孫敏軒，劉 明，孫強強，張 平，焦 心，孫丹峰，史云揚

利用光譜混合分解模型分析GF-6新增波段對土地利用/覆被的響應

孫敏軒，劉 明，孫強強，張 平，焦 心，孫丹峰※，史云揚

（中國農業(yè)大學土地科學與技術學院，北京 100193）

當前面對緊迫的自然資源管理壓力和生態(tài)環(huán)境監(jiān)測需求，針對國產遙感衛(wèi)星大數(shù)據(jù)應用能力的挖掘將面臨很大的挑戰(zhàn)。GF-6衛(wèi)星具有大角度、高頻次和新譜段的特點，該文基于GF-6衛(wèi)星數(shù)據(jù)，測試新增的紅邊、黃光和紫光波段響應能力。利用具有物理意義的全約束線性光譜混合分解模型，根據(jù)研究區(qū)物候特征確定四端元包括植被（GV），裸地和建設用地等基質（SU），山體植被陰影（DA）以及水（WA），通過對比保留紅邊、黃光波段、紫光波段和去除紅邊、黃光、紫光波段后的分解結果，對各新增波段和GV端元、SU端元、差均方根（RMSE）進行相關性分析；最后對比光譜混合分解結果和基于專家知識決策樹分類結果。通過對比豐度值估計參數(shù)和決策樹分類結果發(fā)現(xiàn)紅邊波段對植被較為敏感，對光譜混合分解模型的適用性、穩(wěn)健性以及豐度值估計精度有著很大貢獻，黃光波段和紫光波段經(jīng)過數(shù)據(jù)降維后對植被和裸地、建設用地有少量貢獻。通過相關性分析發(fā)現(xiàn)紅邊2波段、近紅外波段與GV端元豐度圖有最大的相關性，紫光波段、黃光波段和紅邊1波段與GV端元反向相關；紅邊1波段、紫光波段和黃光波段與SU端元豐度圖顯著相關；紅邊1波段和黃光波段對豐度值計算誤差有主要貢獻，是主要的噪音來源，紫光波段次之。通過對比GF-6數(shù)據(jù)和OLI、Sentinel-2數(shù)據(jù)豐度值估計結果發(fā)現(xiàn)GF-6豐度值估計的均方根誤差以及除了WA端元的各端元豐度值估計變異系數(shù)均小于OLI和Sentinel-2載荷，體現(xiàn)出CF-6衛(wèi)星在地表信息識別上較高的精度和穩(wěn)健性。

土地利用；遙感；光譜混合分解；GF-6衛(wèi)星；紅邊波段；紫光波段；土地利用/覆被；端元豐度值

0 引 言

國產衛(wèi)星的覆蓋面積、譜段范圍和重返周期都在不斷提高，亟需對國產數(shù)據(jù)的應用范圍和應用潛力進行深入的挖掘，才能擴大國產衛(wèi)星數(shù)據(jù)的國際占有率和影響力。2018年6月2號成功發(fā)射的GF-6衛(wèi)星以農業(yè)部為主要用戶單位具有大角度、高頻次和新譜段的特點，即具有800 km大寬幅、4 d的重返周期以及新增了其特有的紫光、黃光和紅邊波段。同時，GF-6衛(wèi)星可與GF-1衛(wèi)星組網(wǎng)運行，能夠大大提高國產衛(wèi)星的對地觀測能力，為全國農作物管理、生態(tài)環(huán)境監(jiān)測、國土資源調查以及土地利用/覆被變化檢測提供強有力的數(shù)據(jù)支撐。但面對緊迫的自然資源管理壓力，和生態(tài)環(huán)境監(jiān)測需求，針對國產遙感衛(wèi)星大數(shù)據(jù)應用能力的挖掘將面臨很大的挑戰(zhàn)。

紅邊波段指的是電磁波譜在690到770 nm處由植被內部引起的反射率陡升的光譜通道，主要原因是強烈的葉綠素吸收導致的低紅光反射率和高內部葉散射導致的高近紅外反射[1]。當前國內外對于紅邊波段的研究較為廣泛，大多集中在紅邊波段對于估計葉面積指數(shù)的作用和綠色植被進行光合作用的研究[2-5]，以及作物識別和面積提取[5-7]，以及不同紅邊指數(shù)的建立[8-9]。目前國內外在軌衛(wèi)星包含黃光波段和紫光波段的衛(wèi)星非常少，所以當前對于黃光波段和紫光波段的研究也較少。Hu等通過歸一化山體植被指數(shù)、氮反射指數(shù)和黃波反射率研究出一種植被指數(shù)，用于水土流失區(qū)生態(tài)修復后植被健康狀況檢測[10]；Alexakis等利用黃光波段對鹽具有敏感性特征進行土壤含鹽量評估[11]；國內外對紫光波段的相關研究較少，但紫光波段最不易被水吸收能夠穿透更深的水層，可以應用于多光譜水深探測，同時容易受到大氣散射影響，可用于開發(fā)更好的大氣校正模型[12]。以上，對于紅邊、黃光和紫光波段的研究大多集中在方法和機理上的研究，較少挖掘出可見光新增波段在大區(qū)域的對地觀測能力。本文針對最新發(fā)射的新增紅邊波段、黃光波段和紫光波段的國產GF-6衛(wèi)星影像，測試其新增波段對植被、裸地和建設用地的響應，以挖掘出新增波段對土地利用/覆被的監(jiān)測能力。

此前，對于光譜混合分解在土地利用/覆被分類的應用已有大量研究，如：Sun等利用植被、鹽、沙、暗色物質四端元根據(jù)季相變異信息模擬了民勤綠洲真實地表場景特征[13]，利用豐度值差值建立端元變化特征向量，監(jiān)測出土地沙化、鹽化以及恢復過程[14]，并且利用具有物理意義的端元豐度季相變異信息進一步量化了土地利用/覆被的功能特征[15]。Masoud等[16]通過光譜混合分解模型進行旱區(qū)土壤鹽堿化制圖從而確定土壤鹽堿化因子揭示了土壤與覆被的之間存在互饋。Sun等也認為端元豐度值能表達植被-土壤生境的互動過程，能夠更好地反映土地利用/覆被變化過程，采用端元豐度圖為特征參數(shù)提取的土地荒漠化信息能反演出植被和土壤生境的時空演化以及其相互作用機理效應[17]。光譜混合分解還適用于大尺度長時間序列的土地利用/覆被變化分析，Daldegan等利用Google Earth Engine平臺運用光譜混合分解方法進行了熱帶地區(qū)長時間序列的火災監(jiān)測和模擬[18]。除此之外，光譜混合分解模型依靠其簡潔性和物理意義在指數(shù)建立、生物量估算、分類制圖、變化檢測以及不透水面提取和城市熱島效應等方面都有大量應用[19-24]。依據(jù)前人研究結論，具有物理的線性光譜混合分解模型是測試衛(wèi)星波段對土地利用/覆被響應能力的優(yōu)選。

本文將基于GF-6測試數(shù)據(jù)，測試新增的紅邊、黃光和紫光波段響應能力。利用具有物理意義的全約束線性光譜混合分解模型，根據(jù)研究區(qū)物候特征確定四端元包括植被（GV），裸地和建設用地等基質（SU），山體植被陰影（DA）以及水（WA），通過對比保留紅邊、黃光波段、紫光波段和去除紅邊、黃光、紫光波段后的分解結果，對各新增波段和GV端元、SU端元進行相關性分析；最后對比光譜混合分解結果和基于專家知識決策樹分類結果。檢驗GF-6號衛(wèi)星對土地利用/覆被的識別和識別能力，并通過對比GF-6、OLI和Sentinel2三個不同載荷的端元豐度圖參數(shù)，檢驗GF-6號衛(wèi)星在農情遙感、全天候國土監(jiān)測能力上與國外通用優(yōu)質衛(wèi)星之間的優(yōu)勢和不足，分析GF-6號衛(wèi)星對于國產遙感衛(wèi)星網(wǎng)絡建立以及對國產大數(shù)據(jù)開發(fā)應用的前景。

1 研究區(qū)概況

煙臺市位于山東半島東北部，丘陵和緩逶迤連綿，溫帶季風氣候，年均降水量650 mm。全域河網(wǎng)密布，植被茂密，屬暖溫帶中生落葉闊葉林區(qū)系，但因農墾歷史悠久，現(xiàn)有植被有明顯的次生性質。本區(qū)糧食作物以小麥、玉米、甘薯為主，經(jīng)濟林主要為蘋果和梨，其中煙臺的下屬縣級市棲霞更是被譽為“中國蘋果之都”。本文將以煙臺市為研究區(qū)，將其植被分為耕地、林地和果園，除此之外還將分出建設用地、水域以及其他用地（圖1）。

2 數(shù)據(jù)源及預處理

GF-6衛(wèi)星數(shù)據(jù)由其主用戶單位農業(yè)部提供，影像獲取時間為2018年9月9日，1景影像可以覆蓋研究區(qū)全域，其主要衛(wèi)星載荷由一臺2 m/8 m全色多光譜相機和一臺16 m多光譜寬幅相機組成，多光譜寬幅相機新增了兩個紅邊波段（690～730、730～770 nm）、一個紫光波段（400～450 nm）和一個黃光（590～630 nm）波段，本文還使用了該研究區(qū)三景輔助數(shù)據(jù)，為2017年8月6日的Landsat 8 OLI數(shù)據(jù)和2018年8月31日的Sentinel-2數(shù)據(jù)以及ASTER GDEM全球30m DEM數(shù)據(jù)，各傳感器數(shù)據(jù)詳細參數(shù)信息見表1。

圖1 研究區(qū)

表1 GF-6、OLI、Sentinel2衛(wèi)星參數(shù)

GF-6影像數(shù)據(jù)需要輻射定標、幾何校正、大氣校正以及數(shù)據(jù)裁剪等預處理工作。本文使用ENVI5.3，通過光譜響應函數(shù)確定中心波長，利用獲取到的Gains值和Offset值進行輻射定標；以10 m的Sentinel-2影像為基準影像對測試數(shù)據(jù)進行幾何精校正，誤差控制小于1個像元；利用光譜響應函數(shù)通過FLAASH大氣校正模塊進行大氣校正，獲取地表反射率影像；最后根據(jù)煙臺市行政界線進行裁剪，以上預處理參數(shù)均由中國科學院遙感與數(shù)字地球研究所及農業(yè)相關部門提供。OLI和Sentinel-2均進行過幾何精校正所以只需要進行輻射定標和大氣校正，其中OLI直接采用ENVI5.3進行處理；Sentinel-2使用歐空局提供的Sen2Cor算法進行處理；ASTER GDEM全球30m DEM數(shù)據(jù)通過ArcGIS10.3平臺計算坡度。

3 研究方法

首先對預處理完數(shù)據(jù)進行波段融合，針對新增波段設計4個情景（S1-S4）進行控制試驗，分別得到完整波段數(shù)據(jù)（S1）、缺失2個紅邊數(shù)據(jù)（S2）、缺失黃光波段數(shù)據(jù)（S3）和缺失紫光波段數(shù)據(jù)（S4）；然后分別對S1、S2、S3和S4 4個情景進行全約束線性光譜混合分解得出豐度值，對比分析各景影像豐度值參數(shù)；并分析GV、SU端元豐度值、殘差均方根（RMSE）與近紅外波段以及各新增波段之間的相關性；最后根據(jù)豐度值對四景影像進行基于專家知識的決策樹分類并對比分類結果。根據(jù)豐度值參數(shù)，相關性差異和決策樹分類精度判斷各新增波段對土地利用/覆被的響應特征。

3.1 全約束線性光譜混合分解

線性光譜混合分解是具有物理意義的混合像元分解方法，其原理是通過純凈地物的光譜曲線將混合像元分解成不同的亞像元地物組分百分比，并得出對應的端元豐度值，端元豐度值表示了各種地物在混合像元中所占的比例[26-27]，豐度值圖像能連續(xù)的描述地表物質的異質性梯度，由其得出的相對覆被分類圖能夠更準確地反映地表信息[23]，全約束線性光譜混合分解后得到各端元的豐度值在0到1之間，將多光譜傳感器光譜空間轉化為具有物理意義的標準光譜端元空間[25]，標準光譜端元空間讓各地類信息的可比較可移植成為可能[28]。對于寬波段、中低分辨率以及地表異質性較大的分類制圖具有很好的適用性，采用線性光譜混合分解模型測試GF-6衛(wèi)星新增波段能夠充分挖掘新增波段對地表覆被的響應能力，研究結果可為不同類型實驗提供良好參照。

全約束線性光譜混合分解的具體流程包括數(shù)據(jù)降維、端元提取、以及豐度值估計，本文主要是通過主成分變換（PCA）進行數(shù)據(jù)降維，然后根據(jù)降維結果和當?shù)匚锖蛑R確定端元類型并通過構建二維散點圖從散點圖端點處提取端元光譜，最后進行全約束性光譜分解，光譜混合分解具體內容參考文獻[29]。

3.2 相關性分析

相關性分析可以判斷2個波段之間的信息冗余程度以減少運算量，消除噪音[30-31]。分析波段與端元豐度圖之間的相關性，可以判斷波段對計算端元豐度值的參與程度和貢獻率。植被最大的光學特征是對近紅外波段異常敏感，在近紅外波段處具有高反射特征，而裸地和建設用地在近紅外波段處具有低反射特征，此外DA端元以山地和植被陰影為主，受影像拍攝時間和地物類型影響具有不穩(wěn)定性，WA端元為水體，其內部受水體懸浮顆粒類型影響，具有很大變異。所以本文通過分析近紅外波段和GF-6衛(wèi)星各新增波段與GV端元、SU端元、RMSE分布圖的相關性，并通過2檢驗回歸效果的顯著性，以此檢驗各新增波段對于不同土地覆被識別的貢獻程度，本部分通過Python語言環(huán)境實現(xiàn)。

3.3 決策樹分類

決策樹分類因其簡易性和可解釋性常被使用[32]，配合具有物理意義的端元豐度圖作為輸入?yún)?shù)可以更好地耦合數(shù)據(jù)和研究區(qū)氣候環(huán)境及土地利用模式。由于影像拍攝時間是9月9日，正值當?shù)刂脖幻芏茸罡?，有極少裸地和未耕農地，同時考慮到只有單一時相測試數(shù)據(jù)，不能準確判別作物類型，故確定耕地、園地、林地、建筑用地、水域和其他用地6個地類。本文根據(jù)研究區(qū)物候和生境條件以及土地利用現(xiàn)狀特點建立決策樹分類知識。耕地、果園和林地的植被蓋度較高，但果園和林地由于有較大的冠層、更高的軀干和更稀疏的分布密度所以呈現(xiàn)大量陰影；通過分析從煙臺市統(tǒng)計局獲取的煙臺市統(tǒng)計年鑒數(shù)據(jù)以及實地觀察,發(fā)現(xiàn)研究區(qū)果園的分布坡度一般較林地更低，多在15°以下；建筑用地包括城鎮(zhèn)、農村居民點、工礦、交通以及其他建設用地等；水域包括水域、河流、水庫等。

建立好的訓練樣本可以輔助決策樹閾值的劃定，提高分類精度。本文通過Google Earth高清影像配合各端元豐度圖和經(jīng)過完整預處理的GF-6測試數(shù)據(jù)建立訓練樣本，每個地類均勻分布20個左右的訓練區(qū)，建立訓練樣本和驗證樣本?；煜仃囀峭恋乩酶脖环诸惤?jīng)典的精度驗證方法，本文通過構建混淆矩陣進行精度驗證，總體分類精度和Kappa系數(shù)反映了總體的分類效果，生產者精度和用戶精度分別代表了漏分誤差和錯分誤差。

4 結果與分析

4.1 光譜混合分解

1）本文采用主成分分析作為數(shù)據(jù)降維的方法，根據(jù)主成分分析結果（表2）可以發(fā)現(xiàn)，97%以上的光譜信息均能由前2個主成分表達，說明GF-6衛(wèi)星在該景影像上的內在維度是2。通過第一主成分可以發(fā)現(xiàn)所有載荷量方向一致且黃光和紫光波段貢獻明顯大于其他波段，說明其增強的是研究區(qū)的基質即土壤的信息，同時包含了部分建設用地的信息，增強了部分水體的光譜信息；第二主成分的近紅外和紅邊波段貢獻明顯大于其他波段，說明第二主成分增強的是植被信息。此外，煙臺市植被類型多樣，丘陵和緩逶迤連綿，植被和山體形成大量陰影區(qū)，河網(wǎng)密布，有大量建成區(qū)域，所以確定植被（GV）、基質（SU）、暗色物質（DA）和水（WA）4個端元，其中基質主要包括裸地、建設用地等；暗色物質主要為山體陰影以及其他無法判別的暗色地類。根據(jù)主成分變換矩陣從二維散點圖端點處提取端元，并得到端元光譜曲線如圖2，通過光譜曲線可以看出GV有明顯增強，可以猜測紅邊波段可能對植被有明顯的響應；SU在紫光和黃光處有明顯增強，紫光和黃光波段可能對裸地或建筑用地有增強作用。然后對4景數(shù)據(jù)分別進行光譜混合分解，得到的端元豐度圖如圖2所示，各端元豐度圖清晰準確地展示了研究區(qū)典型地物（植被、裸土、建設用地、水、陰影等）的分布情況，體現(xiàn)出光譜混合分解模型強大的信息增強能力。

表2 主成分變換矩陣

注：GV、SU、DA和WA分別表示植被端元、基質端元、暗色物質端元、水端元。GV端元，SU端元，DA端元豐度分別用紅綠藍表示。下同。

2）表3分別統(tǒng)計了研究區(qū)各端元豐度值和均方根誤差平均值（Mean）、標準差（StdDev）和變異系數(shù)（CV）。均方根誤差又稱標準誤差，反映測量值同真值之間的誤差，能夠很好的反映計算的精密程度，標準差和變異系數(shù)均反映數(shù)據(jù)的離散程度。觀察統(tǒng)計值，可以發(fā)現(xiàn)，GV和DA的豐度值可以達到研究區(qū)的80%說明，研究區(qū)主要由植被和暗色物質構成，4景影像的均方根誤差均在0.01左右，反映出GF-6數(shù)據(jù)能夠很好的應用于線性光譜混合分解模型，S2和S4的均方根誤差明顯大于S1和S3的均方根誤差，說明2個紅邊波段和紫光波段對分解精度有顯著貢獻，S2的變異系數(shù)最大體現(xiàn)出2個紅邊波段對于分解結果穩(wěn)定性具有顯著貢獻。在全波段S1的分解結果中GV占研究區(qū)的28.4%，去除2個紅邊波段S2占研究區(qū)的22.2%，減少了6.2個百分點，說明缺失了紅邊波段后丟失了很多植被的細節(jié)信息；同時，S1中SU占研究區(qū)的12.2%，而缺失黃光波段S3中的SU只占研究區(qū)的11.9%，減少了0.3個百分點，說明缺失了黃光波段后會丟失部分裸地和建筑用地的細節(jié)。

根據(jù)圖3，可以看出在一些GV較少分布的地方，保留紅邊的豐度圖會有較低的豐度值，而缺失紅邊以后直接丟失了該區(qū)域的豐度值信息；在建設用地區(qū)域，缺失黃邊數(shù)據(jù)的豐度圖與全部波段豐度圖沒有明顯差異（丟失了很小的信息）。

表3 不同情景試驗下豐度值統(tǒng)計

圖3 豐度值信息丟失對比圖

圖4 各傳感器GV、SU、DA三端元合成及端元光譜曲線

3）通過對比國產GF-6衛(wèi)星和國外常用Landsat8和Sentinel-2衛(wèi)星對研究區(qū)光譜混合分解結果可以發(fā)現(xiàn)，GF-6衛(wèi)星一定程度上已經(jīng)達到甚至超越了國外衛(wèi)星水平。各傳感器三端元合成圖和端元光譜曲線如圖4所示，由于影像時相、拍攝時間略有不同，所以三端元合成圖也有輕微差異，GF-6衛(wèi)星SU端元的光譜曲線有明顯的由紫光、黃光和紅邊2波段造成的突變點。表4列出了GF-6衛(wèi)星、Landset8和Sentinel2系列在研究區(qū)各端元豐度值和均方根誤差平均值、標準差和變異系數(shù)。

表4 不同衛(wèi)星豐度值統(tǒng)計

可以看出GF-6衛(wèi)星除了WA所有端元包括均方根誤差的變異系數(shù)均小于OLI和Sentinel2的變異系數(shù)，且GF-6的均方根誤差平均值最小，說明了GF-6衛(wèi)星在全約束線性光譜混合分解模型應用上具有最好的穩(wěn)健性和最優(yōu)的預測精度，WA的豐度值由于占研究區(qū)面積太?。s8%），所以其在不同傳感器上都表現(xiàn)出較大的離散性，但也因為面積較小，所以對整個研究區(qū)的豐度值估計影響很小。

4.2 相關性分析

參考圖5，通過對GV端元豐度圖、SU端元豐度圖和RMSE分布圖與近紅外波段、各新增波段進行相關性分析可以看出，紅邊2波段、近紅外波段與GV端元豐度顯著相關（相關系數(shù)和2均大于0.5），紫光波段、黃光波段和紅邊1波段與GV端元反向相關，可以反向增強植被信息，但并不顯著；紅邊1波段、紫光波段和黃光波段和SU端元顯著相關（和2均大于0.8），對SU端元豐度圖的計算具有很大的貢獻；紅邊1波段和黃光波段與均方根誤差圖有著并不顯著的相關性，這3個波段對大區(qū)域的豐度值計算可能會存在干擾作用。

這里的結論與豐度值參數(shù)對比結論基本一致，即紅邊波段對GV端元豐度值估計、黃光波段對SU端元豐度值估計具有較大貢獻。由于光譜混合分解過程中進行了主成分變換等工作，消除了部分冗余信息，所以紫光波段、黃光波段對GV端元豐度值估計的貢獻以及紅邊2波段對SU端元豐度值估計的貢獻很不明顯，但這并不說明這些波段對各端元豐度值的計算毫無作用。

4.3 決策樹分類

通過以研究區(qū)物候、生境條件以及土地利用現(xiàn)狀特點建立的分類知識，建立決策樹（圖6）。耕地、果園和林地的GV端元豐度值較高，先通過GV劃分植被區(qū)和非植被區(qū)；果園和林地由于有較大的冠層、更高的軀干和更稀疏的分布密度所以呈現(xiàn)大量陰影，DA端元豐度值會更高，在植被區(qū)通過DA劃分耕地和林地；通過分析統(tǒng)計年鑒數(shù)據(jù)以及實地觀察發(fā)現(xiàn)研究區(qū)果園的分布坡度一般較林地更低，多在15°以下，通過由DEM建立的坡度數(shù)據(jù)劃分果園和林地；在非植被區(qū)先通過SU劃分建設用地和非建設用地；再通過WA劃分出水域。根據(jù)訓練樣本以及端元豐度圖平均值和標準差訓練出的最終閾值參考圖6。

四景影像分類結果如圖6所示。缺失2個紅邊波段的S2明顯缺失了大量植被信息，大量植被被誤分成了建設用地和其他地類；丟失黃光波段的S3分類結果與全部波段S1的分類有少量建設用地錯分成植被，分類結果更加平滑，小斑塊地類更少；丟失紫光波段的S4中建設用地面積有所提高，這里的結果與豐度值估計以及相關性分析的結果基本一致。

表5 混淆矩陣

續(xù)表

通過驗證樣本分別對S1、S2、S3、S4分類結果建立混淆矩陣（表5），通過混淆矩陣可以看出，丟失黃光波段的S3總體分類精度和Kappa系數(shù)最高，分類結果最優(yōu)，說明黃光波段對普通土地覆被分類的貢獻很小，甚至會產生干擾，影響分類精度，但相較S1來說，S3建設用地的生產者精度和用戶精度都有輕微下降，說明黃光波段可能會對建設用地有部分響應（參考4.2節(jié)）；缺失紅邊波段S2的總體分類精度和Kappa系數(shù)明顯低于全部波段S1的分類精度，大量的耕地、林地、果園等植被區(qū)被錯分成了建設用地導致植被區(qū)分類的生產者精度（2種情景下耕地、林地、果園分別為92.53%～65.38%、68.63%～45.69%和78.25%～39.06%）和用戶精度均（2種情景下耕地、林地和果園分別為70.44%～46.52%、95.84%～94.98%和57.43%～52.63%）均有所降低，體現(xiàn)出紅邊波段對植被分類具有很大的貢獻，且建設用地分類的用戶精度也偏低（76.56%），驗證了4.2中紅邊1波段與建設用地有較強的相關性；S4耕地、林地、果園的生產者精度分別為86.93%、67.04%和82.2%，較多植被信息丟失，說明紫光波段對植被和建設用地信息的提取均有影響（參考4.2節(jié)）。

5 結論與討論

本文采用線性光譜混合分解方法、相關性分析以及決策樹分類的方法測試了GF-6衛(wèi)星對土地利用/覆被監(jiān)測能力，并且對比國產GF-6衛(wèi)星WFV載荷和Landsat8 OLI、Sentinel-2載荷之間的地表信息識別能力，得出主要結論如下：

1）通過各新增波段和端元豐度圖相關性分析發(fā)現(xiàn)紅邊2波段、近紅外波段與GV端元豐度圖有很大的相關性，紫光波段、黃光波段和紅邊1波段與GV端元反向相關，可以反向增強植被信息；紅邊1波段、紫光波段和黃光波段對SU端元豐度圖的計算具有很大的貢獻；紅邊1波段和黃光波段對豐度值計算誤差有主要貢獻，可能會對大區(qū)域的分類帶來誤差。

2）通過線性光譜混合分解豐度值參數(shù)對比以及決策樹分類發(fā)現(xiàn)，紅邊波段對植被異常敏感，能夠有效提高線性光譜混合分解的豐度值估算能力和決策樹的分類精度，對光譜混合分解模型的適用性、穩(wěn)健性以及豐度值估計精度有著很大貢獻；黃光波段和紫光波段受主成分變換影響對植被和裸地建設用地有少量貢獻。

3）國產GF-6衛(wèi)星具有大角度、高頻次和新譜段的特點，其豐度值估計的均方根誤差以及除了WA端元的各端元豐度值估計變異系數(shù)均小于OLI和Sentinel-2載荷，體現(xiàn)出在地表信息識別上極高的精度和極強的穩(wěn)健性，這也反映了國產衛(wèi)星的發(fā)展迅速已經(jīng)開始達到甚至領先于國際通用衛(wèi)星。

本研究針對GF-6新增波段的特點，發(fā)現(xiàn)了各新增波段對土地利用/覆被的多種響應特征，為國產衛(wèi)星在不同領域的應用提供了新的思路，見證了國產衛(wèi)星的進步和完善，也為國產數(shù)據(jù)走出國門尋找到新的路徑。

本研究不足之處在于沒有完全挖掘出紫光波段和黃光波段的更多對地觀測能力，參考前人的研究成果和兩個通道的光譜特性，后續(xù)可以對紫光、黃光波段對建設用地類型以及植被健康的響應情況展開研究；通過研究黃光波段對成熟作物和耕地殘茬的識別能力來輔助成熟作物收割；以及紫光波段對于水深探測精度的貢獻等方面對紫光和黃光波段進行更深入的測試。

[1] Weber B, Olehowski C, Knerr T, et al. A new approach for mapping of biological soil crusts in semidesert areas with hyperspectral imagery[J]. Remote Sensing of Environment, 2008, 112(5): 2187－2201.

[2] 黃春燕，王登偉，張煜星. 基于棉花紅邊參數(shù)的葉綠素密度及葉面積指數(shù)的估算[J]. 農業(yè)工程學報，2009, 25(增刊2)：137－141.

Huang Chunyan, Wang Dengwei, Zhang Yuxing. Estimation of cotton canopy chlorophyll density and leaf area index based on red-edge parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(Supp.2): 137－141. (in Chinese with English abstract)

[3] Delegido Jesús, Verrelst Jochem, Alonso Luis, et al. Evaluation of sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content[J]. Sensors, 2011, 11(7): 7063－7081.

[4] Delegido J, Verrelst J, Meza C M, et al. A red-edge spectral index for remote sensing estimation of green LAI over agroecosystems[J]. European Journal of Agronomy, 2013, 46: 42－52.

[5] Richter K, Atzberger C, Vuolo F, et al. Evaluation of Sentinel-2 spectral sampling for radiative transfer model based LAI estimation of wheat, sugar beet, and maize[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2011, 4(2): 458－464.

[6] 佘寶，黃敬峰，石晶晶，等. 基于紅邊位置變化特征的油菜種植區(qū)域提取[J]. 農業(yè)工程學報，2013，29(15)：145－152.

She Bao, Huang Jingfeng, Shi Jingjing, et al. Extracting oilseed rape growing regions based on variation characteristics of red edge position[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(15): 145－152. (in Chinese with English abstract)

[7] 劉佳，王利民，滕飛，等. RapidEye衛(wèi)星紅邊波段對農作物面積提取精度的影響[J]. 農業(yè)工程學報，2016，31(13)：140－148.

Liu Jia, Wang Limin, Teng Fei, et al. Impact of red-edge waveband of RapidEye satellite on estimation accuracy of crop planting area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 31(13): 140－148. (in Chinese with English ab-stract)

[8] Delegido Jesús, Verrelst Jochem, Meza C M, et al. A red-edge spectral index for remote sensing estimation of green LAI over agroecosystems[J]. European Journal of Agronomy, 2013, 46: 42－52.

[9] Fernández-Manso Alfonso, Fernández-Manso Oscar, Quintano Carmen. Sentinel-2A red-edge spectral indices suitability for discriminating burn severity[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 50: 170－175.

[10] Hu Xiujuan, Xu Hanqiu, Guo Yanbin, et al. Remote sensing detection of vegetation health status after ecological restoration in soil and water loss region[J]. Chinese Journal of Applied Ecology, 2017, 28(1): 250－256.

[11] Alexakis D D, Daliakopoulos I N, Panagea I S, et al. Assessing soil salinity using WorldView-2 multispectral images in Timpaki, Crete, Greece[J]. Geocarto International, 2018, 33(4): 321－338.

[12] DigitalGlobe Inc. The Benefits of the 8 Spectral Bands of WorldView-2[Z/OL].White Paper; 2010. Available online: www.digitalglobe.com (accessed on 25 March 2013).

[13] Sun Danfeng, Liu Na. Coupling spectral unmixing and multiseasonal remote sensing for temperate dryland land-use/land-cover mapping in Minqin County, China[J]. International Journal of Remote Sensing, 2015, 36(14): 3636－3658.

[14] Sun Danfeng. Detection of dryland degradation using Landsat spectral unmixing remote sensing with syndrome concept in Minqin County, China[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 41: 34－45.

[15] Sun Danfeng, Zhang Ping, Sun Qiangqiang, et al. A dryland cover state mapping using catastrophe model in a spectral endmember space of OLI: A case study in Minqin, China[J]. International journal of remote sensing, 2019, 40(14): 5673－5694.

[16] Masoud Alaa A, Koike Katsuaki, Atwia Mohamed G, et al. Mapping soil salinity using spectral mixture analysis of landsat 8 OLI images to identify factors influencing salinization in an arid region[J]. International Journal of Applied Earth Observations and Geoinformation, 2019, 83: UNSP 101944.

[17] Sun Qiangqiang, Zhang Ping, Sun Danfeng, et al. Desert vegetation-habitat complexes mapping using Gaofen-1 WFV (wide field of view) time series images in Minqin County, China[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 73: 522－534.

[18] Daldegan Gabriel Antunes, Roberts Dar A, de Figueiredo Ribeiro Fernanda. Spectral mixture analysis in Google Earth Engine to model and delineate fire scars over a large extent and a long time-series in a rainforest-savanna transition zone[J]. Remote Sensing of Environment, 2019, 232: UNSP 111340.

[19] 張立福. 通用光譜模式分解算法及植被指數(shù)的建立[D]. 武漢：武漢大學，2005.

Lifu Zhang. The Universal Pattern Decomposition Method and the Vegetation Index Based on the UPDM[D]. Wuhan: WuHan University, 2005. (in Chinese with English abstract)

[20] Lu D S, Batistella M, Moran E. Multitemporal spectral mixture analysis for Amazonian land-cover change detection[J]. Canadian Journal of Remote Sensing, 2004, 30(1): 87－100.

[21] Adams J B, Sabol D E, Kapos V, et al. Classification of multispectral images based on fractions of endmembers: Application to land-cover change in the Brazilian Amazon[J]. Remote Sensing of Environment, 1995, 52(2): 137－154.

[22] Gilabert M A, Garcia-Haro F J, Melia J. A mixture modeling approach to estimate vegetation parameters for heterogeneous canopies in remote sensing[J]. Remote Sensing of Environment, 2000, 72(3): 328－345.

[23] Zhang Ping, Sun Qiangiang, Ming Liu, et al. A strategy of rapid extraction of built-up area using multi-seasonal landsat-8 thermal infrared band 10 images[J]. Remote Sensing, 2017, 9(11): 1126.

[24] 李瑤，潘竟虎. 基于Landsat 8劈窗算法與混合光譜分解的城市熱島空間格局分析：以蘭州市中心城區(qū)為例[J]. 干旱區(qū)地理，2015，38(1)：111－119.

Li Yao, Pan Jinghu. Spatial pattern on urban heat environment using split window algorithm and spectral mixture analysis based on Landsat 8 images: A case of Lanzhou City[J]. Arid Land Geography, 2015, 38(1): 111－119. (in Chinese with English abstract)

[25] Keshava N. A survey of spectral unmixing algorithms[J]. Lincoln Laboratory Journal, 2003, 14(1): 55－78.

[26] Small Christopher. The Landsat ETM+ spectral mixing space[J]. Remote Sensing of Environment, 2004, 93(1/2): 1－17.

[27] 張平，孫強強，孫丹峰，等. 基于遙感光譜的干旱區(qū)土地退化評價體系構建[J]. 農業(yè)工程學報，2019，35(9)：228－237.

Zhang Ping, Sun Qiangqiang, Sun Danfeng, et al. Establishment of land degradation assessment system in arid region based on remote sensing spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(9): 228－237. (in Chinese with English abstract)

[28] Small Christopher, Milesi Cristina. Multi-scale standardized spectral mixture models[J]. Remote Sensing of Environment, 2013, 136: 442－454.

[29] 姜宛貝，孫強強，曲葳，等. 基于多季相光譜混合分解和決策樹的干旱區(qū)土地利用分類[J]. 農業(yè)工程學報，2016，32(19)：1－8.

Jiang Wanbei, Sun Qiangqiang, Qu Wei, et al. Land use classification in arid region based on multi-seasonal linear spectral mixture analysis and decision tree method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(19): 1－8. (in Chinese with English abstract)

[30] Liu J, Chen X P. Relationship of remote sensing normalized differential vegetation index to Anopheles density and malaria incidence rate[J]. Biomedical and Environmental Sciences, 2006, 19(2): 130－132.

[31] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295－309.

[32] 李爽，張二勛. 基于決策樹的遙感影像分類方法研究[J]. 地域研究與開發(fā)，2003(1)：17－21.

Li Shuang, Zhang Erxun. The decision tree classification and its application in land cover[J]. Areal Research and Development, 2003(1): 17－21. (in Chinese with English abstract)

Response of new bands in GF-6 to land use/cover based on linear spectral mixture analysis model

Sun Minxuan, Liu Ming, Sun Qiangqiang, Zhang Ping, Jiao Xin, Sun Danfeng※, Shi Yunyang

(,100193)

The pressure of natural resource management and ecological environment monitoring is increasingly prominent. It is urgent to give full play to the advantages of remote sensing data to assist the natural resources management. The application capability of domestic satellites needs further excavation. GF-6 is a newly launched satellite belonging to China High Resolution Earth Observation System, which has the advantages of large angle, high frequency and new spectrum. CF-6 is one of the few satellites with eight bands in the visible and near-infrared spectrum. A control experiment was designed for the test of new bands of GF-6 based on methods of linear spectral mixing analysis (LSMA) model, decision tree and correlation analysis. The complete spectral space was reconstructed into four scenarios: the original spectral space (S1), the lack of red-edge band scenario (S2), the lack of yellow-band scenario (S3) and the lack of purple-band scenario (S4). All the research work was based on endmember (EM) fraction maps, which were generated from LSMA. In order to obtain the endmember fraction maps accurately, we employed the principal component analysis (PCA) to reduce the data dimensions, and determined four endmembers (Green vegetation, GV; Substrate, SU; Dark material, DA and Water, WA) though the result of PCA and the status of local Land use/cover. After that, the contribution of new bands to endmember fraction maps was judged by correlation analysis between the add-bands and each endmember fraction maps. Finally, the decision tree classification was used to observe the classification results in scenarios and draw the final conclusion. In addition, we also compared the application ability of GF-6 with OLI and Sentinel-2 with LSMA model. Through the four situation’s experiments, we came to conclusions as follow. The results of all three methods show that the red-edge band is sensitive to vegetation, which can effectively improve the recognition accuracy of vegetation. Besides, the result of LSMA model indicates that the red-edge band also contributes to the applicability and stability of the LSMA model. The result of correlation analysis shows that violet band and yellow band have strong correlation with substrate, therefore contributing to the classification of urban interior facilities; but they have an inverse correlation with vegetation. The yellow band and red-edge1 band may cause classification errors in mapping of large area. The significance of this study lies in it founds a variety of response characteristics of new bands in GF-6 to land use/cover. And the conclusion of this study will not only provide a robust support for natural resources supervision and ecological protection in our country, but also witness the great progress made by Chinese satellites.

land use; remote sensing; LSMA; GF-6; red-edge bands; violet band; land use/cover; endmember fractions

孫敏軒，劉 明，孫強強，張 平，焦 心，孫丹峰，史云揚. 利用光譜混合分解模型分析GF-6新增波段對土地利用/覆被的響應[J]. 農業(yè)工程學報，2020，36(3)：244－253.doi：10.11975/j.issn.1002-6819.2020.03.030 http://www.tcsae.org

Sun Minxuan, Liu Ming, Sun Qiangqiang, Zhang Ping, Jiao Xin, Sun Danfeng, Shi Yunyang. Response of new bands in GF-6 to land use/cover based on linear spectral mixture analysis model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(3): 244－253. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.03.030 http://www.tcsae.org

2019-08-08

2020-01-01

高分辨率對地觀測系統(tǒng)重大專項（民用部分）科研項目（30-Y20A07-9003-17/18）

孫敏軒，博士生，主要研究方向資源環(huán)境遙感。Email：sminxuan@cau.edu.cn

孫丹峰，博士，教授，主要研究方向為資源環(huán)境信息技術與土地利用/覆被研究。Email：sundf@cau.edu.cn

10.11975/j.issn.1002-6819.2020.03.030

P966

A

1002-6819(2020)-03-0244-10