森林工程

作者：孙妙琦,岳彩荣,段云芳,罗洪斌,余琼芬,罗广飞,徐天蜀

单位：1.西南林业大学 林学院，昆明 650224；,2.云南省高校林业3S技术工程中心，昆明 650224；

关键词：协同分类,全极化SAR数据,特征融合,多源遥感,森林类型

基金：国家自然基金项目(42061072),西南林业大学预科基金项目(18200139),云南省科技厅重大科技专项项目(202002AA00007-015)

为探究光学数据和合成孔径雷达（Synthetic Aperture Radar，SAR）数据在森林类型分类中的优势和互补性，以云南省普洱市思茅区的Landsat 8数据与微波遥感SAR影像ALOS2数据相交覆盖区域为研究区，采用分层分类技术进行森林类型分类研究。构建3种特征集，光学数据特征集（光谱+植被因子+纹理+地形特征）、SAR特征集（后向散射+极化分解特征）、光 学-SAR融合数据特征集（光谱+植被因子+纹理+地形+后向散射+极化分解特征），并使用递归特征消除法（Recursive Feature Elimination，RFE）对提取的3种特征集分别进行分层特征筛选，再用随机森林（Random forest，RF）、支持向量机（Support Vector Machine，SVM）对森林类型分类，光学-SAR融合数据SVM的分类效果最好。结果表明，1）在第1层（植被/非植被）分类时，总体精度为98.57%，Kappa系数为0.971；2）在第2层（森林/非森林植被）分类时，总体精度为92.14%，Kappa系数为0.826；3）在第3层（针/阔/混交林）分类时，总体精度为83.47%，Kappa系数为0.743。融合数据相比于光学数据集分类精度提高9.91%，比SAR分类精度提高24.97%；4）在融合数据集进行第3层次的分类中，对比不同窗口3×3、5×5、7×7、9×9下的光学图像纹理特征对分类结果的影响，7×7纹理窗口下精度最高。结果表明，多源数据协同的森林类型分类精度相比于单一数据源精度更高。

来源：2024年第4期

《森林工程》期刊编辑部

查看森林工程杂志2024年第4期