光學協同合成孔徑雷達數據的森林類型分類研究

摘 要：為探究光學數據和合成孔徑雷達（Synthetic Aperture Radar，SAR）數據在森林類型分類中的優勢和互補性，以云南省普洱市思茅區的Landsat 8數據與微波遙感SAR影像ALOS2數據相交覆蓋區域為研究區，采用分層分類技術進行森林類型分類研究。構建3種特征集，光學數據特征集（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-SAR融合數據特征集（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）對提取的3種特征集分別進行分層特征篩選，再用隨機森林（Random forest，RF）、支持向量機（Support Vector Machine，SVM）對森林類型分類，光學-SAR融合數據SVM的分類效果最好。結果表明，1）在第1層（植被/非植被）分類時，總體精度為98.57%，Kappa系數為0.971；2）在第2層（森林/非森林植被）分類時，總體精度為92.14%，Kappa系數為0.826；3）在第3層（針/闊/混交林）分類時，總體精度為83.47%，Kappa系數為0.743。融合數據相比于光學數據集分類精度提高9.91%，比SAR分類精度提高24.97%；4）在融合數據集進行第3層次的分類中，對比不同窗口3×3、5×5、7×7、9×9下的光學圖像紋理特征對分類結果的影響，7×7紋理窗口下精度最高。結果表明，多源數據協同的森林類型分類精度相比于單一數據源精度更高。

關鍵詞：協同分類； 全極化SAR數據； 特征融合； 多源遙感； 森林類型

中圖分類號：S771.8 文獻標識碼：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力，是制定森林經營措施的重要依據，也是精確估算森林生物量和碳儲量的重要基礎［1-2］。傳統的地面調查方法雖然可以獲取精確森林類型信息，但作業時間長、成本高、效率低，難以快速獲取大范圍森林類型分布信息。采用遙感技術開展森林類型信息提取已經成為大范圍和區域尺度進行森林信息提取的重要技術手段［3］。目前采用光學遙感數據進行森林分類已有大量的應用案例。光學遙感進行森林分類的物理基礎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象，導致光學遙感進行森林分類精度較低。田靜等［4］基于TM（thematic mapper，TM）影像數據提取光譜特征，利用神經網絡和原細胞自動機分類算法進行森林類型識別對比試驗。吳梓尚等［5］基于多時序MODIS數據，利用時序植被指數特征構建決策樹識別不同森林類型。董靈波等［6］基于Landsat數據，采用光譜、紋理、時間序列增強型植被指數特征并考慮物候信息的影響完成森林類型分類。僅用光學數據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（Synthetic Aperture Radar，SAR）技術通過獲取森林的微波后向散射強度、相位和極化等信息［7］進行森林分類，同樣地，由于缺少光譜信息，僅僅采用SAR數據進行森林分類效果也不好。Wang［8］基于ALOS數據，采用支持向量機算法（Support Vector Machine，SVM）對比了單、雙、全極化微波數據的分類結果。賈詩超等［9］基于全極化SAR數據提取雷達植被指數、總功率、Cloude極化分解特征進行SVM分類，但SAR提供信息有限，僅實現了地類識別，未能更精細劃分。

由于光學遙感和微波遙感的電磁波波長相差1萬倍以上，導致2種遙感數據的成像機理和反映地物的特征都具有巨大的差異性，從而使這2種數據在反映森林特性時具有很好的互補性。結合光學和SAR數據能夠彌補單一數據源的局限性且能帶來不同信息的互補。Erinjery等［10］利用其優勢和互補性，提取光譜、紋理和極化熵等特征時，采用最大似然和隨機森林算法對熱帶雨林植被進行分類，克服了天氣影響并獲得了更全面的信息。毛學剛等［11］結合QuickBird和Radarast-2數據提取光譜、地形、高度、強度特征，進行不同特征結合的分類，取得了較好結果。

由于云南省為高原山地地貌，遙感數據在該地區受地形和天氣影響較大，增加了森林類型分類的復雜性。為探索多雨地形復雜條件光學數據和SAR數據進行森林分類的有效性，采用光學和SAR數據相結合的方法，提取光譜、紋理、植被指數、地形、后向散射系數和極化分解特征，創建光學特征集、SAR特征集、光學-SAR融合特征集，通過遞歸特征消除法（Recursive feature elimination，RFE）對這3種特征集進行特征篩選，篩選出每一層進行分類的優選特征集。研究通過分層分類方法，先劃分植被和非植被，再通過植被掩膜提取植被，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。研究對比不同數據集以及不同光學紋理窗口尺度對森林類型分類的影響，探索光學-SAR數據在森林類型分類中的互補性，旨在為實現精確分類提供參考方法。

1 數據與方法

1.1 研究區

研究區位于云南省普洱市思茅區（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、人工經濟林、暖熱性闊葉林和熱性灌木林等。研究數據包括微波遙感ALOS PALSAR-2（SLC）數據和光學遙感Landsat8-OLI數據，研究區概況如圖1所示。

1.2 數據來源與處理

1.2.1 遙感數據獲取

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

1.2.2 預處理

對光學影像Landsat8-OLI進行輻射定標、將全色和多光譜波段采用Gram-Schmidt方法進行影響融合、采用最近鄰法將OLI數據重采樣至15 m分辨率、大氣校正、利用DEM進行地形輻射校正、影像裁剪；對SAR影像ALOS PALSAR-2進行定標、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、影像裁剪。

1.3 研究方法

1.3.1 分類系統

考慮遙感識別的可分性，以2016年森林資源二類調查數據和遙感影像為基礎，對研究區采用分層分類。一級分類分為植被和非植被，非植被包括建設用地、水域、裸地，本研究對非植被不進行分類。二級分類將第1層分類結果創建植被掩膜，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，研究區灌草因占比較少，分類時將灌草和耕地合并為非森林植被，不進行細分。三級分類以第2層森林植被分類結果作為掩膜，將森林植被進一步細分為針葉林、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

本研究經過反復試驗并參考相關文獻［11-26］，選取以下特征，所有特征見表1。

1）光譜特征

基于最佳指數法（Optimum index factor，OIF）對OLI數據選取Band3、Band4、Band5以及每個像元點前7個譜波段的均值（Band-mean），作為光譜特征。

2）植被指數

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

3）紋理特征

Landsat8各個波段間存在高度相關，對Landsat數據進行主成分分析，結果見表2。表2中前3個主成分，其累計方差貢獻率為99.81%。對前3個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個紋理特征［16］。

4）SAR影像提取特征參數

后向散射系數（Backscatter Coefficient）是反映不同地物對微波反射能力的參數［17］，對地物分類具有重要意義，研究提取SAR 4個通道的后向散射系數σhh、σhv、σvh、σvv。極化分解（Polarimetric Decomposition）是基于物理機理揭示目標散射特性和結構信息的重要方法［18］。通過極化分解可以將不同散射特性的目標分離，如產生表面散射的水體、產生偶次散射的建筑和發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種常見極化分解方法Pauli、H/A/α、Freeman、Yamaguchi，來提取極化分解特征。

5）地形特征

利用DEM數據提取坡度（Slope）和坡向（Aspect）。

1.3.3 分類方法

1）構建特征集和特征優選

提取的特征通過特征向量堆棧法（Stacking）構建3種特征集，見表3。過多的特征參與會造成信息冗余，對特征進行篩選可以提高分類精度，遞歸特征消除法（Recursive Feature Elimination，RFE）［15，29］是通過反復訓練模型并逐步剔除不重要的特征，從而篩選出最優特征子集，在每一輪迭代中通過各特征對分類模型性能貢獻度來確定特征相對重要性。本研究采用遞歸特征消除法對光學、SAR、光 學-SAR特征集分別進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/混交林的優選光學、SAR、光學-SAR特征集。

2）分類方案

隨機森林分類器（Random forest，RF）具有高度魯棒性和準確性［27］，支持向量機（Support Vector Machine，SVM）在處理高維數據和非線性問題時具有強泛化能力［28］。研究基于光學、SAR、光學-SAR 3種特征集進行特征篩選后，采用參數調優后的RF、SVM分類器構造6種分類方案，見表3。本研究對RF調參時，將樹數量預估值（n_etimators）設置為150，準則函數（criterion）設置為Gini；對SVM調參時，將懲罰系數（C）設置為10，核函數（kernel）設置為徑向基（Radial Basis Function，RBF）。

1.3.4 訓練樣本采集

采用分層選取樣本的方法進行樣本采集。在第1層中，通過谷歌地球（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；在第2層中，根據Google Earth結合森林資源二類調查數據選取森林植被和非森林植被圖斑各100個；在第3層中，根據影像和二調數據中優勢樹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個圖斑。對采集的樣本采用70%作為訓練樣本，30%作為驗證樣本，并用Jeffries-Matusita（J-M）距離分離度檢驗樣本之間的可分離性。

1.3.5 精度評價

利用混淆矩陣計算的生產者精度（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（式中為Kappa）４個指標對分類結果進行精度評價。

1）OA是評價所有分類結果與實際對應類型一致的概率。

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；r是類別數；N是總樣本數。

2）Kappa系數（式中記為Kappa）代表著分類結果與完全隨機的分類產生錯誤的比例。

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i類的總數；x+i為被分成i類型的總數。

2 結果與分析

2.1 特征優選

根據最優特征數量和特征重要性排序選出優選特征集。

1）最優特征數量

分類精度隨著特征數量增加呈現先升高后降低的趨勢，本研究將交叉驗證精度達到最高時用于分類的特征數作為最優特征數量，如圖2所示。光學特征集特征優選時，第1層分類最優特征數量為6，第2層為15，第3層為7。SAR特征集優選時，第1層分類最優特征數量為7，第2層為8，第3層為10。光學-SAR特征集優選時，第1層分類最優特征數量為13，第2層為15，第3層為19。

2）特征重要性排序

前20個重要性得分高的特征如圖3所示。光學特征集特征優選：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-SAR融合特征集特征優選：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 分類精度評價

2.2.1 第1層（植被/非植被）

植被/非植被分類精度見表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系數均高于0.90。單使用優選SAR數據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系數為0.903 1；方案4采用SVM分類器OA為95.56%，Kappa系數為0.909 0。優選光學-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系數為0.965 9；方案6采用SVM分類器OA為98.57%，Kappa系數為0.971 0。方案6分類精度最高，分類結果如圖4（a）所示。與森林資源二類調查植被面積統計為1 743.75 km2相比，方案6分類計算面積為1 732.33km2，相對誤差0.65%。本研究采用方案6進行第1層分類結果作為第2層分類基礎。

2.2.2 第2層（森林植被/非森林植被）

本研究將方案6第1層分類結果提取植被掩膜進行第2層分類。不同試驗方案的第2層分類精度評價見表5。單使用優選SAR數據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系數為0.525 6；方案4采用SVM分類器OA為75.27%，Kappa系數為0.494 1。優選光學-SAR特征集協同精度最高，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系數為0.822 1；方案6采用SVM分類器OA為92.14%，Kappa系數為0.826 0。方案6分類精度最高，分類結果如圖4（b）所示。森林資源二類調查森林面積統計為1 456.75 km2，方案6分類計算面積為1 454.48 km2，相對誤差0.16%。本研究采用方案6進行第2層分類結果作為第3層分類基礎。

2.2.3 第3層（針/闊/混交林）

本研究因數據量太大，特征維度高，處理運行時間過長，因此在研究區裁剪局部范圍作為第3層分類的試驗區，如圖4（c）所示。表6為針/闊/混交林分類精度，由表6可知，單使用優選SAR數據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系數為0.456 3；方案4采用SVM分類器OA為53.31%，Kappa系數為0.194 7。優選光學-SAR特征集協同分類精度最高，方案5采用RF分類器OA為82.43%，Kappa系數為0.724 8；方案6采用SVM分類器OA為82.55%，Kappa系數為0.726 1。方案6分類精度最高，分類結果如圖4（d）所示。優選光學-SAR數據集協同分類后，OA、PA、UA都有所提高。與單一數據源分類相比，優選光學-SAR協同分類的平均精度為82.49%，比僅使用優選SAR數據分類的平均精度（58.50%）提高了23.97%；比僅使用優化光學數據的平均精度（73.56%）提高了8.93％。

2.3 不同紋理尺度對比結果

第3層（針/闊/混交）分類中，在光學-SAR融合數據集對比了不同紋理窗口3×3、5×5、7×7、9×9下的光學圖像紋理特征對融合數據分類結果的影響，見表7。7×7窗口分類總體精度為83.47%，Kappa系數為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，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證精度最高的最優特征集，在特征重要性排序中，光學特征集第1層分類重要性得分最高的光學影像的第二主成分的紋理均值特征（PC2_mean），此結論與董靈波等［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度較大的結論一致；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，這與相關文獻所得結論一致［39］。本研究對光學-SAR特征集第3層分類進行不同紋理窗口比較中發現，本試驗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窗口時精度最高的結果一致。

2）本研究采用多源數據分類比光學分類平均精度提高9.91%，比SAR分類平均精度提高24.97%。對比相關文獻，本研究精度提高更明顯，相較于王宇航等［23］僅使用光學數據精度提高了0.20%，僅使用SAR數據，精度提高了10.70%。Kasapoglu等［32］使用ALOS和TM的數據采用決策級融合對森林類型進行分類，結果與單獨使用TM圖像相比，精度提高4%。Sano等［33］結合光學和SAR圖像，在Cerrado的不同森林植被類型分類中相較于光學數據精度提高6%，相較于SAR數據提高10%。Yu等［34］使用多時相SAR數據和光學SPOT數據對森林類型分類，得出單一時相SAR數據結合光學數據相較于僅用SPOT數據精度提高8%，結合多時相SAR數據與光學數據協同分類相較于僅用SPOT數據精度提高11%。

3）研究在第3層分類中，單獨使用光學和單獨使用SAR均不能很好地對森林類型識別，僅用SAR數據的平均總體精度為58.50%，是因為對于茂密的森林，L波段SAR極化參數趨于飽和，森林的極化特征較為相似，僅用極化信息難以區分森林的類型［35-39］。研究中闊葉林分類精度最低，可能是因為研究區針、闊、混交林面積分布不均，闊葉林采集的樣本像元數目較少，且圖斑面積較小，導致獲取的信息全面性低，采用的光學與SAR影像時間相差 1 a，這也使分類結果造成一定影響。

4 結論

本研究采用光學-SAR特征融合對森林類型分層分類取得較好的結果，得出如下結論。1）多源數據能利用光學和SAR的互補性，使森林類型分類精度有效提高；2）單獨使用光學數據和單獨使用SAR數據均不能很好地對森林類型進行分類；3）僅用光學數據分類精度高于僅用SAR數據分類精度，光學數據在森林類型分類中的貢獻比SAR數據貢獻更高。

【參 考 文 獻】

［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.國家重大林業生態工程監測與評價技術研究［J］.西北林學院學報，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展［J］.西南林學院學報，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.基于元胞自動機和BP神經網絡算法的Landsat-TM遙感影像森林類型分類比較［J］.林業科學，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分類方法研究［J］.中南林業科技大學學報，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時間序列數據的翠崗林場森林類型劃分［J］.應用生態學報，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］ 賈詩超，薛東劍，李成繞.極化特征組合在ALOS PALSAR數據地物分類中的應用［J］.測繪通報，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］ 毛學剛，竹亮，劉怡彤，等.高空間分辨率影像與SAR數據協同特征面向對象林分類型識別［J］.林業科學，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，李增元，等.多時相雙極化SAR影像林地類型分類方法［J］.林業科學，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.基于旋轉森林的Landsat-8影像森林植被分類［J］.東北林業大學學報，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.基于環境星與MODIS時序數據的面向對象森林植被分類［J］.生態學報，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.基于多特征優選的無人機可見光遙感林分類型分類［J］.林業科學，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.結合多尺度紋理特征的高光譜影像面向對象樹種分類［J］.北京林業大學學報，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.應用全極化合成孔徑雷達數據構建多變量估算森林地上生物量模型［J］.東北林業大學學報，2024，52（1）：61-66，102.

JIA K，LIU Y Y，FAN 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圖像獨立極化方位角整合的極化目標分解法［J］.測繪學報，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.合成孔徑雷達極化成像解譯識別技術的進展與展望［J］.雷達學報，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.基于隨機森林與特征選擇的藏東南土地覆被分類方法及精度評價［J］.地理科學，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數據的漢江流域森林覆蓋變化研究［J］.長江流域資源與環境，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，等.基于高分光學與全極化SAR的海南八門灣紅樹林種間分類方法［J］.熱帶海洋學報，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.基于面向對象的QUICKBIRD數據和SAR數據融合的地物分類［J］.東北林業大學學報，2016，44（9）：44-49.

WANG Y H，FAN 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圖像目標分解方法的研究進展［J］.電子與信息學報，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.結合干涉特征的極化SAR圖像監督分類——將樂林場的林分類型識別［J］.東北林業大學學報，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，吳國明.多時相PolInSAR數據土地覆蓋類型分類研究［J］.森林工程，2022，38（5）：10-17.

CHENG T H，FAN 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-隨機森林模型的江浙滬農田土壤肥力屬性制圖［J］.地理科學，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數據特征優選的冬小麥種植區識別方法研究［J］.農業機械學報，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.應用多時序特征的哨兵系列影像對南方丘陵區樹種識別［J］.東北林業大學學報，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］.中南林業科技大學學報，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價［J］.江西農業大學學報，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，FERREIRA 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，FU 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，Frascati，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.