(huán)境與災(zāi)害監(jiān)測預(yù)報小衛(wèi)星的樹種識別[J]. 東北林業(yè)大學(xué)學(xué)報, 2013, 41(11): 41-45. LI Junming, XING Yanqiu, YANG Chao, et al. Forest Type Identification Based on Hyperspectral Remote Sensing Image of Environment and Disaster Monitoring Satellite[J]. Journal of Northeast Forestry University, 2013, 41(11): 41-45. (in Chinese)

[2] 葛宏立, 方陸明. 遙感圖像森林資源信息提取與分析研究[M]. 北京: 科學(xué)出版社, 2007. GE Hongli, FANG Luming. Extraction and Analysis of Forest Resources Information from Remote Sensing Images[M]. Beijing: Science Press, 2007. (in Chinese)

[3] 張煜星, 王祝雄. 遙感技術(shù)在森林資源清查中的應(yīng)用研究[M]. 北京: 中國林業(yè)出版社, 2007. ZHANG Yuxing, WANG Zhuxiong. Application of Remote Sensing Technology in Forest Resources Inventory[M]. Beijing: China Forestry Publishing House, 2007. (in Chinese)

[4] 趙憲文. 中國熱帶林遙感探索: 分類方法與調(diào)查方案[J]. 林業(yè)科學(xué)研究, 1995, 8(4): 373-379. ZHAO Xianwen. Study on Remote Sensing in Tropical Forests: Classification Method and Inventory Plan[J]. Forest Research, 1995, 8(4): 373-379. (in Chinese)

[5] 刁淑娟, 孫星和, 袁崇桓. 山區(qū)植被類型信息提取方法研究[J]. 國土資源遙感, 1995(3): 34-39. DIAO Shujuan, SUN Xinghe, YUAN Chonghuan. The Method of Vegetable Classification of Thematic Mapper in Mountain Area of South-west China[J]. Remote Sensing for Land and Resources, 1995(3): 34-39. (in Chinese)

[6] 李巍岳, 胡志斌, 閆巧玲. 基于ETM+影像的森林資源信息提取——以黃土高原丘陵溝壑區(qū)水土保持林為例[J]. 生態(tài)學(xué)雜志, 2009, 28(9): 1737-1742. LI Weiyue, HU Zhibin, YAN Qiaoling. Information Extraction of Forest Resources Based on ETM+Image: A Case Study of Water and Soil Conservation Forest in a Hilly and Gully Area of Loess Plateau[J]. Chinese Journal of Ecology, 2009, 28(9): 1737-1742. (in Chinese)

[7] 沈明霞, 何瑞銀, 叢靜華. 基于ETM+遙感影像的森林植被信息提取方法研究[J]. 南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版), 2007, 31(6): 113-116. SHEN Mingxia, HE Ruiyin, CONG Jinghua. Methodological Study of Information Extraction of Forest Using ETM+ and Remote Sensing Image[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2007, 31(6): 113-116. (in Chinese)

[8] 陸春玲, 王瑞, 尹歡. “高分一號”衛(wèi)星遙感成像特性[J]. 航天返回與遙感, 2014, 35(4): 67-73. LU Chunling, WANG Rui, YIN Huan. GF-1 Satellite Remote Sensing Characters[J]. Spacecraft Recovery & Remote Sensing, 2014, 35(4): 67-73. (in Chinese)

[9] 呂杰, 郝寧燕, 李崇貴, 等. 利用隨機(jī)森林和紋理特征的森林類型識別[J]. 遙感信息, 2017, 32(6): 109-114. LYU Jie, HAO Ningyan, LI Chonggui, et al. Identification of Forest Type Based on Random Forest and Texture Characteristics[J]. Remote Sensing Information, 2017, 32(6): 109-114. (in Chinese)

[10] 劉吉凱, 鐘仕全, 徐雅, 等. 基于多時相GF-1WFV數(shù)據(jù)的南方丘陵地區(qū)甘蔗種植面積提取[J]. 廣東農(nóng)業(yè)科學(xué), 2014, 41(18): 149-154. LIU Jikai, ZHONG Shiquan, XU Ya, et al. Sugarcane Extraction in the Southern Hills Using Multi-temporal GF-1 WFV Data[J]. Guangdong Agricultural Sciences, 2014, 41(18): 149-154. (in Chinese)

[11] 孔凡婕, 李曉兵, 白云曉, 等. 基于GF-1 WFV影像的豐寧縣植被地上碳儲量估算[J]. 資源科學(xué), 2016, 38(6): 1054-1064. KONG Fanjie, LI Xiaobing, BAI Yunxiao, et al. The Estimation of Aboveground Vegetation Carbon Storage Based on GF-1 WFV Satellite Images in Fengning County[J]. Resources Science, 2016, 38(6): 1054-1064. (in Chinese)

[12] 宋茜. 基于GF-1/WFV和面向?qū)ο蟮霓r(nóng)作物種植結(jié)構(gòu)提取方法研究[D]. 北京: 中國農(nóng)業(yè)科學(xué)院, 2016. SONG Qian. Object-based Image Analysis with Machine Learning Algorithms for Cropping Pattern Mapping Using GF-1/WFV Imagery[D]. Beijing: Chinese Academy of Agricultural Sciences Dissertation, 2016. (in Chinese)

[13] 王建步, 張杰, 馬毅, 等. 基于GF-1 WFV影像的黃河口濕地植被蓋度估測及分析[J]. 海洋學(xué)報, 2018, 40(6): 40-50. WANG Jianbu, ZHANG Jie, MA Yi, et al. Vegetation Fraction Coverage Estimation and Analysis of the Yellow River Estuary Wetland Based on GF-1 WFV Satellite image[J]. Haiyang Xuebao, 2018, 40(6): 40-50. (in Chinese)

[14] 溫阿敏, 鄭江華, 穆晨, 等. 基于GF-1 WFV數(shù)據(jù)的草原毒草白喉烏頭空間分布監(jiān)測與分析[J]. 新疆農(nóng)業(yè)科學(xué), 2015, 52(10): 1939-1946. WEN Amin, ZHENG Jianghua, MU Chen, et al. Remote Sensing Monitoring and Analysis of Poisonous Plants-aconitum Leucostomum Worosch Based on GF-1 WFV Data[J]. Xinjiang Agricultural Sciences, 2015, 52(10): 1939-1946. (in Chinese)

[15] 王利民, 劉佳, 楊福剛, 等. 基于GF-1/WFV數(shù)據(jù)的冬小麥條銹病遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報, 2017, 33(20): 153-160. WANG Limin, LIU Jia, YANG Fugang, et al. Winter Wheat Stripe Rust Remote Sensing Monitoring Based on GF-1/WFV Data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(20): 153-160. (in Chinese)

[16] 尹凌宇, 覃先林, 孫桂芬, 等. 利用KPCA法檢測高分一號影像中的森林覆蓋變化[J]. 國土資源遙感, 2018, 30(1): 95-101. YIN Lingyu, QIN Xianlin, SUN Guifen, et al. The Method for Detecting Forest Cover Change in GF-1 Images by Using KPCA[J]. Remote Sensing for Land and Resources, 2018, 30(1): 95-101. (in Chinese)

[17] 徐磊, 巫兆聰, 羅飛, 等. 基于GF-1/WFV與MODIS時空融合的森林覆蓋定量提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2017, 48(7): 145-152. XU Lei, WU Zhaocong, LUO Fei, et al. Quantitative Extraction of Forest Cover Based on Fusing of GF-1 /WFV and MODIS Data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 145-152. (in Chinese)

[18] 楊閆君, 占玉林, 田慶久, 等. 基于GF-1/WFV NDVI時間序列數(shù)據(jù)的作物分類[J]. 農(nóng)業(yè)工程學(xué)報, 2015, 31(24): 155-161. YANG Yanjun, ZHAN Yulin, TIAN Qingjiu, et al. Crop Classification Based on GF-1/WFV NDVI Time Series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(24): 155-161. (in Chinese)

[19] 丁相元. 基于GF-1衛(wèi)星數(shù)據(jù)的半干旱草原區(qū)NPP遙感估算——以內(nèi)蒙古正藍(lán)旗為例[D]. 北京: 中國林業(yè)科學(xué)研究院, 2016. DING Xiangyuan. NPP Estimation Using GF-1 Data in Semi Steppe Area——Zhenglan Banner in Inner Mongolia as a Case Study[D]. Beijing: Chinese Academy of Forestry, 2016. (in Chinese)

[20] 周娟. 基于GF-1/WFV時間序列的荒漠草原豬毛蒿群落提取及時空特征研究[D]. 銀川: 寧夏大學(xué), 2017. ZHOU Juan. Research on Spatio-temporal Characteristics and Information Extraction of Artemisia Scoparia in Desert Steppe Based on GF-1/WFV Times Series[D]. Yinchuan: Ningxia University, 2017. (in Chinese)

[21] 鄂倫春自治旗人民政府. 森林資源[EB/OL]. (2009-01-05) [2019-01-22]. http://www.elc.gov.cn/Item/20738.aspx. Government of Elunchun Autonomous Banner. Forest Resources[EB/OL]. (2009-01-05) [2019-01-22]. http://www.elc.gov. cn/Item/20738.aspx. (in Chinese)

[22] 國防科技工業(yè)局. 高分專項“高分六號”衛(wèi)星成功發(fā)射[J]. 航天返回與遙感, 2018, 39(3): 50. Technology and Industry for National Defence. Successful Launch of GF-6 Satellite[J]. Spacecraft Recovery & Remote Sensing, 2018, 39(3): 50. (in Chinese)

[23] BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1): 157-176.

[24] 張曉羽, 李鳳日, 甄貞, 等. 基于隨機(jī)森林模型的陸地衛(wèi)星-8遙感影像森林植被分類[J]. 東北林業(yè)大學(xué)學(xué)報, 2016, 44(6): 53-57. ZHANG Xiaoyu, LI Fengri, ZHEN Zhen, et al. Forest Vegetation Classification of Landsat-8 Remote Sensing Image Based on Random Forests Model[J]. Journal of Northeast Forestry University, 2016, 44(6): 53-57. (in Chinese)

[25] 張雷, 王琳琳, 張旭東, 等. 隨機(jī)森林算法基本思想及其在生態(tài)學(xué)中的應(yīng)用——以云南松分布模擬為例[J]. 生態(tài)學(xué)報, 2014, 34(3): 650-659. ZHANG Lei, WANG Linlin, ZHANG Xudong, et al. The Basic Principle of Random Forest and Its Applications in Ecology: A Case Study of Pinus Yunnansis[J]. Acta Ecologica Sinica, 2014, 34(3): 650-659. (in Chinese)

[26] 柴淵, 李萬東. 土地利用動態(tài)遙感監(jiān)測技術(shù)與方法[M]. 北京: 地質(zhì)出版社, 2011. CHAI Yuan, LI Wandong. Land Use Dynamic Remote Sensing Monitoring Technology and Method[M]. Beijing: Geological Publishing House, 2011. (in Chinese)

[27] 丁軍, 王丹, 王超鵬, 等. 利用高分辨率衛(wèi)星遙感數(shù)據(jù)進(jìn)行土地利用動態(tài)遙感監(jiān)測的實踐與認(rèn)識[J]. 工程勘察, 2005(3): 59-61. DING Jun, WANG Dan, WANG Chaopeng, et al. Practice and Understanding of Land Use Dynamic Remote Sensing Monitoring Using High Resolution Satellite Remote Sensing Data[J]. Geotechnical Investigation & Surveying, 2005(3): 59-61. (in Chinese)

Potential Application of GF-6 WFV Data in Forest Types Monitoring

LIU Jinyang1XIN Cunlin1WU Honggan2ZENG Qingwei3SHI Jingjing4

（1 College of Geography and Environment Science, Northwest Normal University, Lanzhou 730070, China）（2 Research Institute of Forest Resources Information Technique, Chinese Academy of Forestry, Beijing 100091, China）（3 Twenty First Century Aerospace Technology Co., Ltd., Beijing 100093, China）（4 Academy of Forest Inventory and Planning, SFGA, Beijing 100714, China）

In order to understand the data quality of the 1A grade product of WFV (Wide Field of View) sensor on GF-6, we evaluated the potential application of the new four bands in forest types classification. Using the autumn GF-6 satellite data of the Inner Mongolia Oroqen Autonomous Banner. As the object, the absolute positioning accuracy test is carried out, and the forest type classification is studied using the random forest method. The results show that the geometric distortion of the GF-6 WFV data is small in the plain area, and the error of image registration after uncontrolled RPC correction is within 1 pixel, which helps to reduce the threshold of remote sensing technology application and improve the working efficiency. The newly added red edge 1, red edge 2 and yellow edge bands have significant influence on forest type classification, and the overall classification accuracy has increased from 74% to over 80%. The purple edge band also contributes to forest type classification. Therefore, the 8-band multi-spectral remote sensing data of the GF-6 WFV is of great significance and great potential for macro-dynamic monitoring of large-scale forest resources and forest disasters in China.

wide field of view (WFV); GF-6 satellite; random forest algorithm; forest types; potential application; satellite remote sensing application

TP79

A

1009-8518(2019)02-0107-10

10.3969/j.issn.1009-8518.2019.02.012

劉晉陽，男，1991年生，2015年獲河南理工大學(xué)萬方科技學(xué)院地理信息系統(tǒng)專業(yè)學(xué)士學(xué)位，現(xiàn)在西北師范大學(xué)環(huán)境工程專業(yè)攻讀碩士學(xué)位。研究方向為環(huán)境遙感。E-mail：jys20169@163.com。

辛存林，男，1967年生，2009年獲蘭州大學(xué)資源環(huán)境學(xué)院理學(xué)博士學(xué)位。主要研究方向為地質(zhì)礦產(chǎn)與環(huán)境遙感。E-mail：xincunling@163.com。

2019-01-29

國家自然科學(xué)基金（41262001）；甘肅省科技支撐基金（1104FKCA116）

（編輯：龐冰）