1 南昌大学空间科学与技术研究院，江西 南昌 330031
2 南昌大学信息工程学院，江西 南昌 330031
在大区域尺度实现快速、精确的作物产量估测对我国粮食安全、作物种植结构调整、进出口贸易等具有重要意义。遥感技术的发展为农业估产领域带来了新的技术和手段。以湖北省油菜为研究对象，针对如何利用有限的地面观测数据进行大区域范围油菜产量估测的问题，结合遥感数据和气象数据，通过WOFOST模型进行数据同化，模拟油菜生长过程中的叶面积指数（LAI）变化，提取油菜关键生长期的LAI，以弥补大区域尺度数据的不足。之后，利用LAI作为中间量构建基于GF-1 WFV数据的大区域尺度油菜估产算法。研究发现，油菜蕾苔期和花期的综合LAI能够实现提前、准确的油菜产量预估，在蕾苔期SR植被指数与LAI相关性最好，在花期则是可见光大气阻抗（VARIgreen）植被指数与LAI相关性最好。为了验证估产算法的有效性和鲁棒性，在阳新县进行了测试。结果表明，与统计年鉴的产量数据相比估产误差低于6%，说明所提算法在大区域尺度油菜估产领域具有很强的潜力。
遥感 WOFOST模型 油菜 高分一号卫星影像 叶面积指数 产量 激光与光电子学进展
2023, 60(10): 1028009
1 西南林业大学林学院, 云南 昆明 650224
2 巴音郭楞蒙古自治州林业和草原局, 新疆巴州“三北”防护林建设管理办公室, 新疆 巴音郭楞 841009
3 中国林业科学研究院森林生态环境与自然保护研究所, 国家林业和草原局森林保护学重点实验室, 北京 100091
目前遥感林火监测主要侧重极轨卫星火点探测精度, 而基于多源遥感影像进行火点、 烟雾特征等综合火场信息遥感监测识别研究较少。 以云南省安宁市2020年5月9日森林火灾为研究对象, 基于高分六号卫星宽幅(GF-6 WFV)数据和风云三号D极轨气象卫星中分辨率光谱仪(FY-3D MERSI)数据进行火场烟雾、 火烧迹地提取及火点判识。 首先根据GF-6 WFV影像, 选取6种光谱特征指数, 以最大似然法、 支持向量机分类法及随机森林分类法, 识别火场烟雾和火烧迹地, 并进行精度评价; 然后, 基于1 km的FY-3D MERSI中红外通道数据, 对潜在火点识别算法进行改进, 根据FY-3C VIRR和MODIS火点探测基本原理, 利用动态阈值和上下文检测法识别火点, 再结合250m分辨率的远红外通道优化识别结果。 最后结合两种数据提取的烟雾、 火点及火烧迹地信息, 探讨分析GF-6 WFV与FY-3D MERSI对于林火的监测能力。 结果表明: 通过5种特征指数及GF-6 WVF数据的8个波段, 能有效识别出烟雾及火烧迹地, 3种分类方法中随机森林分类效果最佳, 总体分类精度和Kappa系数为97.20%和0.955; 改进后的FY-3D MERSI数据火点识别算法, 能有效提高火点识别的准确率; 将中红外通道与远红外通道相结合探测火点, 能使火点识别能力由千米级提高至百米级; 综合GF-6 WFV及FY-3D MERSI数据可有效提取火场的烟雾、 火烧迹地及火点信息。 利用多源数据, 可多方位进行林火监测预警, 对于提高卫星遥感林火监测能力具有重要意义。
卫星遥感 林火监测 烟雾特征 Satellite remote sensing GF-6 WFV GF-6 WFV Forest fire monitoring FY-3D MERSI FY-3D MERSI Smoke characteristics
1 辽宁科技大学土木工程学院, 辽宁 鞍山 114051
2 中国科学院空天信息创新研究院, 北京 100101
3 中国科学院大学资源与环境学院, 北京 100049
4 河南理工大学测绘与国土信息工程学院, 河南 焦作 454003
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。
滇池 总悬浮物 对比分析 GF-1/WFV GF-1/WFV GF-6/WFV GF-6/WFV Dianchi Lake Total suspended matter Comparison and analysis
1 河南理工大学自然资源部矿山时空信息与生态修复重点实验室, 河南 焦作 454000
2 中国科学院空天信息创新研究院, 北京 100101
4 河南省遥感测绘院, 河南 郑州 450000
农业是国家经济发展的基础支柱, 同时也是社会发展的基础产业。 我国农业遥感技术的进步和发展, 大量遥感卫星发射升空, 如高分1号、 2号和6号等, 为我国农情监测、 作物长势、 农业产业结构调整提供了重要技术支撑。 农业遥感成为农业科技创新和精准农业的重要手段。 叶面积指数(LAI)是一种可用来衡量植被冠层生理与生化的关键指标, 不仅可以用来评估植被冠层表面的最初能量交换情况, 提供相应的结构定量数据, 还能反映植被冠层的光谱能量信息。 同时, 在陆地气候变化情况下, 叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。 此外, 研究发现植被冠层受人为活动和气候变化的直接或间接影响时, 叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。 因此, 针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、 稳定性较弱的问题。 基于GF-6 WFV遥感影像以栾城县为试验区, 通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数, 采用R2和RMSE进行模型评价, 同时利用未参与建模的实测叶面积指数和MODIS LAI产品验证模型。 实验结果表明: (1)由相关性分析可知, 整体上讲, 20种光谱植被指数与LAI具有显著相关性, 相关系数在0.4以上, 且红边参与构造的光谱指数相关性要高于无红边参与构造的光谱指数, 其中NDSI的相关性最优; (2)由拟合分析可知, 整体上讲, 20种光谱植被指数与LAI拟合效果较好, 其中NDS13的拟合精度是最高的, R2为0.803, RMSE为0.301 2。 (3)由反演的空间分布可知, 反演结果符合当地的实际情况。 (4)由实测叶面积指数验证模型可知, 实测叶面积指数与NDSI3模型反演的LAI整体拟合较好, R2为0.804, RMSE为0.312 5, 说明该模型能有效反演乳熟期玉米的生长状况。 (5)由MODIS LAI产品验证模型可知, LAIMODIS均值要高于LAIGF-6, 这与MODIS影像像元混合严重和空间分辨率低有关。 综上所述, GF-6WFV反演叶面积指数能力较强, 其影像中红边参与构造的光谱植被指数模型能有效反演乳熟期叶面积指数, 为玉米长势监测提供依据。
叶面积指数 光谱植被指数模型 GF-6 WFV Leaf area index Spectral vegetation index model NDSI3 GF-6 WFV NDSI3 光谱学与光谱分析
2022, 42(7): 2278
中国林业科学研究院资源信息研究所, 国家林业和草原局林业遥感与信息技术重点实验室, 北京 100091
为探究利用高分六号卫星宽幅(GF-6 WFV)数据识别火烧迹地的适宜光谱波段和指数, 选取2019年发生在我国内蒙古大兴安岭林区的三处雷击火形成的火烧迹地作为研究区, 结合GF-6 WFV波段组成, 选取归一化植被指数(normalized difference vegetation index, NDVI)、 全球环境监测指数(global environment monitoring index, GEMI)、 增强植被指数(enhanced vegetation index, EVI)、 燃烧面积指数(burned area index, BAI)、 土壤调节植被指数(soil-adjusted vegetation index, SAVI)、 改进型土壤调节植被指数(modified soil-adjusted vegetation index, MSAVI)和归一化差异水体指数(normalized difference water index, NDWI)等7个光谱指数及地面叶绿素指数(MERIS terrestrial chlorophyll index, MTCI)、 归一化差值红边指数(normalized difference red edge index 1, NDRE1)、 改进的叶绿素吸收指数(modified chlorophyll absorption ratio index 2, MCARI2)和改进的归一化土壤指数(modified normalized difference soil index, MNDSI)等4个改进指数, 基于同期影像和前后两期影像进行火烧迹地和其他典型类别的区分度计算, 并利用上述11个指数及指数差值进行火烧迹地的识别, 定量评价了GF-6 WFV各波段、 所选光谱指数及改进指数识别火烧迹地的能力。 结果表明: (1)GF-6 WFV的近红外波段和新增的两个红边波段区分度较高, 反映火烧迹地特征的能力较强。 (2)在区分火烧迹地和火烧前正常植被上, NDVI, GEMI, EVI, BAI, SAVI, MSAVI和NDWI 7个光谱指数等的区分能力较强, 4个改进指数中, NDRE1和MCARI2的区分能力较好, MNDSI和MTCI的区分效果较差。 (3)在区分同期影像火烧迹地和其余典型类别上, BAI, NDVI, MCARI2和NDWI区分效果较优, 其次为NDRE1, GEMI, EVI, SAVI和MSAVI, 而MNDSI, MTCI的区分能力较差。 (4)在利用所选指数和指数差值识别火烧迹地中, GEMI, EVI, BAI, SAVI和MSAVI的识别精度均较优, 其次是MCARI2, NDVI和NDWI, 做差后提取精度显著上升, Kappa系数均提升到0.80以上, MTCI, MNDSI和NDRE1提取效果较差。 综合比较, BAI和GEMI识别效果最好, NDVI, EVI, SAVI, MSAVI, NDWI和MCARI2的识别能力中等, 而MNDSI, NDRE1和MTCI等3个改进指数识别火烧迹地的能力较差。
高分六号宽幅数据 光谱指数 改进指数 区分度M 火烧迹地 GF-6 WFV data Spectral index Modified index Separability index M Burned area 光谱学与光谱分析
2021, 41(8): 2536
1 山东科技大学测绘科学与工程学院, 山东 青岛 266590
2 武汉大学遥感信息工程学院, 湖北 武汉 430072
高分六号WFV是搭载在我国高分六号卫星上的高空间分辨率多光谱传感器,该传感器实现了高分辨率和宽覆盖的结合。精确识别高分六号WFV数据的云像元对于农业资源监测、林业资源调查以及防灾减灾等行业具有重要意义。基于全球土地覆盖产品FROM-GLC10数据,改进地表类型支持的云检测算法(LCCD算法),开展了高分六号WFV数据的云检测工作。以FROM-GLC10作为先验数据,充分考虑不同地表类型反射率的变化,在每种地表类型上分别采用不同的方法设置阈值。通过目视解译的方法对云检测结果进行精度评价,云正确率整体达到了92.46%,其中植被类、水体类、高亮地表类的云正确率分别为93.09%、95.60%和88.70%。结果表明,改进的基于地表类型的云检测算法有效提高了高分六号WFV数据云检测的精度。
遥感 云检测 FROM-GLC10 高分六号WFV数据 光学学报
2020, 40(21): 2128001
1 中国林业科学研究院资源信息研究所, 国家林业局林业遥感与信息技术实验室, 北京 100091
2 四川省林业信息中心, 四川 成都 610081
为了探究国产高分卫星遥感技术监测火干扰对植被生长影响的能力及其表征植被指数, 选取2014年发生在四川省雅江县和冕宁县的两场森林火灾形成的火烧迹地作为研究区, 利用火灾前后时序的高分一号宽幅(GF-1 WFV)数据, 对不同受灾程度火烧迹地火灾前后的光谱特征变化进行分析, 并以月为单位分析了不同受害程度植被火后两年内由GF-1 WFV数据生成的归一化植被指数(NDVI)、 增强型植被指数(EVI)和全球环境监测植被指数(GEMI)等三种表征植被生长状态的植被指数的变化, 结合研究区纬度、 海拔和气候条件分析火后植被的年内恢复规律。 结果表明: 火烧造成植被色素和细胞结构破坏, 使其不再表现出正常植被特有的光谱特征, 在可见光区受害植被的反射率相比于正常植被偏高, 且其值随受灾程度加重而升高; 在近红外波段火干扰后的植被反射率降低, 其值远低于正常植被的反射率值。 NDVI, EVI和GEMI在表征植被恢复生长过程中存在高度相关性且对植被季节变化敏感, 均能反映植被恢复的生长过程, 具有描述火烧区植被恢复动态过程的能力; 受灾植被恢复生长过程中的植被指数变化与正常植被年生长过程的植被指数变化趋势基本一致, 同样存在生长季和非生长季; 火烧区植被的NDVI, EVI和GEMI值相比正常植被对应植被指数值始终偏低, 且植被受灾越严重, 其植被指数值在同期中对应越低。
高分一号宽幅数据 光谱特征 植被指数 时间序列 植被恢复 GF-1 WFV data Spectral features Vegetation index Time series Vegetation restoration
1 中国科学院安徽光学精密机械研究所 通用光学定标与表征技术重点实验室, 合肥 230031
2 中国科学技术大学, 合肥 230026
为了提升国产光学遥感卫星载荷的定标频次, 提出了一种基于国内多场地的高频次定标方法, 实现了高分一号(GF-1)宽视场成像仪(WFV)的高频次绝对辐射定标.介绍了基于多场地的高频次定标原理, 针对GF-1 WFV的工作参数和工作特点, 提出了国内定标场的优选原则, 并分析了定标场地表特性的时间稳定性.利用中分辨率成像光谱仪(MODIS)的地表和大气产品替代场地定标的现场观测数据, 增加了定标可用的数据量, 同时用实测数据对MODIS地表产品进行真实性检验.实现了GF-1 WFV的多场地高频次定标, 并将定标系数结果与官方定标结果进行比对验证.结果表明：基于国内多场地的高频次定标方法可以获得GF-1 WFV的时间序列定标系数, GF-1 WFV相机4的定标结果与官方定标结果具有较好的一致性, 各波段与官方定标结果的相对偏差分别为-0.49%、1.33%、-1.01%和3.86%.基于多场地的高频次定标方法可有效地提高国产卫星载荷的定标频次, 及时跟踪载荷的辐射特性变化.
高分一号 宽视场成像仪 辐射定标 多场地 高频次 GF-1 WFV Radiometric calibration Multisite High-frequency
1 中国科学院遥感与数字地球研究所, 遥感科学国家重点实验室, 北京 100101
2 中国科学院大学, 北京 100049
3 国家航天局航天遥感论证中心, 北京 100101
4 河南大学计算机与信息工程学院, 河南 开封 475004
5 中国资源卫星应用中心, 北京 100094
在轨运行的传感器辐射性能由于受到元部件老化、 外太空辐射等因素的影响, 会发生变化, 通过传感器在轨定标可以及时追踪传感器在轨运行期间的辐射性能变化。 利用Terra/MODIS(Terre卫星中分辨率成像光谱仪)参考, GF-1/WFV(高分-1号卫星视场传感器)传感器为目标, 基于敦煌校正场的实测地表光谱数据, 在考虑两传感器成像时刻的不同观测角度、 光谱响应、 大气条件和地表特性的匹配贡献的基础上, 获得交叉定标光谱匹配因子, 进一步得出WFV自发射后的时间序列交叉定标系数。 以此辐亮度定标系数得到的表观辐亮度值与MODIS表观辐亮度值进行比对, 开展光谱匹配因子对GF-1/WFV定标系数的影响分析。 分析认为: 在不同波段, 光谱匹配因子变化趋势总体一致, 大于0.9的光谱匹配因子比重分别为53.1%, 75%, 81.2%和93.8%; 辐亮度定标系数的时间序列变化趋势与光谱匹配因子的时间变化趋势呈现负相关; 匹配因子越接近1, 两传感器辐亮度值的相对偏差越小。
高分一号 宽视场相机 交叉定标 光谱匹配因子 GF-1 WFV Cross calibration Spectral band adjustment factors 光谱学与光谱分析
2017, 37(12): 3809
1 南京大学国际地球系统科学研究所, 江苏 南京 210023
2 南京大学江苏省地理信息技术重点实验室, 江苏 南京 210023
通过卫星影像利用水稻不同物候期的特征对其进行识别是目前在水稻信息提取方面比较有效的方式。 首先根据水稻区别于其他植被的显著特征, 即水稻生长前期稻田的下垫面含有大量水的特性, 将用于提取水域信息的归一化水体指数(normalized difference water index, NDWI)合理地应用在水稻前期的信息提取中, 并且利用两个物候期的NDWI做比值, 扩大了水稻与其他地物之间的差异。 再借助归一化植被指数(normalized differential vegetation index, NDVI）在不同物候期的增长变化特征可以进一步提高水稻信息提取的精度。 研究发现充分利用水稻在不同物候期的特殊性, 并结合与水稻特性相关的指数, 将NDWI和NDVI两种指数同时用于水稻提取, 确定合理、 准确、 有效的提取方法是提高水稻提取精度的主要途径。 本文以安徽省来安县的水稻为研究对象, 基于2013年7月12日和8月30日获取的两幅高分一号卫星WFV影像数据, 利用水稻分蘖期和抽穗期的NDVI和NDWI构建了水稻信息提取模式, 有效地提取出了来安县的水稻信息分布并进行制图, 最后结合在研究区野外实地考察的信息数据对提取结果进行验证和评价。 研究结果表明利用该模式能够快速、 准确地从遥感影像上获取水稻分布信息, 具有很好的普适性。
高分一号卫星 WFV影像 水稻信息提取 GF-1 satellite WFV image Extraction information of paddy rice NDWI NDWI NDVI NDVI 光谱学与光谱分析
2015, 35(11): 3255
