中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院 / 美國(guó)俄亥俄州辛辛那提大學(xué)
《Remote Sensing》影響因子：3.244
紅樹林是一種寶貴資源，紅樹林生態(tài)系統(tǒng)是世界上生產(chǎn)力最高的四大生態(tài)系統(tǒng)之一，具有重大的生態(tài)和經(jīng)濟(jì)價(jià)值，遙感技術(shù)因其覆蓋面積大、數(shù)據(jù)更新周期短、空間分辨率 高等特點(diǎn)，已成為國(guó)內(nèi)外紅樹林監(jiān)測(cè)的主要技術(shù)之一。
本文以S185機(jī)載高光譜數(shù)據(jù)為實(shí)例，利用CART與CFS進(jìn)行特征波長(zhǎng)的選取，結(jié)合面向?qū)ο蟮腒NN與SVM分類算法對(duì)廣東省珠海市淇澳島自然風(fēng)景區(qū)的紅樹林進(jìn)行樹種分類研究，分類精度分別達(dá)到了76.12% (Kappa = 0.73) and 82.39% (Kappa = 0.801);通過將DSM數(shù)據(jù)獲取的高程信息與S185機(jī)載高光譜數(shù)據(jù)相結(jié)合進(jìn)行分類，KNN與SVM的分類精度分別提高到了82.09%(Kappa = 0.797) and 88.66% (Kappa = 0.871)。本文結(jié)果表明基于S185的機(jī)載高光譜數(shù)據(jù)可用于紅樹林的分類，也為基于高光譜影像的多源數(shù)據(jù)處理方法提供了一定的參考價(jià)值。
圖1 左側(cè)為本試驗(yàn)研究區(qū)域，右側(cè)為S185機(jī)載高光譜成像儀數(shù)據(jù)的RGB合成圖
圖2 UAV搭載S185機(jī)載高速成像光譜儀
表1 紅樹林地面訓(xùn)練集與驗(yàn)證集的選取與劃分
圖3 不同紅樹林樹種的S185反射光譜數(shù)據(jù)
圖4 (a)為研究區(qū)域DSM的3D顯示，(b)為不同樹種的平均高度信息
圖5 基于S185機(jī)載高光譜數(shù)據(jù)的紅樹林面向?qū)ο蠓诸愌芯苛鞒虉D
圖6.基于不同特征參數(shù)不同分類算法的影像分類結(jié)果圖
(a) (b): 基于CART選取的32特征波段的KNN與SVM分類結(jié)果
(c) (d): 基于CART選取的32特征波段與植被指數(shù)、紋理特征的KNN與SVM分類結(jié)果
(e) (f): 基于CART選取的32特征波段與高程信息的KNN與SVM分類結(jié)果
(g) (h): 基于CART選取的32特征波段與植被指數(shù)、紋理特征、高程信息的KNN與SVM分類結(jié)果
(i ) (j): 基于CFS選取的14種特征參量(band 10， band 23， band 62 and band 91， four hyperspectral VIs， i.e.， NDVI， TCARI， MCARI2， PRI， five textural features， ASM (band 50)， COR (band 8 and 25)， MEAN (band 8)， and StdDev (band 8)， and UAV-derived DSM)
表2 基于不同特征參量的KNN分類算法的分類結(jié)果
表3 基于不同特征參量的SVM分類算法的分類結(jié)果
結(jié)論：
1 對(duì)比了KNN與SVM的分類精度，其中SVM的算法要優(yōu)于KNN，其與樹林的高程數(shù)據(jù)結(jié)合使得分類精度高達(dá)88.66% (Kappa = 0.871);
2 通過數(shù)據(jù)降維可以提高SVM算法的分類精度與分類能力;
3 將高精度的光譜信息(包含植被指數(shù))與高精度的空間信息(包含紋理特征與高程信息等)相結(jié)合可獲得高精度的紅樹林分類結(jié)果，尤其是樹林的高程信息能夠有效解決同譜異物、異物同譜的分類難題。
原文鏈接：http://www.mdpi.com/2072-4292/10/1/89/htm
