随着科技的进步，卫星遥感技术已成为获取地表信息的重要途径之一，尤其在地形复杂的山区，部分常规地面调查方法效率低且覆盖范围有限。高分六号卫星（GF-6）搭载的多光谱宽幅遥感影像（Wide field of view, WFV）凭借其高空间分辨率和广覆盖范围，在精准农业和林业领域表现出色。特别是红边波段和黄边波段的引入，为地物分类提供了技术支持[1]。这些波段不仅丰富了光谱信息，还明显提升了分类的准确性和效率。
近年来，基于高分六号宽幅遥感影像，在农作物识别、林业调查和火情监测等领域开展了广泛研究。梁继等[2]、姚保民等[3]和段金馈等[4]利用高分六号多光谱影像证实了新增谱段对农作物识别精度的改善；黄建文等[5]和武红敢等[6]分别通过随机森林和预警监测模型，提升了人工林分类和黄化森林植被监测的效果；覃先林等[7]和刘倩等[8]探讨了光谱指数在火烧迹地识别中的应用；吉长东等[9]提出的新指数方法有效提高了对城镇建成区的提取精度。上述研究表明，高分六号高分辨率影像在提升地物分类精度方面具有明显效果，其在复杂地形的多类地物分类上尚待进一步研究。
本研究利用GF-6 WFV，结合先进的数据处理和分类技术，对四川西南部地区复杂山区的地物进行大尺度分类研究。首先介绍了GF-6卫星影像的特点及其在地物分类中的应用潜力，然后通过对比不同的分类方法，探索了适合复杂山区多类型地物分类的适宜方法，并评估了其在实际应用中的有效性，旨在为资源调查、环境保护和农业生产等领域提供依据和技术支持，促进遥感技术在复杂山区的进一步应用。
1 材料与方法
1.1 数据来源
采用GF-6 WFV作为数据源，每景幅宽860 km，空间分辨率16 m，为Level 1A级别初级产品，共有两景数据，覆盖了整个研究区。北部一景采集时间为2022年11月19日12：16：47，南部一景采集时间为2022年11月27日12：12：37，两景影像均具有较高的成像质量，云量均为1%。该数据由中国资源卫星应用中心（www.cresda.com）提供。GF-6 WFV的空间分辨率约为Landsat8 OLI的2倍。其中，B7为紫波段，适用于浅水和空气质量研究；B1为蓝波段，适用于深水和大气研究；B2为绿波段，适用于植被研究；B3为红波段，对人造物体、土壤和植被敏感；B4为近红外波段，适用于健康植被分类以及水和植被的分辨；B5和B6为红边波段，适用于农作物的分类研究，能区分健康农作物和不健康的农作物；B8为黄波段，可用来识别缺锰的大豆叶片，也可按季节对单个树种和作物类型进行分类[10]。
1.2 数据预处理
由于WFV数据量大，预处理时间较长，因此首先对两景影像进行辐射定标处理，然后进行裁剪，再进行几何校正和大气校正，以减少处理的数据量，加快处理进度。最后利用ENVI软件中的Seamless Mosaic无缝拼接技术，采用基于图像配准的拼接方法，将上下两个遥感影像按照重叠部分进行精确定位和配准，再进行融合，得到无缝拼接的遥感影像。拼接后的图像清晰，上下影像色调一致，边缘匹配（图1A）。图1B显示了经预处理的Landsant8遥感影像，图中箭头所示的位置存在明显的拼接痕迹，其原因在于Landsat8影像需8景才能完全覆盖研究区，影像拼接涉及8幅图像的匹配问题，不同遥感影像可能受到光照、季节、视角和地貌等因素的影响，导致数据量和复杂度增加，可能产生一些匹配错误。而GF-6 WFV为宽幅影像，仅需两景便可完全覆盖整个研究区，图像拼接相对容易。从两种影像拼接结果可以看出，GF-6 WFV的拼接效果优于Landsat8，更适合大尺度的遥感观测。
1.3 研究方法
1.3.1 波段组合
GF-6 WFV 16 m宽幅影像的主要优势在于增加了2个红边波段、1个黄波段和1个紫波段。这些新增波段通过组合使用，能够更全面地获取地表信息，如地形、植被和水体，显著提高了地物识别的精度和准确度。
在精准农林业中，红边波段能够更灵敏地反映植被的健康状况，而黄波段有助于作物生长状态的监测。对于海洋和大气观测，紫波段提供了更有效的监测手段。在土地利用规划中，结合可见光波段与红外波段，可有效获取地表植被信息及土地利用状况。在自然资源管理中，利用红边波段与水体指数的组合，可以实现对森林和水资源的有效监测与管理。此外，在环境监测中，组合可见光波段与红外波段的数据，可用于监测火灾和气候等环境变化。
1.3.2 植被指数计算
植被指数用于反映植被的覆盖状况和生长情况，广泛应用于实际观测中。常见的植被指数有归一化植被指数（Normalized difference vegetation index，NDVI）、增强型植被指数（Enhanced vegetation index，EVI）、叶绿素指数（Chlorophyll index, CI）以及植被覆盖度指数（Fractional vegetation cover，FVC）等。其中，NDVI由近红外波段和红波段计算得到，用于估算植被覆盖度和生长状况。相比之下，GF-6 WFV通过结合近红外和新增的红边波段计算的归一化差异红边指数（Normalized difference red edge index，NDRE），在检测植被叶绿素含量方面表现得更加敏感。这使得NDRE在作物健康状况的监测中更加精确，尤其适用于精准农业和植被生长的动态评估[11-12]。
1.3.3 监督分类
在遥感地物分类中，常用的监督分类方法包括马氏距离、极大似然法、支持向量机（Support vector machine，SVM）和卷积神经网络（Convolutional neural network，CNN）等。马氏距离是一种基于统计学的分类方法，通过测量样本间的相似度进行分类，适用于样本数量较多且协方差矩阵差异不大的情况。其计算简单且速度快，但对样本数量要求较高，在样本量不足或数据不符合正态分布时，分类效果较差[13]。极大似然法依赖于统计概率，假设数据服从正态分布，通过计算像素的条件概率进行分类。在数据分布接近正态时，该方法能够充分利用训练样本的统计特性，提供较高的分类精度。然而，极大似然法对训练样本数量和数据分布的要求较高，在样本量不足或数据不符合正态分布时，分类性能会明显下降，且计算过程较为复杂[14]。神经网络模拟生物神经系统，通过多层感知机（Multi-Layer perceptron，MLP）或CNN等模型进行复杂的非线性分类。CNN具有强大的学习能力，能够自动提取数据特征，适合处理大规模数据和复杂分类问题。然而，其缺点在于需要大量训练数据，训练过程复杂，容易出现过拟合问题[15]。支持向量机（SVM）通过构建最佳分类超平面，将不同类别的样本在高维空间中最大化分离。SVM在处理高维和非线性问题时表现优异，尤其适用于样本分布不均衡的情况，但SVM对参数选择敏感，在处理大规模数据集时计算量较大，训练时间较长[16]。
2 结果与分析
2.1 波段组合定性分析
在GF-6 WFV中，红边波段（B5）的引入显著提高了植被监测能力，特别是在叶绿素含量变化的分析上。使用波段5、3、2的组合，能够实现精确的植被物候监测和农作物估测，健康植被呈红色，城区呈青蓝色。波段5、4、3组合则适用于估算植被覆盖度和叶绿素含量，表现出卓越的性能。对于裸地和水体的监测，波段7、3、6组合通过紫波段反映土地裸露度及水体水质。用于水稻等农作物监测的波段3、6、8组合，充分体现了GF-6 WFV在农业领域的广泛应用潜力[17]。
2.2 植被指数定量分析
由于NDRE对叶绿素含量更敏感，在植被健康状况监测方面，特别是在农业领域中，对于精细化的植被覆盖度分析，使用NDRE可能会比NDVI更具优势。通过设定NDRE经验门槛值，能够提取并分析植被分布状况。在图2A中，设定NDRE大于0.2为植被覆盖区域，将遥感影像数据中的植被区域提取出来，用绿色标识，将非植被区域（建筑、水体、云、道路和裸地等）用白色进行标识。在图2B中，使用类似于基于NDVI方法估算植被覆盖度（FVC）， 。其中， 对应裸土的NDRE值， 对应完全植被覆盖的NDRE值。通过设定不同的FVC门槛值，将植被区域进一步细分为不同的覆盖等级，以更加细致地描述植被的分布情况：FVC<0.1，为植被极低覆盖区，用红色表示；而0.1≤FVC<0.3，为植被低覆盖区，用深黄色表示；0.3≤FVC<0.5，为植被中覆盖区，用白色表示；0.5≤FVC<0.7，为植被中高覆盖区，用淡绿色表示；0.7≤FVC<1.0，为植被高覆盖区，用绿色表示。
2.3 监督分类分析
使用同时期高分辨率Google Earth影像，并结合“假彩色”等波段组合，选取了GF-6 WFV中的7种地物类型：水体、森林、建筑、大棚、裸地、耕地和光伏用地，并计算不同类型之间的分离度，即不同地物类别在光谱特征上的差异程度。7种地物的分离度如表1所示，其中，裸地和耕地之间的分离度最低，为1.885 9，这意味着这两种地物在光谱特征上的区分较为困难，可能导致分类混淆。而水体与大棚、大棚与光伏用地之间的分离度最高，均为2.000 0，表明这些地物之间的光谱特征差异明显，分类效果较好。此外，其他地物类型的分离度也接近2.000 0，整体上显示出较高的样本可分离性，这对于提高监督分类的精度非常有利。
表1 研究区不同地物区分离度分析 |
| 水体 | 林地 | 建筑 | 大棚 | 裸地 | 耕地 | 光伏 | |
|---|---|---|---|---|---|---|---|
| 水体 | 0 | 2.000 0 | 1.994 2 | 2.000 0 | 2.000 0 | 2.000 0 | 2.000 0 |
| 林地 | 2.000 0 | 0 | 1.999 8 | 2.000 0 | 1.995 6 | 1.999 2 | 2.000 0 |
| 建筑 | 1.994 2 | 1.999 8 | 0 | 1.927 3 | 1.998 5 | 1.971 8 | 2.000 0 |
| 大棚 | 2.000 0 | 2.000 0 | 1.927 3 | 0 | 1.997 5 | 1.924 3 | 2.000 0 |
| 裸地 | 2.000 0 | 1.995 6 | 1.998 5 | 1.997 5 | 0 | 1.885 9 | 2.000 0 |
| 耕地 | 2.000 0 | 1.999 2 | 1.971 8 | 1.924 3 | 1.885 9 | 0 | 1.999 4 |
| 光伏 | 2.000 0 | 2.000 0 | 2.000 0 | 2.000 0 | 2.000 0 | 1.999 4 | 0 |
本研究分别采用马氏距离、极大似然、卷积神经网络（CNN）和支持向量机（SVM）4种监督分类方法对研究区的地表覆盖物进行分类试验。在进行分类计算时，将GF-6 WFV 8个波段和NDVI、FVC、EVI 3个指数合成为11个波段来进行分类，以提高数据的敏感度和充分度。图3A～D分别显示了马氏距离分类、极大似然分类、神经网络分类及支持向量机4种不同监督分类方法的结果。
对上述4种监督分类结果进行小范围高分辨率影像分类验证，结果显示，支持向量机的分类结果精度最高，更加符合实际，其Kappa系数为0.983 7，总精度达99.165 3%；马氏距离分类精度最低，其Kappa系数为0.933 8，总精度为96.898 0%（表2）。仅使用GF-6 WFV 8个波段进行监督分类时，分类结果的精度明显降低，如极大似然分类的Kappa系数仅为0.901 8，总精度为94.871 4%，相比利用11个波段计算的分类结果分别低0.039 9和2.169 1%，表明更多波段能够提供更多的信息，有利于提高分类的精度。
表2 研究区不同监督分类方法精度 |
| 项目 | 马氏距离分类 | 极大似然分类 | 神经网络分类 | 支持向量机分类 |
|---|---|---|---|---|
| 总精度/% | 96.898 0 | 96.974 9 | 99.077 9 | 99.165 3 |
| Kappa系数 | 0.933 8 | 0.941 7 | 0.982 0 | 0.983 7 |
监督分类结果表明，研究区大部分地表被森林覆盖，人工大棚主要分布在中部和南部地区（图中标注为青色），呈南北向的带状分布。耕地主要分布在中西部和东部地区，裸地则分布在西北部和东部地区。该结果与波段组合及植被指数定性分析的结果相符合，并与实际情况一致。支持向量机分类方法在本研究中取得最高的精度和Kappa系数。
3 结论与讨论
本研究表明，研究区森林广泛分布，耕地主要分布在中西部和东部，建筑用地主要集中在中西部、北部、南部及东部，农业大棚主要分布在中部和南部，裸地主要位于西北部及中东部，光伏发电用地则零星分布在中西部。该分类结果与波段组合及植被指数的提取结果相符合，并与实际情况一致，验证了所采用方法的有效性。
GF-6 WFV中的红边波段（B5）、黄波段（B8）和紫波段（B7）通过与常规波段组合，显著提升了地物识别精度。NDRE在植物健康监测中表现出比NDVI更高的灵敏度，能够更有效地反映植被叶绿素含量，尤其在精准农业和动态植被评估中表现出明显优势。通过设定NDRE的经验门槛值，进一步分析了植被覆盖度（FVC），并将植被区域细分为不同的覆盖等级，提供了更详细的植被分布情况，有助于精准评估植被的覆盖度和健康状况。支持向量机（SVM）分类方法在处理高维光谱数据和复杂地形条件下表现更佳，分类精度最高（Kappa系数为0.983 7，总精度为99.165 3%）。这说明SVM能够有效处理高维度数据和复杂地物特征。相比之下，马氏距离分类由于假设不同类别的协方差矩阵相同或近似，不适用于复杂山区地物的多变特征；极大似然分类受限于数据分布假设和样本代表性不足，导致其分类精度较低；神经网络分类方法需要大量训练数据和复杂参数调整，在复杂山区难以获得足够数量的样本。
GF-6 WFV的高空间分辨率和新增的红边波段为地物分类和监测提供了丰富的光谱信息，特别是在精准农业和林业管理方面显示出显著优势。相比Landsat8影像，GF-6 WFV在拼接效果和数据完整性方面更佳，适合大尺度遥感观测。未来研究应整合来自不同遥感数据源的数据，以提高分类精度和覆盖范围。进一步优化现有分类算法，探索更高效的方法，以减少计算资源消耗，缩短处理时间。还需结合雷达和LiDAR数据等多种数据源，并开展动态监测，以适应环境条件的快速变化。