基于gf-1与landsat-8影像的土地覆盖分类比较-宋军伟.pdf

《基于gf-1与landsat-8影像的土地覆盖分类比较-宋军伟.pdf》由会员分享，可在线阅读，更多相关《基于gf-1与landsat-8影像的土地覆盖分类比较-宋军伟.pdf（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第35卷第2期2016年2月地理科学进展Progress in Geography、，0135No2Feb2016基于GF1与Landsat8影像的土地覆盖分类比较宋军伟，张友静+，李鑫川，杨文治(河海大学地球科学与工程学院，南京210098)摘要：高分一号(GF1)卫星具有多种分辨率与大幅宽结合、重访周期短等优势，而Landsat-8卫星具有多波段、高辐射分辨率等优势。针对不同传感器参数特点，利用支持向量机分类器(sVM)对同区域同期两种数据进行土地覆盖分类对比研究。结果表明：两种传感器对应波段决定系数均大于092；典型样本的光谱趋势一致性良好，但在农田与林地、不透水面与裸土的典型样本可分离

2、性方面，Landsat-8优于GF1；GF1与Landsat一8的分类总精度分别为9038和9007，但不同地物类型的分类精度存在差异，波谱响应函数的差异可能是导致Landsat_8对林地的分类精度高于GF1的原因；此外，GF一1对零碎分布地物类型的分类精度高于Landsat8，主要原因是GFl具有更高的空间分辨率。关键词：土地覆盖分类比较；地物波谱；地物可分性；GF1影像；Landsat一8影像1引言土地覆盖主要描述地球表面的自然属性。土地覆盖变化是全球变化研究的热点问题之一，也是区域水文、气候和旱情监测的基础数据(赫英明等，2013；左玉珊等，2014)。遥感数据因其具有大范围、时效性强和

3、成本低的优势成为土地覆盖数据获取的主要数据源(刘爱霞等，2006；杨莹等，2012；陈趁新等，2014)。20世纪以来，许多搭载新型卫星的传感器相继发射，针对不同问题，不同传感器有不同的参数特点。在中低尺度研究中，Landsat系列卫星应用最为广泛，但Landsat数据幅宽相对窄、重访周期长，在较大区域或流域研究中需要不同时相数据的拼接，因而难以保证数据的一致性；此外相对较低的空间分辨率对地物破碎的区域，难以获得较高的分类精度。高空间分辨率影像具有地物内部分异明显，纹理、细节丰富等特点(黄昕等，2007)。现有的高空间分辨率卫星如SPOT、IKONOS、Ouicl(Bird等在区域研究中应用较

4、多(张锦水等，2006)，但波段少、幅宽小，在研究中仍需要不同时相数据的拼接，且价格高昂。高分一号(gf_1)卫星具有重访周期短、多种分辨率与大幅宽结合的特点，但也存在波段数少的问题。目前GF1数据已应用于各类作物面积提取(王利民等，2015)、水体提取(李艳华等，2015)以及植被参数提取(刘吉凯等，2014)等方向；同时还与2013年2月发射的同期Landsat8数据进行对比分析，如玉米LAI反演(贾玉秋等，2015)、海冰探测能力(张晰等，2015)等，而GF1与Landsat8影像的土地覆盖分类能力比较研究还未见报道。因此，探讨和比较GF一1数据对区域主要土地覆盖的分类能力和分类精度，

5、对于有效和全面利用GF1数据具有实际的应用价值，也可为国产遥感卫星传感器设计提供参考。为了对比不同传感器参数对土地覆盖分类能力与精度的影响，评价GF一1在土地覆盖分类中的应用价值，选取湖北钟祥市同日Landsat一8和GF1影像数据，分析对应波段相关性，采用SvM分类器收稿日期：201508；修订日期：2叭5一ll。基金项目：国家科技重大专项(08一Y3080790011315)Foundation：National Science and Technology Major Project ofchina，No08-Y30807-900l1315】。作者简介：宋军伟(1991一)，男，陕四咸阳

6、人，硕士研究生，主要从事遥感技术机理与应用研究，Email：695276282qqcom。通讯作者：张友静(1955一)，男，江苏南京人，教授，主要从事遥感、GIs教学与科研工作，Email：zhangyjhhueducn。瓢用万方数据256 地理科学进展 第35卷进行土地覆盖分类，对比GF1与Landsat一8数据的分类结果差异并分析造成差异的主要原因。2研究区域、数据与方法21研究区概况研究区位于湖北省钟祥市(30042N3 l 036N，112。07E113。00E)(图1)。该市位于汉江中游、汉江平原北端，地处亚热带季风性气候的过渡带上，光、热、水同步，具有多宜性的生态环境。区域内主要

7、土地覆盖类型包括林地、裸土、水体、农田和不透水面等。研究区西部海拔较高地区土地覆盖类型为林地；东部丘陵地带以林地和坡耕地为主；汉江两岸的平原地区以农田为主，农田与分散的居民点呈混合分布状态，对比较不同分辨率影像中零碎分布地物的分类效果较为典型。城区位于研究区中部汉江东侧的平原地区。22数据与方法221高分一号(GF1)数据GF一1卫星搭载有两台2 m分辨率全色和8 m分辨率多光谱高分相机(PMS)，四台16 m分辨率多光谱宽幅相机(MV)(白照广，2013；翁进等，2015)。本文选取了一景2013年8月6日获取的高分一号wFV3影像数据，轨道号：210(Row)，4(Path)，太阳高度角6

8、8440，太阳方位角12591。，波谱范围为045089m，分为4个波段，整个区域内无云，可视性良好。具体参数见表1。222 Landsat一8数据Landsat一8携带有0LI(Operational Land Image)和TIRs(The册alInfrared sensor)j隹扫式成像仪，其中oLI包括9个波段，除全色波段为15 m分辨率外，其余波段的空间分辨率为30 m(徐涵秋等，2013)。TIRS包括2个热红外波段，空间分辨率为100 m。选取同一时间、同一区域的Landsat8卫星oLI传感器数据，与GF一116m分辨率多光谱数据进行土地覆盖分类对比分析。轨道号：38(Row)

9、，124(Path)，太阳高度角6435。，太阳方位角12096。，波长范围为043138 um，分为9个波段，本文采用L1级产品。具体参数见表1。同时选择同期的25 m分辨率的sPOT5多光谱图l研究区位置Fig1 Location of the study area表1 Landsat8与GF1卫星参数对比Iab1 Comparison of satellite parameters between Landsat-8 and GF一1万方数据第2期 宋军伟等：基于GF1与Landsat8影像的土地覆盖分类比较 257与全色波段融合影像(数据来自Go091e eanh)，主要用于分类训练样

10、本的选择和分类结果的验证。223数据预处理对两景影像进行辐射定标，得出大气上行辐亮度数据，通过FLAASH进行大气校正，将其转换为地面真实反射率数据。利用矢量数据对影像进行裁剪得出研究区。投影选择UTMzone49N投影，wGS84地理坐标系。以GF一1数据为基准，选取控制点采用二次多项式法对Landsat一8数据进行相对几何校正，刚ES为05456。3分类方案及方法31分类方案分类体系建立参考国土资源部土地利用现状分类一级分类系统，并考虑所用数据及研究区土地覆盖类型的特点，最终确定将研究区的土地覆盖类型划分为林地、水体、农田、不透水面和裸土五类。32分类方法目前利用遥感影像进行分类的主要方法

11、有监督分类和非监督分类、面向对象的影像信息提取以及基于专家知识的决策树分类等，选择支持向量机分类器(Support Vector Machine，SVM)对研究区进行土地覆盖分类(骆建承等，2002；张锦水等，2006)。支持向量机(sVM)是20世纪90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的(骆建承等，2002；张友静等，2006)。其独有的特性和高效性使得该分类器在遥感分类中得到广泛的应用。svM利用核函数将低维空间向量机映射到高维空间，从

12、而在高维空间寻找线性分隔超平面使线性分隔最大。选用径向基函数(Radial BasisFullction，简称RBF)作为本次分类的核函数。最常用的径向基函数是高斯核函数，公式为： 1 -口、K(x，xc)=expl一坐掣I(1) Z盯 式中：Kfx，xC)为空间中任一点x到某一中心xC之间欧氏距离的单调函数，xC为核函数中心，盯为函数的宽度参数，控制了函数的径向作用范围。4结果与分析41两种传感器波段对比分析为了对比两种传感器在红、绿、蓝和近红外波段反射率差异，选取各类典型地物(林地、农田、水体、不透水面、裸土)共7293个像元进行相关性分析(Hao et a1，2014；zhong et

13、al，2014)，分析结果见图2。j噻0 O05 O1 O15 O2 025 03 O 35 0 O05 O1 0 15 02 025 O_3 O_35 04Landsat一8蓝波段反射率 Landsat_8绿波段反射率O 01 O2 O3 O4 O 5 0 02 O 4 O6 O 8Landsac一8红波段眨射率 Landsat-8近红外波段反射率图2 Landsat8与GF1影像对应波段相关性分析F培2 Co仃elation analysis of corresponding charulels be铆een Landsat-8 and GFl邪”如笛如m晒0万方数据258 地理科学进展

14、第35卷通过相关性分析得到Landsat8和GF1各对应波段的线性回归方程的决定系数分别为094、092、093和097，均达到极显著性水平(P0001)，说明两种传感器的反射率存在显著的相关关系。蓝、绿和近红外波段的斜率略小于1，红光波段斜率略大于1，原因是GF1红光传感器光敏范围较大，进人了o7075 um范围，近红外波段传感器也进入了该范围，而Landsat8没有进人这一区域(图3)，该范围处于植被“红边”区域。当样本中林地较多时，Landsat8在红光波段的反射率值会偏低，同时“红边”区域只是植被从吸收转向反射的快速过渡区域，植被在这一区域的反射并未达到最强程度，因此植被对进入这一区域

15、的GF1近红外波段反射会有所降低(徐涵秋等，2011；贾玉秋等，2015)。这一差异将会导致GF1对植被的接受信号减弱，在土地覆盖分类时易造成林地与农田的混分。42典型样本分析为了获取高质量且具有代表性的样本数据，利用25 m分辨率的SPOT5多光谱与全色波段融合影像选择分类样本数据(黄婷等，20 1 3)，同时保证样本数据在整个研究区均衡分布，采用分层随机抽样方法进行钡0试样本选择(刘旭拢等，2006)，训练样本个数及特征见表2。分析在不同传感器中各类地物的反射率差异，计算各类地物在不同波段的反射率平均值，得到典型地物类型样本反射率光谱曲线(图4)。从图4可以看出，两种传感器中对应地物类型的

16、反射率曲线趋势一致性良好，在近红外波段的反射率差异最小。在蓝光波段、绿光波段和红光波段3)() 45f】 )Ll 65(J j(】 H)【) u)() l(1)【l l 5Il波长向，l图3 GF一1与Landsat-8在可见光及近红外波段波谱响应函数Fig3 Spectral response functions(SRFs)of the Visible andNIR channe】s of GF1 and Landsat8Landsat一8各地物的反射率略大于GF1，其中不透水面最为明显，裸土和农田次之，水体的反射率最为接近。为了对比两种数据各类地物的光谱可分离性，计算不同类别样本问的统计距

17、离。类别间的距离基于Je倚iesMatusita距离和转换分离度(Transfornled Dive唱ence)(刘新杰等，2013；许伟等，2015)，衡量各类别的可分离性，确定各类别间的差异程度。表3列出了高分一号数据和Ladsat一8数据6组训练样本可分离性的计算结果。从表3看出，农田和林地，不透水面和裸土两组的类别可分离性Landsat8高于GF1，其他各组的差异不大，这说明在光谱可分离性方面，Landsat一8优于GF一1。43分类结果分析选取相同的训练样本(表2)，利用支持向量机对表2典型样本选择11ab2 SeIection of typical samples林地水体不适水c|

18、i j?j蓼呈深红(!：!，纹理特征粗l糙大蓝色到深牖包之|1】，纹理均譬红色，确HJJ湿的纹 2993州特征亮度高，里蓝色夹淡 2029绿色图4典型地物反射率光谱曲线Fig4 Spectral curves ofrenectance oftypical surface types一、墨、3。、圈OOOO0O0OO主喜装裂万方数据第2期 宋军伟等：基于GF1与Landsat_8影像的土地覆盖分类比较 259表3 GF1与Landsat8数据可分离性比较Tab3 Comparison of separabil姆be铆een GF一1and Landsat一8 data两景影像进行分类，其中GF一

19、1利用WFv传感器的4个波段、Landsat8利用OLI传感器除去卷云波段和热红外波段的其余8个波段进行分类。对分类结果进行聚类和筛选处理，去除孤立点并对细小斑块进行合并，分类结果见图56。从图56看出，研究区中农田的面积最大，林地主要分布在中西部和东部海拔较高地区。两景影像中水体的分类结果较为一致，林地与不透水面的分类差异较大，分别分布在研究区中西侧和南部汉江两倾l|o图5 GF1土地覆盖分类结果Fig5 LandcoVer classification result of GF一144分类精度评价采用分层随机抽样点作为精度评价方法，利用25 m分辨率sPOT5多光谱与全色波段融合影像目视判

20、读，对分类结果进行精度评价，测试样本个数见表2，表45为分类结果的混淆矩阵。从表4。5混淆矩阵可看出，GF1和Landsat一8的分类总精度较高，分别为9038、9007，分类结果理想。Landsat一8对林地的分类精度高于GF1，主要因为波谱响应函数的差异造成GF一1将更多的林地误分为农田。GF一1对水体与不透水面的分类精度高于Landsat8，因为研究区分布较多水塘、细小河流、村庄和小规模的城镇，地物类型破碎，在更高分辨率GF1影像上混合像元少，纹理与细节信息明显，从而分类效果更好。GF一1将部分收割农田和未利用耕地分为裸土，是造成裸土分类精度低于Landsat8的主要原因。45分类差异比

21、较对两景影像的分类结果图进行叠加，分析分类结果差异，结果图如图7，差异面积比例见表6。图6 Landsat8土地覆盖分类结果Fig6 Land-cover classification result of Landsat一8表4 GF1分类混淆矩阵1ab4 Confusion matrix of GF1 classification分类类别实际类别林地 水体 农田 不透水面 裸土 总体 用户精度林地水体农田不透水面裸土总体生产精度6127261266143686988993984682O总精度：9038 Kappa系数：O875o：，。如矾泓oo。挖：巧刚4l5l78船M蛙。M。”刚30O，5

22、556趴万方数据260 地理科学进展 第35卷总精度：9007 K印pa系数：0853从图7、表6可看出，Landsat一8与GF1的分类结果有1619不一致。农田与林地的混分比例最高达877，其中有790的面积Landsat8将其分为林地而GF一1分为农田，差异较大的原因应为两种传感器波谱响应函数在红波段和近红外波段响应范围差异造成。有301的面积Landsat一8分类结果为不透水面而GF1分类结果为农田和裸土，264的面积Landsat一8分类结果为裸土GF1分类结果为农田，结合表4、表5混淆矩阵可看出，GF一1对不透水面的分类精度高于Landsat8，而对裸土的分类精度低于Landsat

23、8。造成差异的原因一方面由于不透水面与裸土光谱特征相似，易产生混分，部分收割农田和未利用耕地光谱特征与裸土相似，也易混分其中；另一方面高分辨率影像对零碎分布地物类型具有更好的识别度。选择分类差异较大区域，利用25 m分辨率的sPOT5多光谱与全色波段融合影像进行分类结果实地验证。验证图见图89。整体来看，在图8验证区Landsat8的林地面积明显大于GFl。选取差异明显区域A、B、C，与25m分辨率sPOT5影像对比验证。在A区域海拔较盏鋈翟馘ZZO 10 kmI_JZ工林地一农田鬲不透水面一裸土一农|j一不透水面蚕 农【H一裸土。图7 GF1与Landsat8分类差异比较F培7 Di廊ren

24、ces be觚een GF-1 and Landsat-8 lassifications表6分类差异比例统计1hb6 Statistical difference in classi6catios图8验证区域1：G009le影像(左)；GF-1分类结果(中)；Landsat-8分类结果(右)Fig8 Vbrified area l：Google Earth image(1eR)；classification result ofGF-1(middle)；classification result ofLandsat8(right)万方数据第2期 宋军伟等：基于GF一1与Landsat-8影像的土

25、地覆盖分类比较 261图9验证区域2：Google影像(左)；GF1分类结果(中)；Landsat-8分类结果(右)Fig9 Verified area 2：Google Earth image(1eft)；classification result of GF一1(middle)；classification result of Landsat8(right)高，林地覆盖良好，Landsat一8分出的林地多于GF1，更接近于真实值。在B、c区域，处于农田与林地的交界，地物类型主要为林地、未利用耕地和农田的混合，而GF1在该区域分类结果大部为农田，林地极少，Landsat一8的分类结果亦更接近

26、于真实值。从以上可知，林地与农田的区分能力上，Landsat8数据要好于GF1，主要原因是两种传感器在红光与近红外波段的光谱响应函数不同，造成林地覆盖区Landsat一8的林地接收信号要强于GF1。对于GF一1对林地分类精度较低的问题，可利用DEM、纹理等信息进行后处理与农地等进行区分，提高精度。由于本次试验重点比较两种影像的分类差异，因此未对结果进行后处理，可在今后作进一步研究。图9验证区地势平缓，主要地物类型为农田，村庄与城镇呈斑块状零散布于农田之间，汉江两侧不透水面沿河岸呈条带状分布，且在河滩间与河岸右侧分布部分裸土。由分类对比图可看出，Landsat一8的不透水面面积大于GFl，与2

27、m高分辨率影像对比，Landsat8对村庄、城镇和城市的分类面积均大于真实值，反观GF1则更符合真实值，这从B、c区域分类结果对比可看出。在A区域沿河岸分布一定量林地，Landsat8将其分出，而GF1错分为农田。在D区域中左侧有部分收割农田，GF一1将其错分为裸土，Landsat8错分为不透水面。从以上分析可得，GF1在较零碎分布的不透水面分类效果优于Landsat8，主要因为GF1具有分辨率的优势，对于该类地物混合像元少，纹理和细节更加清晰。5结论不同传感器参数的数据对土地覆盖分类结果有不同的影响，本文利用同区域同期GF1和Landsat一8影像数据，对比相应波段相关性、典型样本光谱差异、

28、类别可分性、分类结果及分类精度差异，结果表明：两种传感器对应波段决定系数分别为094、092、O93和o97，均达到极显著性水平(P0001)，说明两种传感器的反射率存在显著的相关关系，蓝、绿和近红外波段的斜率略小于1，红光波段斜率略大于l。典型地物光谱趋势一致性良好，对应地物在近红外波段反射率差异最小，农田与植被、不透水面与裸土的典型地物可分离性方面，Landsat一8高于GF。1，其他对应类型可分离性极为接近。GF一1与Landsat8的分类总精度相仿，分别为9038和9007，Kappa系数分别为0875和0853。但不同地物类型的分类精度存在差异：波谱响应函数的差异造成Landsat一

29、8对林地类型的接受信号好于GF一1，因此Landsat一8对林地的分类精度高于GF1；GF一1具分辨率优势，对零碎分布地物类型的分类效果好于Landsat8。对GF1在分类方面的不足，如林地分类精度较低，部分收割农田与裸土混分等，可在后续研究中利用DEM、纹理特征、多时相数据进行后处理，进一步提高分类精度(刘吉凯等，2014；李艳华等，2015；张晰等，2015)。整体来说，GF一1影像数据的高空间分辨率在一级土地覆盖分类中体现出优势，具有较高的精度，并结合其大幅宽与重访周期短的优势，在土地覆盖分类中研究中有广泛的应用前景。参考文献(References)白照广2013高分一号卫星的技术特点J

30、中国航天，(8)：59Bai Z G20 1 3Gaofenyihao weixing de jishu tedianJAemspace China，(8)：59陈趁新，胡昌苗，霍连志，等2014Landsat TM数据不同辐射校正方法对土地覆盖遥感分类影响J遥感学报，18(2)：320334Chen C X，Hu C M，Huo L Z，et a12014Ef诧ct of di】brent radiatjon correctjon methods of Land蕊popt譬，)嗨，万方数据262 地理科学进展 第35卷sat。IM data on landcoVer remote sensi

31、ng classi6cationJ】Joumal of Remote Sensing，1 8(2)：320-334赫英明，王汉杰，张洪峰2011遥感数据的土地覆盖分类J解放军理工大学学报：自然科学版，12(3)：294300He Y M，Wang H J，zhang H F2011Land cover classi-ncation based on remote sensing dataJJoumal of PLAUniVersity of Science and Technology：Na七llral ScienceEditi伽，1 2(3)：294300黄昕，张良培，李平湘2007融合形状

32、和光谱的高空间分辨率遥感影像分类【J】遥感学报，11(2)：193200HuangX，Zhang L PLi P X2007Classification of high spatialresolution remotely sensed imagery based on the fusionof spec仃al and sh印e featuresJ】Jo啪al of Remote Sensing，11(2)：193200黄婷，师庆三，师庆东，等2013利用高分辨率影像验证低分辨率遥感数据的分类精度研究【J】新疆大学学报：自然科学版，30(2)：238242Huang T，Shi Q S，Shi

33、 Q D，et a12013Validate classification precision of low spatialres01ution remote sensing data by Using high spatial resolution dataJJo啪a1 ofxinjiang universit)r：Natu豫l Science Edition，30(2)：238242】贾玉秋，李冰，程永政，等2015基于GF1与Landsat-8多光谱遥感影像的玉米LAI反演比较J】农业工程学报，3l(9)：173-179Jia Y Q，“B，Cheng Y z，et a12015Co瑚I

34、parison between GF-l images and Landsat一8 imagesin monitoring maize LAIJTransactions of the ChineseSociety ofAgricultuml Engineering，31(9)：173一179李艳华，丁建丽，闫人华2015基于国产GF1遥感影像的山区细小水体提取方法研究J】资源科学，37(2)：408416Li Y H，Ding J L，Yan R H2015Ex订action ofsmU riVer infomation based on Chinama(k GFl remote sensei

35、magesJ】Resources Science，37(2)：408416刘爱霞，王静，吕春艳2006基于MoDIS数据的北京西北部地区土地覆盖分类研究J地理科学进展，25(2)：961 02Liu A X，Wang J，Lv C Y2006Land coVer classification based on MODIS data in area to the northwest ofBeijingJ】Progress in Geogr印hy25(2)：96102】刘吉凯，钟仕全，徐雅，等2014基于多时相GF1 wFv数据的南方丘陵地区甘蔗种植面积提取【J广东农业科学，41(18)：1491

36、54Liu J K，zhong S Q，xu Y，et a12014Sugarcane ex仃action in me southem hills using multitemporal GF-l WFV dataJGuangdong Agricultural Sciences，41(18)：149154刘新杰，刘良云，李绪志，等2013天宫一号高光谱成像仪数据与环境星ccD数据分类效果比较研究J遥感信息，28(3)：7479Liu X J，Liu L Yj Li X Z，et a12013ComDarison on classification results based on data o

37、f TGl HSI and HJ-l CCDJRemote Sensing Infomlation，28(3)：7479】刘旭拢，何春阳，潘耀忠，等2006遥感图像分类精度的点、群样本检验与评估【J遥感学报，10(3)：366372Liu X L，He C Y，Pan Y Z，et a12006Accuracy assessment of thematic classification based on point and cluster sampleJJoumal of Remote sensin蜀 1 0(3)：366372】骆剑承，周成虎，梁怡，等2002支撑向量机及其遥感影像空间特征提

38、取和分类的应用研究J遥感学报，6(1)：50一55Luo J C，Zhou C H，Liang Yj et a12002Supportvector machine for spatial feanlre extraction and classifi-cation of remotely sensed imageryJJoumal of RemoteSensing，6(1)：5055王利民，刘佳，杨福刚，等2015基于GF一1卫星遥感的冬小麦面积早期识别【J】农业工程学报，31(11)：194201wang L M，Liu J，Yang F G，et a12015Early recogniti

39、on of winter wheat area based on GFl satellite【JTransactions of me Chinese Socie哆of Agricultural Engi-nee咖g，31(11)：194201翁进，曾海波，罗国斌2015GF1卫星数据在土地利用变更调查遥感监测中的应用J安徽农业科学，43(16)：358362，392Weng J，zeng H B，Luo G B20l 5The application of GFl remote sensing image in the land usechange monitoringJJoumal of A

40、nhui Agricultuml Sci-ences，43(1 6)：358362，392徐涵秋，唐菲2013新一代Landsat系列卫星：Landsat 8遥感影像新增特征及其生态环境意义【J生态学报，33(11)：32493257Xu H Q，Tang F-2013Analysis ofnewcharacteristics of the first Landsat 8 image and their ecoenVironmental significallceJActa Ecolo昏ca Sinica，33(11)：3249-3257】徐涵秋，张铁军2叭1AsTER与Landsat ETM

41、+植被指数的交互比较J光谱学与光谱分析，31(7)：1902-1907xuH Q，Zhang T J2011Cross comparison ofASTER andLandsat ETM+multispectral measurements for NDVIand SA、，I Vegetation indicesJ】Spectroscopy and Spectral Analysis，3 1(7)：l 902一l 907许伟，奚砚涛2015基于Landsat8遥感影像的合肥市土地利用分类J】湖北农业科学，54(15)：36253629，3637xu、vXi Y T2015Research on

42、 land use classification inHef萌based on Landsat8 images【JHubei AgriculturalSciences，54(1 5)：36253629，3637】杨莹，刘元波，阮仁宗，等2012MODIs土地覆盖分类的尺度不确定性研究J】遥感学报，16(4)：868880Yang Y，Liu Y B，Ruan R Z，et a12012Scaleinduced uncertaint)rin MODIS-based land cover classificationJ】Joumal of万方数据第2期 宋军伟等：基于GF1与Landsat一8影像

43、的土地覆盖分类比较 263一一Remote Sensing，1 6(4)：868880张锦水，何春阳，潘耀忠，等2006基于sVM的多源信息复合的高空间分辨率遥感数据分类研究J遥感学报，10(1)：4957zhang J S，He C Y，Pan Y z，et a12006Thehigh spatial resolution RS inlage classification based onSVM method with the multisource data【JJoumal of Remote Sensing，1 0(1)：4957张晰，张杰，孟俊敏2015Landsat一8与GF一1卫星

44、渤海海冰探测能力对比研究J海洋科学，39(2)：50-56zhangX，Zhang J，Meng J M2015Comparison of sea ice detection ability of Landsat一8 and GFl in the Bohai SeaJMarine Sciences，39(2)：5056张友静，黄浩，马雪梅2006基于KPCA和sAM的城市植被遥感分类研究【J】地理与地理信息科学，22(3)：35。38Zhang Y J，Huang H，Ma X M2006Research on classification for Ci够s vegetation type b

45、ased on KPCA andSAMJGeography and Geo-Inforrnation Science，22(3)：3538左玉珊，王卫，郝彦莉，等2014基于MODIs影像的土地覆被分类研究：以京津冀地区为例J地理科学进展，33(11)：1556一1565zuo Y S，Wang W，Hao Y L，et a12014Land cover classification based on MODIS images：Thking the Beijing-TianjinHebei region as an exampleJProgress in Geography，33(11)：15

46、561565Hao P YWang L，Niu Z，et a12014The potential oftime series me唱ed行om Landsat一5 TM and HJ一1 CCD for cropclassification：a case study for bole and manas counties inXinjiang，ChinaJRemote Sensing，6(8)：76 1 0763 1Zhong B，Zhang Y H，Du T T，et a12014Cross-calibration ofHJ一1CCD over a desert site using Lan

47、dsat ETM十imag-ery and ASTER GDEM productJIEEE Transactions onGeoscience and Remote Sensing，52(11)：72477263Comparison between GF一1 and Landsat一8 images in land coVer classificationSONG Junwei，ZHANG Youjing+，LI Xinchuan，YANG Wenzhi(school ofEarth Sciences and En百neerinHohai university，Nanjing 210098，china)Abstract：The GF1 satellite has advantages such as short revisit period and the combination of va