1 研究背景和研究问题
森林具有较强的储碳能力，在调节气候变化、降低CO2浓度以及减缓温室效应等方面发挥着重要作用。然而，近年来人类活动导致森林退化严重，是全球面临的主要生态问题之一。因此，及时、准确地监测森林的健康状况具有重要意义。介于红光和近红外光谱范围内的红边区域能有效指示植被的各种理化参数，能更好地描述植被色素状态，是研究植被变化状况的理想工具。然而，目前只有少许卫星具有红边波段，如WorldView、RapidEye、Sentinel-2和我国的GF-6卫星等。但WorldView、RapidEye等卫星只设置1个红边波段，且数据昂贵，从而使得它们的应用受到限制。Sentinel-2和GF-6卫星都具有2个红边波段，且数据都可以免费获取。但GF-6具有更短的重返周期和更大的幅宽等优势。由于GF-6影像在森林健康状况监测方面还鲜有研究见及。因此，本文将应用红边指数来开展这方面的研究，但面临以下问题：
(1)现有的红边指数大多不是针对卫星影像开发的
(2)现有的红边指数大多也不是针对森林开发的
(3)因此，这些红边指数是否适用于GF-6影像
本研究湖南省张家界和福建省长汀县河田盆地为研究对象，探索GF-6卫星红边波段判别森林健康状况的有效性。通过选择和对比多种红边指数来寻找适用GF-6监测森林健康状况的最佳指数，为GF-6影像在森林健康状况监测方面的应用提供科学的参考依据。本研究共选取了6个常用的红边指数，借助Google Earth高分辨率影像选取不同健康状况森林的样地，通过对不同健康等级样地进行光谱特征分析、统计和对比，制定基于GF-6影像的各红边光谱指数健康等级的划分标准，然后根据所制定的标准采用GF-6 影像反演研究区森林的健康状况并分级，通过精度验证和对比判定各指数的有效性。图1展示了主要技术流程。
![]()
2.1 红边指数的计算
本研究选取6种常用的红边指数判别森林的健康状况(表1)，包括 NDRE1、MCARI2、CIred-edge、IRECI、REP和MTCI。![]()
2.2 森林健康分级的定量依据
依据选取的好、中、差森林样本，计算各个红边指数在不同健康等级的森林样本的数据分布箱型图数据，并分别统计不同健康等级样本的箱体上、下端值(即累积像元数为75%和25%处的红边指数值)，以2个等级箱体间的平均值为界，将森林的健康等级划分为好、中、差3个级别。其公式为：Ki–1, i=(Xi–1+Xi)/2 (1)
式中：Ki–1, i代表第i–1个等级和第i个等级的分界值；Xi–1代表第i–1个等级累积像元数为75%处的值；Xi代表第i个等级累积像元数为25%处的值；i可以取1，2，3，分别代表差、中、好3个森林健康等级。![]()
图2 研究区原始影像及其红边指数影像(ZJJ: Zhangjiajie, HT: Hetian Basin)图3 不同健康等级森林的光谱曲线
表2 研究区不同森林健康等级的划分
![]()
![]()
图4 不同健康等级森林箱型图
![]()
![]()
图5 各指数不同健康等级的分类比较
![]()
![]()
图6 各植被指数不同健康等级的森林面积比例
![]()
图7 各红边指数与NDVI的定量关系分析
4 主要结论
GF-6卫星新增的2个红边波段使其能够很好地应用于森林健康状况的判别。在所选取的6种红边指数中，NDRE1指数和CIred-edge指数的判别精度最高、判别能力基本一致，能很好地鉴别森林的健康状况，且具有较强的鲁棒性。而MCARI2、IRECI、REP和MTCI 4个指数都无法有效地区分不同健康等级的林地。各红边指数所采用的波段及其波长位置是影响判别森林健康状况能力的重要因素。此外，红边指数的判别能力与构建该指数时所采用的植被种类，以及指数是否带有经验参数有较强的关系。当指数带有经验参数时，其鲁棒性被明显降低。
J. Chen and H. Xu, "Analysis of the Effectiveness of the
Red-Edge Bands of GF-6 Imagery in Forest Health Discrimination," in IEEE
Journal of Selected Topics in Applied Earth Observations and Remote Sensing, doi: 10.1109/JSTARS.2024.3367320.https://ieeexplore.ieee.org/document/10440436编辑：任萌杰
