利用光谱混合分解模型分析GF-6新增波段对土地利用/覆被的响应

孙敏轩，刘 明，孙强强，张 平，焦 心，孙丹峰，史云扬

利用光谱混合分解模型分析GF-6新增波段对土地利用/覆被的响应

孙敏轩，刘 明，孙强强，张 平，焦 心，孙丹峰※，史云扬

（中国农业大学土地科学与技术学院，北京 100193）

当前面对紧迫的自然资源管理压力和生态环境监测需求，针对国产遥感卫星大数据应用能力的挖掘将面临很大的挑战。GF-6卫星具有大角度、高频次和新谱段的特点，该文基于GF-6卫星数据，测试新增的红边、黄光和紫光波段响应能力。利用具有物理意义的全约束线性光谱混合分解模型，根据研究区物候特征确定四端元包括植被（GV），裸地和建设用地等基质（SU），山体植被阴影（DA）以及水（WA），通过对比保留红边、黄光波段、紫光波段和去除红边、黄光、紫光波段后的分解结果，对各新增波段和GV端元、SU端元、差均方根（RMSE）进行相关性分析；最后对比光谱混合分解结果和基于专家知识决策树分类结果。通过对比丰度值估计参数和决策树分类结果发现红边波段对植被较为敏感，对光谱混合分解模型的适用性、稳健性以及丰度值估计精度有着很大贡献，黄光波段和紫光波段经过数据降维后对植被和裸地、建设用地有少量贡献。通过相关性分析发现红边2波段、近红外波段与GV端元丰度图有最大的相关性，紫光波段、黄光波段和红边1波段与GV端元反向相关；红边1波段、紫光波段和黄光波段与SU端元丰度图显著相关；红边1波段和黄光波段对丰度值计算误差有主要贡献，是主要的噪音来源，紫光波段次之。通过对比GF-6数据和OLI、Sentinel-2数据丰度值估计结果发现GF-6丰度值估计的均方根误差以及除了WA端元的各端元丰度值估计变异系数均小于OLI和Sentinel-2载荷，体现出CF-6卫星在地表信息识别上较高的精度和稳健性。

土地利用；遥感；光谱混合分解；GF-6卫星；红边波段；紫光波段；土地利用/覆被；端元丰度值

0 引 言

国产卫星的覆盖面积、谱段范围和重返周期都在不断提高，亟需对国产数据的应用范围和应用潜力进行深入的挖掘，才能扩大国产卫星数据的国际占有率和影响力。2018年6月2号成功发射的GF-6卫星以农业部为主要用户单位具有大角度、高频次和新谱段的特点，即具有800 km大宽幅、4 d的重返周期以及新增了其特有的紫光、黄光和红边波段。同时，GF-6卫星可与GF-1卫星组网运行，能够大大提高国产卫星的对地观测能力，为全国农作物管理、生态环境监测、国土资源调查以及土地利用/覆被变化检测提供强有力的数据支撑。但面对紧迫的自然资源管理压力，和生态环境监测需求，针对国产遥感卫星大数据应用能力的挖掘将面临很大的挑战。

红边波段指的是电磁波谱在690到770 nm处由植被内部引起的反射率陡升的光谱通道，主要原因是强烈的叶绿素吸收导致的低红光反射率和高内部叶散射导致的高近红外反射[1]。当前国内外对于红边波段的研究较为广泛，大多集中在红边波段对于估计叶面积指数的作用和绿色植被进行光合作用的研究[2-5]，以及作物识别和面积提取[5-7]，以及不同红边指数的建立[8-9]。目前国内外在轨卫星包含黄光波段和紫光波段的卫星非常少，所以当前对于黄光波段和紫光波段的研究也较少。Hu等通过归一化山体植被指数、氮反射指数和黄波反射率研究出一种植被指数，用于水土流失区生态修复后植被健康状况检测[10]；Alexakis等利用黄光波段对盐具有敏感性特征进行土壤含盐量评估[11]；国内外对紫光波段的相关研究较少，但紫光波段最不易被水吸收能够穿透更深的水层，可以应用于多光谱水深探测，同时容易受到大气散射影响，可用于开发更好的大气校正模型[12]。以上，对于红边、黄光和紫光波段的研究大多集中在方法和机理上的研究，较少挖掘出可见光新增波段在大区域的对地观测能力。本文针对最新发射的新增红边波段、黄光波段和紫光波段的国产GF-6卫星影像，测试其新增波段对植被、裸地和建设用地的响应，以挖掘出新增波段对土地利用/覆被的监测能力。

此前，对于光谱混合分解在土地利用/覆被分类的应用已有大量研究，如：Sun等利用植被、盐、沙、暗色物质四端元根据季相变异信息模拟了民勤绿洲真实地表场景特征[13]，利用丰度值差值建立端元变化特征向量，监测出土地沙化、盐化以及恢复过程[14]，并且利用具有物理意义的端元丰度季相变异信息进一步量化了土地利用/覆被的功能特征[15]。Masoud等[16]通过光谱混合分解模型进行旱区土壤盐碱化制图从而确定土壤盐碱化因子揭示了土壤与覆被的之间存在互馈。Sun等也认为端元丰度值能表达植被-土壤生境的互动过程，能够更好地反映土地利用/覆被变化过程，采用端元丰度图为特征参数提取的土地荒漠化信息能反演出植被和土壤生境的时空演化以及其相互作用机理效应[17]。光谱混合分解还适用于大尺度长时间序列的土地利用/覆被变化分析，Daldegan等利用Google Earth Engine平台运用光谱混合分解方法进行了热带地区长时间序列的火灾监测和模拟[18]。除此之外，光谱混合分解模型依靠其简洁性和物理意义在指数建立、生物量估算、分类制图、变化检测以及不透水面提取和城市热岛效应等方面都有大量应用[19-24]。依据前人研究结论，具有物理的线性光谱混合分解模型是测试卫星波段对土地利用/覆被响应能力的优选。

本文将基于GF-6测试数据，测试新增的红边、黄光和紫光波段响应能力。利用具有物理意义的全约束线性光谱混合分解模型，根据研究区物候特征确定四端元包括植被（GV），裸地和建设用地等基质（SU），山体植被阴影（DA）以及水（WA），通过对比保留红边、黄光波段、紫光波段和去除红边、黄光、紫光波段后的分解结果，对各新增波段和GV端元、SU端元进行相关性分析；最后对比光谱混合分解结果和基于专家知识决策树分类结果。检验GF-6号卫星对土地利用/覆被的识别和识别能力，并通过对比GF-6、OLI和Sentinel2三个不同载荷的端元丰度图参数，检验GF-6号卫星在农情遥感、全天候国土监测能力上与国外通用优质卫星之间的优势和不足，分析GF-6号卫星对于国产遥感卫星网络建立以及对国产大数据开发应用的前景。

1 研究区概况

烟台市位于山东半岛东北部，丘陵和缓逶迤连绵，温带季风气候，年均降水量650 mm。全域河网密布，植被茂密，属暖温带中生落叶阔叶林区系，但因农垦历史悠久，现有植被有明显的次生性质。本区粮食作物以小麦、玉米、甘薯为主，经济林主要为苹果和梨，其中烟台的下属县级市栖霞更是被誉为“中国苹果之都”。本文将以烟台市为研究区，将其植被分为耕地、林地和果园，除此之外还将分出建设用地、水域以及其他用地（图1）。

2 数据源及预处理

GF-6卫星数据由其主用户单位农业部提供，影像获取时间为2018年9月9日，1景影像可以覆盖研究区全域，其主要卫星载荷由一台2 m/8 m全色多光谱相机和一台16 m多光谱宽幅相机组成，多光谱宽幅相机新增了两个红边波段（690～730、730～770 nm）、一个紫光波段（400～450 nm）和一个黄光（590～630 nm）波段，本文还使用了该研究区三景辅助数据，为2017年8月6日的Landsat 8 OLI数据和2018年8月31日的Sentinel-2数据以及ASTER GDEM全球30m DEM数据，各传感器数据详细参数信息见表1。

图1 研究区

表1 GF-6、OLI、Sentinel2卫星参数

GF-6影像数据需要辐射定标、几何校正、大气校正以及数据裁剪等预处理工作。本文使用ENVI5.3，通过光谱响应函数确定中心波长，利用获取到的Gains值和Offset值进行辐射定标；以10 m的Sentinel-2影像为基准影像对测试数据进行几何精校正，误差控制小于1个像元；利用光谱响应函数通过FLAASH大气校正模块进行大气校正，获取地表反射率影像；最后根据烟台市行政界线进行裁剪，以上预处理参数均由中国科学院遥感与数字地球研究所及农业相关部门提供。OLI和Sentinel-2均进行过几何精校正所以只需要进行辐射定标和大气校正，其中OLI直接采用ENVI5.3进行处理；Sentinel-2使用欧空局提供的Sen2Cor算法进行处理；ASTER GDEM全球30m DEM数据通过ArcGIS10.3平台计算坡度。

3 研究方法

首先对预处理完数据进行波段融合，针对新增波段设计4个情景（S1-S4）进行控制试验，分别得到完整波段数据（S1）、缺失2个红边数据（S2）、缺失黄光波段数据（S3）和缺失紫光波段数据（S4）；然后分别对S1、S2、S3和S4 4个情景进行全约束线性光谱混合分解得出丰度值，对比分析各景影像丰度值参数；并分析GV、SU端元丰度值、残差均方根（RMSE）与近红外波段以及各新增波段之间的相关性；最后根据丰度值对四景影像进行基于专家知识的决策树分类并对比分类结果。根据丰度值参数，相关性差异和决策树分类精度判断各新增波段对土地利用/覆被的响应特征。

3.1 全约束线性光谱混合分解

线性光谱混合分解是具有物理意义的混合像元分解方法，其原理是通过纯净地物的光谱曲线将混合像元分解成不同的亚像元地物组分百分比，并得出对应的端元丰度值，端元丰度值表示了各种地物在混合像元中所占的比例[26-27]，丰度值图像能连续的描述地表物质的异质性梯度，由其得出的相对覆被分类图能够更准确地反映地表信息[23]，全约束线性光谱混合分解后得到各端元的丰度值在0到1之间，将多光谱传感器光谱空间转化为具有物理意义的标准光谱端元空间[25]，标准光谱端元空间让各地类信息的可比较可移植成为可能[28]。对于宽波段、中低分辨率以及地表异质性较大的分类制图具有很好的适用性，采用线性光谱混合分解模型测试GF-6卫星新增波段能够充分挖掘新增波段对地表覆被的响应能力，研究结果可为不同类型实验提供良好参照。

全约束线性光谱混合分解的具体流程包括数据降维、端元提取、以及丰度值估计，本文主要是通过主成分变换（PCA）进行数据降维，然后根据降维结果和当地物候知识确定端元类型并通过构建二维散点图从散点图端点处提取端元光谱，最后进行全约束性光谱分解，光谱混合分解具体内容参考文献[29]。

3.2 相关性分析

相关性分析可以判断2个波段之间的信息冗余程度以减少运算量，消除噪音[30-31]。分析波段与端元丰度图之间的相关性，可以判断波段对计算端元丰度值的参与程度和贡献率。植被最大的光学特征是对近红外波段异常敏感，在近红外波段处具有高反射特征，而裸地和建设用地在近红外波段处具有低反射特征，此外DA端元以山地和植被阴影为主，受影像拍摄时间和地物类型影响具有不稳定性，WA端元为水体，其内部受水体悬浮颗粒类型影响，具有很大变异。所以本文通过分析近红外波段和GF-6卫星各新增波段与GV端元、SU端元、RMSE分布图的相关性，并通过2检验回归效果的显著性，以此检验各新增波段对于不同土地覆被识别的贡献程度，本部分通过Python语言环境实现。

3.3 决策树分类

决策树分类因其简易性和可解释性常被使用[32]，配合具有物理意义的端元丰度图作为输入参数可以更好地耦合数据和研究区气候环境及土地利用模式。由于影像拍摄时间是9月9日，正值当地植被密度最高，有极少裸地和未耕农地，同时考虑到只有单一时相测试数据，不能准确判别作物类型，故确定耕地、园地、林地、建筑用地、水域和其他用地6个地类。本文根据研究区物候和生境条件以及土地利用现状特点建立决策树分类知识。耕地、果园和林地的植被盖度较高，但果园和林地由于有较大的冠层、更高的躯干和更稀疏的分布密度所以呈现大量阴影；通过分析从烟台市统计局获取的烟台市统计年鉴数据以及实地观察,发现研究区果园的分布坡度一般较林地更低，多在15°以下；建筑用地包括城镇、农村居民点、工矿、交通以及其他建设用地等；水域包括水域、河流、水库等。

建立好的训练样本可以辅助决策树阈值的划定，提高分类精度。本文通过Google Earth高清影像配合各端元丰度图和经过完整预处理的GF-6测试数据建立训练样本，每个地类均匀分布20个左右的训练区，建立训练样本和验证样本。混淆矩阵是土地利用覆被分类经典的精度验证方法，本文通过构建混淆矩阵进行精度验证，总体分类精度和Kappa系数反映了总体的分类效果，生产者精度和用户精度分别代表了漏分误差和错分误差。

4 结果与分析

4.1 光谱混合分解

1）本文采用主成分分析作为数据降维的方法，根据主成分分析结果（表2）可以发现，97%以上的光谱信息均能由前2个主成分表达，说明GF-6卫星在该景影像上的内在维度是2。通过第一主成分可以发现所有载荷量方向一致且黄光和紫光波段贡献明显大于其他波段，说明其增强的是研究区的基质即土壤的信息，同时包含了部分建设用地的信息，增强了部分水体的光谱信息；第二主成分的近红外和红边波段贡献明显大于其他波段，说明第二主成分增强的是植被信息。此外，烟台市植被类型多样，丘陵和缓逶迤连绵，植被和山体形成大量阴影区，河网密布，有大量建成区域，所以确定植被（GV）、基质（SU）、暗色物质（DA）和水（WA）4个端元，其中基质主要包括裸地、建设用地等；暗色物质主要为山体阴影以及其他无法判别的暗色地类。根据主成分变换矩阵从二维散点图端点处提取端元，并得到端元光谱曲线如图2，通过光谱曲线可以看出GV有明显增强，可以猜测红边波段可能对植被有明显的响应；SU在紫光和黄光处有明显增强，紫光和黄光波段可能对裸地或建筑用地有增强作用。然后对4景数据分别进行光谱混合分解，得到的端元丰度图如图2所示，各端元丰度图清晰准确地展示了研究区典型地物（植被、裸土、建设用地、水、阴影等）的分布情况，体现出光谱混合分解模型强大的信息增强能力。

表2 主成分变换矩阵

注：GV、SU、DA和WA分别表示植被端元、基质端元、暗色物质端元、水端元。GV端元，SU端元，DA端元丰度分别用红绿蓝表示。下同。

2）表3分别统计了研究区各端元丰度值和均方根误差平均值（Mean）、标准差（StdDev）和变异系数（CV）。均方根误差又称标准误差，反映测量值同真值之间的误差，能够很好的反映计算的精密程度，标准差和变异系数均反映数据的离散程度。观察统计值，可以发现，GV和DA的丰度值可以达到研究区的80%说明，研究区主要由植被和暗色物质构成，4景影像的均方根误差均在0.01左右，反映出GF-6数据能够很好的应用于线性光谱混合分解模型，S2和S4的均方根误差明显大于S1和S3的均方根误差，说明2个红边波段和紫光波段对分解精度有显著贡献，S2的变异系数最大体现出2个红边波段对于分解结果稳定性具有显著贡献。在全波段S1的分解结果中GV占研究区的28.4%，去除2个红边波段S2占研究区的22.2%，减少了6.2个百分点，说明缺失了红边波段后丢失了很多植被的细节信息；同时，S1中SU占研究区的12.2%，而缺失黄光波段S3中的SU只占研究区的11.9%，减少了0.3个百分点，说明缺失了黄光波段后会丢失部分裸地和建筑用地的细节。

根据图3，可以看出在一些GV较少分布的地方，保留红边的丰度图会有较低的丰度值，而缺失红边以后直接丢失了该区域的丰度值信息；在建设用地区域，缺失黄边数据的丰度图与全部波段丰度图没有明显差异（丢失了很小的信息）。

表3 不同情景试验下丰度值统计

图3 丰度值信息丢失对比图

图4 各传感器GV、SU、DA三端元合成及端元光谱曲线

3）通过对比国产GF-6卫星和国外常用Landsat8和Sentinel-2卫星对研究区光谱混合分解结果可以发现，GF-6卫星一定程度上已经达到甚至超越了国外卫星水平。各传感器三端元合成图和端元光谱曲线如图4所示，由于影像时相、拍摄时间略有不同，所以三端元合成图也有轻微差异，GF-6卫星SU端元的光谱曲线有明显的由紫光、黄光和红边2波段造成的突变点。表4列出了GF-6卫星、Landset8和Sentinel2系列在研究区各端元丰度值和均方根误差平均值、标准差和变异系数。

表4 不同卫星丰度值统计

可以看出GF-6卫星除了WA所有端元包括均方根误差的变异系数均小于OLI和Sentinel2的变异系数，且GF-6的均方根误差平均值最小，说明了GF-6卫星在全约束线性光谱混合分解模型应用上具有最好的稳健性和最优的预测精度，WA的丰度值由于占研究区面积太小（约8%），所以其在不同传感器上都表现出较大的离散性，但也因为面积较小，所以对整个研究区的丰度值估计影响很小。

4.2 相关性分析

参考图5，通过对GV端元丰度图、SU端元丰度图和RMSE分布图与近红外波段、各新增波段进行相关性分析可以看出，红边2波段、近红外波段与GV端元丰度显著相关（相关系数和2均大于0.5），紫光波段、黄光波段和红边1波段与GV端元反向相关，可以反向增强植被信息，但并不显著；红边1波段、紫光波段和黄光波段和SU端元显著相关（和2均大于0.8），对SU端元丰度图的计算具有很大的贡献；红边1波段和黄光波段与均方根误差图有着并不显著的相关性，这3个波段对大区域的丰度值计算可能会存在干扰作用。

这里的结论与丰度值参数对比结论基本一致，即红边波段对GV端元丰度值估计、黄光波段对SU端元丰度值估计具有较大贡献。由于光谱混合分解过程中进行了主成分变换等工作，消除了部分冗余信息，所以紫光波段、黄光波段对GV端元丰度值估计的贡献以及红边2波段对SU端元丰度值估计的贡献很不明显，但这并不说明这些波段对各端元丰度值的计算毫无作用。

4.3 决策树分类

通过以研究区物候、生境条件以及土地利用现状特点建立的分类知识，建立决策树（图6）。耕地、果园和林地的GV端元丰度值较高，先通过GV划分植被区和非植被区；果园和林地由于有较大的冠层、更高的躯干和更稀疏的分布密度所以呈现大量阴影，DA端元丰度值会更高，在植被区通过DA划分耕地和林地；通过分析统计年鉴数据以及实地观察发现研究区果园的分布坡度一般较林地更低，多在15°以下，通过由DEM建立的坡度数据划分果园和林地；在非植被区先通过SU划分建设用地和非建设用地；再通过WA划分出水域。根据训练样本以及端元丰度图平均值和标准差训练出的最终阈值参考图6。

四景影像分类结果如图6所示。缺失2个红边波段的S2明显缺失了大量植被信息，大量植被被误分成了建设用地和其他地类；丢失黄光波段的S3分类结果与全部波段S1的分类有少量建设用地错分成植被，分类结果更加平滑，小斑块地类更少；丢失紫光波段的S4中建设用地面积有所提高，这里的结果与丰度值估计以及相关性分析的结果基本一致。

表5 混淆矩阵

续表

通过验证样本分别对S1、S2、S3、S4分类结果建立混淆矩阵（表5），通过混淆矩阵可以看出，丢失黄光波段的S3总体分类精度和Kappa系数最高，分类结果最优，说明黄光波段对普通土地覆被分类的贡献很小，甚至会产生干扰，影响分类精度，但相较S1来说，S3建设用地的生产者精度和用户精度都有轻微下降，说明黄光波段可能会对建设用地有部分响应（参考4.2节）；缺失红边波段S2的总体分类精度和Kappa系数明显低于全部波段S1的分类精度，大量的耕地、林地、果园等植被区被错分成了建设用地导致植被区分类的生产者精度（2种情景下耕地、林地、果园分别为92.53%～65.38%、68.63%～45.69%和78.25%～39.06%）和用户精度均（2种情景下耕地、林地和果园分别为70.44%～46.52%、95.84%～94.98%和57.43%～52.63%）均有所降低，体现出红边波段对植被分类具有很大的贡献，且建设用地分类的用户精度也偏低（76.56%），验证了4.2中红边1波段与建设用地有较强的相关性；S4耕地、林地、果园的生产者精度分别为86.93%、67.04%和82.2%，较多植被信息丢失，说明紫光波段对植被和建设用地信息的提取均有影响（参考4.2节）。

5 结论与讨论

本文采用线性光谱混合分解方法、相关性分析以及决策树分类的方法测试了GF-6卫星对土地利用/覆被监测能力，并且对比国产GF-6卫星WFV载荷和Landsat8 OLI、Sentinel-2载荷之间的地表信息识别能力，得出主要结论如下：

1）通过各新增波段和端元丰度图相关性分析发现红边2波段、近红外波段与GV端元丰度图有很大的相关性，紫光波段、黄光波段和红边1波段与GV端元反向相关，可以反向增强植被信息；红边1波段、紫光波段和黄光波段对SU端元丰度图的计算具有很大的贡献；红边1波段和黄光波段对丰度值计算误差有主要贡献，可能会对大区域的分类带来误差。

2）通过线性光谱混合分解丰度值参数对比以及决策树分类发现，红边波段对植被异常敏感，能够有效提高线性光谱混合分解的丰度值估算能力和决策树的分类精度，对光谱混合分解模型的适用性、稳健性以及丰度值估计精度有着很大贡献；黄光波段和紫光波段受主成分变换影响对植被和裸地建设用地有少量贡献。

3）国产GF-6卫星具有大角度、高频次和新谱段的特点，其丰度值估计的均方根误差以及除了WA端元的各端元丰度值估计变异系数均小于OLI和Sentinel-2载荷，体现出在地表信息识别上极高的精度和极强的稳健性，这也反映了国产卫星的发展迅速已经开始达到甚至领先于国际通用卫星。

本研究针对GF-6新增波段的特点，发现了各新增波段对土地利用/覆被的多种响应特征，为国产卫星在不同领域的应用提供了新的思路，见证了国产卫星的进步和完善，也为国产数据走出国门寻找到新的路径。

本研究不足之处在于没有完全挖掘出紫光波段和黄光波段的更多对地观测能力，参考前人的研究成果和两个通道的光谱特性，后续可以对紫光、黄光波段对建设用地类型以及植被健康的响应情况展开研究；通过研究黄光波段对成熟作物和耕地残茬的识别能力来辅助成熟作物收割；以及紫光波段对于水深探测精度的贡献等方面对紫光和黄光波段进行更深入的测试。

[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] 黄春燕，王登伟，张煜星. 基于棉花红边参数的叶绿素密度及叶面积指数的估算[J]. 农业工程学报，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] 佘宝，黄敬峰，石晶晶，等. 基于红边位置变化特征的油菜种植区域提取[J]. 农业工程学报，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] 刘佳，王利民，滕飞，等. RapidEye卫星红边波段对农作物面积提取精度的影响[J]. 农业工程学报，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] 张立福. 通用光谱模式分解算法及植被指数的建立[D]. 武汉：武汉大学，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] 李瑶，潘竟虎. 基于Landsat 8劈窗算法与混合光谱分解的城市热岛空间格局分析：以兰州市中心城区为例[J]. 干旱区地理，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] 张平，孙强强，孙丹峰，等. 基于遥感光谱的干旱区土地退化评价体系构建[J]. 农业工程学报，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] 姜宛贝，孙强强，曲葳，等. 基于多季相光谱混合分解和决策树的干旱区土地利用分类[J]. 农业工程学报，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，张二勋. 基于决策树的遥感影像分类方法研究[J]. 地域研究与开发，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

孙敏轩，刘 明，孙强强，张 平，焦 心，孙丹峰，史云扬. 利用光谱混合分解模型分析GF-6新增波段对土地利用/覆被的响应[J]. 农业工程学报，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

高分辨率对地观测系统重大专项（民用部分）科研项目（30-Y20A07-9003-17/18）

孙敏轩，博士生，主要研究方向资源环境遥感。Email：sminxuan@cau.edu.cn

孙丹峰，博士，教授，主要研究方向为资源环境信息技术与土地利用/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