摘 要：為探究光學(xué)數(shù)據(jù)和合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）數(shù)據(jù)在森林類型分類中的優(yōu)勢(shì)和互補(bǔ)性，以云南省普洱市思茅區(qū)的Landsat 8數(shù)據(jù)與微波遙感SAR影像ALOS2數(shù)據(jù)相交覆蓋區(qū)域?yàn)檠芯繀^(qū)，采用分層分類技術(shù)進(jìn)行森林類型分類研究。構(gòu)建3種特征集，光學(xué)數(shù)據(jù)特征集（光譜+植被因子+紋理+地形特征）、SAR特征集（后向散射+極化分解特征）、光 學(xué)-SAR融合數(shù)據(jù)特征集（光譜+植被因子+紋理+地形+后向散射+極化分解特征），并使用遞歸特征消除法（Recursive Feature Elimination，RFE）對(duì)提取的3種特征集分別進(jìn)行分層特征篩選，再用隨機(jī)森林（Random forest，RF）、支持向量機(jī)（Support Vector Machine，SVM）對(duì)森林類型分類，光學(xué)-SAR融合數(shù)據(jù)SVM的分類效果最好。結(jié)果表明，1）在第1層（植被/非植被）分類時(shí)，總體精度為98.57%，Kappa系數(shù)為0.971；2）在第2層（森林/非森林植被）分類時(shí)，總體精度為92.14%，Kappa系數(shù)為0.826；3）在第3層（針/闊/混交林）分類時(shí)，總體精度為83.47%，Kappa系數(shù)為0.743。融合數(shù)據(jù)相比于光學(xué)數(shù)據(jù)集分類精度提高9.91%，比SAR分類精度提高24.97%；4）在融合數(shù)據(jù)集進(jìn)行第3層次的分類中，對(duì)比不同窗口3×3、5×5、7×7、9×9下的光學(xué)圖像紋理特征對(duì)分類結(jié)果的影響，7×7紋理窗口下精度最高。結(jié)果表明，多源數(shù)據(jù)協(xié)同的森林類型分類精度相比于單一數(shù)據(jù)源精度更高。

關(guān)鍵詞：協(xié)同分類； 全極化SAR數(shù)據(jù)； 特征融合； 多源遙感； 森林類型

中圖分類號(hào)：S771.8 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.7525/j.issn.1006-8023.2024.04.013

Research on Forest Type Classification with Feature Level Fusion By Integrating Optical Data with SAR Data

SUN Miaoqi1， YUE Cairong1，2*， DUAN Yunfang1， LUO Hongbing1，

YU Qiongfen1， LUO Guangfei1， XU Tianshu1，2

（1.College of Forestry， Southwest Forestry University， Kunming 650224， China；2.Forestry 3S Technology Engineering Center of Yunnan， Kunming 650224， China）

Abstract： In order to explore the advantages and complementarity of optical data and synthetic aperture radar （SAR） data in forest type classification， this study focused on the overlapping area of Landsat8 data and ALOS2 data from one scene SAR image in Simao District， Puer City， Yunnan Province， China， and used hierarchical classification technology for forest type classification research. Three feature sets were constructed： optical feature set （spectral + vegetation + texture + terrain features）， SAR feature set （backscattering + polarization decomposition features）， and optical-SAR fusion feature set （spectral + vegetation + texture + terrain + backscattering + polarization decomposition features）. Recursive Feature Elimination （RFE） was employed to perform stratified feature selection on the three feature sets， and random forest （RF） and support vector machine （SVM） were used for forest type classification. The SVM classification with the fusion of optical images and SAR data achieved the best results. The results showed， 1） In the first layer （vegetation/non-vegetation） classification， the overall accuracy was 98.57%， the Kappa coefficient was 0.971. 2） In the second layer （forest/non-forest） classification， the overall accuracy was 92.14%， the Kappa coefficient was 0.826. 3） In the third layer （coniferous/broad-leaved/mixed forest） classification， the overall accuracy was 83.47%， and the Kappa coefficient was 0.743. The fusion data showed an improvement of 6.74% in accuracy compared to optical data feature set classification and 29.24% compared to SAR classification. 4） In the classification of the third layer using fusion data， the influence of different window sizes （3×3， 5×5， 7×7， 9×9） of texture features in optical images was compared， and the highest accuracy was achieved with a 7×7 texture window. Results shows that， the accuracy of forest type classification using multi-source data is higher than that using a single data source.

Keywords： Synergistic classification； full polarimetric SAR data； feature fusion； multi-source remote sensing； forest types

0 引言

不同森林類型具有不同的物種組成和生產(chǎn)力，是制定森林經(jīng)營(yíng)措施的重要依據(jù)，也是精確估算森林生物量和碳儲(chǔ)量的重要基礎(chǔ)［1-2］。傳統(tǒng)的地面調(diào)查方法雖然可以獲取精確森林類型信息，但作業(yè)時(shí)間長(zhǎng)、成本高、效率低，難以快速獲取大范圍森林類型分布信息。采用遙感技術(shù)開(kāi)展森林類型信息提取已經(jīng)成為大范圍和區(qū)域尺度進(jìn)行森林信息提取的重要技術(shù)手段［3］。目前采用光學(xué)遙感數(shù)據(jù)進(jìn)行森林分類已有大量的應(yīng)用案例。光學(xué)遙感進(jìn)行森林分類的物理基礎(chǔ)是基于不同的森林類型具有不同的光譜特征，然而受地形、大氣影響和傳感器光譜分辨率局限等多因素影響，常常存在同物異譜和同譜異物現(xiàn)象，導(dǎo)致光學(xué)遙感進(jìn)行森林分類精度較低。田靜等［4］基于TM（thematic mapper，TM）影像數(shù)據(jù)提取光譜特征，利用神經(jīng)網(wǎng)絡(luò)和原細(xì)胞自動(dòng)機(jī)分類算法進(jìn)行森林類型識(shí)別對(duì)比試驗(yàn)。吳梓尚等［5］基于多時(shí)序MODIS數(shù)據(jù)，利用時(shí)序植被指數(shù)特征構(gòu)建決策樹(shù)識(shí)別不同森林類型。董靈波等［6］基于Landsat數(shù)據(jù)，采用光譜、紋理、時(shí)間序列增強(qiáng)型植被指數(shù)特征并考慮物候信息的影響完成森林類型分類。僅用光學(xué)數(shù)據(jù)雖取得一些成果但分類精度提高十分有限。而合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）技術(shù)通過(guò)獲取森林的微波后向散射強(qiáng)度、相位和極化等信息［7］進(jìn)行森林分類，同樣地，由于缺少光譜信息，僅僅采用SAR數(shù)據(jù)進(jìn)行森林分類效果也不好。Wang［8］基于ALOS數(shù)據(jù)，采用支持向量機(jī)算法（Support Vector Machine，SVM）對(duì)比了單、雙、全極化微波數(shù)據(jù)的分類結(jié)果。賈詩(shī)超等［9］基于全極化SAR數(shù)據(jù)提取雷達(dá)植被指數(shù)、總功率、Cloude極化分解特征進(jìn)行SVM分類，但SAR提供信息有限，僅實(shí)現(xiàn)了地類識(shí)別，未能更精細(xì)劃分。

由于光學(xué)遙感和微波遙感的電磁波波長(zhǎng)相差1萬(wàn)倍以上，導(dǎo)致2種遙感數(shù)據(jù)的成像機(jī)理和反映地物的特征都具有巨大的差異性，從而使這2種數(shù)據(jù)在反映森林特性時(shí)具有很好的互補(bǔ)性。結(jié)合光學(xué)和SAR數(shù)據(jù)能夠彌補(bǔ)單一數(shù)據(jù)源的局限性且能帶來(lái)不同信息的互補(bǔ)。Erinjery等［10］利用其優(yōu)勢(shì)和互補(bǔ)性，提取光譜、紋理和極化熵等特征時(shí)，采用最大似然和隨機(jī)森林算法對(duì)熱帶雨林植被進(jìn)行分類，克服了天氣影響并獲得了更全面的信息。毛學(xué)剛等［11］結(jié)合QuickBird和Radarast-2數(shù)據(jù)提取光譜、地形、高度、強(qiáng)度特征，進(jìn)行不同特征結(jié)合的分類，取得了較好結(jié)果。

由于云南省為高原山地地貌，遙感數(shù)據(jù)在該地區(qū)受地形和天氣影響較大，增加了森林類型分類的復(fù)雜性。為探索多雨地形復(fù)雜條件光學(xué)數(shù)據(jù)和SAR數(shù)據(jù)進(jìn)行森林分類的有效性，采用光學(xué)和SAR數(shù)據(jù)相結(jié)合的方法，提取光譜、紋理、植被指數(shù)、地形、后向散射系數(shù)和極化分解特征，創(chuàng)建光學(xué)特征集、SAR特征集、光學(xué)-SAR融合特征集，通過(guò)遞歸特征消除法（Recursive feature elimination，RFE）對(duì)這3種特征集進(jìn)行特征篩選，篩選出每一層進(jìn)行分類的優(yōu)選特征集。研究通過(guò)分層分類方法，先劃分植被和非植被，再通過(guò)植被掩膜提取植被，在植被中劃分森林植被和非森林植被，再通過(guò)掩膜提取森林植被并在森林植被中劃分針葉林、闊葉林、混交林。研究對(duì)比不同數(shù)據(jù)集以及不同光學(xué)紋理窗口尺度對(duì)森林類型分類的影響，探索光學(xué)-SAR數(shù)據(jù)在森林類型分類中的互補(bǔ)性，旨在為實(shí)現(xiàn)精確分類提供參考方法。

1 數(shù)據(jù)與方法

1.1 研究區(qū)

研究區(qū)位于云南省普洱市思茅區(qū)（100°19′～101°27′ E，22°27′～23°06′ N），平均海拔1 302 m，屬亞熱帶氣候，森林類型豐富多樣，主要有思茅松林、人工經(jīng)濟(jì)林、暖熱性闊葉林和熱性灌木林等。研究數(shù)據(jù)包括微波遙感ALOS PALSAR-2（SLC）數(shù)據(jù)和光學(xué)遙感Landsat8-OLI數(shù)據(jù)，研究區(qū)概況如圖1所示。

1.2 數(shù)據(jù)來(lái)源與處理

1.2.1 遙感數(shù)據(jù)獲取

因2016年光學(xué)影像云量較大，故本研究選用云量較少的2015年5月3日一景Landsat8-OLI數(shù)據(jù)和2016年5月11日一景L波段全極化ALOS PALSAR-2（SLC）數(shù)據(jù)。輔助數(shù)據(jù)包括云南省普洱市思茅區(qū)矢量邊界、2016年森林資源二類調(diào)查數(shù)據(jù)及30 m空間分辨率的數(shù)字高程模型數(shù)據(jù)（Digital Elevation Model，DEM）。

1.2.2 預(yù)處理

對(duì)光學(xué)影像Landsat8-OLI進(jìn)行輻射定標(biāo)、將全色和多光譜波段采用Gram-Schmidt方法進(jìn)行影響融合、采用最近鄰法將OLI數(shù)據(jù)重采樣至15 m分辨率、大氣校正、利用DEM進(jìn)行地形輻射校正、影像裁剪；對(duì)SAR影像ALOS PALSAR-2進(jìn)行定標(biāo)、多視、精制Lee濾波處理、地形平坦化（Radiometric Terrain Flattening，RTF）、多普勒地形矯正（Range-Doppler Terrain correction）、影像配準(zhǔn)、影像裁剪。

1.3 研究方法

1.3.1 分類系統(tǒng)

考慮遙感識(shí)別的可分性，以2016年森林資源二類調(diào)查數(shù)據(jù)和遙感影像為基礎(chǔ)，對(duì)研究區(qū)采用分層分類。一級(jí)分類分為植被和非植被，非植被包括建設(shè)用地、水域、裸地，本研究對(duì)非植被不進(jìn)行分類。二級(jí)分類將第1層分類結(jié)果創(chuàng)建植被掩膜，將植被分為森林植被和非森林植被，非森林植被包括灌草和耕地，研究區(qū)灌草因占比較少，分類時(shí)將灌草和耕地合并為非森林植被，不進(jìn)行細(xì)分。三級(jí)分類以第2層森林植被分類結(jié)果作為掩膜，將森林植被進(jìn)一步細(xì)分為針葉林、闊葉林、針闊混交林。最終劃分為非植被、非森林植被、針葉林、闊葉林、針闊混交林5類。

1.3.2 特征提取

本研究經(jīng)過(guò)反復(fù)試驗(yàn)并參考相關(guān)文獻(xiàn)［11-26］，選取以下特征，所有特征見(jiàn)表1。

1）光譜特征

基于最佳指數(shù)法（Optimum index factor，OIF）對(duì)OLI數(shù)據(jù)選取Band3、Band4、Band5以及每個(gè)像元點(diǎn)前7個(gè)譜波段的均值（Band-mean），作為光譜特征。

2）植被指數(shù)

植被指數(shù)包括歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、比值植被指數(shù)（RatioVegetationIndex，RVI）、增強(qiáng)植被指數(shù)（EnhaneedVegetationIndex，EVI）、歸一化水體指數(shù)（Normalized Difference Water Index，NDWI）、土壤指數(shù)（Bi2）。

3）紋理特征

Landsat8各個(gè)波段間存在高度相關(guān)，對(duì)Landsat數(shù)據(jù)進(jìn)行主成分分析，結(jié)果見(jiàn)表2。表2中前3個(gè)主成分，其累計(jì)方差貢獻(xiàn)率為99.81%。對(duì)前3個(gè)主成分分別采用灰度共生矩陣（gray level co-occurrence matrix，GLCM）提取4種窗口尺度（3×3、5×5、7×7、9×9）的8個(gè)紋理特征［16］。

4）SAR影像提取特征參數(shù)

后向散射系數(shù)（Backscatter Coefficient）是反映不同地物對(duì)微波反射能力的參數(shù)［17］，對(duì)地物分類具有重要意義，研究提取SAR 4個(gè)通道的后向散射系數(shù)σhh、σhv、σvh、σvv。極化分解（Polarimetric Decomposition）是基于物理機(jī)理揭示目標(biāo)散射特性和結(jié)構(gòu)信息的重要方法［18］。通過(guò)極化分解可以將不同散射特性的目標(biāo)分離，如產(chǎn)生表面散射的水體、產(chǎn)生偶次散射的建筑和發(fā)生體散射的森林冠層等，目前有許多不同極化分解方法［19］，本研究選擇4種常見(jiàn)極化分解方法Pauli、H/A/α、Freeman、Yamaguchi，來(lái)提取極化分解特征。

5）地形特征

利用DEM數(shù)據(jù)提取坡度（Slope）和坡向（Aspect）。

1.3.3 分類方法

1）構(gòu)建特征集和特征優(yōu)選

提取的特征通過(guò)特征向量堆棧法（Stacking）構(gòu)建3種特征集，見(jiàn)表3。過(guò)多的特征參與會(huì)造成信息冗余，對(duì)特征進(jìn)行篩選可以提高分類精度，遞歸特征消除法（Recursive Feature Elimination，RFE）［15，29］是通過(guò)反復(fù)訓(xùn)練模型并逐步剔除不重要的特征，從而篩選出最優(yōu)特征子集，在每一輪迭代中通過(guò)各特征對(duì)分類模型性能貢獻(xiàn)度來(lái)確定特征相對(duì)重要性。本研究采用遞歸特征消除法對(duì)光學(xué)、SAR、光 學(xué)-SAR特征集分別進(jìn)行分層特征重要性排序，篩選出用于植被/非植被、森林/非森林植被、針/闊/混交林的優(yōu)選光學(xué)、SAR、光學(xué)-SAR特征集。

2）分類方案

隨機(jī)森林分類器（Random forest，RF）具有高度魯棒性和準(zhǔn)確性［27］，支持向量機(jī)（Support Vector Machine，SVM）在處理高維數(shù)據(jù)和非線性問(wèn)題時(shí)具有強(qiáng)泛化能力［28］。研究基于光學(xué)、SAR、光學(xué)-SAR 3種特征集進(jìn)行特征篩選后，采用參數(shù)調(diào)優(yōu)后的RF、SVM分類器構(gòu)造6種分類方案，見(jiàn)表3。本研究對(duì)RF調(diào)參時(shí)，將樹(shù)數(shù)量預(yù)估值（n_etimators）設(shè)置為150，準(zhǔn)則函數(shù)（criterion）設(shè)置為Gini；對(duì)SVM調(diào)參時(shí)，將懲罰系數(shù)（C）設(shè)置為10，核函數(shù)（kernel）設(shè)置為徑向基（Radial Basis Function，RBF）。

1.3.4 訓(xùn)練樣本采集

采用分層選取樣本的方法進(jìn)行樣本采集。在第1層中，通過(guò)谷歌地球（Google Earth）高分辨率影像目視解譯選取植被和非植被圖斑各100個(gè)；在第2層中，根據(jù)Google Earth結(jié)合森林資源二類調(diào)查數(shù)據(jù)選取森林植被和非森林植被圖斑各100個(gè)；在第3層中，根據(jù)影像和二調(diào)數(shù)據(jù)中優(yōu)勢(shì)樹(shù)種及土地類型為純林和混交林人工選取針葉林、闊葉林、混交林各60個(gè)圖斑。對(duì)采集的樣本采用70%作為訓(xùn)練樣本，30%作為驗(yàn)證樣本，并用Jeffries-Matusita（J-M）距離分離度檢驗(yàn)樣本之間的可分離性。

1.3.5 精度評(píng)價(jià)

利用混淆矩陣計(jì)算的生產(chǎn)者精度（Producer′s accuracy，PA）、用戶精度（User′s accuracy，UA）、總精度（Overall′s accuracy，OA，式中為OA）和Kappa系數(shù)（式中為Kappa）４個(gè)指標(biāo)對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。

1）OA是評(píng)價(jià)所有分類結(jié)果與實(shí)際對(duì)應(yīng)類型一致的概率。

O_A=（∑_（i=1）^r?x_ii ）/N。 （1）

式中：xii為第i類被正確分為i類的樣本數(shù)；r是類別數(shù)；N是總樣本數(shù)。

2）Kappa系數(shù)（式中記為Kappa）代表著分類結(jié)果與完全隨機(jī)的分類產(chǎn)生錯(cuò)誤的比例。

K_appa=（N∑_（i=1）^r?x_ii -∑_（i=1）^r?〖（〖x_i〗_++x_（+i））〗）/（N^2-∑_（i=1）^r?〖（x_（i+）×x_（+i））〗）。 （2）

式中：xi+為真實(shí)i類的總數(shù)；x+i為被分成i類型的總數(shù)。

2 結(jié)果與分析

2.1 特征優(yōu)選

根據(jù)最優(yōu)特征數(shù)量和特征重要性排序選出優(yōu)選特征集。

1）最優(yōu)特征數(shù)量

分類精度隨著特征數(shù)量增加呈現(xiàn)先升高后降低的趨勢(shì)，本研究將交叉驗(yàn)證精度達(dá)到最高時(shí)用于分類的特征數(shù)作為最優(yōu)特征數(shù)量，如圖2所示。光學(xué)特征集特征優(yōu)選時(shí)，第1層分類最優(yōu)特征數(shù)量為6，第2層為15，第3層為7。SAR特征集優(yōu)選時(shí)，第1層分類最優(yōu)特征數(shù)量為7，第2層為8，第3層為10。光學(xué)-SAR特征集優(yōu)選時(shí)，第1層分類最優(yōu)特征數(shù)量為13，第2層為15，第3層為19。

2）特征重要性排序

前20個(gè)重要性得分高的特征如圖3所示。光學(xué)特征集特征優(yōu)選：第1層分類，重要性得分最高的是NDVI和PC2_Mean；第2層得分最高的是Band-mean和NDVI；第3層得分最高的是EVI和RVI。SAR特征集特征優(yōu)選：第1層得分最高的是Alpha和Anisotropy；第2層得分最高的是Freeman_vol和Yamaguchi_dbl；第3層得分最高的是Freeman_vol和Puali_b。光學(xué)-SAR融合特征集特征優(yōu)選：第1層得分最高的是Bi2和PC2_Mean；第2層得分最高的是EVI和NDVI；第3層得分最高的是EVI和NIR。

2.2 分類精度評(píng)價(jià)

2.2.1 第1層（植被/非植被）

植被/非植被分類精度見(jiàn)表4。由表4可知，6種方案在第1層的分類中各方案的總體精度均高于95%，Kappa系數(shù)均高于0.90。單使用優(yōu)選SAR數(shù)據(jù)特征集分類精度最低，方案3采用RF分類器的總體精度OA為95.23%，Kappa系數(shù)為0.903 1；方案4采用SVM分類器OA為95.56%，Kappa系數(shù)為0.909 0。優(yōu)選光學(xué)-SAR特征集精度最高，總體精度平均提高了1.80%，方案5采用RF分類器OA為98.31%，Kappa系數(shù)為0.965 9；方案6采用SVM分類器OA為98.57%，Kappa系數(shù)為0.971 0。方案6分類精度最高，分類結(jié)果如圖4（a）所示。與森林資源二類調(diào)查植被面積統(tǒng)計(jì)為1 743.75 km2相比，方案6分類計(jì)算面積為1 732.33km2，相對(duì)誤差0.65%。本研究采用方案6進(jìn)行第1層分類結(jié)果作為第2層分類基礎(chǔ)。

2.2.2 第2層（森林植被/非森林植被）

本研究將方案6第1層分類結(jié)果提取植被掩膜進(jìn)行第2層分類。不同試驗(yàn)方案的第2層分類精度評(píng)價(jià)見(jiàn)表5。單使用優(yōu)選SAR數(shù)據(jù)特征集分類精度最低，方案3采用RF分類器的總體精度OA為76.92%，Kappa系數(shù)為0.525 6；方案4采用SVM分類器OA為75.27%，Kappa系數(shù)為0.494 1。優(yōu)選光學(xué)-SAR特征集協(xié)同精度最高，總體精度平均提高了8.92%，方案5采用RF分類器OA為91.81%，Kappa系數(shù)為0.822 1；方案6采用SVM分類器OA為92.14%，Kappa系數(shù)為0.826 0。方案6分類精度最高，分類結(jié)果如圖4（b）所示。森林資源二類調(diào)查森林面積統(tǒng)計(jì)為1 456.75 km2，方案6分類計(jì)算面積為1 454.48 km2，相對(duì)誤差0.16%。本研究采用方案6進(jìn)行第2層分類結(jié)果作為第3層分類基礎(chǔ)。

2.2.3 第3層（針/闊/混交林）

本研究因數(shù)據(jù)量太大，特征維度高，處理運(yùn)行時(shí)間過(guò)長(zhǎng)，因此在研究區(qū)裁剪局部范圍作為第3層分類的試驗(yàn)區(qū)，如圖4（c）所示。表6為針/闊/混交林分類精度，由表6可知，單使用優(yōu)選SAR數(shù)據(jù)特征集分類精度最低，方案3采用RF分類器的總體精度OA為63.69%，Kappa系數(shù)為0.456 3；方案4采用SVM分類器OA為53.31%，Kappa系數(shù)為0.194 7。優(yōu)選光學(xué)-SAR特征集協(xié)同分類精度最高，方案5采用RF分類器OA為82.43%，Kappa系數(shù)為0.724 8；方案6采用SVM分類器OA為82.55%，Kappa系數(shù)為0.726 1。方案6分類精度最高，分類結(jié)果如圖4（d）所示。優(yōu)選光學(xué)-SAR數(shù)據(jù)集協(xié)同分類后，OA、PA、UA都有所提高。與單一數(shù)據(jù)源分類相比，優(yōu)選光學(xué)-SAR協(xié)同分類的平均精度為82.49%，比僅使用優(yōu)選SAR數(shù)據(jù)分類的平均精度（58.50%）提高了23.97%；比僅使用優(yōu)化光學(xué)數(shù)據(jù)的平均精度（73.56%）提高了8.93％。

2.3 不同紋理尺度對(duì)比結(jié)果

第3層（針/闊/混交）分類中，在光學(xué)-SAR融合數(shù)據(jù)集對(duì)比了不同紋理窗口3×3、5×5、7×7、9×9下的光學(xué)圖像紋理特征對(duì)融合數(shù)據(jù)分類結(jié)果的影響，見(jiàn)表7。7×7窗口分類總體精度為83.47%，Kappa系數(shù)為0.743 1，效果最好，因此紋理提取最佳窗口為7×7。

3 討論

1）遙感森林分類時(shí)，分類特征并非越多越好。本研究采用遞歸特征消除法得到交叉驗(yàn)證精度最高的最優(yōu)特征集，在特征重要性排序中，光學(xué)特征集第1層分類重要性得分最高的光學(xué)影像的第二主成分的紋理均值特征（PC2_mean），此結(jié)論與董靈波等［6］得出第二主成分波段的紋理特征中的均值在分類中貢獻(xiàn)度較大的結(jié)論一致；SAR特征集在第3層分類中得分最高的是Freeman_vol，在森林類型分類中具有更好的分類能力，這與相關(guān)文獻(xiàn)所得結(jié)論一致［39］。本研究對(duì)光學(xué)-SAR特征集第3層分類進(jìn)行不同紋理窗口比較中發(fā)現(xiàn)，本試驗(yàn)紋理提取最佳窗口為7×7，這與寧亮亮等［30］和徐輝等［31］在森林植被分類中采用7×7窗口時(shí)精度最高的結(jié)果一致。

2）本研究采用多源數(shù)據(jù)分類比光學(xué)分類平均精度提高9.91%，比SAR分類平均精度提高24.97%。對(duì)比相關(guān)文獻(xiàn)，本研究精度提高更明顯，相較于王宇航等［23］僅使用光學(xué)數(shù)據(jù)精度提高了0.20%，僅使用SAR數(shù)據(jù)，精度提高了10.70%。Kasapoglu等［32］使用ALOS和TM的數(shù)據(jù)采用決策級(jí)融合對(duì)森林類型進(jìn)行分類，結(jié)果與單獨(dú)使用TM圖像相比，精度提高4%。Sano等［33］結(jié)合光學(xué)和SAR圖像，在Cerrado的不同森林植被類型分類中相較于光學(xué)數(shù)據(jù)精度提高6%，相較于SAR數(shù)據(jù)提高10%。Yu等［34］使用多時(shí)相SAR數(shù)據(jù)和光學(xué)SPOT數(shù)據(jù)對(duì)森林類型分類，得出單一時(shí)相SAR數(shù)據(jù)結(jié)合光學(xué)數(shù)據(jù)相較于僅用SPOT數(shù)據(jù)精度提高8%，結(jié)合多時(shí)相SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)協(xié)同分類相較于僅用SPOT數(shù)據(jù)精度提高11%。

3）研究在第3層分類中，單獨(dú)使用光學(xué)和單獨(dú)使用SAR均不能很好地對(duì)森林類型識(shí)別，僅用SAR數(shù)據(jù)的平均總體精度為58.50%，是因?yàn)閷?duì)于茂密的森林，L波段SAR極化參數(shù)趨于飽和，森林的極化特征較為相似，僅用極化信息難以區(qū)分森林的類型［35-39］。研究中闊葉林分類精度最低，可能是因?yàn)檠芯繀^(qū)針、闊、混交林面積分布不均，闊葉林采集的樣本像元數(shù)目較少，且圖斑面積較小，導(dǎo)致獲取的信息全面性低，采用的光學(xué)與SAR影像時(shí)間相差 1 a，這也使分類結(jié)果造成一定影響。

4 結(jié)論

本研究采用光學(xué)-SAR特征融合對(duì)森林類型分層分類取得較好的結(jié)果，得出如下結(jié)論。1）多源數(shù)據(jù)能利用光學(xué)和SAR的互補(bǔ)性，使森林類型分類精度有效提高；2）單獨(dú)使用光學(xué)數(shù)據(jù)和單獨(dú)使用SAR數(shù)據(jù)均不能很好地對(duì)森林類型進(jìn)行分類；3）僅用光學(xué)數(shù)據(jù)分類精度高于僅用SAR數(shù)據(jù)分類精度，光學(xué)數(shù)據(jù)在森林類型分類中的貢獻(xiàn)比SAR數(shù)據(jù)貢獻(xiàn)更高。

【參 考 文 獻(xiàn)】

［1］ WOODWELL G M，WHITTAKER R H，REINERS W A，et al.The biota and the world carbon budget［J］.Science，1978，199（4325）：141-146.

［2］ 鞠洪波.國(guó)家重大林業(yè)生態(tài)工程監(jiān)測(cè)與評(píng)價(jià)技術(shù)研究［J］.西北林學(xué)院學(xué)報(bào)，2003（1）：56-58，66.

JU H B.Monitoring and assessment techniques for state key forestry ecological projects［J］.Journal of Northwest Forestry University，2003（1）：56-58，66.

［3］ 張超，王妍.森林類型遙感分類研究進(jìn)展［J］.西南林學(xué)院學(xué)報(bào)，2010，30（6）：83-89.

ZHANG C，WANG Y.Research advances in forest type classification by remote sensing technology［J］.Journal of Southwest Forestry College，2010，30（6）：83-89.

［4］ 田靜，邢艷秋，姚松濤，等.基于元胞自動(dòng)機(jī)和BP神經(jīng)網(wǎng)絡(luò)算法的Landsat-TM遙感影像森林類型分類比較［J］.林業(yè)科學(xué)，2017，53（2）：26-34.

TIAN J，XING Y Q，YAO S T，et al.Comparison of Landsat-TM image forest type classification based on cellular automata and BP neural network algorithm［J］.Scientia Silvae Sinicae，2017，53（2）：26-34.

［5］ 吳梓尚，林輝，孫華，等.基于MODIS影像的森林類型決策樹(shù)分類方法研究［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2017，37（9）：80-85.

WU Z S，LIN H，SUN H，et al.Classification of forest types by tree decision based on MODIS images［J］.Journal of Central South University of Forestry & Technology，2017，37（9）：80-85.

［6］ 董靈波，梁凱富，張一帆，等.基于Landsat 8時(shí)間序列數(shù)據(jù)的翠崗林場(chǎng)森林類型劃分［J］.應(yīng)用生態(tài)學(xué)報(bào)，2022，33（9）：2339-2346.

DONG L B，LIANG K F，ZHANG Y F，et al.Classification of forest types in Cuigang forest farm based on time series data of Landsat 8［J］.Chinese Journal of Applied Ecology，2022，33（9）：2339-2346.

［7］ LEHMANN A E，CACCETTA P，ZHOU Z，et al.Joint processing of Landsat and ALOS-PALSAR data for IJUpzkmAfkETRD+WPclKqQ==forest mapping and monitoring［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，50（1）：55-67.

［8］ WANG J Z，QU J J，ZHANG W M，et al.Classification of full polarization ALOS-PALSAR imagery using SVM in arid area of Dunhuang［J］.Sciences in Cold and Arid Regions，2016，8（3）：263-267.

［9］ 賈詩(shī)超，薛東劍，李成繞.極化特征組合在ALOS PALSAR數(shù)據(jù)地物分類中的應(yīng)用［J］.測(cè)繪通報(bào)，2018（7）：29-33，47.

JIA S C，XUE D J，LI C R.Application of polarization characteristic combination in ALOS PALSAR data classification［J］.Bulletin of Surveying and Mapping，2018（7）：29-33，47.

［10］ ERINJERY J J，SINGH M，KENT R.Mapping and assessment of vegetation types in the tropical rainforests of the Western Ghats using multispectral Sentinel-2 and SAR Sentinel-1 satellite imagery［J］.Remote Sensing of Environment，2018，216：345-354.

［11］ 毛學(xué)剛，竹亮，劉怡彤，等.高空間分辨率影像與SAR數(shù)據(jù)協(xié)同特征面向?qū)ο罅址诸愋妥R(shí)別［J］.林業(yè)科學(xué)，2019，55（9）：92-102.

MAO X G，ZHU L，LIU Y T，et al.Object-oriented classification for tree species based on high spatial resolution images and spaceborne polarimetric SAR cooperation with feature［J］.Scientia Silvae Sinicae，2019，55（9）：92-102.

［12］ 王馨爽，陳爾學(xué)，李增元，等.多時(shí)相雙極化SAR影像林地類型分類方法［J］.林業(yè)科學(xué)，2014，50（3）：83-91.

WANG X S，CHEN E X，LI Z Y，et al.Multi-temporal and dual-polarization SAR for forest land type classification［J］.Scientia Silvae Sinicae，2014，50（3）：83-91

［13］ 梁晰雯，趙穎慧，甄貞，等.基于旋轉(zhuǎn)森林的Landsat-8影像森林植被分類［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2017，45（8）：39-48.

LIANG X W，ZHAO Y H，ZHEN Z，et al.Forest vegetation classification of Landsat-8 based on rotation forest［J］.Journal of Northeast Forestry University，2017，45（8）：39-48.

［14］ 賈明明，任春穎，劉殿偉，等.基于環(huán)境星與MODIS時(shí)序數(shù)據(jù)的面向?qū)ο笊种脖环诸悾跩］.生態(tài)學(xué)報(bào)，2014，34（24）：7167-7174.

JIA M M，REN C Y，LIU D W，et al.Object-oriented forest classification based on combination of HJ-1 CCD and MODIS-NDVI data［J］.Acta Ecologica Sinica，2014，34（24）：7167-7174.

［15］ 周小成，鄭磊，黃洪宇.基于多特征優(yōu)選的無(wú)人機(jī)可見(jiàn)光遙感林分類型分類［J］.林業(yè)科學(xué)，2021，57（6）：24-36.

ZHOU X C，ZHENG L，HUANG H Y.Classification of forest stand based on multi-feature optimization of UAV visible light remote sensing［J］.Scientia Silvae Sinicae，2021，57（6）：24-36.

［16］ 吳艷雙，張曉麗.結(jié)合多尺度紋理特征的高光譜影像面向?qū)ο髽?shù)種分類［J］.北京林業(yè)大學(xué)學(xué)報(bào)，2020，42（6）：91-101.

WU Y S，ZHANG X L.Object-oriented tree species classification with multi-scale texture features based on airborne hyperspectral images［J］.Journal of Beijing Forestry University，2020，42（6）：91-101.

［17］ 賈康，劉媛媛，范文義.應(yīng)用全極化合成孔徑雷達(dá)數(shù)據(jù)構(gòu)建多變量估算森林地上生物量模型［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2024，52（1）：61-66，102.

JIA K，LIU Y Y，F(xiàn)AN W Y.Constructing a multivariate estimation forest above-ground biomass model using full-polarization SAR data［J］.Journal of Northeast Forestry University，2024，52（1）：61-66，102.

［18］ 李能才，胡粲彬，王威，等.SAR圖像獨(dú)立極化方位角整合的極化目標(biāo)分解法［J］.測(cè)繪學(xué)報(bào)，2023，52（12）：2141-2153.

LI N C，HU C B，WANG W，et al.Polarimetric SAR target decomposition method based on independent polarization orientation angle integration［J］.Acta Geodaetica et Cartographica Sinica，2023，52（12）：2141-2153.

［19］ 王雪松，陳思偉.合成孔徑雷達(dá)極化成像解譯識(shí)別技術(shù)的進(jìn)展與展望［J］.雷達(dá)學(xué)報(bào)，2020，9（2）：259-276.

WANG X S，CHENG S W.Polarimetric synthetic aperture radar interpretation and recognition：advances and perspectives［J］.Journal of Radars，2020，9（2）：259-276.

［20］ 張炳華，張鐿鋰，谷昌軍，等.基于隨機(jī)森林與特征選擇的藏東南土地覆被分類方法及精度評(píng)價(jià)［J］.地理科學(xué)，2023，43（3）：388-397.

ZHANG B H，ZHANG Y L，GU C J，et al.Land cover classification based on random forest and feature optimism in the southeast Qinghai-Tibet Plateau［J］.Scientia Geographica Sinica，2023，43（3）：388-397.

［21］ 賈小鳳，朱紅春，凌峰，等.基于Landsat多光譜與PALSAR/PALSAR-2數(shù)據(jù)的漢江流域森林覆蓋變化研究［J］.長(zhǎng)江流域資源與環(huán)境，2021，30（2）：321-329.

JIA X F，ZHU H C，LING F，et al.Study on forest cover change in Han River Basin based on Landsat multispectral and PALSAR/PALSAR-2 data［J］.Resources and Environment in the Yangtze Basin，2021，30（2）：321-329.

［22］ 張程飛，任廣波，吳培強(qiáng)，等.基于高分光學(xué)與全極化SAR的海南八門灣紅樹(shù)林種間分類方法［J］.熱帶海洋學(xué)報(bào)，2023，42（2）：153-168.

ZHANG C F，REN G B，WU P Q，et al.Mangrove species classification in the Hainan Bamen Bay based on GF optics and fully polarimetric SAR［J］.Journal of Tropical Oceanography，2023，42（2）：153-168.

［23］ 王宇航，范文義，劉超逸.基于面向?qū)ο蟮腝UICKBIRD數(shù)據(jù)和SAR數(shù)據(jù)融合的地物分類［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2016，44（9）：44-49.

WANG Y H，F(xiàn)AN W Y，LIU C Y.An object-based fusion of Quickbird data and RADARSAT SAR data for classification analysis［J］.Journal of Northeast Forestry University，2016，44（9）：44-49.

［24］ 張臘梅，段寶龍，鄒斌.極化SAR圖像目標(biāo)分解方法的研究進(jìn)展［J］.電子與信息學(xué)報(bào)，2016，38（12）：3289-3297.

ZHANG L M，DUAN B L，ZOU B.Research development on target decomposition method of polarimetric SAR image［J］.Journal of Electronics & Information Technology，2016，38（12）：3289-3297.

［25］ 侯敬怡，張延成，范文義.結(jié)合干涉特征的極化SAR圖像監(jiān)督分類——將樂(lè)林場(chǎng)的林分類型識(shí)別［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2020，48（11）：33-38.

HOU J Y，ZHANG Y C，CHENG W Y.Supervised classification of polarimetric SAR images with interference features-stand type identification of Jiangle forest farm［J］.Journal of Northeast Forestry University，2020，48（11）：33-38.

［26］ 程騰輝，范文義，吳國(guó)明.多時(shí)相PolInSAR數(shù)據(jù)土地覆蓋類型分類研究［J］.森林工程，2022，38（5）：10-17.

CHENG T H，F(xiàn)AN W Y，WU G M.Research on land cover type classification of multi-temporal PolInSAR data［J］.Forest Engineering，2022，38（5）：10-17.

［27］ 李安琪，楊琳，蔡言顏，等.基于遞歸特征消除-隨機(jī)森林模型的江浙滬農(nóng)田土壤肥力屬性制圖［J］.地理科學(xué)，2024，44（1）：168-178.

LI A Q，YANG L，CAI Y Y，et al.Digital mapping of soil fertility attributes in croplands in Jiangsu，Zhejiang and Shanghai based on recursive feature elimination-random forest model［J］.Scientia Geographica Sinica，2024，44（1）：168-178.

［28］ 解毅，王佳楠，劉鈺.基于Sentinel-1/2數(shù)據(jù)特征優(yōu)選的冬小麥種植區(qū)識(shí)別方法研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（2）：231-241.

XIE Y，WANG J N，LIU Y.Research on winter wheat planting area identification method based on sentinel-1/2 data feature optimization［J］.Transactions of the Chinese Society for Agricultural Machinery，2024，55（2）：231-241.

［29］ 王潔，李恒凱，龍北平，等.應(yīng)用多時(shí)序特征的哨兵系列影像對(duì)南方丘陵區(qū)樹(shù)種識(shí)別［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2024，52（3）：60-68.

WANG J，LI H K，LONG B P，et al.Tree species identification in southern hilly areas using Sentinel series images with multi-temporal features［J］.Journal of Northeast Forestry University，2024，52（3）：60-68.

［30］ 寧亮亮，張曉麗.基于紋理信息的Landsat-8影像植被分類初探［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2014，34（9）：60-64.

NING L L，ZHANG X L.A Preliminary study on vegetation classification based on texture information of Landsat-8 images［J］.Journal of Central South University of Forestry & Technology，2014，34（9）：60-64.

［31］ 徐輝，潘萍，楊武，等.基于多源遙感影像的森林資源分類及精度評(píng)價(jià)［J］.江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，41（4）：751-760.

XU H，PAN P，YANG W，et al.Classification and accuracy evaluation of forest resources based on multi-source remote sensing images［J］.Acta Agriculturae UniversitaLXS2ggrrJmxjqWzsZBcV+Q==tis Jiangxiensis，2019，41（4）：751-760.

［32］ KASAPOGLU N G，ANFINSEN S N，ELTOFT T.Fusion of optical and multifrequency polsar data for forest classification［C］.2012 IEEE International Geoscience and Remote Sensing Symposium，Munich，Germany，2012，3355-3358.

［33］ SANO E E，F(xiàn)ERREIRA L G，HUETE A R.Synthetic aperture radar（L band） and optical vegetation indices for discriminating the Brazilian savanna physiognomies：A comparative analysis［J］.Earth Interactions，2005，9（15）：1-15.

［34］ YU Y，LI M，F(xiàn)U Y.Forest type identification by random forest classification combined with SPOT and multitemporal SAR data［J］.Journal of Forestry Research，2018，29（5）：1407-1414.

［35］ KURVONEN L，HALLIKAINEN M T.Textural information of multitemporal ERS-1 and JERS-1 SAR images with applications to land and forest type classification in Boreal zone［C］.IEEE Transactions on Geoscience and Remote Sensing，1999，37：680–689.

［36］ LEE J S，GRUNES M R，AINSWORTH T，et al.Forest classification based on L-band polarimetric and inteferometric SAR data［C］.In POLINSAR 2005（ESA SP-586），January 17-21，F(xiàn)rascati，Italy.

［37］ TOUZI R，LANDRY R，CHARBONNEAU F J.Forest type discrimination using calibrated C-band polarimetric SAR data［J］.Canadian Journal of Remote Sensing，2004，30（3）：543–551.

［38］ YATABE S M，LECKIE D C.Clearcut and forest-type discrimination in satellite SAR imagery［J］.Canadian Journal of Remote Sensing ，1996，21（4）：455–467.

［39］ BAI Y，SUN G，LI Y，et al.Comprehensively analyzing optical and polarimetric SAR features for land-use/land-cover classification and urban vegetation extraction in highly-dense urban area［J］.International Journal of Applied Earth Observation and Geoinformation，2021，103：102496.