高分六號寬幅遙感影像在復雜山區地物分類中的應用

摘要" 為評估其在多類地物分類中的有效性，本研究利用GF-6寬幅遙感影像（WFV），對四川西南部復雜山區開展大尺度地物分類研究。通過波段組合和植被指數計算，提升對植被健康狀況的監測能力。特別是紅邊波段（B5）和黃波段（B8）的引入，為植被和土地利用分類帶來了技術優勢。在監督分類方法方面，采用了馬氏距離、極大似然法、卷積神經網絡（CNN）和支持向量機（SVM）4種方法。結果表明，SVM在處理高維光譜數據和復雜地形條件下表現出色，分類精度最高。馬氏距離和極大似然法的分類精度較低，主要受數據假設和樣本量限制的影響，而神經網絡方法的表現不佳，主要是由于訓練樣本數量和多樣性的不足，導致模型的泛化能力不強。綜合以上結果，GF-6 WFV影像在地物分類中展現出優異性能，尤其在精準農業和林業管理方面。未來研究應關注多源遙感數據的整合，優化算法以提升分類精度，并減少計算資源消耗。

關鍵詞" 山區地物分類；寬幅遙感影像；多光譜信息；紅邊波段；支持向量機監督分類

中圖分類號" Q948；TP79" " " "文獻標識碼" A" " " "文章編號" 1007-7731（2024）17-0063-06

DOI號" 10.16377/j.cnki.issn1007-7731.2024.17.016

Application of Gaofen-6 WFV in complex mountain feature classification

ZHANG Luming1，2" " "WANG Baojiang1，2" " SUN Hong1，2" " ZHONG Kun1，2" " LI Dan1，2

（1Key Laboratory of Liangshan Agriculture Digital Transformation of Sichuan Provincial Education Department，

Xichang 615013，China；

2Xichang University ， Xichang 615013，China）

Abstract" Aiming to evaluate its effectiveness in multi-class land cover classification， the GF-6 WFV imagery was used to conduct large-scale land cover classification research in the complex mountainous region of southwest Sichuan. By combining spectral bands and calculating vegetation indices， the ability to monitor vegetation health was enhanced. The introduction of the red-edge band （B5） and yellow band （B8） provided new technical advantages for vegetation and land use classification. In terms of supervised classification methods， four approaches were employed， including Mahalanobis distance， Maximum likelihood， Convolutional neural networks （CNN）， and Support vector machine （SVM）. The research indicated that SVM performed exceptionally well in handling high-dimensional spectral data and complex terrain conditions， achieving the highest classification accuracy. The classification accuracy of the Mahalanobis distance and Maximum likelihood methods was lower， mainly due to data assumptions and sample size limitations. The performance of the Neural network method was suboptimal， primarily due to insufficient quantity and diversity of training samples， which resulted in weak model generalization. The results demonstrated that GF-6 WFV imagery exhibits superior performance in land cover classification， particularly in precision agriculture and forestry management. Future research should focus on integrating multi-source remote sensing data， optimizing algorithms to improve classification accuracy， and reducing computational resource consumption.

Keywords" mountain feature classification; wide field of view; multispectral information; red-edge; Support vector machine classification

隨著科技的進步，衛星遙感技術已成為獲取地表信息的重要途徑之一，尤其在地形復雜的山區，部分常規地面調查方法效率低且覆蓋范圍有限。高分六號衛星（GF-6）搭載的多光譜寬幅遙感影像（Wide field of view， WFV）憑借其高空間分辨率和廣覆蓋范圍，在精準農業和林業領域表現出色。特別是紅邊波段和黃邊波段的引入，為地物分類提供了技術支持[1]。這些波段不僅豐富了光譜信息，還明顯提升了分類的準確性和效率。

近年來，基于高分六號寬幅遙感影像，在農作物識別、林業調查和火情監測等領域開展了廣泛研究。梁繼等[2]、姚保民等[3]和段金饋等[4]利用高分六號多光譜影像證實了新增譜段對農作物識別精度的改善；黃建文等[5]和武紅敢等[6]分別通過隨機森林和預警監測模型，提升了人工林分類和黃化森林植被監測的效果；覃先林等[7]和劉倩等[8]探討了光譜指數在火燒跡地識別中的應用；吉長東等[9]提出的新指數方法有效提高了對城鎮建成區的提取精度。上述研究表明，高分六號高分辨率影像在提升地物分類精度方面具有明顯效果，其在復雜地形的多類地物分類上尚待進一步研究。

本研究利用GF-6 WFV，結合先進的數據處理和分類技術，對四川西南部地區復雜山區的地物進行大尺度分類研究。首先介紹了GF-6衛星影像的特點及其在地物分類中的應用潛力，然后通過對比不同的分類方法，探索了適合復雜山區多類型地物分類的適宜方法，并評估了其在實際應用中的有效性，旨在為資源調查、環境保護和農業生產等領域提供依據和技術支持，促進遙感技術在復雜山區的進一步應用。

1 材料與方法

1.1 數據來源

采用GF-6 WFV作為數據源，每景幅寬860 km，空間分辨率16 m，為Level 1A級別初級產品，共有兩景數據，覆蓋了整個研究區。北部一景采集時間為2022年11月19日12：16：47，南部一景采集時間為2022年11月27日12：12：37，兩景影像均具有較高的成像質量，云量均為1%。該數據由中國資源衛星應用中心（www.cresda.com）提供。GF-6 WFV的空間分辨率約為Landsat8 OLI的2倍。其中，B7為紫波段，適用于淺水和空氣質量研究；B1為藍波段，適用于深水和大氣研究；B2為綠波段，適用于植被研究；B3為紅波段，對人造物體、土壤和植被敏感；B4為近紅外波段，適用于健康植被分類以及水和植被的分辨；B5和B6為紅邊波段，適用于農作物的分類研究，能區分健康農作物和不健康的農作物；B8為黃波段，可用來識別缺錳的大豆葉片，也可按季節對單個樹種和作物類型進行分類[10]。

1.2 數據預處理

由于WFV數據量大，預處理時間較長，因此首先對兩景影像進行輻射定標處理，然后進行裁剪，再進行幾何校正和大氣校正，以減少處理的數據量，加快處理進度。最后利用ENVI軟件中的Seamless Mosaic無縫拼接技術，采用基于圖像配準的拼接方法，將上下兩個遙感影像按照重疊部分進行精確定位和配準，再進行融合，得到無縫拼接的遙感影像。拼接后的圖像清晰，上下影像色調一致，邊緣匹配（圖1A）。圖1B顯示了經預處理的Landsant8遙感影像，圖中箭頭所示的位置存在明顯的拼接痕跡，其原因在于Landsat8影像需8景才能完全覆蓋研究區，影像拼接涉及8幅圖像的匹配問題，不同遙感影像可能受到光照、季節、視角和地貌等因素的影響，導致數據量和復雜度增加，可能產生一些匹配錯誤。而GF-6 WFV為寬幅影像，僅需兩景便可完全覆蓋整個研究區，圖像拼接相對容易。從兩種影像拼接結果可以看出，GF-6 WFV的拼接效果優于Landsat8，更適合大尺度的遙感觀測。

1.3 研究方法

1.3.1 波段組合 GF-6 WFV 16 m寬幅影像的主要優勢在于增加了2個紅邊波段、1個黃波段和1個紫波段。這些新增波段通過組合使用，能夠更全面地獲取地表信息，如地形、植被和水體，顯著提高了地物識別的精度和準確度。

在精準農林業中，紅邊波段能夠更靈敏地反映植被的健康狀況，而黃波段有助于作物生長狀態的監測。對于海洋和大氣觀測，紫波段提供了更有效的監測手段。在土地利用規劃中，結合可見光波段與紅外波段，可有效獲取地表植被信息及土地利用狀況。在自然資源管理中，利用紅邊波段與水體指數的組合，可以實現對森林和水資源的有效監測與管理。此外，在環境監測中，組合可見光波段與紅外波段的數據，可用于監測火災和氣候等環境變化。

1.3.2 植被指數計算 植被指數用于反映植被的覆蓋狀況和生長情況，廣泛應用于實際觀測中。常見的植被指數有歸一化植被指數（Normalized difference vegetation index，NDVI）、增強型植被指數（Enhanced vegetation index，EVI）、葉綠素指數（Chlorophyll index， CI）以及植被覆蓋度指數（Fractional vegetation cover，FVC）等。其中，NDVI由近紅外波段和紅波段計算得到，用于估算植被覆蓋度和生長狀況。相比之下，GF-6 WFV通過結合近紅外和新增的紅邊波段計算的歸一化差異紅邊指數（Normalized difference red edge index，NDRE），在檢測植被葉綠素含量方面表現得更加敏感。這使得NDRE在作物健康狀況的監測中更加精確，尤其適用于精準農業和植被生長的動態評估[11-12]。

1.3.3 監督分類 在遙感地物分類中，常用的監督分類方法包括馬氏距離、極大似然法、支持向量機（Support vector machine，SVM）和卷積神經網絡（Convolutional neural network，CNN）等。馬氏距離是一種基于統計學的分類方法，通過測量樣本間的相似度進行分類，適用于樣本數量較多且協方差矩陣差異不大的情況。其計算簡單且速度快，但對樣本數量要求較高，在樣本量不足或數據不符合正態分布時，分類效果較差[13]。極大似然法依賴于統計概率，假設數據服從正態分布，通過計算像素的條件概率進行分類。在數據分布接近正態時，該方法能夠充分利用訓練樣本的統計特性，提供較高的分類精度。然而，極大似然法對訓練樣本數量和數據分布的要求較高，在樣本量不足或數據不符合正態分布時，分類性能會明顯下降，且計算過程較為復雜[14]。神經網絡模擬生物神經系統，通過多層感知機（Multi-Layer perceptron，MLP）或CNN等模型進行復雜的非線性分類。CNN具有強大的學習能力，能夠自動提取數據特征，適合處理大規模數據和復雜分類問題。然而，其缺點在于需要大量訓練數據，訓練過程復雜，容易出現過擬合問題[15]。支持向量機（SVM）通過構建最佳分類超平面，將不同類別的樣本在高維空間中最大化分離。SVM在處理高維和非線性問題時表現優異，尤其適用于樣本分布不均衡的情況，但SVM對參數選擇敏感，在處理大規模數據集時計算量較大，訓練時間較長[16]。

2 結果與分析

2.1 波段組合定性分析

在GF-6 WFV中，紅邊波段（B5）的引入顯著提高了植被監測能力，特別是在葉綠素含量變化的分析上。使用波段5、3、2的組合，能夠實現精確的植被物候監測和農作物估測，健康植被呈紅色，城區呈青藍色。波段5、4、3組合則適用于估算植被覆蓋度和葉綠素含量，表現出卓越的性能。對于裸地和水體的監測，波段7、3、6組合通過紫波段反映土地裸露度及水體水質。用于水稻等農作物監測的波段3、6、8組合，充分體現了GF-6 WFV在農業領域的廣泛應用潛力[17]。

2.2" 植被指數定量分析

由于NDRE對葉綠素含量更敏感，在植被健康狀況監測方面，特別是在農業領域中，對于精細化的植被覆蓋度分析，使用NDRE可能會比NDVI更具優勢。通過設定NDRE經驗門檻值，能夠提取并分析植被分布狀況。在圖2A中，設定NDRE大于0.2為植被覆蓋區域，將遙感影像數據中的植被區域提取出來，用綠色標識，將非植被區域（建筑、水體、云、道路和裸地等）用白色進行標識。在圖2B中，使用類似于基于NDVI方法估算植被覆蓋度（FVC），FVC=（NDRE-

NDRE_min）/（NDRE_max-NDRE_min）。其中，NDRE_min對應裸土的NDRE值，NDRE_max對應完全植被覆蓋的NDRE值。通過設定不同的FVC門檻值，將植被區域進一步細分為不同的覆蓋等級，以更加細致地描述植被的分布情況：FVClt;0.1，為植被極低覆蓋區，用紅色表示；而0.1≤FVClt;0.3，為植被低覆蓋區，用深黃色表示；0.3≤FVClt;0.5，為植被中覆蓋區，用白色表示；0.5≤FVClt;0.7，為植被中高覆蓋區，用淡綠色表示；0.7≤FVClt;1.0，為植被高覆蓋區，用綠色表示。

2.3 監督分類分析

使用同時期高分辨率Google Earth影像，并結合“假彩色”等波段組合，選取了GF-6 WFV中的7種地物類型：水體、森林、建筑、大棚、裸地、耕地和光伏用地，并計算不同類型之間的分離度，即不同地物類別在光譜特征上的差異程度。7種地物的分離度如表1所示，其中，裸地和耕地之間的分離度最低，為1.885 9，這意味著這兩種地物在光譜特征上的區分較為困難，可能導致分類混淆。而水體與大棚、大棚與光伏用地之間的分離度最高，均為2.000 0，表明這些地物之間的光譜特征差異明顯，分類效果較好。此外，其他地物類型的分離度也接近2.000 0，整體上顯示出較高的樣本可分離性，這對于提高監督分類的精度非常有利。

本研究分別采用馬氏距離、極大似然、卷積神經網絡（CNN）和支持向量機（SVM）4種監督分類方法對研究區的地表覆蓋物進行分類試驗。在進行分類計算時，將GF-6 WFV 8個波段和NDVI、FVC、EVI 3個指數合成為11個波段來進行分類，以提高數據的敏感度和充分度。圖3A～D分別顯示了馬氏距離分類、極大似然分類、神經網絡分類及支持向量機4種不同監督分類方法的結果。

對上述4種監督分類結果進行小范圍高分辨率影像分類驗證，結果顯示，支持向量機的分類結果精度最高，更加符合實際，其Kappa系數為0.983 7，總精度達99.165 3%；馬氏距離分類精度最低，其Kappa系數為0.933 8，總精度為96.898 0%（表2）。僅使用GF-6 WFV 8個波段進行監督分類時，分類結果的精度明顯降低，如極大似然分類的Kappa系數僅為0.901 8，總精度為94.871 4%，相比利用11個波段計算的分類結果分別低0.039 9和2.169 1%，表明更多波段能夠提供更多的信息，有利于提高分類的精度。

監督分類結果表明，研究區大部分地表被森林覆蓋，人工大棚主要分布在中部和南部地區（圖中標注為青色），呈南北向的帶狀分布。耕地主要分布在中西部和東部地區，裸地則分布在西北部和東部地區。該結果與波段組合及植被指數定性分析的結果相符合，并與實際情況一致。支持向量機分類方法在本研究中取得最高的精度和Kappa系數。

3 結論與討論

本研究表明，研究區森林廣泛分布，耕地主要分布在中西部和東部，建筑用地主要集中在中西部、北部、南部及東部，農業大棚主要分布在中部和南部，裸地主要位于西北部及中東部，光伏發電用地則零星分布在中西部。該分類結果與波段組合及植被指數的提取結果相符合，并與實際情況一致，驗證了所采用方法的有效性。

GF-6 WFV中的紅邊波段（B5）、黃波段（B8）和紫波段（B7）通過與常規波段組合，顯著提升了地物識別精度。NDRE在植物健康監測中表現出比NDVI更高的靈敏度，能夠更有效地反映植被葉綠素含量，尤其在精準農業和動態植被評估中表現出明顯優勢。通過設定NDRE的經驗門檻值，進一步分析了植被覆蓋度（FVC），并將植被區域細分為不同的覆蓋等級，提供了更詳細的植被分布情況，有助于精準評估植被的覆蓋度和健康狀況。支持向量機（SVM）分類方法在處理高維光譜數據和復雜地形條件下表現更佳，分類精度最高（Kappa系數為0.983 7，總精度為99.165 3%）。這說明SVM能夠有效處理高維度數據和復雜地物特征。相比之下，馬氏距離分類由于假設不同類別的協方差矩陣相同或近似，不適用于復雜山區地物的多變特征；極大似然分類受限于數據分布假設和樣本代表性不足，導致其分類精度較低；神經網絡分類方法需要大量訓練數據和復雜參數調整，在復雜山區難以獲得足夠數量的樣本。

GF-6 WFV的高空間分辨率和新增的紅邊波段為地物分類和監測提供了豐富的光譜信息，特別是在精準農業和林業管理方面顯示出顯著優勢。相比Landsat8影像，GF-6 WFV在拼接效果和數據完整性方面更佳，適合大尺度遙感觀測。未來研究應整合來自不同遙感數據源的數據，以提高分類精度和覆蓋范圍。進一步優化現有分類算法，探索更高效的方法，以減少計算資源消耗，縮短處理時間。還需結合雷達和LiDAR數據等多種數據源，并開展動態監測，以適應環境條件的快速變化。

參考文獻

[1] 陸春玲，白照廣，李永昌，等. 高分六號衛星技術特點與新模式應用[J]. 航天器工程，2021，30（1）：7-14.

[2] 梁繼，鄭鎮煒，夏詩婷，等. 高分六號紅邊特征的農作物識別與評估[J]. 遙感學報，2020，24（10）：1168-1179.

[3] 姚保民，王利民，王鐸，等. 高分六號衛星WFV新增譜段對農作物識別精度的改善[J]. 衛星應用，2020（12）：31-34.

[4] 段金饋，李峰，秦泉，等. 高分六號紅邊波段對夏玉米種植區識別的影響[J]. 海洋氣象學報，2023，43（3）：104-112.

[5] 黃建文，李增元，陳爾學，等. 高分六號寬幅多光譜數據人工林類型分類[J]. 遙感學報，2021，25（2）：539-548.

[6] 武紅敢，米國兵，曾慶偉.高分六號寬幅數據的森林植被黃化監測應用[J].衛星應用，2022（10）：37-42.

[7] 覃先林，李增元，李凡，等. 高分六號衛星數據 在森林草原火情監測中的應用[J]. 衛星應用，2020（12）：35-37.

[8] 劉倩，覃先林，胡心雨，等. 高分六號寬幅數據識別火燒跡地的光譜及指數分析[J]. 光譜學與光譜分析，2021，41（8）：2536-2542.

[9] 吉長東，康仲林. 高分六號衛星城市建成區提取方法[J]. 激光與光電子學進展，2021，58（4）：0428003.

[10] VERHOEVEN G J. Near-infrared aerial crop mark archaeology：from its historical use to current digital implementations[J]. Journal of archaeological method and theory，2012，19（1）：132-160.

[11] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian journal of remote sensing，1996，22（3）：229-242.

[12] KANG Y P，MENG Q Y，LIU M，et al. Crop classification based on red edge features analysis of GF-6 WFV data[J]. Sensors，2021，21（13）：4328.

[13] 王卓卓，何英彬，羅善軍，等. 基于冠層高光譜數據與馬氏距離的馬鈴薯品種識別[J]. 江蘇農業學報，2018，34（5）：1036-1041.

[14] BOSTAD P，LILLESAND T M. Rapid maximum likelihood classification[J].Environmental remote sensing center，1991，57（1）：67-74.

[15] 修麗娜，劉湘南. 人工神經網絡遙感分類方法研究現狀及發展趨勢探析[J]. 遙感技術與應用，2003，18（5）：339-345.

[16] 王振武，孫佳駿，于忠義，等.基于支持向量機的遙感圖像分類研究綜述[J].計算機科學，2016，43（9）：11-17，31.

[17] 王利軍，郭燕，王來剛，等.GF6衛星紅邊波段對春季作物分類精度的影響[J].河南農業科學，2020，49（6）：165-173.

（責任編輯：何" 艷）