基于多時相SAR數(shù)據(jù)和SPOT數(shù)據(jù)的盤古林場林分類型識別

李明澤 付 瑜 于 穎 范文義

(東北林業(yè)大學(xué)，哈爾濱 150040)

基于多時相SAR數(shù)據(jù)和SPOT數(shù)據(jù)的盤古林場林分類型識別

李明澤 付 瑜 于 穎*范文義

(東北林業(yè)大學(xué)，哈爾濱 150040)

林分類型信息的提取是遙感影像分類中的熱點(diǎn)和難點(diǎn)。而大興安嶺地區(qū)又是我國重點(diǎn)林區(qū)和天然林主要分布區(qū)之一，植被類型豐富，種類繁多，為林分類型精確識別帶來了很大的難度。為了比較和提高林分類型的分類精度，研究以大興安嶺地區(qū)盤古林場為實(shí)驗(yàn)區(qū)，綜合利用SPOT-5影像和不同時相的RADARSAT-2全極化SAR影像，采用3種分類方案及最大似然分類方法對研究區(qū)遙感影像進(jìn)行分類，并比較不同分類方案對林分類型識別的精度。3種方案分別是：(1)單獨(dú)采用SPOT影像對林分類型進(jìn)行識別；(2)對全極化SAR數(shù)據(jù)進(jìn)行極化分解提取參數(shù)并結(jié)合SPOT數(shù)據(jù)參與分類；(3)結(jié)合SPOT數(shù)據(jù)與多時相全極化SAR分解參數(shù)進(jìn)行分類。結(jié)果表明：對比SPOT、加入單時相和加入多時相3種方案的分類結(jié)果，方案三加入多時相SAR影像與SPOT數(shù)據(jù)對白樺林、落葉松林、樟子松林和云杉林的分類中總分類精度最高，為84.64%，Kappa系數(shù)為0.79，對林分類型的識別最為有效，而單用SPOT數(shù)據(jù)對林分類型識別的精度最低，精度為76.66%，Kappa系數(shù)為0.70。

林分類型分類；多時相；多源遙感信息；極化分解

森林植被覆蓋了全球大范圍區(qū)域，在全球碳循環(huán)和環(huán)境變化中發(fā)揮著重要的作用。為了正確評估森林在全球碳平衡中的重要作用，對森林的研究成為人們?nèi)找骊P(guān)注的重點(diǎn)[1]。而林分類型識別又是森林研究的基礎(chǔ)，在森林的動態(tài)監(jiān)測、森林生物量反演、森林碳儲量估算等方面起到了基礎(chǔ)作用。所以為了更快更準(zhǔn)確的獲取林分類型信息，利用遙感對地觀測技術(shù)對林分類型進(jìn)行精確識別已經(jīng)成為當(dāng)下發(fā)展的必然趨勢。

常用于林分類型識別的遙感數(shù)據(jù)包括TM、SPOT等一些光學(xué)影像，根據(jù)不同地物在遙感影像上的光譜信息、紋理信息的差別來區(qū)分不同的林分類型，但是受天氣等外界因素的影響有時會出現(xiàn)“同物異譜”或“同譜異物”現(xiàn)象，使光學(xué)遙感在提取森林類型信息中帶來了困難。尤其對于大興安嶺地區(qū)植被種類較多、分布十分廣泛，單單從光譜特征上難以精確識別林分的類型信息。例如王立海等[2]利用TM遙感圖像對吉林省典型的針闊混交林進(jìn)行辯識，分類精度為76.00%。孫華等[3]在森林資源調(diào)查中利用最大似然法在SPOT影像中進(jìn)行森林分類，其分類精度為78.9%，分類研究的結(jié)果表明單獨(dú)使用光譜信息對森林類型的識別精度較低。隨著微波遙感的出現(xiàn)，因其全天時、全天候、穿透云雨的能力，以及提供豐富信息的優(yōu)勢，已經(jīng)成為光學(xué)遙感的有益補(bǔ)充。國內(nèi)外已經(jīng)有許多學(xué)者利用微波PolSAR全極化數(shù)據(jù)提取類型信息，如Rahman[4]指出SAR影像在植被識別中能很好提供植被信息來區(qū)分森林分非森林；Touzi等[5]用機(jī)載PolSAR的C波段對森林類型分類，結(jié)果表明在HH、HV、VV的提供極化信息下，可以明顯改善在無葉條件下森林類型的區(qū)分。近些年，隨著遙感技術(shù)的發(fā)展和不同衛(wèi)星傳感器對地觀測技術(shù)的應(yīng)用，遙感呈現(xiàn)出多平臺、多傳感器，以及多光譜、多空間、多時相分辨率等特征。與單一的遙感數(shù)據(jù)源相比，不同的遙感數(shù)源融合獲得更精準(zhǔn)的林分類型識別結(jié)果。N.Gokhan等[6]利用ALOS PalSAR數(shù)據(jù)與TM數(shù)據(jù)融合后對在對森林植被的提取上比融合前精度提高了4%。Laurin等[7]利用ALOS PALSAR、RADARSAT-2、SPOT等多種遙感數(shù)據(jù)并添加林冠高程模型，對阿爾卑斯山脈地區(qū)的植被進(jìn)行分類，得到了高達(dá)97.7%的分類精度。

本研究以盤古林場為例，結(jié)合多時相C波段全極化RADARSAT-2和SPOT5光學(xué)影像數(shù)據(jù)，通過分析不同林分類型在極化中的散射特性、光譜信息以及在8、11月不同時相特征中的差別，對全極化SAR數(shù)據(jù)進(jìn)行極化分解參數(shù)提取，并和光學(xué)遙感數(shù)據(jù)的參數(shù)進(jìn)行結(jié)合。利用最大似然法對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行林分類型分類，以獲取更高的分類精度。

圖1 研究區(qū)域位置Fig.1 The location of study site

1 研究區(qū)域概況

本研究的實(shí)驗(yàn)區(qū)域?yàn)楹邶埥〈笈d安嶺地區(qū)塔河縣塔河林業(yè)局盤古林場。塔河縣位于黑龍江省西北部大興安嶺地區(qū)，是中國最北部的兩個縣份之一。盤古林場位于塔河縣城西北部地處123°20′02″E～124°21′40″E，52°16′38″N～52°47′4″N(圖1)，面積1 120.7 km2，海波800～1 400 m，屬于寒溫帶大陸性氣候，氣候變化顯著，年均氣溫-2.4℃，氣溫最大年較差47.2℃，年平均降水量為300～450 mm，主要集中在7、8月。地表覆蓋種類多樣，有森林、水體、農(nóng)田、城市、道路等。其中森林覆蓋率達(dá)88%，擁有十分豐富的森林資源。主要樹種組成為：喬木樹種有落葉松(Larixgmelinii)、樟子松(Pinussylvestrisvar.mongolica)、白樺(Betulaplatyphylla)、山楊(Populusdavidiana)、紅皮云杉(Piceakoraiensis)、魚鱗云杉(Piceajezoensis)等。

2 數(shù)據(jù)與方法

2.1 遙感數(shù)據(jù)源

本研究獲取了兩景RADARSAT-2全極化數(shù)據(jù)以及高分辨率SPOT5數(shù)據(jù)作為分類的輔助數(shù)據(jù)。RADARSAT-2是一顆搭載C波段傳感器的高分辨率商用雷達(dá)衛(wèi)星，由加拿大太空署與MDA公司合作，于2007年12月14日發(fā)射升空。C波段的波長范圍是3.75～7.5 cm，當(dāng)入射波較短的時候，后向散射回波的信息主要來自于樹的冠層。RADARSAT-2數(shù)據(jù)的軌道重復(fù)周期是24天，本研究選擇了植被生長茂盛的8月和大部分葉子凋落的11月兩期具有相同軌道參數(shù)的全極化POLSAR數(shù)據(jù)。具體參數(shù)見表1。SPOT-5是由法國國家空間研究中心設(shè)計(jì)制造的地球觀測衛(wèi)星，于2001年底發(fā)射與太陽同步，其中全色波段分辨率最高達(dá)2.5 m，多光譜數(shù)據(jù)分為B1(0.49～0.61 μm)、B2(0.49～0.61 μm)、B3(0.78～0.89 μm)。除了遙感數(shù)據(jù)外還分別獲取了研究區(qū)域的森林資源二類清查的小班分布圖，用于林分類型的識別及分類結(jié)果的精度驗(yàn)證。

表1 遙感數(shù)據(jù)參數(shù)信息

2.2 數(shù)據(jù)預(yù)處理

本文中所涉及的數(shù)據(jù)預(yù)處理主要包括影像的濾波、地形校正、幾何校正、多時相SAR數(shù)據(jù)的配準(zhǔn)和全極化SAR數(shù)據(jù)光學(xué)影像的數(shù)據(jù)配準(zhǔn)等。首先對SPOT-5數(shù)據(jù)進(jìn)行全色和多光譜數(shù)據(jù)的融合，得到融合后分辨率為2.5m的影像，并進(jìn)行大氣校正、影像拼接等預(yù)處理。

利用ProSARpro軟件對數(shù)據(jù)進(jìn)行全極化SAR影像進(jìn)行多視化處理、精制極化Lee濾波[8]、正射校正、兩幅影像與SPOT影像進(jìn)行幾何校正和配準(zhǔn)。為了結(jié)合光學(xué)數(shù)據(jù)和SAR數(shù)據(jù)，對全極化SAR影像采用最鄰近法重采樣成2.5 m分辨率。

2.3 分類方法

2.3.1 分類系統(tǒng)制定

依據(jù)《土地利用現(xiàn)狀分類標(biāo)準(zhǔn)》[9]和《黑龍江省市縣林區(qū)森林資源二類調(diào)查操作細(xì)則》，并結(jié)合遙感影像和森林資源二類清查數(shù)據(jù)制定分類系統(tǒng)。研究區(qū)域截取盤古林場的一部分，影像中覆蓋的林分類型主要有針葉混交林、針闊混交林、白樺林、樟子松林、落葉松林和云杉林。因?yàn)閷?shí)驗(yàn)數(shù)據(jù)中SPOT為2.5 m高分辨率數(shù)據(jù)，RADARSAT-2是8 m分辨率的微波數(shù)據(jù)，認(rèn)為像元中的地物是單一的，即均是純像元，所以在林分類型劃分中不進(jìn)行混交林的分類，結(jié)合以上考慮將實(shí)驗(yàn)區(qū)林分類型分類的分類系統(tǒng)指定為白樺林、樟子松林、落葉松林、云杉林和非林地(主要為裸地)五類。

2.3.2 RADARSAT-2分類特征參數(shù)提取

許多全極化SAR數(shù)據(jù)分類方法是基于極化分解理論的[10]，對全極化SAR數(shù)據(jù)提取目標(biāo)的散射特性可以反映地物特征，一般有相干極化的目標(biāo)分解和非相干極化的目標(biāo)分解。由于自然界存在的目標(biāo)復(fù)雜，要選用非相干目標(biāo)分解方法進(jìn)行分解。本研究將RADARSAT數(shù)據(jù)提取的參數(shù)分成3類：第1類由基礎(chǔ)數(shù)據(jù)直接提取的參數(shù)協(xié)方差矩陣、相干矩陣、特征值；第2類是由不同極化分解理論包括Cloude分解[11]、Krogager分解[12]、Freeman分解[13]、Huynen分解[14]、Holm分解[15]、Yamaguchi分解[16]、VanZyl分解[17]、Barens分解[15]得到的分解參數(shù)，例如：比較常用的Cloud-pottier分解方法，通過[T3]相干矩陣得到散射熵H、散射角α以及反熵A等極化參數(shù)；第3類的極化特征參數(shù)包括雷達(dá)植被指數(shù)[18]和總功率。每幅RADARSAT-2影像中可以提取出47個特征參數(shù)(表2)。

如果采用所有的極化特征參數(shù)進(jìn)行分類，過高的特征參數(shù)會造成運(yùn)算量的加大，而且這些特征參數(shù)有很大的自相關(guān)性，過多的用于分類會對分類結(jié)果產(chǎn)生噪聲，甚至有的參數(shù)無法對林分類型進(jìn)行區(qū)分，所以要先對這些參數(shù)進(jìn)行剔除。分別對8和11月兩幅遙感影像的47個特征參數(shù)以及兩期數(shù)據(jù)94個參數(shù)與5個林分類別進(jìn)行相關(guān)性分析，并進(jìn)行相關(guān)性檢驗(yàn)。選擇在置信區(qū)間內(nèi)(置信區(qū)間設(shè)為99%)有高度相關(guān)的參數(shù)參與分類。另外，在選擇分類參數(shù)中為了減小地形對分類結(jié)果的影響在參與分類的參數(shù)中添加研究區(qū)域的DEM數(shù)字高程模型作為輔助數(shù)據(jù)，DEM數(shù)據(jù)是NASA于2011年10月發(fā)布的ASTER GDEM V2數(shù)據(jù)，分辨率為30 m×30 m(表3)。

表2 RADARSAT-2極化分解提取參數(shù)

表3 影像分類參數(shù)

注：(8)為8月 RADARSAT-2影像提取的參數(shù)；(11)為11月 RADARSAT-2影像提取的參數(shù)

Note:(8) is parameters of RADARSAT-2 image; (11) is parameters of RADARSAT-2 image.

2.3.3 基于最大似然法分類

最大似然法是常用的監(jiān)督分類算法，是建立在貝葉斯準(zhǔn)則的基礎(chǔ)上的，在兩類或多類判決中，用統(tǒng)計(jì)方法根據(jù)貝葉斯判決準(zhǔn)則法建立非線性判別函數(shù)集，假定圖像中各類分布函數(shù)為正態(tài)分布，并選擇訓(xùn)練區(qū)，計(jì)算各分類樣區(qū)的歸屬概率，而進(jìn)行分類的一種圖像分類方法。在遙感圖像分類中，最大似然法的應(yīng)用十分廣泛，這種分類方法同通過對感興趣區(qū)域的統(tǒng)計(jì)和計(jì)算得到每個類別的方差和均值，確定一個分類函數(shù)，然后將待分類圖像中的每一個像元代入分類函數(shù)中，將函數(shù)返回值最大的類別作為被掃描像元的歸屬類別，從而達(dá)到分類的效果。

研究利用最大似然分類方法，采用3種方案對遙感影像進(jìn)行分類。(1)依據(jù)不同林分類型在SPOT影像上的光譜特性不同，單獨(dú)采用SPOT影像對林分類型進(jìn)行識別；(2)依據(jù)不同林分類型在極化中的散射特性的差別，對全極化SAR數(shù)據(jù)進(jìn)行極化分解提取參數(shù)并結(jié)合SPOT數(shù)據(jù)參與分類；(3)依據(jù)不同林分類型在多時相全極化SAR數(shù)據(jù)中極化分解參數(shù)的不同，結(jié)合SPOT數(shù)據(jù)與多時相全極化SAR分解參數(shù)進(jìn)行分類。

3 結(jié)果與分析

3.1 樣本分離度

Jeffries-Matusita(J-M)距離分離度[19]是可以檢測在不同地物的訓(xùn)練樣本ROI的可分離性。J-M距離表明ROI在統(tǒng)計(jì)上的分離，數(shù)據(jù)范圍在0～2，當(dāng)J-M距離值越接近2表明樣本的分離性越好，具有可分性[20]。根據(jù)森林資源二類清查的小班分布圖和高分辨率spot影像，選擇不同林分類別特征明顯的訓(xùn)練樣本，均勻的選取白樺林、樟子松林、落葉松林各200個訓(xùn)練樣本，云杉林和非林地五類50個訓(xùn)練樣本。并且分布整幅遙感影像。

分別對3種分類方案中每種林分類型與其他3種林分類型之間的J-M距離分離度：白樺林—落葉松林、白樺林—樟子松林、白樺林—云杉林、落葉松林—樟子松林、落葉松林—云杉林、樟子松林—云杉林(圖2)。圖2可以看出，在結(jié)合SPOT與8月RADARSAT影像中白樺林和一些針葉林如落葉松林、樟子松林、云杉林的分離不是很好，由于8月樹木生長較為茂盛，結(jié)構(gòu)特征較為相近，針葉林和闊葉林的散射特性較為隨機(jī)，散射特性也較為相似。而在結(jié)合SPOT與11月RADARSAT影像中，闊葉林的葉子基本凋落，剩下特征比較明顯的樹干，沒有了闊葉林的影響，通過比較落葉松林、云杉林、樟子松林的散射特性以及光譜特性可以得到很好的區(qū)分，所以SPOT與11月RADARSAT影像的樣本的可分離性明顯高于8月月份分類后影像。在單獨(dú)的SPOT光學(xué)影像中落葉松林—云杉林和樟子松林—云杉林的分離效果不明顯，這也是要加入全極化SAR的一些參數(shù)的原因。而多時相影像恰恰結(jié)合了8和11月RADARSAT影像的散射特性和光學(xué)影像的光譜特征，這使得訓(xùn)練樣本在不同林分類型中的可分離性越好。

圖2 訓(xùn)練樣本Jeffries-Matusita(J-M)距離分離度Fig.2 Jeffries-Matusita(J-M) distance separation of training sample

3.2 分類結(jié)果及分析

方案一對SPOT影像分類時，總分類精度為76.66%，Kappa系數(shù)為0.70，從分類結(jié)果可以看出白樺林和其它針葉林可以很好的區(qū)分，但是在與非林地的區(qū)分上有一點(diǎn)混淆，因?yàn)橐恍┦枇值氐陌讟辶直划?dāng)作裸地劃分為非林地，而樟子松林、云杉林、以及落葉松林在不同程度是上都有混淆。用單獨(dú)的光譜特性來區(qū)分實(shí)驗(yàn)區(qū)的林分類型是不夠準(zhǔn)確的，所以要本研究添加了RADARSAT-2影像極化特性，作為光學(xué)數(shù)據(jù)的有益補(bǔ)充。

方案二在結(jié)合SPOT與8月RADARSAT影像分類結(jié)果中，總分類精度為81.81%，Kappa系數(shù)為0.74。當(dāng)把通過RADARSAT影像分解后的參數(shù)加到分類參數(shù)中去，林分類型分類的總精度明顯有所提高。微波數(shù)據(jù)更具有穿透力，有效的解決了在SPOT數(shù)據(jù)中一些疏林地中的白樺和非林地的錯分現(xiàn)象，但是相對于3種針葉林的精度提高的較少，因?yàn)?月植被生長的較為茂盛，散射特性較為隨機(jī)、復(fù)雜。

在結(jié)合SPOT與11月RADARSAT影像分類結(jié)果中，總分類精度為82.20%，Kappa系數(shù)為0.76。總體分類精度優(yōu)于8月的分類精度，白樺林的葉子全部掉落，使得影像在落葉松林、樟子松林、云杉林的分辨能力得到提升。但是白樺林與非林地的精度有了小幅度的下降，由于葉子的凋落，使得微波散射分量多來自于樹干與地表或樹干、地表多次散射，造成白樺林與非林地有一部分混淆。

方案三在結(jié)合SPOT與8和11月RADARSAT影像分類結(jié)果中，總分類精度為84.65%，Kappa系數(shù)為0.79。與單獨(dú)的SPOT影像、SPOT結(jié)合8月RADARSAT影像和11月RADARSAT影像的分類結(jié)果相比無論是總精度還是各個類別的精度都有改善，因?yàn)槎鄷r相的參數(shù)結(jié)合了不同時相和光學(xué)影像的參數(shù)特征，并結(jié)合了8和11月RADARSAT影像極化特征參數(shù)，使得不同時相的參數(shù)特征相互彌補(bǔ)，因?yàn)榕c針葉林相比闊葉林的生長周期較短，在不同時間內(nèi)SAR影像的回波信息是不同的，這對林分類型的識別有很大的幫助。

4 討論

本文以黑龍江省大興安嶺地區(qū)盤古林場為實(shí)驗(yàn)區(qū)，研究結(jié)合主被動遙感及多時相數(shù)據(jù)在東北地區(qū)的林分類型識別，通過分析微波遙感數(shù)據(jù)和光學(xué)遙感數(shù)據(jù)在不同林分類型中的極化信息和光譜信息以及多時相特征的差別，利用最大似然分類方法對研究區(qū)域進(jìn)行林分類型的識別，以獲取研究區(qū)域高精度的森林利用信息。

表4 3種方案分類精度

注：PA.生產(chǎn)者精度；UA.用戶精度

Note:PA. Producer accuracy; UA. User accuracy

圖3 盤古林場林分類型分類結(jié)果圖 a.為方案一SPOT影像分類圖；b.為方案二結(jié)合SPOT與8月RADARSAT影像分類圖；c.為方案二結(jié)合SPOT與11月RADARSAT影像分類圖；d.為方案三結(jié)合SPOT與多時相RADARSAT影像分類圖Fig.3 classification results of Pangu Forest Farm forest types a. Scheme one classification images of SPOT data; b. Scheme two classification images of RADARSAT in August and SPOT; c. Scheme two classification images of RADARSAT in November and SPOT; d. Scheme three classification images of SPOT and multi-temporal RADARSAT

研究通過提取分析不同時相8和11月的極化分解參數(shù)，并結(jié)合SPOT5光學(xué)遙感數(shù)據(jù)，利用最大似然分類方法分別對SPOT影像，SPOT5結(jié)合8月RADARSAT影像、SPOT5結(jié)合11月RADARSAT影像、SPOT5結(jié)合多時相RADARSAT影像分別進(jìn)行林分類型的識別，以獲得更高的分類精度。在利用SPOT5影像分類時由于只利用了光學(xué)影像中的光譜信息，對于林分類型中光譜特征較為相近的針葉林識別出現(xiàn)了混淆現(xiàn)象，分類精度為76.66%。而加入了全極化SAR數(shù)據(jù)后分類精度提高到81.814%。進(jìn)一步引入多時相RADARSAT影像，增加了不同時間下的極化特征，這些極化特征相互補(bǔ)充，彌補(bǔ)各自的不足，提高了總體的分類精度，多時相的分類精度為84.6482%。

雖然本研究是將不同時相的多源遙感數(shù)據(jù)應(yīng)用于大興安嶺地區(qū)林分類型的識別中，雖然得到了一些初步的結(jié)論，但是仍有許多問題要在未來研究中改進(jìn)。主要有：由于林地的復(fù)雜性為提取類型特征帶來了一定困難，對于全極化SAR數(shù)據(jù)提取林地的特征，還可以進(jìn)行提取嘗試分析其紋理信息，加入分類參數(shù)中。本文在特征選取時進(jìn)行了相關(guān)性分析來剔除冗余特征，在后續(xù)的研究中可以利用其他的特征選擇方法選取參數(shù)參與分類，來更高效精確的對研究區(qū)域進(jìn)行林分類型信息的識別。另外本研究尚未涉及對RADARSAT影像的干涉相干信息的提取，在以后的研究中可以結(jié)合干涉信息的提取對提高識別林分類型信息的識別進(jìn)行更深層次的研究。

1.寇文正,肖燕,張瑞璽.應(yīng)用遙感技術(shù)進(jìn)行森林資源監(jiān)測方法的研究[J].環(huán)境遙感,1990,5(2):102-109.

Kou Wenzheng,Xiao Yan,Zhang Reixi.The Study of Methodology of Forest Resources Monitoring on the Base of Remote sensing Technique[J].Remote sensing of Environment,1990,5(2):102-109.

2.王立海,趙正勇.基于BP神經(jīng)網(wǎng)絡(luò)的針闊混交林TM遙感圖像自動分類技術(shù)研究[J].林業(yè)科學(xué),2005,41(6):95-100.

Wang Lihai.Zhao Zhengyong.Automatically Classifying and Identifying the TM Remote Sensing Images of Forest Mixed with Conifer and Broadleaves Using Improved BP ANN[J].Scientia Silvae Sinicae,2005,41(6):95-100.

3.孫華.SPOT5在森林資源調(diào)查中的應(yīng)用研究[D].長沙:中南林業(yè)科技大學(xué),2006.

Sun Hua.The Research of Spot5 Application in Forest Inventory[D].Changsha:Central South University of forestry and technology,2006.

4.Rahman M M,Sumantyo J T S.Mapping tropical forest cover and deforestation using synthetic aperture radar(SAR) images[J].Applied Geomatics,2010,2(3):113-121.

5.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.

6.Kasapoglu N G,Anfinsen S N,Eltoft T.Fusion of optical and multifrequency polsar data for forest classification[J].IEEE International Geoscience & Remote Sensing,2012,53(60):3355-3358.

7.G Vaglio Laurin,F Del Frate,Pasolli L,et al.Discrimination of vegetation types in alpine sites with ALOS PALSAR-,RADARSAT-2-,and lidar-derived information[J].International Journal of Remote Sensing,2013,34(19):6898-6913.

8.Cloude S R,Pottier E.A review of target decomposition theorems in radar polarimetry[J].Geoscience & Remote Sensing IEEE Transactions on,1996,34(2):498-518.

9.CGTZY Bu,CGTZY Bu.Ministry of Land and Resources,P.R.C[EB/OL].2007.

10.Maghsoudi Y,Collins M,Leckie D G.Polarimetric classification of Boreal forest using nonparametric feature selection and multiple classifiers[J].International Journal of Applied Earth Observa,2012,19(10):139-150.

11.Cloude S R,Pottier E.An entropy based classification scheme for land application of polarimetric SAR[J].IEEE Transactions on Geoscience & Remote Sensing,1997,35(1):68-78.

12.Krogager E.Properties of the Sphere,Diplane,Helix(target scattering matrix) decomposition[M].Proc.of JIPR-3,Mar,1995.

13.Freeman A,Durden S L.A three-component scattering model for polarimetric SAR data[J].Geoscience & Remote Sensing IEEE Transactions on,1998,36(3):963-973.

14.Richard Huynen J.Phenomenological theory of radar targets[M].Electromagnetic Scattering,1978:653-712.

15.Holm,William A,Barnes R M.On radar polarization mixed target state decomposition techniques[J].Radar Conference,1988:249-254.

16.Yamaguchi Y,Yajima Y,Yamada H.A four-component decomposition of POLSAR images based on the coherency matrix [J].IEEE.Geoscience and Remote Sensing Letters,2006,3(3):292-296.

17.Evans D L,Farr T G,et al.Radar polarimetry:analysis tools and applications[J].Geoscience & Remote Sensing IEEE Transactions on,1988,26(6):774-789.

18.Ling F,Li Z,Chen E,et al.Comparison Of Alos Palsar Rvi And Landsat Tm Ndvi For Forest Area Mapping[J].Asian-pacific Conference on Synthetic Aperture Radar,2009:132-135.

19.Richards J A,Jia X.Remote Sensing Digital Image Analysis:An Introduction,3rd ed.ed.; Springer-Verlag:Berlin,Germany[M].//New York:NY,USA,1999.

20.馬娜,胡云鋒.基于最佳波段指數(shù)和J-M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究[J].遙感技術(shù)與應(yīng)用,2010,25(3):358-365.

Ma Na,Hu Yunfeng.Determination on the Optimum Band Combination of HJ-1A Hyperspectral Data in the Case Region of Dongguan Based on Optimum Index Factor and J-M Distance[J].Remote Sensing Technology And Application,2010,25(3):358-365

National Natural Science Foundation of China(NSFC)(31470640,31500518,31500519)

introduction：LI Ming-Ze(1978—),doctor,associate professor,forestry remote sensing and GIS.

date:2016-03-10

ForestTypeClassificationBasedonMulti-temporalSARandSPOTRemoteSensingDatainPanguForestFarm

LI Ming-Ze FU Yu YU Ying*FAN Wen-Yi

(Northeast Forestry University,Harbin 150040)

Information extraction of forest type is difficult in remote sensing image classification. Daxing’an Mountains is an important forestry area in China mainly covered with natural forests, rich with a wide range of plants resources, which makes it difficult to accurately identify the forest types in this region. In order to compare and improve the accuracy of classification result, taking Pangu Forest Farm in Daxing’an Mountains as the study area, we proposed three methods to classify forest types by the maximum likelihood method combining with SPOT-5 and two different temporal RADARSAT-2 fully polarimetric SAR remote sensing data. We designed three schemes to classify the forest types and compared the accuracy. In the three schemes, SPOT image was only used to distinguish forest types, some descriptive parameters extracted from SAR polarimetry(POLSAR) images and the SPOT data were used for classification, and the integration of parameters extracted from multi-temporal of full polarimetric SAR(PolSAR) images with SPOT data was used for classification. The most effective method to identify white birch, larch, Pinus sylvestris and spruce among three proposed schemes was the third using multi-temporal SAR and SPOT remote sensing image. The classification accuracy and the Kappa coefficient were 84.64% and 0.79, respectively. However, the accuracy of forest type classification by using SPOT data individually was the lowest of 76.66% with the Kappa coefficient of 0.70.

forest type classification;multi-temporal;multi-sources Remote Sensing information;polarization decomposition

國家自然科學(xué)基金項(xiàng)目(31470640,31500518,31500519)

李明澤(1978—)，男，博士，副教授，主要從事林業(yè)遙感及地理信息系統(tǒng)的研究。

* 通信作者：E-mail:yuying4458@163.com

2016-03-10

* Corresponding author：E-mail:yuying4458@163.com

S771.8

A

10.7525/j.issn.1673-5102.2016.04.018