光学协同合成孔径雷达数据的森林类型分类研究

摘 要：为探究光学数据和合成孔径雷达（Synthetic Aperture Radar，SAR）数据在森林类型分类中的优势和互补性，以云南省普洱市思茅区的Landsat 8数据与微波遥感SAR影像ALOS2数据相交覆盖区域为研究区，采用分层分类技术进行森林类型分类研究。构建3种特征集，光学数据特征集（光谱+植被因子+纹理+地形特征）、SAR特征集（后向散射+极化分解特征）、光 学-SAR融合数据特征集（光谱+植被因子+纹理+地形+后向散射+极化分解特征），并使用递归特征消除法（Recursive Feature Elimination，RFE）对提取的3种特征集分别进行分层特征筛选，再用随机森林（Random forest，RF）、支持向量机（Support Vector Machine，SVM）对森林类型分类，光学-SAR融合数据SVM的分类效果最好。结果表明，1）在第1层（植被/非植被）分类时，总体精度为98.57%，Kappa系数为0.971；2）在第2层（森林/非森林植被）分类时，总体精度为92.14%，Kappa系数为0.826；3）在第3层（针/阔/混交林）分类时，总体精度为83.47%，Kappa系数为0.743。融合数据相比于光学数据集分类精度提高9.91%，比SAR分类精度提高24.97%；4）在融合数据集进行第3层次的分类中，对比不同窗口3×3、5×5、7×7、9×9下的光学图像纹理特征对分类结果的影响，7×7纹理窗口下精度最高。结果表明，多源数据协同的森林类型分类精度相比于单一数据源精度更高。

关键词：协同分类； 全极化SAR数据； 特征融合； 多源遥感； 森林类型

中图分类号：S771.8 文献标识码：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

不同森林类型具有不同的物种组成和生产力，是制定森林经营措施的重要依据，也是精确估算森林生物量和碳储量的重要基础［1-2］。传统的地面调查方法虽然可以获取精确森林类型信息，但作业时间长、成本高、效率低，难以快速获取大范围森林类型分布信息。采用遥感技术开展森林类型信息提取已经成为大范围和区域尺度进行森林信息提取的重要技术手段［3］。目前采用光学遥感数据进行森林分类已有大量的应用案例。光学遥感进行森林分类的物理基础是基于不同的森林类型具有不同的光谱特征，然而受地形、大气影响和传感器光谱分辨率局限等多因素影响，常常存在同物异谱和同谱异物现象，导致光学遥感进行森林分类精度较低。田静等［4］基于TM（thematic mapper，TM）影像数据提取光谱特征，利用神经网络和原细胞自动机分类算法进行森林类型识别对比试验。吴梓尚等［5］基于多时序MODIS数据，利用时序植被指数特征构建决策树识别不同森林类型。董灵波等［6］基于Landsat数据，采用光谱、纹理、时间序列增强型植被指数特征并考虑物候信息的影响完成森林类型分类。仅用光学数据虽取得一些成果但分类精度提高十分有限。而合成孔径雷达（Synthetic Aperture Radar，SAR）技术通过获取森林的微波后向散射强度、相位和极化等信息［7］进行森林分类，同样地，由于缺少光谱信息，仅仅采用SAR数据进行森林分类效果也不好。Wang［8］基于ALOS数据，采用支持向量机算法（Support Vector Machine，SVM）对比了单、双、全极化微波数据的分类结果。贾诗超等［9］基于全极化SAR数据提取雷达植被指数、总功率、Cloude极化分解特征进行SVM分类，但SAR提供信息有限，仅实现了地类识别，未能更精细划分。

由于光学遥感和微波遥感的电磁波波长相差1万倍以上，导致2种遥感数据的成像机理和反映地物的特征都具有巨大的差异性，从而使这2种数据在反映森林特性时具有很好的互补性。结合光学和SAR数据能够弥补单一数据源的局限性且能带来不同信息的互补。Erinjery等［10］利用其优势和互补性，提取光谱、纹理和极化熵等特征时，采用最大似然和随机森林算法对热带雨林植被进行分类，克服了天气影响并获得了更全面的信息。毛学刚等［11］结合QuickBird和Radarast-2数据提取光谱、地形、高度、强度特征，进行不同特征结合的分类，取得了较好结果。

由于云南省为高原山地地貌，遥感数据在该地区受地形和天气影响较大，增加了森林类型分类的复杂性。为探索多雨地形复杂条件光学数据和SAR数据进行森林分类的有效性，采用光学和SAR数据相结合的方法，提取光谱、纹理、植被指数、地形、后向散射系数和极化分解特征，创建光学特征集、SAR特征集、光学-SAR融合特征集，通过递归特征消除法（Recursive feature elimination，RFE）对这3种特征集进行特征筛选，筛选出每一层进行分类的优选特征集。研究通过分层分类方法，先划分植被和非植被，再通过植被掩膜提取植被，在植被中划分森林植被和非森林植被，再通过掩膜提取森林植被并在森林植被中划分针叶林、阔叶林、混交林。研究对比不同数据集以及不同光学纹理窗口尺度对森林类型分类的影响，探索光学-SAR数据在森林类型分类中的互补性，旨在为实现精确分类提供参考方法。

1 数据与方法

1.1 研究区

研究区位于云南省普洱市思茅区（100°19′～101°27′ E，22°27′～23°06′ N），平均海拔1 302 m，属亚热带气候，森林类型丰富多样，主要有思茅松林、人工经济林、暖热性阔叶林和热性灌木林等。研究数据包括微波遥感ALOS PALSAR-2（SLC）数据和光学遥感Landsat8-OLI数据，研究区概况如图1所示。

1.2 数据来源与处理

1.2.1 遥感数据获取

因2016年光学影像云量较大，故本研究选用云量较少的2015年5月3日一景Landsat8-OLI数据和2016年5月11日一景L波段全极化ALOS PALSAR-2（SLC）数据。辅助数据包括云南省普洱市思茅区矢量边界、2016年森林资源二类调查数据及30 m空间分辨率的数字高程模型数据（Digital Elevation Model，DEM）。

1.2.2 预处理

对光学影像Landsat8-OLI进行辐射定标、将全色和多光谱波段采用Gram-Schmidt方法进行影响融合、采用最近邻法将OLI数据重采样至15 m分辨率、大气校正、利用DEM进行地形辐射校正、影像裁剪；对SAR影像ALOS PALSAR-2进行定标、多视、精制Lee滤波处理、地形平坦化（Radiometric Terrain Flattening，RTF）、多普勒地形矫正（Range-Doppler Terrain correction）、影像配准、影像裁剪。

1.3 研究方法

1.3.1 分类系统

考虑遥感识别的可分性，以2016年森林资源二类调查数据和遥感影像为基础，对研究区采用分层分类。一级分类分为植被和非植被，非植被包括建设用地、水域、裸地，本研究对非植被不进行分类。二级分类将第1层分类结果创建植被掩膜，将植被分为森林植被和非森林植被，非森林植被包括灌草和耕地，研究区灌草因占比较少，分类时将灌草和耕地合并为非森林植被，不进行细分。三级分类以第2层森林植被分类结果作为掩膜，将森林植被进一步细分为针叶林、阔叶林、针阔混交林。最终划分为非植被、非森林植被、针叶林、阔叶林、针阔混交林5类。

1.3.2 特征提取

本研究经过反复试验并参考相关文献［11-26］，选取以下特征，所有特征见表1。

1）光谱特征

基于最佳指数法（Optimum index factor，OIF）对OLI数据选取Band3、Band4、Band5以及每个像元点前7个谱波段的均值（Band-mean），作为光谱特征。

2）植被指数

植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、比值植被指数（RatioVegetationIndex，RVI）、增强植被指数（EnhaneedVegetationIndex，EVI）、归一化水体指数（Normalized Difference Water Index，NDWI）、土壤指数（Bi2）。

3）纹理特征

Landsat8各个波段间存在高度相关，对Landsat数据进行主成分分析，结果见表2。表2中前3个主成分，其累计方差贡献率为99.81%。对前3个主成分分别采用灰度共生矩阵（gray level co-occurrence matrix，GLCM）提取4种窗口尺度（3×3、5×5、7×7、9×9）的8个纹理特征［16］。

4）SAR影像提取特征参数

后向散射系数（Backscatter Coefficient）是反映不同地物对微波反射能力的参数［17］，对地物分类具有重要意义，研究提取SAR 4个通道的后向散射系数σhh、σhv、σvh、σvv。极化分解（Polarimetric Decomposition）是基于物理机理揭示目标散射特性和结构信息的重要方法［18］。通过极化分解可以将不同散射特性的目标分离，如产生表面散射的水体、产生偶次散射的建筑和发生体散射的森林冠层等，目前有许多不同极化分解方法［19］，本研究选择4种常见极化分解方法Pauli、H/A/α、Freeman、Yamaguchi，来提取极化分解特征。

5）地形特征

利用DEM数据提取坡度（Slope）和坡向（Aspect）。

1.3.3 分类方法

1）构建特征集和特征优选

提取的特征通过特征向量堆栈法（Stacking）构建3种特征集，见表3。过多的特征参与会造成信息冗余，对特征进行筛选可以提高分类精度，递归特征消除法（Recursive Feature Elimination，RFE）［15，29］是通过反复训练模型并逐步剔除不重要的特征，从而筛选出最优特征子集，在每一轮迭代中通过各特征对分类模型性能贡献度来确定特征相对重要性。本研究采用递归特征消除法对光学、SAR、光 学-SAR特征集分别进行分层特征重要性排序，筛选出用于植被/非植被、森林/非森林植被、针/阔/混交林的优选光学、SAR、光学-SAR特征集。

2）分类方案

随机森林分类器（Random forest，RF）具有高度鲁棒性和准确性［27］，支持向量机（Support Vector Machine，SVM）在处理高维数据和非线性问题时具有强泛化能力［28］。研究基于光学、SAR、光学-SAR 3种特征集进行特征筛选后，采用参数调优后的RF、SVM分类器构造6种分类方案，见表3。本研究对RF调参时，将树数量预估值（n_etimators）设置为150，准则函数（criterion）设置为Gini；对SVM调参时，将惩罚系数（C）设置为10，核函数（kernel）设置为径向基（Radial Basis Function，RBF）。

1.3.4 训练样本采集

采用分层选取样本的方法进行样本采集。在第1层中，通过谷歌地球（Google Earth）高分辨率影像目视解译选取植被和非植被图斑各100个；在第2层中，根据Google Earth结合森林资源二类调查数据选取森林植被和非森林植被图斑各100个；在第3层中，根据影像和二调数据中优势树种及土地类型为纯林和混交林人工选取针叶林、阔叶林、混交林各60个图斑。对采集的样本采用70%作为训练样本，30%作为验证样本，并用Jeffries-Matusita（J-M）距离分离度检验样本之间的可分离性。

1.3.5 精度评价

利用混淆矩阵计算的生产者精度（Producer′s accuracy，PA）、用户精度（User′s accuracy，UA）、总精度（Overall′s accuracy，OA，式中为OA）和Kappa系数（式中为Kappa）４个指标对分类结果进行精度评价。

1）OA是评价所有分类结果与实际对应类型一致的概率。

O_A=（∑_（i=1）^r▒x_ii ）/N。 （1）

式中：xii为第i类被正确分为i类的样本数；r是类别数；N是总样本数。

2）Kappa系数（式中记为Kappa）代表着分类结果与完全随机的分类产生错误的比例。

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+为真实i类的总数；x+i为被分成i类型的总数。

2 结果与分析

2.1 特征优选

根据最优特征数量和特征重要性排序选出优选特征集。

1）最优特征数量

分类精度随着特征数量增加呈现先升高后降低的趋势，本研究将交叉验证精度达到最高时用于分类的特征数作为最优特征数量，如图2所示。光学特征集特征优选时，第1层分类最优特征数量为6，第2层为15，第3层为7。SAR特征集优选时，第1层分类最优特征数量为7，第2层为8，第3层为10。光学-SAR特征集优选时，第1层分类最优特征数量为13，第2层为15，第3层为19。

2）特征重要性排序

前20个重要性得分高的特征如图3所示。光学特征集特征优选：第1层分类，重要性得分最高的是NDVI和PC2_Mean；第2层得分最高的是Band-mean和NDVI；第3层得分最高的是EVI和RVI。SAR特征集特征优选：第1层得分最高的是Alpha和Anisotropy；第2层得分最高的是Freeman_vol和Yamaguchi_dbl；第3层得分最高的是Freeman_vol和Puali_b。光学-SAR融合特征集特征优选：第1层得分最高的是Bi2和PC2_Mean；第2层得分最高的是EVI和NDVI；第3层得分最高的是EVI和NIR。

2.2 分类精度评价

2.2.1 第1层（植被/非植被）

植被/非植被分类精度见表4。由表4可知，6种方案在第1层的分类中各方案的总体精度均高于95%，Kappa系数均高于0.90。单使用优选SAR数据特征集分类精度最低，方案3采用RF分类器的总体精度OA为95.23%，Kappa系数为0.903 1；方案4采用SVM分类器OA为95.56%，Kappa系数为0.909 0。优选光学-SAR特征集精度最高，总体精度平均提高了1.80%，方案5采用RF分类器OA为98.31%，Kappa系数为0.965 9；方案6采用SVM分类器OA为98.57%，Kappa系数为0.971 0。方案6分类精度最高，分类结果如图4（a）所示。与森林资源二类调查植被面积统计为1 743.75 km²相比，方案6分类计算面积为1 732.33km²，相对误差0.65%。本研究采用方案6进行第1层分类结果作为第2层分类基础。

2.2.2 第2层（森林植被/非森林植被）

本研究将方案6第1层分类结果提取植被掩膜进行第2层分类。不同试验方案的第2层分类精度评价见表5。单使用优选SAR数据特征集分类精度最低，方案3采用RF分类器的总体精度OA为76.92%，Kappa系数为0.525 6；方案4采用SVM分类器OA为75.27%，Kappa系数为0.494 1。优选光学-SAR特征集协同精度最高，总体精度平均提高了8.92%，方案5采用RF分类器OA为91.81%，Kappa系数为0.822 1；方案6采用SVM分类器OA为92.14%，Kappa系数为0.826 0。方案6分类精度最高，分类结果如图4（b）所示。森林资源二类调查森林面积统计为1 456.75 km²，方案6分类计算面积为1 454.48 km²，相对误差0.16%。本研究采用方案6进行第2层分类结果作为第3层分类基础。

2.2.3 第3层（针/阔/混交林）

本研究因数据量太大，特征维度高，处理运行时间过长，因此在研究区裁剪局部范围作为第3层分类的试验区，如图4（c）所示。表6为针/阔/混交林分类精度，由表6可知，单使用优选SAR数据特征集分类精度最低，方案3采用RF分类器的总体精度OA为63.69%，Kappa系数为0.456 3；方案4采用SVM分类器OA为53.31%，Kappa系数为0.194 7。优选光学-SAR特征集协同分类精度最高，方案5采用RF分类器OA为82.43%，Kappa系数为0.724 8；方案6采用SVM分类器OA为82.55%，Kappa系数为0.726 1。方案6分类精度最高，分类结果如图4（d）所示。优选光学-SAR数据集协同分类后，OA、PA、UA都有所提高。与单一数据源分类相比，优选光学-SAR协同分类的平均精度为82.49%，比仅使用优选SAR数据分类的平均精度（58.50%）提高了23.97%；比仅使用优化光学数据的平均精度（73.56%）提高了8.93％。

2.3 不同纹理尺度对比结果

第3层（针/阔/混交）分类中，在光学-SAR融合数据集对比了不同纹理窗口3×3、5×5、7×7、9×9下的光学图像纹理特征对融合数据分类结果的影响，见表7。7×7窗口分类总体精度为83.47%，Kappa系数为0.743 1，效果最好，因此纹理提取最佳窗口为7×7。

3 讨论

1）遥感森林分类时，分类特征并非越多越好。本研究采用递归特征消除法得到交叉验证精度最高的最优特征集，在特征重要性排序中，光学特征集第1层分类重要性得分最高的光学影像的第二主成分的纹理均值特征（PC2_mean），此结论与董灵波等［6］得出第二主成分波段的纹理特征中的均值在分类中贡献度较大的结论一致；SAR特征集在第3层分类中得分最高的是Freeman_vol，在森林类型分类中具有更好的分类能力，这与相关文献所得结论一致［39］。本研究对光学-SAR特征集第3层分类进行不同纹理窗口比较中发现，本试验纹理提取最佳窗口为7×7，这与宁亮亮等［30］和徐辉等［31］在森林植被分类中采用7×7窗口时精度最高的结果一致。

2）本研究采用多源数据分类比光学分类平均精度提高9.91%，比SAR分类平均精度提高24.97%。对比相关文献，本研究精度提高更明显，相较于王宇航等［23］仅使用光学数据精度提高了0.20%，仅使用SAR数据，精度提高了10.70%。Kasapoglu等［32］使用ALOS和TM的数据采用决策级融合对森林类型进行分类，结果与单独使用TM图像相比，精度提高4%。Sano等［33］结合光学和SAR图像，在Cerrado的不同森林植被类型分类中相较于光学数据精度提高6%，相较于SAR数据提高10%。Yu等［34］使用多时相SAR数据和光学SPOT数据对森林类型分类，得出单一时相SAR数据结合光学数据相较于仅用SPOT数据精度提高8%，结合多时相SAR数据与光学数据协同分类相较于仅用SPOT数据精度提高11%。

3）研究在第3层分类中，单独使用光学和单独使用SAR均不能很好地对森林类型识别，仅用SAR数据的平均总体精度为58.50%，是因为对于茂密的森林，L波段SAR极化参数趋于饱和，森林的极化特征较为相似，仅用极化信息难以区分森林的类型［35-39］。研究中阔叶林分类精度最低，可能是因为研究区针、阔、混交林面积分布不均，阔叶林采集的样本像元数目较少，且图斑面积较小，导致获取的信息全面性低，采用的光学与SAR影像时间相差 1 a，这也使分类结果造成一定影响。

4 结论

本研究采用光学-SAR特征融合对森林类型分层分类取得较好的结果，得出如下结论。1）多源数据能利用光学和SAR的互补性，使森林类型分类精度有效提高；2）单独使用光学数据和单独使用SAR数据均不能很好地对森林类型进行分类；3）仅用光学数据分类精度高于仅用SAR数据分类精度，光学数据在森林类型分类中的贡献比SAR数据贡献更高。

【参 考 文 献】

［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.国家重大林业生态工程监测与评价技术研究［J］.西北林学院学报，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］ 张超，王妍.森林类型遥感分类研究进展［J］.西南林学院学报，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］ 田静，邢艳秋，姚松涛，等.基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较［J］.林业科学，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］ 吴梓尚，林辉，孙华，等.基于MODIS影像的森林类型决策树分类方法研究［J］.中南林业科技大学学报，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］ 董灵波，梁凯富，张一帆，等.基于Landsat 8时间序列数据的翠岗林场森林类型划分［J］.应用生态学报，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］ 贾诗超，薛东剑，李成绕.极化特征组合在ALOS PALSAR数据地物分类中的应用［J］.测绘通报，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］ 毛学刚，竹亮，刘怡彤，等.高空间分辨率影像与SAR数据协同特征面向对象林分类型识别［J］.林业科学，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，陈尔学，李增元，等.多时相双极化SAR影像林地类型分类方法［J］.林业科学，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，赵颖慧，甄贞，等.基于旋转森林的Landsat-8影像森林植被分类［J］.东北林业大学学报，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］ 贾明明，任春颖，刘殿伟，等.基于环境星与MODIS时序数据的面向对象森林植被分类［J］.生态学报，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，郑磊，黄洪宇.基于多特征优选的无人机可见光遥感林分类型分类［J］.林业科学，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］ 吴艳双，张晓丽.结合多尺度纹理特征的高光谱影像面向对象树种分类［J］.北京林业大学学报，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］ 贾康，刘媛媛，范文义.应用全极化合成孔径雷达数据构建多变量估算森林地上生物量模型［J］.东北林业大学学报，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图像独立极化方位角整合的极化目标分解法［J］.测绘学报，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，陈思伟.合成孔径雷达极化成像解译识别技术的进展与展望［J］.雷达学报，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］ 张炳华，张镱锂，谷昌军，等.基于随机森林与特征选择的藏东南土地覆被分类方法及精度评价［J］.地理科学，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］ 贾小凤，朱红春，凌峰，等.基于Landsat多光谱与PALSAR/PALSAR-2数据的汉江流域森林覆盖变化研究［J］.长江流域资源与环境，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］ 张程飞，任广波，吴培强，等.基于高分光学与全极化SAR的海南八门湾红树林种间分类方法［J］.热带海洋学报，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，范文义，刘超逸.基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类［J］.东北林业大学学报，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］ 张腊梅，段宝龙，邹斌.极化SAR图像目标分解方法的研究进展［J］.电子与信息学报，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，张延成，范文义.结合干涉特征的极化SAR图像监督分类——将乐林场的林分类型识别［J］.东北林业大学学报，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］ 程腾辉，范文义，吴国明.多时相PolInSAR数据土地覆盖类型分类研究［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，杨琳，蔡言颜，等.基于递归特征消除-随机森林模型的江浙沪农田土壤肥力属性制图［J］.地理科学，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，刘钰.基于Sentinel-1/2数据特征优选的冬小麦种植区识别方法研究［J］.农业机械学报，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］ 王洁，李恒凯，龙北平，等.应用多时序特征的哨兵系列影像对南方丘陵区树种识别［J］.东北林业大学学报，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］ 宁亮亮，张晓丽.基于纹理信息的Landsat-8影像植被分类初探［J］.中南林业科技大学学报，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］ 徐辉，潘萍，杨武，等.基于多源遥感影像的森林资源分类及精度评价［J］.江西农业大学学报，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.