GF-6卫星WFV数据在林地类型监测中的应用潜力

刘晋阳 辛存林 武红敢 曾庆伟 史京京



GF-6卫星WFV数据在林地类型监测中的应用潜力

刘晋阳1辛存林1武红敢2曾庆伟3史京京4

（1 西北师范大学地理与环境科学学院，兰州 730070）（2 中国林业科学研究院资源信息研究所，北京 100091）（3 二十一世纪空间技术应用股份有限公司，北京 100093）（4 国家林业局调查规划设计院，北京 100714）

为了了解“高分六号”（GF-6）卫星宽视场（WFV）传感器1A级产品数据品质，评估新增4个波段在林地类型分类研究中的应用潜力，文章以内蒙古鄂伦春自治旗的秋季GF-6卫星WFV数据为对象，开展了绝对定位精度的测试，并应用随机森林方法进行了林地类型分类研究。结果表明，GF-6卫星的WFV平原区数据几何畸变较小，无控制点有理多项式系数校正后图像配准的中误差在1个像元之内，有助于降低遥感技术应用的门槛，提高工作效率。新增的红边1、红边2、黄边波段对林地类型分类影响显著，整体分类精度从74%提高到80%以上，紫边波段对于森林类型分类也有所贡献。因此，GF-6 卫星WFV的8波段多光谱遥感数据对中国大尺度森林资源、森林灾害等的宏观动态监测具有重要意义和极大应用潜力。

宽视场“高分六号”卫星 随机森林 林地类型 应用潜力 卫星遥感应用

0 引言

森林是陆地上最大的生态系统，具有调节气候、保持水土、保护生物多样性和维护生态平衡等作用[1]。近年来，利用遥感技术对林地类型及其变化实施监测，同时，随着计算机自动分类技术的发展，遥感植被分类的效率和精度得到大幅度提高[2]，为宏观、快速、准确掌握科学数据提供了坚实的保障。

利用中分辨卫星数据开展植被、森林、林地等类型的监测一直是遥感应用研究的热点，我国自1999年开始在森林资源清查中全面引入了遥感技术，即建立了遥感监测与地面调查技术相结合的双重抽样遥感监测体系。遥感技术主要用于地类、森林等类型的识别[3]，在森林宏观监测中具有不可替代的作用[4]。文献[5]利用专题绘图仪（Thematic Mapper，TM）遥感图像的光谱信息、空间信息以及地形数据，通过4阶段分类方法，在极其复杂的四川省攀枝花地区开展了植被类型的信息提取，精度达到90%；文献[6]引入了一种基于针叶林—阔叶林—灌草模型的混合像元分解方法，在黄土高原沟壑区提取了针阔混交林分布区；文献[7]通过将TM3、TM4、TM5与全色波段分别融合，并用融合后TM4R和TM5R构建了归一化植被指数，采用最大似然法获得了南京市的森林覆盖率信息。

2013年4月26日“高分一号”（GF-1）卫星发射以来[8]，由于其公益性与高重访周期的特点，涌现了大量宽视场（Wide Field of View，WFV）单时相遥感数据应用和多时相数据结合应用的新成果，如：利用单时相数据可以开展优势树种的识别、甘蔗种植面积的提取、农作物种植结构提取、植被地上碳储量估算、植被覆盖度估计、草原毒草和冬小麦条锈病遥感监测[9-15]；基于多时相数据实现了森林覆盖变化区域的检测、森林覆盖动态变化定量提取、农作物分类、植被净初级生产力估算和荒漠草原猪毛蒿群落信息提取等行业应用[16-20]。

以上的应用充分表明单时相或者时间序列GF-1卫星 WFV数据在森林、草原植被监测和调查中发挥着重要作用，且随机森林算法是非常实用的分类方法。作为组网运行的姊妹星“高分六号”卫星（GF-6），不仅保留了GF-1卫星原有的4个波段，还新增了有利于植被分类的红边等波段。本文主要针对林业行业用户最为关注的新型遥感数据的几何和光谱特性，以林地类型分类为目标，开展GF-6卫星WFV数据在大尺度林地类型遥感监测方面的实用性评价，探讨今后服务于年度森林资源数据更新等新型业务需求的应用潜力，对于完善我国高分辨率对地观测系统体系具有重要科学价值和意义。

1 研究方法

1.1 研究区概况和GF-6卫星WFV传感器

依据现有遥感数据的覆盖范围，选取内蒙古呼伦贝尔市鄂伦春自治旗北部为研究区，该区位于大兴安岭南麓，嫩江西岸，东经122°25′~126°04′，北纬49°~51°22′之间。区内分布有毕拉河、南瓮河等林业局，总面积约41 464.61km2，森林覆盖率约82.5%，主要树种为兴安落叶松、樟子松、白桦、黑桦、柞树、灌木丛等[21]。从总体地形地势看，既有古老的准平地面，也有浑圆形山体的特征，河网纵横，河谷开阔，地势起伏相对较缓。

2018年6月2日我国成功发射GF-6卫星，是我国首颗精准农业观测的高分卫星[22]。它配置2m全色/8m多光谱高分辨率传感器（PMS）和16m多光谱中分辨率宽幅传感器（WFV）。其中WFV传感器观测幅宽800km且增加了可有效反映植被特有光谱特征的“红边”、“黄边”等波段，WFV传感器的主要技术参数见表1。

图1 研究区位置图

表1 GF-6卫星WFV传感器技术指标

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

1.2 研究数据与预处理

中国资源卫星应用中心提供了2018年9月9日过境的GF-6卫星WFV传感器L1级数据产品，产品号为9836777，其中有3个数据块，本文只选取中间数据块开展应用研究，并利用图像处理软件进行了无控制点有理多项式系数（Rational Polynomial Coefficient，RPC）的校正，获得了具有一定几何精度的数据产品。同时收集了2018年9月26日过境的Landsat-8数据，轨道号为120/025，用于对GF-6卫星数据开展几何精度测试与评价。

1.3 控制点的选取

利用ENVI软件中图像对图像的几何精校正功能，基于Landsat-8的全色波段数据，人工在图像上选取了分布相对均匀的100个控制点，主要为道路交叉点、人工目标等，并确保准确一一对应。

图2展示了用于GF-6卫星WFV传感器数据配准的控制点空间分布状况，基本满足均匀分布的要求。

图2 控制点分布图

1.4 分类样本选取

根据国家森林资源连续清查和森林资源规划设计调查技术规程，以及研究区地表覆盖现状和中分辨率遥感数据的应用现状，本文将遥感监测地类分为针叶林、阔叶林、灌草地、耕地、水体、其它共6个类别，其中灌草地包含沼泽地等类型。

根据呼伦贝尔市2016年最新一次森林资源规划设计调查成果——林相图，选取用于遥感分类研究的面状样本，总计1 013个样本，各地类数量情况见表2所示。其中约70%作为训练样本，剩余约30%作为精度验证样本。

表2 样本情况表

Tab.2 The sample table

图3为样本的空间分布状况。样本在地表覆盖类型多样的山前或沟谷区域分布相对集中，而在森林茂密、人迹罕至且地表覆盖类型单一区域相对少些。训练和验证样本分布比较均匀，布满整个研究区。

图3 样本分布图

1.6 图像分类

（1）多光谱数据及其组合

为了评价GF-6卫星新增4个波段数据对于林地类型提取的贡献或潜力，本文分别用6种组合开展多光谱数据森林分类研究，以分析新增的红边、紫边和黄边波段在林业中的应用潜力，组合方式见表3。

表3 GF-6卫星WFV多光谱数据分类组合表

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

（2）随机森林算法

随机森林算法属于一种高效的数据挖掘方法，由Breiman于2001年提出[23]，常应用于数据分类与回归。它从训练样本中选择子样本，有放回地抽样选择向量生成分类树，每个树都会生长而不会修剪，通过随机生成的大量的树应用于分类。

随机森林算法由多个决策树组成。与决策树算法不同，随机森林算法并没有采用最好的分割变量进行节点分割，而是从样本数据中抽取训练子集，在每个节点随机选择个预测变量，并在这些随机变量中选择一个最优的变量进行分割，建立一个不需要修剪的深度最大的分类树。本文设定树的个数为100，变量个数设为变量总数的平方根，以往研究表明分类精度的变化对参数设置并不敏感，通常使用默认参数，即可达到理想的分类结果[24]。由于只采用了随机抽取的数据进行建模，因此不会产生模型过度拟合[25]的问题。本文主要应用ENVI软件中随机森林算法开展了基于像元的森林分类研究。

2 结果与分析

林业用户缺乏高精度地面控制点和数字高程模型等基础数据支持，导致需要投入大量人力和物力进行图像几何精校正工作，极大降低了遥感应用效率。美国陆地卫星遥感数据之所以受到全球用户热捧，除了出色的辐射特性之外，其稳定、精准的几何性能功不可没。因此，遥感图像数据的无控RPC正射产品对于行业应用的效率、水平和分类产品精度（面积准确率和位置误差）至关重要，所以本文也主要从几何和分类精度两个方面评估GF-6卫星新型遥感数据的林业应用潜力。

2.1 几何精度评估

卫星遥感影像利用有理多项式系数模型进行校正，其精度应控制在2个像元内[26-27]。基于选取的100个控制点数据，分别采用二元一次、二次和三次多项式校正的误差情况见表4，结果表明中误差约在1个像元之内，且方程次数对误差影响甚微，研究区基本为平缓地形是其主要原因之一。同时也说明GF-6卫星传感器的航偏、俯仰、滚动等引起的几何畸变较小，可以满足应用要求。总体而言，沿轨方向略大于垂轨方向，其极值都基本在1个像元左右。表明GF-6卫星的RPC参数准确，无控RPC校正后图像的绝对定位精度能在16m之内，表明GF-6卫星WFV传感器的中间块数据具有良好的几何性能。

表4 配准偏差表

Tab.4 Registration error table

2.2 分类结果

基于6种组合的多光谱数据，利用随机森林算法分类可以得到相应的混淆矩阵以及总体精度、卡帕系数等数据，其中混淆矩阵的对角线值代表了正确分类的像元数。6种组合有林地的正确分类状况如图4所示。

图4 六种组合的林地类型正确分类统计图

根据各组合正确分类的像元数量大小可知，如果以传统的四波段为基准，对于针叶林而言，正确率由高到低排序分别是全新四波段集合>黄边波段>紫边波段>红边1波段>红边2波段，相对来说红边贡献较少；对于阔叶林而言，正确率排序分别是全新四波段集合>黄边波段>红边1波段>红边2波段>紫边波段，相对来说紫边贡献较少；就灌草地而言，正确率排序分别是红边1波段>全新四波段集合>红边2波段>黄边波段>传统四波段集合>紫边波段，此时红边有较好的贡献，而紫边为负贡献。总之，对于处于秋季的森林植被来讲，新增的红边波段对于灌草和行将落叶的阔叶林有很好的作用，黄边波段对落叶林和针叶林都有贡献，而紫边波段只稍有助于针叶林和阔叶林的分类。

6种组合的分类结果如图5所示。西部以针叶林为主，东部为阔叶林间灌草地，这些遥感分类结果总体趋势一致，证明了WFV数据在林地类型监测中的实用性和随机森林算法分类方法的可靠性。

图5 六种组合的分类结果图

2.3 精度评价

基于像元的遥感分类结果常常会有椒盐噪声等现象，既不美观也无助于分析，更无法满足制图综合要求，需要进行相关的后期处理。本文主要采用ENVI 5.2新增的小斑块处理工具，进行了斑块聚类，模板大小为3像元×3像元范围的窗口。表5展示了6种组合类后处理前后的总体分类精度，新增的4个波段相比传统4个波段可提高6.5%左右。每种组合若再经过类后处理，分类精度又能提升约3%~4%。

表5 六种组合分类结果精度评价表

Tab.5 Accuracy evaluation of classification results

3 结束语

通过在我国东北林区对秋季GF-6卫星 WFV数据的林地覆盖类型监测能力的初步研究，结果表明：

1）地形平缓区的中间块GF-6卫星WFV数据无控RPC校正后，内部几何畸变较小，图像的绝对定位精度能在1个像元之内，满足行业用户小于1︰10万比例尺宏观监测制图的几何要求，即可以省略几何精校正的预处理过程，对降低遥感技术应用门槛和提高工作效率具有现实意义。

2）新增的黄边、红边1、红边2和紫边波段都有助于森林类型遥感分类精度的提升，充分证明了新增波段对植被含水量、叶绿素含量等变化较为敏感，实现了提高植被分类精度的传感器设计目标。

当然本文的研究仅是初步尝试，还未进行其它数据块、复杂地形区和多时相数据结合的分类精度对比研究，相信随着卫星的交付使用，GF-6卫星WFV数据在我国林地、草地、湿地、荒漠化、森林灾害等领域的准实时宏观动态监测和管理中的应用将更为深入和广泛。

[1] 李俊明, 邢艳秋, 杨超, 等. 基于环境与灾害监测预报小卫星的树种识别[J]. 东北林业大学学报, 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, 方陆明. 遥感图像森林资源信息提取与分析研究[M]. 北京: 科学出版社, 2007. GE Hongli, FANG Luming. Extraction and Analysis of Forest Resources Information from Remote Sensing Images[M]. Beijing: Science Press, 2007. (in Chinese)

[3] 张煜星, 王祝雄. 遥感技术在森林资源清查中的应用研究[M]. 北京: 中国林业出版社, 2007. ZHANG Yuxing, WANG Zhuxiong. Application of Remote Sensing Technology in Forest Resources Inventory[M]. Beijing: China Forestry Publishing House, 2007. (in Chinese)

[4] 赵宪文. 中国热带林遥感探索: 分类方法与调查方案[J]. 林业科学研究, 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, 孙星和, 袁崇桓. 山区植被类型信息提取方法研究[J]. 国土资源遥感, 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, 闫巧玲. 基于ETM+影像的森林资源信息提取——以黄土高原丘陵沟壑区水土保持林为例[J]. 生态学杂志, 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, 何瑞银, 丛静华. 基于ETM+遥感影像的森林植被信息提取方法研究[J]. 南京林业大学学报(自然科学版), 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] 陆春玲, 王瑞, 尹欢. “高分一号”卫星遥感成像特性[J]. 航天返回与遥感, 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] 吕杰, 郝宁燕, 李崇贵, 等. 利用随机森林和纹理特征的森林类型识别[J]. 遥感信息, 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] 刘吉凯, 钟仕全, 徐雅, 等. 基于多时相GF-1WFV数据的南方丘陵地区甘蔗种植面积提取[J]. 广东农业科学, 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, 李晓兵, 白云晓, 等. 基于GF-1 WFV影像的丰宁县植被地上碳储量估算[J]. 资源科学, 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和面向对象的农作物种植结构提取方法研究[D]. 北京: 中国农业科学院, 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, 张杰, 马毅, 等. 基于GF-1 WFV影像的黄河口湿地植被盖度估测及分析[J]. 海洋学报, 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] 温阿敏, 郑江华, 穆晨, 等. 基于GF-1 WFV数据的草原毒草白喉乌头空间分布监测与分析[J]. 新疆农业科学, 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, 刘佳, 杨福刚, 等. 基于GF-1/WFV数据的冬小麦条锈病遥感监测[J]. 农业工程学报, 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, 孙桂芬, 等. 利用KPCA法检测高分一号影像中的森林覆盖变化[J]. 国土资源遥感, 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, 巫兆聪, 罗飞, 等. 基于GF-1/WFV与MODIS时空融合的森林覆盖定量提取[J]. 农业机械学报, 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] 杨闫君, 占玉林, 田庆久, 等. 基于GF-1/WFV NDVI时间序列数据的作物分类[J]. 农业工程学报, 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卫星数据的半干旱草原区NPP遥感估算——以内蒙古正蓝旗为例[D]. 北京: 中国林业科学研究院, 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时间序列的荒漠草原猪毛蒿群落提取及时空特征研究[D]. 银川: 宁夏大学, 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] 鄂伦春自治旗人民政府. 森林资源[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] 国防科技工业局. 高分专项“高分六号”卫星成功发射[J]. 航天返回与遥感, 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] 张晓羽, 李凤日, 甄贞, 等. 基于随机森林模型的陆地卫星-8遥感影像森林植被分类[J]. 东北林业大学学报, 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] 张雷, 王琳琳, 张旭东, 等. 随机森林算法基本思想及其在生态学中的应用——以云南松分布模拟为例[J]. 生态学报, 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] 柴渊, 李万东. 土地利用动态遥感监测技术与方法[M]. 北京: 地质出版社, 2011. CHAI Yuan, LI Wandong. Land Use Dynamic Remote Sensing Monitoring Technology and Method[M]. Beijing: Geological Publishing House, 2011. (in Chinese)

[27] 丁军, 王丹, 王超鹏, 等. 利用高分辨率卫星遥感数据进行土地利用动态遥感监测的实践与认识[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

刘晋阳，男，1991年生，2015年获河南理工大学万方科技学院地理信息系统专业学士学位，现在西北师范大学环境工程专业攻读硕士学位。研究方向为环境遥感。E-mail：jys20169@163.com。

辛存林，男，1967年生，2009年获兰州大学资源环境学院理学博士学位。主要研究方向为地质矿产与环境遥感。E-mail：xincunling@163.com。

2019-01-29

国家自然科学基金（41262001）；甘肃省科技支撑基金（1104FKCA116）

（编辑：庞冰）