青海諾木洪地區多源遙感及多特征組合地物分類

姚金璽，王 浪，李建忠，張 焜，張 志※

（1. 中國地質大學（武漢）地球物理與空間信息學院，武漢 430074；2. 青海省青藏高原北部地質過程與礦產資源重點實驗室，西寧 810300；3. 中國地質調查局烏魯木齊自然資源綜合調查中心，烏魯木齊 830057；4. 中國地質調查局應用地質研究中心，成都 610036）

0 引 言

中國農業區的土地利用類型分布分散、農業景觀破碎和作物種植結構復雜等特點，給土地利用類型的遙感解譯帶來了持續性挑戰。青海省諾木洪河一帶是全國第二大枸杞種植區，作物種植面積快速調查對調控農產品市場、輔助決策和保障農業可持續發展具有重要意義。

種植區地物精準、快速分類使用傳統方法費時費力，而遙感影像具有快速性和周期性的特點，利用遙感技術進行土地利用分類是一種重要的方法，且前人已經開展了大量研究。但單一傳感器難以全面、準確地反映復雜的地表覆蓋類型。眾多地物分類是利用遙感影像不同地類的光學波段反射率或植被指數在空間域或時間域上的變化特征，其原理便決定至少需要研究區一景的清晰遙感影像。光學遙感數據受光譜分辨率、空間分辨率、時間分辨率及光譜波段的不同而產生“同物異譜”或“同譜異物”現象，會極大影響地物分類精度。Wu等利用植被指數MNDWI、NDBBI去除農田中的水體、建設用地和裸地后，針對農作物不同的生命周期使用NDVI差異性研究農田利用變化，以此為廢棄農田的開采提供參考。而上述是針對不同的階段使用光譜指數差異進行研究，若只是一景影像效果則會不盡人意。紋理特征不僅反映圖像的灰度統計信息，而且反映圖像的空間分布信息和結構信息。Dihkan等構建光譜特征與紋理特征進行地物分類，其分類結果進一步提高，得到了高精度的地物類型制圖。Zhang等針對光譜和紋理特征空間進行進一步的分析，利用均質性指數和分裂性指數分析確定了最佳分類特征和分類器，為單一或復雜種植結構區域的農作物制圖參考。然而，光譜和紋理數據均會受到云雨等因素的影響，進而導致影像質量和地物分類精度降低。

合成孔徑雷達（Synthetic Aperture Radar, SAR）具有全天時、全天候的監測優點而逐漸在地物分類中占據重要作用。但SAR數據的信號會受到相干斑噪聲的干擾，影響對地面目標的精確識別，Xu等使用多時相或多極化的SAR數據可以減少噪聲的干擾，利用微波數據結合光學數據的方式可以進一步提高地物的分類精度。Li等使用涵蓋2017年旱季的Sentinel-1A（S1A）數據的時間序列，在馬朗和Lampung兩個地區進行了蔬菜農作物分類，以此證明了S1A雙極化SAR時間序列數據在印度尼西亞蔬菜農作物分類中的應用潛力。Swadhina等整合Sentinel-1合成孔徑雷達(SAR)數據和Sentinel-2光學數據，構建光譜指數與雷達紋理特征空間，并以10 m空間分辨率繪制了農田專題圖。

前人研究的對象多為光譜、紋理和極化特征的單獨分析與部分特征的組合，利用多源數據、多特征共同組合分類的研究較少。故本文針對青海省諾木洪地區，基于GEE云平臺，利用Sentinel-1雷達數據和Sentinel-2多光譜數據，構建多特征空間并利用特征優選算法、隨機森林算法對研究區地表覆蓋物進行分類，綜合分析評價不同特征的重要程度、相關度以及不同特征組合對分類結果的影響。此外，本文進一步綜合多源數據（Sentinel-1、Sentinel-2和GF-2）協同分類以分析不同數據源的紋理特征對分類結果產生的影響。

1 研究區概況及數據源

1.1 研究區概況

研究區位于青海省海西蒙古族藏族自治州都蘭縣諾木洪鄉（圖1），平均海拔2 775 m，屬高原干旱大陸性氣候，區內年均溫1.2～4.3 ℃，降水量17.8～177.5 mm，集中在6-9月，表現出雨熱同季。

圖1 研究區示意圖Fig.1 Schematic diagram of the study area

研究區屬柴達木盆地南緣綠洲農業區，其光照資源豐富、光溫生產潛力大，光熱條件有利于農作物生長，主要種植春小麥、枸杞等農作物。研究區以荒漠、濕地與農業用地為主，自然植被類型有梭梭、檉柳、白刺和蘆葦等。在山麓洪積扇、沖積扇區及河流沿岸等含水率高的地區，植被長勢良好。

1.2 數據來源與預處理

Google Earth Engine（GEE）由谷歌、卡內基梅隆大學和美國地質調查局聯合開發，其中的公共數據包括了近40年的全球衛星影像以及專題圖，每日更新影像量高達4000景；GEE平臺還提供超過800 種功能函數，從簡單的數學函數到機器學習、圖像處理等操作。近年來，GEE平臺逐漸被專家學者用于地表覆蓋物分類中，這極大地改變了傳統的數據下載、存儲與處理方式，有效提高了研究效率與精度。

此次數據源包括Sentinel-1、Sentinel-2和GF-2數據，Sentinel-1雷達數據在GEE平臺上經過熱噪聲去除、輻射校準和地形校正預處理。為了確保數據可靠性及降低噪聲影響，采用改進的LEE濾波處理以去除噪聲，針對數據取均值操作以獲取Sentinel-1在2020年1月至12月的VV、VH波段后向散射系數。Sentinel-2數據所具有的紅邊波段對地表植被覆蓋信息提取具有較大的應用潛力。在GEE平臺對Sentinel-2數據進行了大氣校正、幾何校正以及利用“QA60”波段進行去云操作以減輕云污染的預處理操作，選取植被生長較好的2020年6-9月時間段內符合需求的12景影像，以中值合成方法重構最小云量合成影像。

國產高分二號衛星（GF-2）包括一個全色波段和四個多光譜波段，分辨率優于1 m，同時還具有高輻射精度、高定位精度和快速姿態機動能力等特點。本次選取了兩景GF-2影像，對其進行輻射定標、大氣校正、正射校正、多光譜與使用Gram-Schmidt（G-S）方法進行全色融合操作、裁剪以及影像配準等預處理。時間是2020年7月25日，一方面此時遙感影像云量比較少，另一方面是僅此時間段植被發育較好，紋理信息豐富，便于多源數據協同分類研究。

1.3 野外調查數據

在2020年8月8日至10日、2021年7月17至24日兩次開展野外調查工作，對研究區內的植被類型及分布進行調查。根據繁茂程度、長勢、實地了解的大致空間分布以及在不同遙感合成圖像上的表現將枸杞地分別定義為早、中、晚期。晚期枸杞地因枸杞樹多為低矮幼苗在影像中較多混雜地表土壤信息，在真彩色中往往顏色發白。中期枸杞地的枸杞樹長勢要比晚期枸杞地好，枝葉相對繁茂，在真彩色影像中呈深灰色或褐色，而在假彩色合成圖像中部分呈現紅色。而早期枸杞地多為枝繁葉茂的盛產期果樹，冠層覆蓋度大在真彩色影像中呈黑色且假彩色合成圖像中多呈現深紅色。早期枸杞地位于北部與濕地相接壤，中期枸杞地位于早期枸杞地的南部，枸杞種植區多有建筑物的出現，季節性河床中植被發育較少，防護林分布于居民地及道路周邊。研究區主要地物類型野外照片如圖2。

圖2 野外調查實地照片Fig.2 Field survey field photos

2 研究方法

研究流程如圖3所示，主要內容包括：數據獲取與預處理、分類前的準備工作（樣本采集與構建特征空間）、分類特征重要性分析、協同分類精度與結果的分析與評價，最終得到了諾木洪地區地物空間分布精細制圖，以分析評價多源、多特征的分類方法的可靠性與科學性。

圖3 技術路線圖Fig.3 Technical route map

2.1 樣本采集與劃分

依據實地調查數據可知，枸杞是區域內主要植被，耕地種植和草地植被覆蓋度較低。故本文的分類系統主要包括8類：早期枸杞地、中期枸杞地、晚期枸杞地、防護林、裸地、建筑物、濕地和道路。樣本的獲取主要包括在GEE平臺上選取與線下實地調查劃定，根據地物的空間分布而進行選取樣本點。本文共選擇訓練樣本736個，包括野外采樣點300個，對比影像選點436個，驗證樣本736個，包括野外采樣點326個，對比影像選點410個，保證了樣本均勻分布的同時也使分類效果達到最佳狀態。不同地物類別及各類選取點數如表1所示。

表1 樣本數據表Table 1 Sample data table

2.2 特征構建

特征選擇在遙感分類的過程中尤為重要，科學的選擇和使用特征可以有效地提高遙感分類的精度。本文在構建特征空間時選擇了波段與植被指數特征、紋理特征和極化特征。

2.2.1 波段與植被指數特征

基于預處理后的S2光學影像集合，提取原始13個波段、12個植被指數，其中包括7個紅邊指數，分別為：歸一化植被指數 NDVI、歸一化水體指數 NDWI、歸一化差異耕作指數 NDTI、歸一化建筑指數NDBI、修正型歸一化水體指數MNDWI和對植被非常敏感的7個紅邊指數，所用植被指數見表2。為保證空間分辨率的一致性，其中原始波段采用最鄰近插值法將Band5、Band6、Band7、Band8A、Band11、Band12由原來的20 m重采樣為10 m，將 Band1、Band9、Band10由原來的60 m重采樣為10 m。

2.2.2 紋理特征

由于光學影像存在“同物異譜，異物同譜”的現象，僅僅依靠光學特征會導致部分地物類型誤分。紋理信息是圖像在空間上以一定的形式變化而產生的信息，此次引入Haralick等提出的灰度共生矩陣（Gray Level Co-occurrence Matrix, GLCM）原理提取紋理信息。由于近紅外波段針對植被的反映更加敏感，本文使用GEE提供的glcm Texture（size, kernel, average）函數，計算核大小為3×3的近紅外波段紋理特征。GEE平臺可計算18個紋理特征，為了減少數據冗余與及其運算速率，故選用二階矩（asm）、對比度（con）、相關性（cor）、方差（var）、逆差距（idm）和熵（ent）6個紋理特征。

預處理之后的GF-2影像，通過野外實地調查和目視選擇控制點對影像數據進行精確配準，并對GF影像進行主成分分析，以第一主成分作為紋理提取與GEE平臺篩選、計算的相對應的6個紋理特征圖像，并將其進行重采樣至空間分辨率為10 m與Sentinel-1、Sentinel-2波段進行疊加分析，與訓練樣本一起輸入RF分類器進行分類。

表2 文中使用的植被指數Table 2 Vegetation index used in the article

2.2.3 極化特征

本文選取了多時相的Sentinel-1雷達影像以討論多時相雷達遙感數據對于地物分類精度的影響。在GEE上獲取了研究區作物生長期內VV極化和VH極化2020年全年的時間序列影像，計算出各地物類型樣本點的后向散射系數均值，研究不同作物后向散射系數隨時間變化規律，并以此輔助選擇研究時間范圍。

2.3 試驗方案組合

為了分析多源數據和多特征組合對地物分類的影響，探討地物分類最佳試驗方案，本文針對Sentinel-1、Sentinel-2和GF-2數據，對波段和植被指數特征、紋理特征、極化特征進行4種組合方案（表3），

表3 試驗方案Table 3 Experimental scheme

2.4 特征優化方法

在現實情況下，選用多種分類特征會導致數據冗余，通常需要選擇影響較大的特征以壓縮數據，故本文采用隨機森林的方法進行特征篩選。

為評價特征的貢獻大小，本文采用基尼系數（GINI Index）作為評價指標。其GINI系數的計算公式為

式中表示類別個數，p表示節點中類別所占的比例。特征X在節點時的重要性為：

式中GI是分枝前節點的GINI系數，GI和GI是分枝后兩個新節點的GINI系數。特征X在第棵樹的重要性為

式中為特征X在決策樹中出現的節點集合。假設隨機森林中樹的數目為，則特征X的特征重要性評分為

2.5 分類方法

隨機森林（RF）是由BREIMAN提出的基于決策樹的串聯集成機器的學習分類器，其原理是利用Bootstrap重采樣方法從訓練樣本隨機有放回的抽取大約2/3的樣本并重復次，并為每個訓練樣本分別生成決策樹，留下約1/3的訓練樣本作為Out-of-bag數據在內部交叉檢驗，評估隨機森林的分類精度，并利用GINI系數確定決策樹中每個節點的分裂條件，最后完成隨機森林的構建。基于此算法有較好的分類性能，故本文采用隨機森林分類器進行研究區地物分類。

2.6 精度評價方法

基于野外驗證及遙感影像對比得到地物樣本點，此次采用混淆矩陣法對分類結果精度進行評價，混淆矩陣也稱之為誤差矩陣，用行列的矩陣表示。主要包括生產者精度（Producer Accuracy, PA）、用戶精度（User accuracy, UA）、總體精度（Overall Accuracy, OA）和Kappa系數（Kappa Coefficient, KC），這些指標從不同角度對分類結果進行評價。

3 結果與分析

3.1 特征分析

不同地物的光譜特征主要包括Sentinel-2多光譜數據的原始13個波段特征、12個植被指數（包括7個紅邊指數）。根據劃分的8種典型地物樣本點計算其光譜特征均值，結果如圖4a所示。8種地物在原始波段中B11、B12和B4相較于其他波段的地物光譜區分度要好，而整體來看植被指數和紅邊指數的地物區分度要高。

對不同地物的原始波段、紅邊指數和植被指數（除紅邊指數）求差值，經統計得到3類的平均值、最小值和最大值分布圖（圖4b），植被指數在分類中發揮的作用要優于使用原始波段進行分類，尤其是CIre、IRECI、MTCI、NDVI、NDVIre1、NDVIre2和PSSRA植被指數，它們的光譜地物區分度高，由此可知原始波段和植被指數特征的地物光譜區分度順序為：紅邊指數＞植被指數（除紅邊指數）＞ 原始波段。

圖4 地物光譜特征曲線與統計圖Fig.4 Characteristic curve and statistical graph of ground feature spectrum

為了消除紋理特征單位或數量級之間存在的差異，對計算的紋理特征值進行了歸一化處理，圖5中對應的Snetinel-2和GF-2提取的紋理特征顯示，Sentinel-2提取的紋理特征除了二階矩之外，其余的各類地物紋理特征區分度較為明顯，而GF-2中各地物的紋理特征僅協同性、對比度和二階矩有一定的區分效果之外，其余的紋理特征地物區分度并不好，分析原因是GF-2原始影像空間分辨率較高，提取的紋理特征會較大成都上突出地物的具體細節紋理特征，但地物的邊緣紋理特征區分度則會減弱。

圖5 不同地物紋理特征曲線Fig.5 Texture characteristic curves of different ground features

為更好的了解地物在全年的變化狀態，本文在GEE平臺上獲取了研究區的各類地物一年內的VV極化和VH極化時間序列數據，計算各種地物在不同時期的后向散射均值，以此作為極化特征進行對地物類型進行分類。

由圖6不同地物極化特征變化曲線可知，多時相的Sentinel-1雷達數據可以明顯區分不同地物以獲取地物信息，能夠作為不同地物分類的重要依據。除此之外各地物在6-9月的時間段內極化特征區分比較明顯，由此也為GF-2影像在時間上的篩選提供了可靠數據依據。

圖6 不同地物極化特征曲線Fig.6 Polarization characteristic curves of different features

3.2 地物分類結果分析

本文通過提取波段特征、植被指數特征、紋理特征和極化特征構成特征空間，共選擇33個特征參與地物分類。針對不同數據源和特征組合，基于隨機森林的特征重要性排序及其對總體精度、Kappa系數的影響如圖7所示。對于4種分類方案而言，其特征對總體精度和Kappa系數的影響均呈現出一個普遍的趨勢：前期有一個比較迅速的上升期（黑色垂直虛線），中間逐漸變化趨勢平緩，然后有一個最優的節點（黑色垂直實線，即在特征壓縮的情況下保持分類結果最精準），最后再增加分類特征會導致分類結果精度下降的情況。由于本文研究重點是多源數據以及多特征的協同分類，因此，在根據特征重要性選擇特征時，文中選擇最優節點前的特征（優選特征集）進行地物分類。

特征優選方案1選擇的特征包括：11個植被指數（7個紅邊指數）和10個原始波段；方案2選擇的特征包括：7個植被指數（4個紅邊指數）、7個原始波段和3個紋理特征；方案3選擇的特征包括：5個植被指數（2個紅邊指數）、6個原始波段、3個紋理特征和1個極化特征；方案4選擇的特征包括：12個植被指數（7個紅邊指數）、13個原始波段、4個紋理特征和2個極化特征。根據4種方案選擇的特征可知光譜特征，尤其是紅邊指數在地物分類中的作用較大，這也和上文中光譜特征分析相對應，紋理特征的選取也和紋理特征分析得出的結論相同，即地物的特征區分度大的特征在分類中占據重要地位。

圖7 不同特征優選方案分類精度隨特征變化圖Fig.7 The classification accuracy of different feature selection schemes varies with features

表4和圖8顯示，整體上4種方案的分類結果均較好，這是由于結合了對植被分類影響比較重要的光譜指數，尤其是加入了對植被較為敏感的紅邊指數。

表4 不同試驗方案的分類精度Table 4 Classification accuracy of different experimental schemes

方案1利用原始波段和植被指數對研究區主要地物進行分類的總體精度是95.91%，Kappa系數是0.951 1，即說明Sentinel-2的光譜信息對于該研究區的地物分類有比較好的效果，但有個別地物的PA和UA處于90%附近，考慮有誤分的情況發生。

因此，方案2在方案1的基礎上添加地物紋理信息，其結果總體精度達到96.57%，Kappa系數是0.956 1，分類精度均有所提高。方案3基于方案2加入了多時相的極化特征，其分類結果精度更高，總體精度為97.62%，Kappa系數達到了0.971 6。綜上知，不同地物對原始波段與植被指數特征、紋理特征和極化特征有著不同的響應，利用分類結果圖和分類精度表綜合分析知：整體上利用原始波段以及植被指數（尤其是加入了紅邊植被指數）地物分類的效果已經較好，即各地類對光譜原始波段和植被指數特征的反應比較強的。加入紋理特征后各個時期的枸杞地分類精度均有提高，分析原因是枸杞地的紋理信息發育較好，地塊邊界紋理相對清晰。防護林和建筑物由于其在遙感影像上以線狀或塊狀形式表現，故加入紋理特征后精度也有所提高。但是裸地、濕地和道路光譜特征差異大但紋理相似，加入紋理特征后會誤分而導致精度下降。對于極化特征而言，各時期的枸杞地塊對其的敏感程度比較低，利用極化特征可以反應地物的外觀結構特征信息，防護林、裸地、濕地和建筑物由于具有一定的高度區分性，故加入極化特征后精度得到提高。

方案4在方案3的基礎上改變提取紋理特征的數據源，其分類結果相較于方案3精度有所降低，分類總體精度為96.67%，Kappa系數達到了0.960 2。根據PA和UA顯示尤其是早期枸杞地、中期枸杞地、濕地和道路的分類精度有所降低，分析原因是這幾類地物的邊緣紋理信息比較豐富，利用GF-2數據源提取的紋理信息會降低邊緣信息的提取，進而導致分類精度降低。除此之外，后者紋理特征發生變化改變了原來的特征空間數據集，其也是分類精度降低的原因之一。

為了進一步比較各個方案的地物分類差異性，獲取了分類結果的局部放大圖（圖9），從局部圖可以顯示出方案3分類精度優于其他3種方案，其濕地的提取效果明顯要優越很多，防護林的提取效果基本近似，建筑物的提取也有優勢，但是針對晚期枸杞地會有部分誤分為裸地，其結果顯示和精度驗證表4也相互對應。

圖8 不同方案分類整體圖Fig.8 Overall diagram of different scheme classification

圖9 不同方案分類局部圖Fig.9 Different scheme classification partial map

特征重要性對于地物的分類尤為關鍵，為了分析最佳分類方案中參與地物分類的特征之間的相關度，本文采用“距離”指標進行描述，即各個特征重要性評分之間的差別。通過距離的大小反映特征之間的緊密度，距離越小越緊密，反之越松散。通過圖10顯示波段和植被指數特征、紋理特征和極化特征的內部特征關系緊密，而三組特征之間的大部分特征關系相對較弱。

依據最優方案3的分類結果統計了研究區內主要的8種地類的面積分布（圖11），早期枸杞地、中期枸杞地、晚期枸杞地、防護林、裸地、建筑物、濕地和道路面積分別為35.257、32.058、8.332、4.507、54.834、0.637、31.024和3.497 km2。研究區主要地類便是早期枸杞地、中期枸杞地、裸地和濕地，晚期枸杞地是最近1～2 a剛種植的，考慮死亡等因素，其分布范圍不大。

圖10 最優方案特征相關性Fig.10 Feature correlation of optimal scheme

圖11 最優方案地物面積Fig.11 Optimal scheme ground object area

4 討 論

4.1 多源遙感與多特征協同對分類結果的影響分析

利用多種遙感數據源和特征對地物類型進行分類，取長補短，充分利用各種數據的優點是得到高分類精度的前提。故本文為分析多源遙感與多特征協同會如何影響分類結果而設計了不同方案，表4中方案3（數據源：S2和S1；特征：波段、植被指數、紋理和極化特征）與方案1（數據源：S2；特征：波段和植被指數特征）的生產者精度（PA）和用戶精度（UA）對比顯示：道路和建筑物由于光譜反射率較高，故在加入極化和紋理特征后，其PA和UA精度變化比較小，且野外驗證發現晚期枸杞地種植的枸杞高度較低，紋理特征發育比較弱，故晚期枸杞地的PA和UA精度變化也不大。而由于其他幾種地物類型的紋理特征發育較好，長時序的植被生長期遙感影響特征不同，故在加入紋理特征和多時相極化特征之后分類精度有了較大的提升，早期枸杞地UA提升了0.78百分點，PA提升了1.17百分點，中期枸杞地UA和PA分別提升了4.82百分點和0.96百分點，防護林、濕地和裸地的分類精度也相應有所提升。

4.2 高空間分辨率影像提取紋理特征對分類結果的影響分析

隨著遙感影像空間分辨率的提高，紋理特征被廣泛用于遙感分類由于不同地類空間尺度不同，紋理對不同地物分類的影響程度也有所差異。為了討論不同空間分辨率提取的紋理特征參與分類對分類精度的影響，本文提取紋理特征的數據源空間分辨率分別10和1 m，為保證空間分辨率一致以進行特征組合分析，將1 m高分融合圖像提取的紋理特征進行重采樣至10 m，但是其紋理特征效果仍優于S2提取的紋理特征。將原紋理特征更換為高空間分辨率影像提取紋理特征不僅改變了紋理特征本身，而且還對特征空間數據集產生了一定的影響。由圖7及表4可以看出，由于特征空間數據集和紋理特征的改變導致邊緣紋理信息強的道路和建筑物精度有所降低，而濕地整體紋理特征不明顯，在高空間分辨率數據源下提取的紋理特征破碎度比較高，濕地地塊容易形成混合像元，導致其PA和UA均降低了2.87百分點和2.91百分點。早期枸杞地和中期枸杞地對于低空間分辨率提取的紋理特征，由于防護林和枸杞塊間隙作為邊緣紋理，而在高空間分辨率提取的紋理特征中便會缺失這些信息，導致精度的下降。晚期枸杞地發育比較弱，植株較小，防護林呈帶狀分布，相對較窄，二者在高空間分辨率提取的紋理特征會更明顯，故二者PA和UA分別提升了0.87、2.52個百分點和0.83、0.85個百分點。

加入不同空間分辨率影像提取的紋理特征對地物的分類精度影響不同，在低空間分辨率數據源提取紋理特征進行分類下的各地類的分類精度大于高空間分辨率數據源下的。不同地物類型受紋理特征的影響程度不同，并與空間分辨率有著密切關系，因此紋理特征對多光譜遙感分類的影響并不是分辨率越高分類精度越高，在適宜的分辨率下進行分類識別才能達到更好的效果。另外，同一種植被在不同的生長期間數據對其有一定程度的差異，不同物候期植被的紋理特征不盡相同，與其他地類的區分度也有差異，紋理特征在不同物候期對植被分類的影響需進一步研究。

5 結 論

1）基于隨機森林的特征重要性評估方法可以有效地提取出對地物分類影響比較大的特征，極大地壓縮了數據量，減少數據冗余，提高數據處理效率。針對最優方案3，其特征由33個減少到15個，并且也是在所有特征按重要性排序組合中分類精度最高的。此外，光譜特征、紋理特征和極化特征的內部特征關系緊密，而3組特征之間的大部分特征關系相對較弱。

2）通過4種分類方案的對比分析，植被指數（尤其是紅邊指數）在所有特征中對分類結果的影響比較大，紋理特征次之，極化特征的影響相對較小。結果符合研究區地物特征，其研究區主要地物的光譜特征差異比較明顯，而紋理特征由于部分植被分布比較散亂，進而導致紋理信息不豐富，極化特征雖然可以有效地區分光譜特征相似的地類，但是對于光譜差異較大的地類，極化特征的作用并不明顯。

3）協同Sentinel-2與Sentinel-1數據源，在基于光譜特征分類的基礎上加入紋理特征和極化特征可以有效地提高地物的分類精度，其總體精度提高了1.71個百分點。協同三種數據源，利用全特征空間，使用Sentinel-2提取紋理特征的各地類分類精度優于使用GF-2提取紋理特征參與分類的情況，不同空間分辨率圖像提取的紋理特征對特征優選方案及分類結果有著不同影響，在適宜的分辨率下提取紋理特征參與分類才能達到更好的效果。