中山大學地理科學與規劃學院 / 美國俄亥俄州辛辛那提大學
《Remote Sensing》影響因子：3.244
紅樹林是一種寶貴資源，紅樹林生態系統是世界上生產力最高的四大生態系統之一，具有重大的生態和經濟價值，遙感技術因其覆蓋面積大、數據更新周期短、空間分辨率 高等特點，已成為國內外紅樹林監測的主要技術之一。
本文以S185機載高光譜數據為實例，利用CART與CFS進行特征波長的選取，結合面向對象的KNN與SVM分類算法對廣東省珠海市淇澳島自然風景區的紅樹林進行樹種分類研究，分類精度分別達到了76.12% (Kappa = 0.73) and 82.39% (Kappa = 0.801);通過將DSM數據獲取的高程信息與S185機載高光譜數據相結合進行分類，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)。本文結果表明基于S185的機載高光譜數據可用于紅樹林的分類，也為基于高光譜影像的多源數據處理方法提供了一定的參考價值。
圖1 左側為本試驗研究區域，右側為S185機載高光譜成像儀數據的RGB合成圖
圖2 UAV搭載S185機載高速成像光譜儀
表1 紅樹林地面訓練集與驗證集的選取與劃分
圖3 不同紅樹林樹種的S185反射光譜數據
圖4 (a)為研究區域DSM的3D顯示，(b)為不同樹種的平均高度信息
圖5 基于S185機載高光譜數據的紅樹林面向對象分類研究流程圖
圖6.基于不同特征參數不同分類算法的影像分類結果圖
(a) (b): 基于CART選取的32特征波段的KNN與SVM分類結果
(c) (d): 基于CART選取的32特征波段與植被指數、紋理特征的KNN與SVM分類結果
(e) (f): 基于CART選取的32特征波段與高程信息的KNN與SVM分類結果
(g) (h): 基于CART選取的32特征波段與植被指數、紋理特征、高程信息的KNN與SVM分類結果
(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分類算法的分類結果
表3 基于不同特征參量的SVM分類算法的分類結果
結論：
1 對比了KNN與SVM的分類精度，其中SVM的算法要優于KNN，其與樹林的高程數據結合使得分類精度高達88.66% (Kappa = 0.871);
2 通過數據降維可以提高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)與高精度的空間信息(包含紋理特征與高程信息等)相結合可獲得高精度的紅樹林分類結果，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
