联合GF-5与GF-6卫星数据的多分类器组合亚热带树种识别

摘要

[目的]针对亚热带森林冠层结构复杂、林分高密度下树种遥感识别精度不高以及不同分类算法对不同树种识别表现力不一等问题,探究高光谱分辨率与高空间分辨率数据联合的多分类器组合树种识别方法,以促进多源数据在森林资源调查和监测领域的深层次应用.[方法]以皇甫山国家森林公园为研究区,联合高分五号AHSI(GF-5 AHSI)与高分六号PMS(GF-6 PMS)卫星数据以及数字高程模型(DEM)、森林资源调查数据等辅助信息,构建亚热带天然次生林复杂冠层结构和高林分密度条件下面向对象多源数据多分类器自适应的树种识别方法.首先利用图割算法(GC)对GF-6 PMS卫星数据进行面向对象多尺度分割,结合外业调查数据选择样本;然后基于GF-5 AHSI卫星数据提取植被指数特征(VIF) 26个,GF-6 PMS卫星数据提取各方向各波段纹理特征(TEF)128个,将GF-5 AHSI卫星数据去除坏波段后的304个波段作为光谱特征(SF),基于DEM构建的地形因子作为地形特征(TRF)3个,根据类间可分性和线性判别分析对各类因子进行特征选择,依据特征选择结果构建10种分类方案;最后,采用近邻分类(KNN)、支持向量机(SVM)、贝叶斯分类(Bayesian)、分类回归树(CART)和随机森林(RF)建立基于面向对象的分类精度权重自适应组合分类器(WACC),结合10种分类方案进行树种识别,并对树种识别结果进行精度验证.[结果]线性判别分析模型下,光谱特征、纹理特征和植被指数特征因子分别在增加到28、12和10个后判别精度趋于稳定,对树种具有较好识别能力的光谱特征因子主要集中在红光和近红外波段,纹理特征因子主要集中在均值、熵和角二阶矩,植被指数特征因子主要集中在表征绿度、碳衰减和冠层含水指数;权重自适应分类器组合算法树种识别总体精度为87.51％,Kappa系数为0.854,均优于单一分类器算法;不同特征因子方案在各分类算法下取得总体精度排序为SF+TEF+VIF＞ SF+TEF+VIF+TRF＞SF+TEF+TRF＞SF+VIF＞ SF+VIF+TRF＞SF+TEF＞SF＞SF+TRF＞VIF＞TEF.[结论]SF+TEF+VIF特征组合下的权重自适应分类器组合算法能够对亚热带天然次生林树种进行有效识别,具有良好的识别精度和可信度,GF-5 AHIS和GF-6 PMS卫星数据在森林资源调查和监测等领域有着较好的应用潜力和前景.