Sentinel-2A紅邊波段對湖濱帶植被分類能力的評估

濮毅涵,張 棟,徐丹丹,4,欒兆擎,4

(1.南京林業(yè)大學(xué) 生物與環(huán)境學(xué)院,南京 210037；2.中國科學(xué)院南京地理與湖泊研究所湖泊與環(huán)境國家重點(diǎn)實(shí)驗(yàn)室,南京 210008；3.中國科學(xué)院大學(xué),北京 100049；4.南京林業(yè)大學(xué)南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心,南京 210037)

湖濱帶作為水體和陸地生態(tài)系統(tǒng)的過渡地帶,具有調(diào)節(jié)氣候、穩(wěn)固湖岸、涵養(yǎng)水源等重要生態(tài)功能[1],這些功能的實(shí)現(xiàn)與湖濱帶植被的健康生長、群落組成、分布狀況密切相關(guān)。但隨著社會(huì)經(jīng)濟(jì)的發(fā)展,人類對湖濱帶的干擾強(qiáng)度增加,湖濱帶生態(tài)系統(tǒng)的退化成為普遍現(xiàn)象[1],因而對湖濱帶各植被條帶實(shí)施生態(tài)監(jiān)測顯得刻不容緩。

在生態(tài)監(jiān)測領(lǐng)域,遙感技術(shù)憑借其觀測范圍廣、周期短、獲取信息便捷等優(yōu)勢廣泛應(yīng)用于生物多樣性保護(hù)、環(huán)境災(zāi)害監(jiān)測、植被調(diào)查等研究方面[2]。植被遙感監(jiān)測主要包括植被分類、覆蓋度估算、健康狀況監(jiān)測及生物量估算等內(nèi)容[3]。對湖濱帶植被監(jiān)測而言,明確各條帶的植被種類配置是進(jìn)行湖濱帶研究的首要前提。早期階段,衛(wèi)星傳感器的設(shè)置以藍(lán)、綠、紅及近紅外波段為基礎(chǔ)[4],植被遙感分類多基于目視解譯完成,分類精度依賴于解譯者的先驗(yàn)知識,耗時(shí)耗力[5]。隨著技術(shù)的發(fā)展,在衛(wèi)星傳感器上增設(shè)敏感波段成為提高地物識別精度的方法之一,傳感器波段的設(shè)置也逐漸擴(kuò)展到紅邊、短波紅外等[4]。植被指數(shù)多基于紅波段構(gòu)建,由于葉綠素在紅波段處吸收強(qiáng)烈,導(dǎo)致植被指數(shù)對葉綠素含量的敏感性降低；而紅邊區(qū)域葉綠素吸收減少,進(jìn)而有效降低了葉綠素飽和效應(yīng)的影響[6]。由于紅邊為位于紅波段和近紅外波段間的一個(gè)陡峭的上升區(qū)域,不同種類的植物,其紅邊光譜特征存在差異[7],因而紅邊區(qū)域光譜特征對植被細(xì)分類[8]、健康狀況監(jiān)測[9]、生物參數(shù)估算[10-11]等具有重要意義[12-14]。

德國的RapidEye為最早攜帶紅邊波段傳感器的衛(wèi)星,目前美國發(fā)射的WorldView-2及WorldView-3衛(wèi)星、歐洲空間局發(fā)射的Sentinel-2衛(wèi)星也均帶有紅邊波段傳感器。但是RapidEye衛(wèi)星和WorldView系列衛(wèi)星在紅邊區(qū)域只設(shè)有一個(gè)紅邊波段,波段較寬,無法準(zhǔn)確獲得植被的“紅邊”光學(xué)特征[15],一定程度上限制了光譜紅邊參數(shù)的應(yīng)用[16]；而Sentinel-2A衛(wèi)星在紅邊區(qū)域覆蓋有3個(gè)波段,主要目的為監(jiān)測地表環(huán)境變化,覆蓋范圍為56°S～84°N,攜帶有一枚多光譜成像儀MSI,包括13個(gè)光譜波段,可獲取空間分辨率分別為10,20,60m的對地觀測影像,重返周期為10d,在保證較高空間分辨率的同時(shí)也可以為同一區(qū)域提供連續(xù)的時(shí)序數(shù)據(jù)。得益于該特點(diǎn),Sentinel-2A影像被廣泛應(yīng)用于土地利用變化研究、災(zāi)害監(jiān)測、水質(zhì)檢測及植被生長監(jiān)測等領(lǐng)域。畢愷藝等[17]基于Sentinel-2A影像構(gòu)建了歸一化植被指數(shù)的時(shí)序曲線,采用面向?qū)ο蟮姆椒ㄟM(jìn)行植被類型的提取,結(jié)果顯示,提取精度獲得大幅度提高；郭文婷等[18]以Sentinel-2A影像為數(shù)據(jù)源,構(gòu)建歸一化植被指數(shù)的時(shí)間序列,選取最佳分類波段和紋理特征,利用支持向量隨機(jī)法對植被進(jìn)行分類,有效提高了分類精度；汪政輝等[19]利用Sentinel-2A影像,分別分析翠屏湖區(qū)域浮葉植被和沉水植被的敏感波段,在此基礎(chǔ)上，構(gòu)建可區(qū)分浮葉植被、沉水植被和其他地物類型的植被指數(shù)進(jìn)行植被群落分布信息的繪制。但是,以上關(guān)于植被群落信息提取的研究大多基于植被指數(shù)進(jìn)行,并未考慮到Sentinel-2A光譜紅邊特征在植被群落分類中的直接應(yīng)用能力。

Sentinel-2A影像作為目前唯一一個(gè)在紅邊區(qū)域覆蓋有3個(gè)波段的多光譜衛(wèi)星影像,相較于不設(shè)有紅邊波段、設(shè)有紅邊波段但是波段較寬的衛(wèi)星影像,不僅具有較高的時(shí)間與空間分辨率,并且能夠免費(fèi)獲取,在植被細(xì)分類研究中具有獨(dú)特優(yōu)勢。因而,本文以Sentinel-2A影像為數(shù)據(jù)源,基于文獻(xiàn)[20]中的相關(guān)植被配制,對江蘇省無錫市太湖湖濱帶植被群落進(jìn)行劃分后,充分利用其紅邊光譜特征對湖濱帶植被群落進(jìn)行分類,并以基于歸一化植被指數(shù)的分類結(jié)果和不同分類方式下各植被群落間可分性的定量分析為輔助進(jìn)行驗(yàn)證,以此來評價(jià)Sentinel-2A光譜紅邊波段在植被分類中的直接應(yīng)用效果。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于太湖竺山灣湖濱帶,毗鄰江蘇省無錫市沙塘港村,屬亞熱帶季風(fēng)氣候區(qū),雨熱同期,年均溫15.7℃,年均降水1 277.1mm,土壤為中性重壤質(zhì)黃土,密度為1.38g/cm3[21]。該區(qū)域?yàn)椤逗I帶生態(tài)修復(fù)與緩沖帶建設(shè)技術(shù)及工程示范課題》的規(guī)劃區(qū)域之一[22]。為改善太湖水質(zhì)、恢復(fù)湖濱帶的生物多樣性,項(xiàng)目遵循“近自然生態(tài)修復(fù)”的理念,依據(jù)土地利用情況及當(dāng)?shù)氐呐盼郜F(xiàn)狀進(jìn)行湖濱帶植被緩沖帶的建設(shè),形成了具有不同植被覆蓋的緩沖帶。根據(jù)文獻(xiàn)[20]顯示,該區(qū)域的植被配置按照湖體至陸地區(qū)域由內(nèi)到外的順序依次為:1 000株的楊樹(Populus×euramericana‘Nanlin95’)林、1 000株的中山杉(Taxodiumhybrid‘Zhongshanshan’)林、1 000株的楊樹-中山杉混交林,種植行距均為2m×5m,楊樹林的郁閉度略大于中山杉及楊樹-中山杉混交林的郁閉度。3個(gè)條帶的面積分別為2 797,4 982,2 274m2。本研究基于項(xiàng)目規(guī)劃形成的湖濱植被帶進(jìn)行植被類型的劃分(圖1),進(jìn)而分析Sentinel-2A光譜紅邊特征直接用于植被分類的效果。

注：圖像增強(qiáng)方式為percent clip;假彩色顯色方式為近紅外波段—紅波段—綠波段；圖像捕獲日期為2018-10-01。圖1 研究區(qū)概況Fig.1 The remote sensing image of research area

1.2 數(shù)據(jù)源簡介

以多時(shí)相的Sentinel-2A遙感影像為數(shù)據(jù)源(表1,圖2),主要為2017年各月份的時(shí)間序列影像,其中10月份的影像由2018年的Sentinel-2A遙感影像數(shù)據(jù)補(bǔ)充。數(shù)據(jù)來源于美國地質(zhì)調(diào)查局USGS網(wǎng)站(http://earthexplore.usgs.gov/),數(shù)據(jù)等級為Level-1C,已經(jīng)過輻射定標(biāo)及幾何校正；研究所使用波段的空間分辨率分別為10,20m(表2)。下載的影像首先利用歐空局提供的Sentinel-2 Toolbox軟件中的Sen2cor工具進(jìn)行大氣校正,后利用SNAP軟件將影像20 m的波段重采樣為10 m分辨率,最終選取分辨率均為10 m的近紅外及紅邊波段進(jìn)行紅邊斜率的計(jì)算。

表1 數(shù)據(jù)源簡介Tab.1 The profile of research data

表2 Sentinel-2A衛(wèi)星紅波段 紅邊波段 近紅外波段描述Tab.2 The description of Sentinel-2A spectral bands

1.3 研究方法

歸一化植被指數(shù)對植被反映敏感,通過構(gòu)建不同時(shí)間序列的歸一化植被指數(shù),可以了解植被在物候上的規(guī)律,是區(qū)分不同植被的重要方法。歸一化植被指數(shù)的計(jì)算公式為:

(1)

式中:NDVI為歸一化植被指數(shù),NIR為Sentinel-2A遙感影像近紅外波段反射率,R為Sentinel-2A遙感影像紅波段反射率。

注：假彩色顯色方式為近紅外波段—紅波段—綠波段。圖2 研究區(qū)時(shí)間序列影像Fig.2 The remote sensing images of research area

從美國地質(zhì)調(diào)查局光譜庫(https://www.usgs.gov/labs/spec-lab)下載楊樹與杉樹光譜曲線(圖3(a)),在最大生長季從Sentinel-2A遙感影像提取3種植被的特征光譜曲線(圖3(b))。從圖3中可以看到紅邊是波長在670～760nm之間反射率迅速增高而形成的爬升脊。而紅邊斜率,也稱紅邊振幅,是紅邊位置上一階導(dǎo)數(shù)光譜的最大峰值,一定程度上與植被的生長期呈正相關(guān)趨勢,對植被的葉面積指數(shù)、覆蓋度的變化較為敏感[23]。因此,通過不同植被在紅邊斜率上的差異可將其區(qū)分。本研究中，采用Sentinel-2A遙感影像紅波段(B04)反射率與3個(gè)紅邊波段(B05,B06,B07)反射率的一元線性回歸方程的斜率作為紅邊斜率來計(jì)算,紅邊斜率的計(jì)算公式為:

(2)

注：紅波段范圍為0.635～0.695；紅邊波段范圍為0.705～0.783；近紅外波段范圍為0.727～0.957。圖3 不同植被群落的特征光譜曲線Fig.3 Characteristic spectrum curves of different vegetation communities

一般情況下,紅邊位置、紅邊斜率為描述植被紅邊光譜特征的兩個(gè)常用因子,紅邊位置主要與植被內(nèi)部葉綠素含量的多少相關(guān),隨著其葉綠素含量的變化而出現(xiàn)紅邊位置的“藍(lán)移”、“紅移”現(xiàn)象；紅邊斜率主要對植被葉面積指數(shù)、覆蓋度的變化較為敏感。相較于紅邊位置的變化,紅邊斜率的變化更具可視性,因而本文選取紅邊斜率作為湖濱帶植被群落分類依據(jù),研究技術(shù)路線如圖4所示,研究內(nèi)容包括以下兩部分。

圖4 技術(shù)路線圖Fig.4 Flowchart of research methodology

1)基于Sentinel-2A紅邊斜率對太湖竺山灣湖濱帶植被群落進(jìn)行分類。

2)對Sentinel-2A紅邊斜率應(yīng)用于植被群落分類的方法優(yōu)勢性的驗(yàn)證:a.基于歸一化植被指數(shù)對Sentinel-2A紅邊斜率分類方法優(yōu)勢性的驗(yàn)證。歸一化植被指數(shù)的計(jì)算涉及紅波段及近紅外波段,對應(yīng)于Sentinel-2A中的波段4和波段8,但考慮到波段8A同樣處于近紅外波段區(qū)間,本文歸一化植被指數(shù)分別基于波段4和波段8、波段4和波段8A進(jìn)行計(jì)算。b.通過定量衡量不同分類方法下各植被群落間可分性大小對Sentinel-2A紅邊斜率分類方法優(yōu)勢性的驗(yàn)證。根據(jù)(1)—(2)式計(jì)算,分別得到不同植被群落在不同時(shí)期的紅邊斜率和歸一化植被指數(shù),由于各結(jié)果的量綱不統(tǒng)一,需要先對其進(jìn)行標(biāo)準(zhǔn)化處理,繼而通過計(jì)算不同分類方法下植被群落間歐式距離的大小來比較不同分類方法下各植被群落間可分性的大小。采用Z分?jǐn)?shù)標(biāo)準(zhǔn)化法,具體計(jì)算公式為:

(3)

歐式距離也稱歐幾里得度量(Euclidean Distance),反映了空間中兩個(gè)點(diǎn)間的實(shí)際距離,也能夠度量兩個(gè)值之間的差異度。兩種植被條帶間的歐式距離越大,代表兩者之間的不相關(guān)性越強(qiáng),即可分離性越高[17]。歐式距離的計(jì)算公式為:

(4)

式中:|X|為歐式距離,x1和x2分別為兩種不同植被群落在同種分類方法下的標(biāo)準(zhǔn)化結(jié)果值,分為楊樹純林、中山杉純林和楊樹-中山杉混交林等3個(gè)類別。

2 結(jié)果與分析

2.1 各植被群落紅邊斜率的年內(nèi)變化趨勢

太湖竺山灣湖濱帶植被群落配置依次為楊樹純林、中山杉純林和楊樹-中山杉混交林,根據(jù)此分區(qū)統(tǒng)計(jì)得到各植被群落2017年紅邊斜率的數(shù)值(圖5)。結(jié)果顯示,各植被群落紅邊斜率的變化呈現(xiàn)一定的相似性,其最高值均在6月份出現(xiàn),最低值均在2月份出現(xiàn)；但是就年內(nèi)變化趨勢而言,純林與混交林間略有差異,楊樹純林和中山杉純林的紅邊斜率總體上均呈現(xiàn)先上升后下降的趨勢,而楊樹-中山杉混交林則分別在6月份和10月份出現(xiàn)兩個(gè)明顯峰值,總體呈現(xiàn)上升、下降、上升、下降的變化趨勢。此外,對于不同植被群落,當(dāng)植被覆蓋度較低時(shí),各植被群落的紅邊斜率差異較小,對植被分類的貢獻(xiàn)不顯著；但在植被最大生長季,即5—9月份期間,不同植被群落其紅邊斜率間的差異均明顯增強(qiáng)。

圖5 各植被群落紅邊斜率的年內(nèi)變化Fig.5 The change of slope of red edge of different vegetation communities

2.2 紅邊斜率應(yīng)用于湖濱帶植被群落分類優(yōu)勢性的驗(yàn)證

2.2.1歸一化植被指數(shù)的年內(nèi)變化統(tǒng)計(jì)

由于波段8和波段8A均處于近紅外波段區(qū)域,本文歸一化植被指數(shù)分別基于紅波段和近紅外波段8、紅波段和紅邊波段8A進(jìn)行計(jì)算。2017年各植被群落歸一化植被指數(shù)統(tǒng)計(jì)結(jié)果顯示(圖6、圖7),基于波段8計(jì)算得到的歸一化植被指數(shù)和基于波段8A計(jì)算得到的歸一化植被指數(shù)的結(jié)果極其相似,其最高值均出現(xiàn)在5月份,最低值均出現(xiàn)在2月份；總體均呈現(xiàn)上升、下降、上升、下降的變化趨勢,與地區(qū)植被物候相關(guān)。同紅邊斜率的變化趨勢一樣,在植被覆蓋度較低時(shí),各植被群落的歸一化植被指數(shù)彼此間差異性極小,隨著植被覆蓋度的增加,其差異性也在增強(qiáng)。此外,在基于波段8計(jì)算得到的歸一化植被指數(shù)中發(fā)現(xiàn)，2月份的中山杉的歸一化植被指數(shù)值略低于楊樹及混交林,猜測與楊樹林下生長的植被有關(guān),而中山杉樹林下，則由于化感作用通常不易生長植被,從而造成此現(xiàn)象。綜合來看,基于歸一化植被指數(shù)進(jìn)行湖濱帶植被群落的分類效果顯著低于基于光譜紅邊斜率的分類效果。

圖6 各植被群落基于波段8的歸一化植被指數(shù)的年內(nèi)變化Fig.6 The change of NDVI based on band 8 of different vegetation communities

圖7 各植被群落基于波段8A的歸一化植被指數(shù)的年內(nèi)變化Fig.7 The change of NDVI based on band 8A of different vegetation communities

2.2.2不同分類方式下各植被群落間可分性的比較

為了更精確地突出紅邊斜率應(yīng)用于湖濱帶植被群落分類的優(yōu)勢,基于實(shí)驗(yàn)所得數(shù)據(jù),在對數(shù)據(jù)標(biāo)準(zhǔn)化處理后進(jìn)行歐式距離的計(jì)算,進(jìn)而定量分析sentinel-2A紅邊斜率及歸一化植被指數(shù)對植被分類貢獻(xiàn)的大小(圖8—圖10)。結(jié)果顯示,當(dāng)植被在生長季時(shí),不同植被條帶的紅邊斜率差異明顯增強(qiáng):在楊樹純林和中山杉純林的分類中,基于紅邊斜率的植被群落分類方法在5月、6月、8月與基于歸一化植被指數(shù)的兩種分類方法有著顯著差異,對于植被群落分類存在明顯優(yōu)勢；在楊樹純林和楊樹-中山杉混交林的分類中,基于紅邊斜率的植被群落分類方法在5月、6月、8月、9月的分類效果顯著高于基于歸一化植被指數(shù)的兩種分類方法；在中山杉純林和楊樹-中山杉混交林的分類中,基于紅邊斜率的植被群落分類方法在8月和9月的分類效果最佳。因此,生長季植被(5—9月)的紅邊斜率有著明顯的差異,通過紅邊斜率的分類方法相較于歸一化植被指數(shù)的分類方法存在顯著優(yōu)勢。

圖8 楊樹純林和中山杉純林的歐式距離分析Fig.8 Analysis of the irrelevance between pure poplar forest and pure Chinese fir forest

圖10 中山杉純林和楊樹-中山杉混交林的歐式距離分析Fig.10 Analysis of the irrelevance between pure Chinese fir forest and mixed poplar-Chinese fir forest

在非生長季,3種分類方法的效果均不理想。在楊樹純林和中山杉純林的非生長季,僅有12月份的分類效果較好,但3種分類方法并無顯著優(yōu)劣；在楊樹純林和楊樹-中山杉混交林的非生長季,3種分類方法的歐氏距離均較低,分類效果較差；在中山杉純林和楊樹-中山杉混交林的非生長季,基于紅邊斜率的植被群落分類方法在11月、12月有著一定優(yōu)勢,但相較于其在生長季的歐氏距離仍有一定差距。因此,在植被的非生長季,3種方法在區(qū)分3種植被群落上均效果一般,在區(qū)分的程度上3種方法都無顯著優(yōu)勢。

此外,發(fā)現(xiàn)在植被生長季,基于波段8A的歸一化植被指數(shù)對3種植被群落的區(qū)分度高于基于波段8的歸一化植被指數(shù),原因可能與兩種植被的光譜特征有關(guān)。在近紅外波段,楊樹和杉樹的反射率仍有一定上升趨勢(圖3)。波段8的波寬為115nm,波段8A的波寬為20nm,因此,基于波段8A的歸一化植被指數(shù)對不同植被光譜的變化更為敏感,對兩種植被的區(qū)分度也較高。

3 討論與結(jié)論

研究結(jié)果表明,直接利用Sentinel-2A的紅邊光譜參數(shù)進(jìn)行植被分類具有明顯優(yōu)勢性,其紅邊區(qū)域窄波段的設(shè)計(jì)有助于精確捕獲植被的光譜紅邊特征。在3種方法的分類能力評估中,發(fā)現(xiàn)基于紅邊斜率差異的分類方法的分類能力在植被最大生長期要顯著高于基于紅波段和紅邊波段8A、紅波段和近紅外波段構(gòu)建的歸一化植被指數(shù),在湖濱帶植被群落分類中應(yīng)用效果較佳。

結(jié)合植被的光譜特征考慮,認(rèn)為利用紅邊斜率進(jìn)行植被分類精度更高的原因主要與Sentinel-2A紅邊波段寬度的設(shè)置有關(guān)。受植被體內(nèi)葉綠素、類胡蘿卜素對光的反射和吸收及葉片獨(dú)特的海綿結(jié)構(gòu)的影響,典型的植被光譜曲線主要有以下幾個(gè)特征,即藍(lán)色波段和紅色波段處的反射低谷、綠色波段處小的反射峰值及近紅外波段處的高反射峰值。因此,研究學(xué)者充分利用了植被紅波段和近紅外波段處反射率的巨大反差構(gòu)建了歸一化植被指數(shù)用以植被遙感監(jiān)測研究[24-25]。但在高植被覆蓋區(qū),紅光反射減少,近紅外光反射增加,紅光吸收存在飽和效應(yīng),兩者間的反差取決于近紅外波段處反射率的變化[26]。此外,對于Sentinel-2A衛(wèi)星而言,其近紅外波段寬度為115 nm,紅邊波段8A的寬度為20 nm,由于紅邊波段8A的寬度更小,因而相較于近紅外波段8更能反映不同植被光譜特征間的細(xì)微差異,故在植被分類中,基于紅邊波段8A構(gòu)建的歸一化植被指數(shù)的分類效果要高于基于近紅外波段8構(gòu)建的歸一化植被指數(shù)。同理,由于高覆蓋區(qū)植被的紅波段存在飽和效應(yīng),而Sentinel-2A的紅邊波段5、紅邊波段6、紅邊波段7完全處于植被反射率急劇變化的區(qū)域,其波長寬度分別為15,15,20 nm,不受飽和效應(yīng)的影響,因而對葉綠素含量的變化更為敏感,在提取不同類型植被過程中的精確度更高,相較于基于歸一化植被指數(shù)的分類方式效果更好。

此外,研究結(jié)果顯示植被紅邊斜率的變化一定程度上可顯示植被物候的變化。不同于單一植被類型區(qū)域的楊樹純林和中山杉純林,楊樹-中山杉混合林的紅邊斜率在一年內(nèi)出現(xiàn)兩個(gè)峰值,對應(yīng)的分別為6月和10月,在歸一化植被指數(shù)中兩個(gè)峰值對應(yīng)的分別為5月和10月。根據(jù)對研究區(qū)的調(diào)查,該區(qū)域的植物組成為中山杉和楊樹混交林,相關(guān)資料顯示楊樹的最大生長季為5—10月[27],中山杉的最大生長期差異較大,部分統(tǒng)計(jì)結(jié)果顯示其快速生長期為5月上旬至8月上旬，或者6月上旬至11月上旬[28]。在中山杉純林中,其紅邊斜率及歸一化植被指數(shù)均只出現(xiàn)一個(gè)峰值,而在楊樹-中山杉混交林中兩者均出現(xiàn)雙峰值,且峰值對應(yīng)月份有所差異。針對這一現(xiàn)象,結(jié)合植被紅邊斜率對葉綠素含量變化的顯著敏感性,未來可以考慮將植被紅邊斜率應(yīng)用于植被物候的監(jiān)測中。

本文研究的主要目的是為評估Sentinel-2A衛(wèi)星紅邊波段直接應(yīng)用于植被分類的效果,研究基于先驗(yàn)知識對湖濱帶植被群落進(jìn)行劃分后,再分別統(tǒng)計(jì)其紅邊斜率和歸一化植被指數(shù)的年內(nèi)變化。結(jié)果表明,在植被覆蓋度較低時(shí),基于紅邊斜率、歸一化植被指數(shù)的湖濱帶植被群落的分類效果均不理想；當(dāng)?shù)竭_(dá)植被最大生長季,植被覆蓋度達(dá)到一定程度后,紅邊斜率對植被群落分類的優(yōu)勢顯著高于歸一化植被指數(shù)。因而可以認(rèn)為,利用Sentinel-2A的光譜紅邊斜率特征進(jìn)行植被群落分類具有一定的優(yōu)勢性。