陳幫乾　李香萍　肖向明　孫瑞　吳志祥　祁棟靈　楊川　陶忠良

摘 要 大面積范圍內(nèi)準(zhǔn)確獲取土地利用/覆蓋變化信息對生產(chǎn)管理和生態(tài)環(huán)境評價(jià)都具有重要的意義。本研究聯(lián)合2010年25 m分辨率的ALOS PALSAR L波段雷達(dá)和2009～2010年多時(shí)相Landsat TM/ETM+影像，利用決策樹分類方法對海南島土地利用類型進(jìn)行分類。結(jié)果表明，PALSAR雷達(dá)對森林和水體均有較高的識別精度，生產(chǎn)者精度和用戶精度均超過88%，但耕地與建筑分類精度最高僅為77%。通過結(jié)合森林、建筑與耕地的光譜信息及其年際變化特征，采用多時(shí)相TM/ETM+影像合成的NDVI最大值和最小值對PALSAR分類結(jié)果進(jìn)行修正。修正后結(jié)果的精度均有顯著提升，森林、水體和建筑的生產(chǎn)者和用戶精度均超過了92%，相應(yīng)耕地的精度也分別達(dá)到了91%和74%，總體分類精度達(dá)到94%，Kappa系數(shù)為0.92。本研究表明，聯(lián)合PALSAR雷達(dá)和多時(shí)相Landsat系列光學(xué)遙感影像，在解決熱帶地區(qū)影像數(shù)據(jù)源匱乏的同時(shí)，能夠顯著提高土地利用分類精度，具有良好的應(yīng)用前景。

關(guān)鍵詞 PALSAR；TM/ETM+；海南島；NDVI

中圖分類號 S127 文獻(xiàn)標(biāo)識碼 A

Land Utilization Mapping in Hainan Island by Using ALOS

PALSAR and Multi-temporal Landsat TM/ETM+ Imagery

CHEN Bangqian1，2， LI Xiangping2， XIAO Xiangming2， SUN Rui1， WU Zhixiang1，

QI Dongling1， YANG Chuan1， TAO Zhongliang1

1 Rubber Research Institute（RRI）， Chinese Academy of Tropical Agricultural Sciences（CATAS）/ Investigation &

Experiment Station of Tropical Cops， Ministry of Agriculture， Danzhou， Hainan 571737， China

2 School of Life Science， Fudan University， Shanghai 200438， China

Abstract Accurately mapping land use / cover change over large area is of vital importance for production management practices and eco-environmental assessment. A decision tree-based land utilization mapping in Hainan Island by using the 25 m ALOS Phased Arrayed L-band Synthetic Aperture Radar（PALSAR）in 2010 and multi-temporal 30-m Landsat TM/ETM+ imagery in 2009-2010 was made. The results indicated that forest and water could be easily identified by PALSAR imagery. Both the producer's accuracy（PA）and user's accuracy（UA）were more than 88%. However， the PA and UA were low for the cropland and built-up land， with a max value of about 77%. On the basis of analyzing the spectral reflectance and their seasonal dynamics of the forest， built-up land and cropland， the maximum/minimum value composited Normalized Difference Vegetation Index（NDVI）were used to revise the PALSAR-based mapping results. Significant improvement in the accuracies was obtained for all the classes. For the forest， water and built-up land， the PA and UA were moe than 92%. The accuracy of the cropland also improved， with PA and UA of 91% and 74%， respectively. The overall accuracy was 94% and kappa was 0.92. This study demonstrated the great application prospective of integrating PALSAR and multi-temporal TM/ETM+ imagery for land use classification， which can not only overcome the shortage of the optical images in tropical area， but also greatly improve the mapping accuracy.

Key words PALSAR； TM/ETM+； Hainan Island； NDVI

doi 10.3969/j.issn.1000-2561.2015.12.020

土地利用/覆蓋變化研究是土地資源合理規(guī)劃、全球氣候變化等研究的重要基礎(chǔ)，也是遙感應(yīng)用的重要方向。光學(xué)遙感衛(wèi)星已發(fā)展了數(shù)十年，影像數(shù)據(jù)在土地利用/覆蓋變化中的應(yīng)用也較為成熟[1-5]。但是在熱帶地區(qū)，光學(xué)影像的應(yīng)用嚴(yán)重受到了常年多云雨天氣的影響。據(jù)估計(jì)，在任何時(shí)刻，有30%的地球表面都是被云覆蓋，而在熱帶與亞熱帶地區(qū)，云覆蓋的比例高達(dá)50%，在特定的時(shí)間范圍內(nèi)大面積獲取無云的遙感影像非常困難[6-8]?？上驳氖牵嗄陙砦⒉ㄟb感尤其是合成孔徑雷達(dá)SAR（Synthetic Aperture Radar）技術(shù)得到了迅速的發(fā)展。微波遙感平臺屬于主動遙感范疇，能夠穿透云雨，具有全天候工作能力，并對地物如森林具有較強(qiáng)的穿透力，能夠反應(yīng)地物幾何結(jié)構(gòu)、含水量和冠層粗糙度等信息[9]。近年來，日本宇航研究開發(fā)機(jī)構(gòu)（Japan Aerospace Exploration Agency，JAXA）先后向全球開放了50和25 m空間分辨率的相控陣型L波段合成孔徑雷達(dá)（Phased Arrayed L-band Synthetic Aperture Radar，PALSAR）鑲嵌產(chǎn)品數(shù)據(jù)，已極大的促使雷達(dá)數(shù)據(jù)在土地利用分類、森林結(jié)構(gòu)與生物量反演等方面的應(yīng)用[10-17]。

雖然雷達(dá)影像幾乎不受云干擾，但其成像屬物理過程，并易受大氣和土壤濕度影響，噪聲相對較多，成像精度目前總體不及光學(xué)遙感影像。由于地表類型的復(fù)雜性，光學(xué)衛(wèi)星影像在地物識別過程中也存在局限性，同譜異物和異物同譜現(xiàn)象比較普遍。有效結(jié)合光學(xué)和雷達(dá)遙感影像，可實(shí)現(xiàn)不同數(shù)據(jù)源間的優(yōu)勢互補(bǔ)，更有利于獲取更高精度的土地覆蓋利用信息[18-19]。比如陳勁松等[9]綜合應(yīng)用Landsat TM/ETM+、HJ-1A/1B CCD光學(xué)影像和X波段TerraSAR數(shù)據(jù)研究了廣東省雷州半島的土地利用，表明使用多源數(shù)據(jù)能有效提高土地利用信息提取精度；Reiche等[14]融合了Landsat NDVI（Normalized Difference Vegetation Index）和PALSAR數(shù)據(jù)研究維提島森林砍伐過程，總體分類精度達(dá)到了95.5%。

海南島中國最大的熱帶島嶼，準(zhǔn)確高效的獲取土地利用信息對生態(tài)環(huán)境評價(jià)具有重要意義。蔡運(yùn)龍[20]、趙健等[21]與王樹東等[22]先后利用TM影像解譯了海南島不同歷史時(shí)期的土地利用類型；最近，Dong等[23]聯(lián)合50 m空間分辨率的PALSAR和250～500 m的MODIS影像提取了海南島2007年的森林和橡膠面積。本研究擬綜合利用空間分辨率更高的PALSAR（25 m）雷達(dá)和多時(shí)相TM/ETM+光學(xué)影像（30 m），探討聯(lián)合光學(xué)與雷達(dá)影像的熱帶地區(qū)土地利用分類方法，完成海南島2010年土地利用信息的準(zhǔn)確提取。

1 數(shù)據(jù)與方法

1.1 研究區(qū)域

海南島（圖 1）地處北緯18°10′～20°10′，東經(jīng) 108°37′～111°03′之間，是中國最大的熱帶島嶼，占中國熱帶總面積的42.4%[24]。全島地形四周低平，中間高聳，以最高山脈五指山（海拔1 867.1 m）、鸚歌嶺（海拔1 811.6 m）為隆起核心，向外圍逐級下降，由山地、丘陵、臺地和平原組成環(huán)形層狀地貌，梯結(jié)構(gòu)明顯。全島屬于海洋性熱帶季風(fēng)氣候，全年溫暖濕潤，年平均氣溫22～27 ℃，年光照為1 750～2 650 h；降雨量在1 000～2 600 mm之間，每年5～10月為雨季，占全年總降水量的70%～90%。自然植被主要分布在中部山區(qū)，包括熱帶季雨林，熱帶雨林，常綠闊葉林，紅樹林等，人工森林主要分布在山地四周的臺地，耕地主要分布在平原，及沿海區(qū)域[25]。

1.2 地面樣本數(shù)據(jù)

地面數(shù)據(jù)調(diào)查時(shí)間為2011年11月、2012年9月和2013年7月。調(diào)查對象主要為森林（橡膠林與人工林）、耕地、水體和建筑。調(diào)查過程中采用GPS相機(jī)記錄土地利用信息，然后將帶地理坐標(biāo)的照片轉(zhuǎn)成kml文件，結(jié)合谷哥地球繪制感興區(qū)域（Region of Interest，ROI）。野外照片已上傳至全球野外地理信息照片數(shù)據(jù)庫（http：//www.eomf.ou.edu/photos）。該數(shù)據(jù)庫是一個面向公眾和市民的科學(xué)數(shù)據(jù)平臺，用戶可以免費(fèi)上傳、下載數(shù)據(jù)，目前已收集海南島地區(qū)近8 000張野外照片。雖然野外調(diào)查時(shí)間晚于影像獲取時(shí)間（2010年），但是所調(diào)查的土地利用類型相對固定，調(diào)查數(shù)據(jù)依然可用。本研究一共繪制了927個森林、21個水體、69個耕地和16個建筑ROI，分別相當(dāng)于52 563、19 406、9 763和17 285個30 m×30 m像元（圖1）。最后，應(yīng)用ENVI的分層隨機(jī)抽樣方法，對不同土地類型的ROI按7 ∶ 3的比例進(jìn)行隨機(jī)抽樣，其中70%的樣本用于分類算法訓(xùn)練，30%的樣本用于結(jié)果驗(yàn)證。

1.3 遙感影像及預(yù)處理

PALSAR數(shù)據(jù)源于日本宇航研究開發(fā)機(jī)構(gòu)JAXA（http：//www.eorc.jaxa.jp）。該數(shù)據(jù)已經(jīng)過多視化和正射校正處理，空間分辨率為25 m，包含HH和HV極化波段。本研究使用的是2010年鑲嵌產(chǎn)品，幅寬為1°×1°，覆蓋全海南島共需要7景。應(yīng)用公式將HH和HV極化波段振輻數(shù)據(jù)轉(zhuǎn)化為歸一化的雷達(dá)截面后向散射數(shù)據(jù)[26]：

σ0（dB）=10×log10DN2+CF （1）

式中σ0為后向散射系數(shù)，DN為HH或HV波段像元值，CF為絕對校正因子，取值-83。此外，還計(jì)算了2個波段的比值（HH/HV）和差值（HH-HV）。比值和差值波段目前已被廣泛用于土地利用的分類[13，27]。

Landsat TM/ETM+影像來源于美國地質(zhì)勘探局（United States Geological Survey， USGS，http：//glovis.usgs.gov/），空間分辨率為30 m。本研究采用2009～2010年的多景TM/ETM+影像合成無云影像，覆蓋海南島共需要4景TM/ETM+影像，影像信息統(tǒng)計(jì)見表1。

所獲取的TM/ETM+影像為Level 1T產(chǎn)品，已具有很高的幾何定位精度。影像首先通過Fmask進(jìn)行自動云掩膜[6]，再利用LEDAPS進(jìn)行大氣校正[28]，然后計(jì)算歸一化植被指數(shù)NDVI[29]：

NDVI= （2）

式中ρred、ρNIR為TM/ETM+的紅光和近紅外波段地表反射率。為了修正森林、建筑和耕地結(jié)果，分別對2009～2010年的TM/ETM+影像光譜波段和植被指數(shù)進(jìn)行最大/最小值合成。為了消除落葉林的影響，最小值合成時(shí)僅使用4～12月的TM/ETM+遙感影像。植被指數(shù)的計(jì)算與影像的合成由交互式數(shù)據(jù)語言（Interactive Data Language，IDL）開發(fā)的程序自動完成。

1.4 分類算法構(gòu)建

首先以PALSAR雷達(dá)影像為數(shù)據(jù)源，采用決策樹分類方法實(shí)現(xiàn)水體、森林、耕地和建筑的分類，然后利用多時(shí)相的TM/ETM+合成的光譜和植被指數(shù)對分類結(jié)果進(jìn)行修正。在Dong等[13]提出的50 m PALSAR影像分類算法基礎(chǔ)上，基于訓(xùn)練樣本ROI繪制不同土地類型的HH、HV、HH/HV和HH-HV波段后向散射系數(shù)的直方圖，構(gòu)建決策樹分類規(guī)則（圖2）。圖2表明水體具有較小的后向散射系數(shù)，在HH和HV波段與耕地有少量重疊，非常容易分離。森林和建筑都具有較高的HH與HV后向散射系數(shù)，但建筑的HH反射率更大。森林的比值波段數(shù)值相對較高，差值波段數(shù)值相對較低。耕地后向反射率間于水體與森林及建筑之間，但彼此有一定的重疊。相比之下，森林是除水體外較易分離的類型。根據(jù)這4種地表類型的直方圖信息，以95%為置信區(qū)間，雙側(cè)以2.5%和97.5%分位數(shù)為閾值，單側(cè)以5%或95%分位數(shù)為閾值（HH、HV和HH-HV波段閾值圓整到0.5，比值波段閾值圓整到0.05），構(gòu)建決策樹分類規(guī)則如下：

If （HH<-15.0）&&（HV<-24.0） then水體

else if（-17.0

else if（HH>-8.0）&&（0.05-17） then建筑

else耕地或其它

由于雷達(dá)成像是純物理過程，建筑與森林、高生物量作物與森林等具有相似的后向散射系數(shù)（圖2），最終影響分類精度。利用光學(xué)遙感影像的光譜信息，可對PALSAR分類結(jié)果進(jìn)行修正，提高分類精度。理論上，森林和耕地都具有比建筑更大的最大NDVI值（NDVImax），耕地受耕作影響，最小NDVI值（NDVImin）會低于生長季的森林（圖3）。修正過程包含2步：（1）保持PALSAR水體像元不變，利用NDVImax剔除PALSAR森林中的建筑像元，再利NDVImin過濾部分高生物量的耕地，獲得高精度的森林分布圖；（2）將建筑中具有高NDVImax值的像元修正為耕地。修正閾值根據(jù)訓(xùn)練樣本的直方圖確定（圖3），分別以建筑和耕地95%為置信區(qū)間為域值，并作適當(dāng)圓整處理。本研究中，森林與建筑NDVImax修正值為0.65，森林與耕地NDVImin為0.45，建筑與耕地NDVImax為0.65。

1.5 分類結(jié)果后處理

采用了地面樣本ROI的隨機(jī)抽樣結(jié)果（30%）對分類結(jié)果計(jì)算混淆矩陣和卡帕系數(shù)（Kappa），定量評價(jià)分類精度，同時(shí)將部分分類結(jié)果與統(tǒng)計(jì)年鑒中的統(tǒng)計(jì)數(shù)據(jù)進(jìn)行比較。分類結(jié)果專題圖的制作在ArcGIS軟件中實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 PALSAR分類結(jié)果精度分析

表2為基于PALSAR雷達(dá)影像的海南島土地利用分類精度評估結(jié)果。水體分類精度最高，用戶精度和生產(chǎn)者精度分別達(dá)到了93.83%和95.99%，其誤分像元主要來自于耕地（223和346個像元）。其主要原因是耕地中包含了水稻田，在水稻種植初期將會判定為水體。森林分類精度次之，用戶精度和生產(chǎn)者精度分別為88.21%和89.10%，分類誤差主要來自建筑類（1 349和949個像元）。建筑和耕地的分類精度最低，用戶精度和生產(chǎn)者精度均在62.47%～77.03%之間。總體分類精度為84.74%，卡帕系數(shù)為0.76，有待于進(jìn)一步的提高。

2.2 NDVI修正結(jié)果精度分析

建筑與森林具有相似的雷達(dá)后向散射系數(shù)，在建筑密集的城市或村莊地區(qū)，基于PALSAR影像的森林分類結(jié)果中混有不少建筑像元。圖4展示了?？谑袇^(qū)PALSAR森林分類結(jié)果經(jīng)NDVImax修正過程。圖4-a為2010年7月6日的TM影像，采用中紅外（B5，1.55～1.75 μm）、近紅外（B4，0.76～0.90 μm）和紅光波段（B3，0.63～0.69 μm）RGB假彩色合成。當(dāng)疊加PALSAR森林分類結(jié)果時(shí)，表明大量城市建筑被誤分為森林（圖4-b）。當(dāng)過濾掉NDVImax<0.65的森林像元后，誤分的城市建筑像元顯著降低（圖4-c）。過濾后的城市還有少量森林像元，其原因是城市中存在不少園林綠地。

表3為經(jīng)過NDVImax和NDVIstd修正后的PALSAR分類精度評估結(jié)果。建筑精度提升最為顯著，用戶精度和生產(chǎn)者精度分別為92.73%和95.45%，遠(yuǎn)高于修正前的68.70%和75.80%；其次是森林，其分類精度為99.89%和94.81%，明顯高于修正前的88.21%和89.10%。耕地的生產(chǎn)者精度提升至91.05%，用戶精度為74.31%。由于目前僅含4個范圍較大的分類，耕地還包含了一些較模糊的過渡類型，如間于森林與耕地之間的幼林人工林、部分果園林等，最終分類精度較低。水體的分類精度略有提升，其原因是濾波處理消除了部分椒鹽噪聲。經(jīng)NDVI修正后，總體分類精度達(dá)到了94.70%，Kappa系數(shù)提升到了0.92。

2.3 海南島的土地利用分類結(jié)果

圖5為海南島4種土地利用類型的空間分布圖及部分區(qū)域疊加對比圖。海南島內(nèi)陸水體主要集中在松濤水庫（中北部）和大廣壩水庫（中西部），其余部分多分布在沿海區(qū)域及東部的文昌和瓊海地區(qū)。文昌與瓊海內(nèi)陸地區(qū)有較多的水體，主要原因是該地區(qū)存在大量的水產(chǎn)養(yǎng)殖[30]。中部地區(qū)地形復(fù)雜，水體最少。森林主要分布在中部和南部的山區(qū)，以及松濤水庫周圍的平原及丘陵地帶，其中分布在儋州市、瓊中縣、白沙縣等地的森林多為橡膠。耕地主要分布在沿海的平原地區(qū)及靠近東北的定安縣市周圍。統(tǒng)計(jì)森林面積為2.08×106 hm2，比當(dāng)年統(tǒng)計(jì)年鑒數(shù)據(jù)高3.6×104 hm2[31]。

2.4 不確定性分析及應(yīng)用前景

由于PALSAR影像是由2010年的多景影像鑲嵌而成，原始影像存在時(shí)間差導(dǎo)致區(qū)域地表植被存在物候差異，可能會影響分類精度。另外，用于修正的TM/ETM+影像的獲取時(shí)間為2009～2010年，NDVI最大值修正過程中無法正確識別影像獲取時(shí)段之內(nèi)的部分土地利用變化。在城市地區(qū)，當(dāng)土地類型由有植被覆蓋的地表轉(zhuǎn)變?yōu)榻ㄖ?，最大值合成仍會選擇擁有植被時(shí)期的NDVI值，造成新建筑仍然具有較大的NDVI值，修正時(shí)會帶來誤差。此外，使用NDVImax和NDVIstd修正建筑分類結(jié)果時(shí)，會將裸土歸類為建筑。海南島的裸土主要分布在沿海沙灘、西部干旱且土壤養(yǎng)分條件極差的地區(qū)，雖然面積不多，但也降低了建筑的分類誤差。

熱帶地區(qū)常年多云雨，嚴(yán)重影響光學(xué)遙感影像的獲取，聯(lián)合不受云層干擾的雷達(dá)影像，可實(shí)現(xiàn)數(shù)據(jù)優(yōu)勢互補(bǔ)，提高土地利用分類精度。本研究表明，聯(lián)合PALSAR與多時(shí)相TM/ETM+遙感影像，既能克服影像數(shù)據(jù)匱乏的問題，又可實(shí)現(xiàn)森林和水體的精確分類，同時(shí)也能較準(zhǔn)確的實(shí)現(xiàn)建筑與耕地分離。本研究所使用的數(shù)據(jù)和方法，可以應(yīng)用于其它地區(qū)，但需其中的參數(shù)閾值需要驗(yàn)證或調(diào)整。比如Shimada等[11]在利用PALSAR影像進(jìn)行全球森林面積提取研究過程中，表明用于森林分類的HH和HV波段閾值在不同地區(qū)存在小幅度的變化。

3 結(jié)論

本研究利用2010年P(guān)ALSAR雷達(dá)和2009～2010年多時(shí)相TM/ETM+光學(xué)數(shù)據(jù)，采用決策樹分類方法實(shí)現(xiàn)了海南島30空間分辨率的森林、水體、建筑及耕地面積的提取。

（1）PALSAR雷達(dá)影像對森林和水體的識別精度最高，分類結(jié)果的用戶精度和生產(chǎn)者精度均在88%以上，但對于耕地和建筑分類精度較低，用戶精度和生產(chǎn)者精度最高才77%；

（2）利用多時(shí)相TM/ETM+影像合成的NDVI最大/最小值，能夠過濾PALSAR森林分類結(jié)果中的建筑像元和部分耕地像元，提高森林分類精度；同時(shí)也可以對建筑和耕地分類結(jié)果進(jìn)行修正。利用NDVI修正后的分類結(jié)果精度有顯著提升，森林、水體和建筑的生產(chǎn)者精度和用戶精度均超過了92%，總體分類精度達(dá)到了94%，Kappa系數(shù)為0.92。但是，耕地類型的精度還有待于進(jìn)一步的提升。

通過聯(lián)合PALSAR雷達(dá)影像和TM/ETM+等多源數(shù)據(jù)，既能克服熱帶地區(qū)影像數(shù)據(jù)匱乏的問題，又能實(shí)現(xiàn)數(shù)據(jù)優(yōu)勢互補(bǔ)，能顯著提高熱帶地區(qū)土地利用監(jiān)測的效率和精度，因此在熱帶地區(qū)具有較強(qiáng)的應(yīng)用前景。

參考文獻(xiàn)

[1] Pal Mahesh， Mather Paul M. An assessment of the effectiveness of decision tree methods for land cover classification[J]. Remote Sensing of Environment， 2003， 86（4）： 554-565.

[2] Kandrika Sreenivas， Roy P S. Land use land cover classification of Orissa using multi-temporal IRS-P6 awifs data： A decision tree approach[J]. International Journal of Applied Earth Observation and Geoinformation， 2008， 10（2）： 186-193.

[3] Otukei J R， Blaschke T. Land cover change assessment using decision trees， support vector machines and maximum likelihood classification algorithms[J]. International Journal of Applied Earth Observation and Geoinformation， 2010， 12（Supplement 1）： S27-S31.

[4] 林 楠， 姜琦剛， 楊佳佳， 等. 基于資源一號02C高分辨率數(shù)據(jù)的農(nóng)業(yè)區(qū)土地利用分類[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（1）： 278-284.

[5] 費(fèi)樹軍， 李建軍. 利用陸地衛(wèi)星TM影像進(jìn)行森林土地面積調(diào)查的方法[J]. 內(nèi)蒙古林業(yè)調(diào)查設(shè)計(jì)， 1997（4）： 127-129.

[6] Zhu Zhe， Curtis Woodcock. Object-based cloud and cloud shadow detection in Landsat imagery[J]. Remote Sensing of Environment， 2012（118）： 83-94.

[7] Wang Bin， Ono Atsuo， MuramatsuKanako， et al. Automated detection and removal of clouds and their shadows from Landsat TM images[J]. IEICE Transactions on Information and Systems， 1999， E82（2）： 453-460.

[8] Watmough Gary R， Atkinson Peter M， Hutton Craig W. A combined spectral and object-based approach to transparent cloud removal in an operational setting for Landsat ETM+[J]. International Journal of Applied Earth Observation and Geoinformation， 2011， 13（2）： 220-227.

[9] 陳勁松， 韓 宇， 陳 工， 等. 基于多源遙感信息融合的廣東省土地利用分類方法--以雷州半島為例[J]. 生態(tài)學(xué)報(bào)， 2014（24）： 7 233-7 242.

[10] Dong J， Xiao X， Sheldon S， et al. A 50 m forest cover map in Southeast Asia from ALOS/PALSAR and its application on forest fragmentation assessment[J]. PLoS One， 2014， 9（1）： e85 801.

[11] Shimada Masanobu， Itoh Takuya， Motooka Takeshi， et al. New global forest/non-forest maps from ALOS PALSAR data（2007-2010）[J]. Remote Sensing of Environment， 2014， 155： 13-31.

[12] Kou Weili， Xiao Xiangming， Dong Jinwei， et al. Mapping deciduous rubber plantation areas and stand ages with PALSAR and Landsat Images[J]. Remote Sensing， 2015， 7（1）： 1 048-1 073.

[13] Dong Jinwei， Xiao Xiangming， Sheldon Sage， et al. A comparison of forest cover maps in Mainland Southeast Asia from multiple sources： PALSAR， MERIS， MODIS and FRA[J]. Remote Sensing of Environment， 2012（127）： 60-73.

[14] Reiche Johannes， Verbesselt Jan， Hoekman Dirk， et al. Fusing Landsat and SAR time series to detect deforestation in the tropics[J]. Remote Sensing of Environment， 2015， 156： 276-293.

[15] Pantze Andreas， Santoro Maurizio， Fransson Johan E S. Change detection of boreal forest using bi-temporal ALOS PALSAR backscatter data[J]. Remote Sensing of Environment， 2014， 155： 120-128.

[16] Motohka Takeshi， Shimada Masanobu， Uryu Yumiko， et al. Using time series PALSAR gamma nought mosaics for automatic detection of tropical deforestation： A test study in Riau， Indonesia[J]. Remote Sensing of Environment， 2014， 155： 79-88.

[17] Suzuki Rikie， Kim Yongwon， Ishii Reiichiro. Sensitivity of the backscatter intensity of ALOS/PALSAR to the above-ground biomass and other biophysical parameters of boreal forest in Alaska[J]. Polar Science， 2013， 7（2）： 100-112.

[18] Zhu Zhe， Woodcock Curtis E， Rogan John， et al. Assessment of spectral， polarimetric， temporal， and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data[J]. Remote Sensing of Environment， 2012， 117： 72-82.

[19] Lehmann Eric A.， Caccetta Peter， Lowell Kim， et al. SAR and optical remote sensing： Assessment of complementarity and interoperability in the context of a large-scale operational forest monitoring system[J]. Remote Sensing of Environment， 2015， 156： 335-348.

[20] 蔡運(yùn)龍. 海南島土地利用的遙感調(diào)查與機(jī)助制圖[J]. 國土資源遙感， 1993（4）： 17-27.

[21] 趙 健， 魏成階， 黃麗芳， 等. 土地利用動態(tài)變化的研究方法及其在海南島的應(yīng)用[J]. 地理研究， 2001， 20（6）： 723-730.

[22] 王樹東， 張立福， 陳小平， 等. 基于Landsat TM的熱帶精細(xì)地物信息提取的模型與方法——以海南島為例[J]. 生態(tài)學(xué)報(bào)， 2012， 32（22）： 7 036-7 044.

[23] Dong Jinwei， Xiao Xiangming， Sheldon Sage， et al. Mapping tropical forests and rubber plantations in complex landscapes by integrating PALSAR and MODIS imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2012， 74： 20-33.

[24] 陳磊夫. 海南省森林資源動態(tài)變化及可持續(xù)性評價(jià)研究[D]. 儋州： 華南熱帶農(nóng)業(yè)大學(xué)， 2007.

[25] 王樹東， 歐陽志云， 張翠萍， 等. 海南島主要森林類型時(shí)空動態(tài)及關(guān)鍵驅(qū)動因子[J]. 生態(tài)學(xué)報(bào)， 2012， 32（23）： 7 364-7 374.

[26] Rosenqvist Ake， Shimada Masanobu， Ito Norimasa， et al. ALOS PALSAR： a pathfinder mission for global-scale monitoring of the environment[J]. IEEE Transactions on Geoscience and Remote Sensing， 2007， 11（45）： 3 307-3 316.

[27] Dong Jinwei， Xiao Xiangming， Chen Bangqian， et al. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote Sensing of Environment， 2013， 134： 392-402.

[28] Masek J G， Vermote E F， Saleous N， et al. LEDAPS Landsat Calibration， reflectance， atmospheric correction preprocessing code.[EB/OL]. [2012-04-24].http： //daac.ornl.gov/MODELS/guides/LEDAPS.html.

[29] Tucker Compton J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment， 1979， 8（2）： 127-150.

[30] 吳巖峻， 張京紅， 田光輝， 等. 利用遙感技術(shù)進(jìn)行海南省水產(chǎn)養(yǎng)殖調(diào)查[J]. 熱帶作物學(xué)報(bào)， 2006， 27（2）： 108-111.

[31] 海南省統(tǒng)計(jì)局， 國家統(tǒng)計(jì)局海南調(diào)查隊(duì). 海南統(tǒng)計(jì)年鑒2011[M]. 中國統(tǒng)計(jì)出版社， 2011.