周曉宇， 陳富龍, 姜愛輝

(1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京 100094； 2.中國(guó)科學(xué)院大學(xué),北京 100049； 3.聯(lián)合國(guó)教科文組織國(guó)際自然與文化遺產(chǎn)空間技術(shù)中心，北京 100094；4.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，青島 266590)

基于SVM雷達(dá)臥龍大熊貓棲息地森林成圖

周曉宇1,2， 陳富龍1,3, 姜愛輝4

(1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京 100094； 2.中國(guó)科學(xué)院大學(xué),北京 100049； 3.聯(lián)合國(guó)教科文組織國(guó)際自然與文化遺產(chǎn)空間技術(shù)中心，北京 100094；4.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，青島 266590)

臥龍自然保護(hù)區(qū)(世界自然遺產(chǎn)地)是大熊貓最主要的棲息地之一。結(jié)合雷達(dá)遙感全天時(shí)、全天候觀測(cè)優(yōu)勢(shì)，以及森林覆蓋對(duì)棲息地生境評(píng)價(jià)的重要性，開展多時(shí)相、雙極化雷達(dá)數(shù)據(jù)森林精細(xì)成圖研究就顯得尤為重要。本研究首先對(duì)雷達(dá)數(shù)據(jù)進(jìn)行輻射地形校正； 然后選用5個(gè)時(shí)相ALOS PALSAR數(shù)據(jù)，采用支持向量機(jī)(support vector machine, SVM)方法進(jìn)行森林精細(xì)成圖。研究選取了5個(gè)多時(shí)相、雙極化典型特征信息參與初始訓(xùn)練和分類，即HHm，HVm，TSD，HHm-HVm和HHm/HVm； 接著通過對(duì)不同信息組合分類精度的試驗(yàn)與對(duì)比，獲取了最優(yōu)特征組合HHm，HVm，TSD，HHm-HVm。對(duì)應(yīng)分類總體精度、森林及非森林類別用戶精度分別為86.90%，82.34%和92.83%，顯著優(yōu)于單時(shí)相單極化數(shù)據(jù)分類結(jié)果(分類總體精度55.47%)。研究結(jié)果驗(yàn)證了多時(shí)相、雙極化雷達(dá)遙感數(shù)據(jù)在自然遺產(chǎn)地森林精細(xì)成圖中的有效性，并揭示了雷達(dá)遙感在多云多雨地區(qū)生境監(jiān)測(cè)與評(píng)價(jià)中的潛力與應(yīng)用價(jià)值。

多時(shí)相； 雙極化； ALOS PALSAR； 支持向量機(jī)； 森林精確制圖； 世界自然遺產(chǎn)地

0 引言

目前，我國(guó)共擁有世界遺產(chǎn)48項(xiàng)，總數(shù)為全球第二位，其中自然遺產(chǎn)10項(xiàng)，自然與文化雙遺產(chǎn)4項(xiàng)。在擁有如此多世界自然遺產(chǎn)地的同時(shí)，相應(yīng)的保護(hù)和管理則存在著種種問題，其中地質(zhì)災(zāi)害威脅尤為突出。通常自然遺產(chǎn)地位于山區(qū)，且為地震多發(fā)的地區(qū)[1]，災(zāi)害的發(fā)生會(huì)對(duì)當(dāng)?shù)氐闹脖慌c生態(tài)產(chǎn)生重大影響。例如，汶川大地震及其次生災(zāi)害造成該區(qū)域多個(gè)大熊貓自然保護(hù)區(qū)不同程度地受損，也引發(fā)了森林的大面積喪失或質(zhì)量下降[2]。

為了對(duì)森林受損情況進(jìn)行客觀、近實(shí)時(shí)監(jiān)測(cè)，同時(shí)評(píng)估森林對(duì)全球氣候變化和生物多樣性的影響，亟需對(duì)自然遺產(chǎn)地等典型、敏感區(qū)域生態(tài)狀況以及植被覆蓋進(jìn)行精確分類制圖[3]。人工森林調(diào)查費(fèi)時(shí)費(fèi)力且無法短時(shí)間內(nèi)獲得大范圍的信息。相對(duì)而言，遙感技術(shù)是一種快速高效的新型手段； 然而在多云多雨地區(qū)，云層與濃霧限制了光學(xué)遙感數(shù)據(jù)的應(yīng)用[4]。得益于合成孔徑雷達(dá)全天時(shí)、全天候觀測(cè)特性，該技術(shù)在森林/非森林精確分類制圖中正引起日益廣泛關(guān)注[4-8]。然而由于雷達(dá)成像的復(fù)雜性以及影像特性集間的混淆性，目前仍無成熟的分類器能很好地解決多時(shí)相、雙極化雷達(dá)影像精細(xì)森林制圖等行業(yè)的應(yīng)用問題[9-11]。

支持向量機(jī)(support vector machine, SVM)是一個(gè)在模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域的成功方法，它能夠利用Kernel理論處理線性不可分類別，具有小樣本訓(xùn)練、支持高維特征空間的特點(diǎn)。目前，它已廣泛應(yīng)用于各類遙感應(yīng)用研究中，如遙感圖像分類[12]、遙感影像分割[13]及混合像元分解[14]等。然而該方法在雷達(dá)數(shù)據(jù)精細(xì)分類制圖方面的應(yīng)用還較少。綜合四川大熊貓棲息地多云多雨氣候特性，本研究以多時(shí)相、雙極化L波段PALSAR為主要數(shù)據(jù)源，利用支持向量機(jī)對(duì)影像特征的甄別與提取能力，開展自然遺產(chǎn)地森林精細(xì)分類制圖的研究。由于研究區(qū)為陡峭山區(qū)，雷達(dá)斜距成像可導(dǎo)致幾何畸變，并影響雷達(dá)后向散射系數(shù)與后期地物分類[15-16]，因此在建立分類模型前需對(duì)雷達(dá)數(shù)據(jù)進(jìn)行輻射地形校正。

1 研究區(qū)概況與實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)概況

本研究以四川臥龍大熊貓自然保護(hù)區(qū)為研究區(qū)。該區(qū)位于成都平原西邊的阿壩藏族羌族自治州汶川縣境內(nèi)，邛崍山脈的東南坡，位于E102°52′～103°24′，N30°45′～31°25′之間，東西寬60 km，南北長(zhǎng)63 km，總面積約2 000 km2，面積居大熊貓棲息地的第二位[17]。其位置圖如圖1所示。該區(qū)域?qū)儆谇嗖馗咴瓪夂驇?，是典型的亞熱帶?nèi)陸山地氣候，年溫差較小，干濕季節(jié)分明。區(qū)內(nèi)植被物種豐富，主要有鐵杉、岷江冷杉、麥吊云杉、四川紅杉以及拐棍竹、冷箭竹、短錐玉山竹等[18]，是大熊貓的主要棲息地。2006年世界遺產(chǎn)大會(huì)上批準(zhǔn)將該保護(hù)區(qū)列入世界自然遺產(chǎn)名錄。2008年發(fā)生的汶川大地震對(duì)該保護(hù)區(qū)的植被產(chǎn)生了嚴(yán)重而長(zhǎng)期的影響。許多研究人員曾對(duì)其受損程度進(jìn)行了評(píng)估，并提出了相應(yīng)的恢復(fù)對(duì)策[2]。由于受地震以及當(dāng)?shù)氐刭|(zhì)地貌特點(diǎn)的影響，近年山體滑坡、泥石流等次生災(zāi)害頻繁發(fā)生，對(duì)保護(hù)區(qū)植被造成了持續(xù)的損害。

圖1 四川臥龍大熊貓棲息地自然保護(hù)區(qū)位置圖

1.2 數(shù)據(jù)介紹

2006年，日本宇宙航空研究開發(fā)機(jī)構(gòu)(Japan Aerospace Exploration Agency, JAXA)發(fā)射了先進(jìn)陸地觀測(cè)衛(wèi)星(advanced land observing satellite, ALOS)，該衛(wèi)星上搭載了2個(gè)光學(xué)傳感器和1個(gè)相控陣型合成孔徑雷達(dá)(phased array type L-band synthetic aperture Radar， PALSAR)。PALSAR以波長(zhǎng)較長(zhǎng)的L波段(23.6 cm)為工作波段，這使其在森林/非森林精確分類制圖方面具有優(yōu)勢(shì)[7]。該傳感器提供了兩種精細(xì)獲取模式，分別是精細(xì)波束單極化模式(fine beam single-polarization, FBS)，提供HH或VV單極化數(shù)據(jù)； 精細(xì)波束雙極化模式(fine beam dual-polarization, FBD)，提供(HH+HV)或(VV+VH)雙極化數(shù)據(jù)。為了利用多時(shí)相、雙極化信息進(jìn)行森林/非森林精確分類制圖，本研究共獲取了覆蓋研究區(qū)的5個(gè)時(shí)相PALSAR數(shù)據(jù)，其中3景為FBS模式的HH極化數(shù)據(jù)以及2景為FBD模式的(HH+HV)數(shù)據(jù)，具體細(xì)節(jié)見表1。

表1 ALOSPALSAR數(shù)據(jù)信息

從美國(guó)地質(zhì)調(diào)查局(United States Geological Survey，USGS)網(wǎng)站免費(fèi)下載了研究區(qū)3-arcsecond的SRTM數(shù)據(jù)，用于PALSAR數(shù)據(jù)的地理編碼和輻射地形校正。同時(shí)，還收集了2011年研究區(qū)部分高分辨率(4 m)航空真彩色圖像，用于樣本像元的選取、分類模型的建立以及試驗(yàn)結(jié)果的驗(yàn)證。

2 數(shù)據(jù)處理與研究方法

2.1 PALSAR數(shù)據(jù)處理

本研究獲得的PALSAR數(shù)據(jù)為1.0級(jí)原始數(shù)據(jù)，利用GAMMA軟件進(jìn)行相應(yīng)的處理，包括1.0級(jí)數(shù)據(jù)生成1.1級(jí)單視復(fù)數(shù)數(shù)據(jù)、輻射定標(biāo)、影像配準(zhǔn)、多視處理、濾波處理以及地理編碼和輻射地形校正。由于研究區(qū)為山區(qū)，PALSAR數(shù)據(jù)的后向散射受斜坡的影響顯著，陰影、疊掩和透視收縮現(xiàn)象在不同程度上可造成幾何與輻射失真。因此，本研究對(duì)輻射定標(biāo)與地理編碼后的雷達(dá)幅度數(shù)據(jù)進(jìn)行了輻射地形校正，表達(dá)式為[19-20]

(1)

式中：γ0為地形校正后的雷達(dá)后向散射系數(shù)；σ0為雷達(dá)后向散射系數(shù)；Aflat為PALSAR數(shù)據(jù)在理想平面地形下的像元大?。籄slope為山區(qū)地形下真實(shí)的PALSAR局地像元大??；θloc為局地入射角；θref為雷達(dá)圖像中心的入射角；n為光學(xué)冠層厚度(取值范圍是0～1)，由于實(shí)際研究中該數(shù)值很難獲得，本研究與其他很多研究一致將其設(shè)置為1[21-22]。經(jīng)過以上處理得到多時(shí)相、雙極化后向散射雷達(dá)數(shù)據(jù)集； 然后利用研究區(qū)范圍的矢量圖對(duì)其進(jìn)行裁剪，最終得到研究區(qū)的多時(shí)相、雙極化數(shù)據(jù)集，以便后期分類使用。

2.2 樣本選取

本研究主要根據(jù)2011年獲取的高分辨率航空影像圖選擇樣本像元，并人工判讀確定其類別。由于航空影像圖與PALSAR數(shù)據(jù)間存在幾何位置誤差[23]，因此為了得到準(zhǔn)確的樣本像元類別信息，選擇大范圍的均一地物作為樣本像元，以確保樣本像元的典型性與類別可靠性，如圖2所示(樣本像元在紅色線、黃色線標(biāo)注均質(zhì)范圍內(nèi)選擇)。為了進(jìn)一步控制樣本像元選取的誤差，部分小樣本像元選取參考了Google Earth高分辨率影像。由該樣本范圍生成相應(yīng)的KMZ數(shù)據(jù)，加載到Google Earth平臺(tái)上目視檢驗(yàn)樣本的正確性[24]。具體樣本像元類別及數(shù)量見表2。

表2 樣本像元信息

(a) 研究區(qū)航拍影像 (b) 子區(qū)局部放大圖

圖2研究區(qū)RGB真彩色航拍與子區(qū)局部放大圖

Fig.2RGBtrue-coloraerialphotoofthestudyareaanditscorrespondingsubzoneimagesinfullresolution

2.3 多時(shí)相后向散射信息

結(jié)合本研究目的以及前人相關(guān)的研究成果[11]，共選取了以下多時(shí)相信息指數(shù)，包括HH多時(shí)相平均值HHm，即

(2)

HV多時(shí)相平均值HVm，即

(3)

HH極化的時(shí)相標(biāo)準(zhǔn)偏差(temporal standard deviation,TSD)，即

(4)

2.4 支持向量機(jī)(SVM)方法

2.4.1 原理簡(jiǎn)介

1995年，Cortes C和Vapnik V[26]提出了SVM算法，它是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理獲取的一個(gè)最優(yōu)分類面。在線性不可分情況下，傳統(tǒng)的分類方法往往無法取得合理且可靠的分類結(jié)果，而SVM為解決此類問題提供了可行的工具。它能將低維空間線性不可分的數(shù)據(jù)通過非線性變換映射到高維空間，進(jìn)而使得數(shù)據(jù)變得線性可分。針對(duì)森林與非森林類別(2分類問題)，SVM基本原理如下(具體細(xì)節(jié)及多類SVM請(qǐng)參考文獻(xiàn)[27])： 對(duì)于二維線性不可分情況，該算法尋找一個(gè)分類超平面H，使得2類數(shù)據(jù)到該平面盡可能地遠(yuǎn)。針對(duì)低維樣本集合T={(x1;y1),(x2;y2),…,(xp;yp)}，其中x為低維樣本向量，y為類別標(biāo)簽(在2分類問題中取值0或1)，p為樣本數(shù)。該方法需要根據(jù)最優(yōu)化理論和核函數(shù)方法獲取最終決策函數(shù)，即

(5)

式中：αj為L(zhǎng)agrange 乘子；K(xj,x)為核函數(shù)；b為偏置常數(shù)。對(duì)于任何一個(gè)給定的x都能夠通過f(x)給出一個(gè)近似類別y。

2.4.2 核函數(shù)和參數(shù)的選取及算法實(shí)現(xiàn)

核函數(shù)的構(gòu)造可避免參量在高維空間的運(yùn)算，利用線性判別函數(shù)代替非線性判別函數(shù)，實(shí)現(xiàn)算法的復(fù)雜程度與所選樣本的維度無關(guān)，降低計(jì)算量。不同的核函數(shù)所產(chǎn)生的支持向量機(jī)也不同，可在特征空間對(duì)應(yīng)不同的最優(yōu)分類超平面，造成分類結(jié)果的不同。

核函數(shù)K(xj,xk)=φ(xj)φ(xk)一定是滿足Mercer條件的對(duì)稱函數(shù)。目前普遍應(yīng)用的核函數(shù)可包括線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)(radius basis function，RBF)，又叫高斯核函數(shù)、以及Sigmoid函數(shù)4大類。本研究選用RBF核函數(shù)。此函數(shù)相比其他核函數(shù)的優(yōu)勢(shì)在于其模型確定較為簡(jiǎn)單，數(shù)值限制條件少，并且在遙感分類研究中已被證實(shí)精度相對(duì)較高[28-29]。其表達(dá)為

K(xj,xk)=exp(-t||xj-xk||2),

(6)

式中：j和k為向量序號(hào)；t為RBF核函數(shù)的待確定的參數(shù)，可影響SVM算法最終的效果。除了此參數(shù)，誤差懲罰參數(shù)C在決定SVM性能等方面影響顯著[28]。

研究選用網(wǎng)格尋優(yōu)法確定誤差懲罰參數(shù)C和RBF核函數(shù)參數(shù)r。該方法是在各個(gè)參數(shù)閾值范圍內(nèi)，按照參數(shù)的一定步長(zhǎng)進(jìn)行嘗試訓(xùn)練，進(jìn)而確定最優(yōu)的一組參數(shù)。研究基于開源軟件LibSVM[30]和Matlab共同實(shí)現(xiàn)網(wǎng)格尋優(yōu)函數(shù)以及SVM的分類，具體算法見文獻(xiàn)[31]。本研究整體數(shù)據(jù)處理及方法流程如圖3所示。

圖3 本實(shí)驗(yàn)研究流程圖

3 結(jié)果與討論

3.1 結(jié)果分析

將5個(gè)時(shí)相ALOS PALSAR數(shù)據(jù)進(jìn)行相應(yīng)處理，得到研究區(qū)多時(shí)相、雙極化雷達(dá)后向散射數(shù)據(jù)集。對(duì)該數(shù)據(jù)集進(jìn)行多時(shí)相信息提取，得到5個(gè)多時(shí)相信息，分別為HHm，HVm，TSD，HHm-HVm和HHm/HVm。為了驗(yàn)證多時(shí)相、雙極化雷達(dá)遙感數(shù)據(jù)在自然遺產(chǎn)地森林精細(xì)成圖的有效性，本研究將參與分類的信息分為3類： ①單時(shí)相單極化信息(HHs)； ②多時(shí)相單極化信息(HHm和TSD)； ③多時(shí)相雙極化信息(HVm，HHm-HVm和HHm/HVm)?？紤]到5個(gè)時(shí)相HH極化和2個(gè)時(shí)相HH/HV極化數(shù)據(jù)組合，實(shí)驗(yàn)設(shè)計(jì)按簡(jiǎn)單到復(fù)雜模式進(jìn)行，即單時(shí)相單極化—多時(shí)相單極化—多時(shí)相雙極化，并最終確定8組信息組合。然后，利用選取的樣本像元，建立SVM模型，試驗(yàn)并檢驗(yàn)森林與非森林的分類精度。具體信息如表3所示。

表3 8組不同信息組合的分類精度

由表3可知，首先僅僅利用單時(shí)相單極化信息對(duì)森林與非森林進(jìn)行分類精度較低(55.47%)； 表4為相應(yīng)的分類混淆矩陣，森林和非森林類別的用戶精度分別為55.11%和44.18%，均達(dá)不到實(shí)踐應(yīng)用需求。多時(shí)相單極化信息的引入能提高分類精度，其中HHm和TSD的組合得到分類精度為71.30%；其對(duì)應(yīng)的混淆矩陣見表5，森林和非森林類別的用戶精度均有較顯著的提高，達(dá)到了85.09%和70.05%，能夠滿足一般性的應(yīng)用需求。最后，本研究考慮多時(shí)相雙極化信息進(jìn)行森林/非森林分類，其最優(yōu)信息組合為HHm，HVm，TSD及HHm-HVm，總體精度(86.90%)相比于多時(shí)相單極化信息得到進(jìn)一步提高，對(duì)應(yīng)混淆矩陣如表6所示，即僅考慮非森林類別，該信息組合用戶精度能夠保證92.83%的精度。

表4 單時(shí)相PALSAR(HH)分類混淆矩陣

表5 多時(shí)相單極化PALSAR(HH)分類混淆矩陣

表6 多時(shí)相雙極化PALSAR分類混淆矩陣

3.2 討論

由上述結(jié)果可知，多時(shí)相雙極化信息組合能夠提供最優(yōu)的總體分類精度和非森林類別的用戶精度。相比較而言，單時(shí)相單極化分類效果較差，無法滿足應(yīng)用需求。因此利用多時(shí)相雙極化信息進(jìn)行森林/非森林精確制圖是很有必要的。研究過程中發(fā)現(xiàn)TSD可提高單獨(dú)利用HHm的分類精度。這是因?yàn)門SD反映了多時(shí)相數(shù)據(jù)獲取時(shí)間內(nèi)新增退化模式、并可降低誤差[11]。同時(shí)研究發(fā)現(xiàn)，單獨(dú)使用TSD無法判定類別未變區(qū)域的地物類別以及森林與非森林的精確制圖； 因此該信息需要同HHm集成。HV極化對(duì)于植被體散射敏感，HVm的引入可顯著提高總體分類精度。研究還發(fā)現(xiàn)HHm-HVm信息可進(jìn)一步提高分類精度； 而HHm/HVm信息由于對(duì)森林與非森林類別辨別能力差[25,32]，因此對(duì)精度提高貢獻(xiàn)不顯著。經(jīng)由上述分析，試驗(yàn)最終確定的最優(yōu)分類特征信息組合為HHm，HVm，TSD及HHm-HVm。

利用最優(yōu)分類信息組合，基于SVM分類方法對(duì)研究區(qū)進(jìn)行了森林與非森林精細(xì)分類成圖，其結(jié)果如圖4所示。森林主要分布在試驗(yàn)區(qū)的中部及東南部； 其中西部海拔較高，森林僅生長(zhǎng)在較低海拔處并呈條狀分布。然而由于雷達(dá)斜距成像，在地形陡峭的山區(qū)(易引發(fā)疊掩和陰影效應(yīng))，造成觀測(cè)區(qū)部分植被分布信息的缺失(如圖4無值區(qū))。因此，融合集成光學(xué)和雷達(dá)2種數(shù)據(jù)，開展棲息地森林精細(xì)制圖和動(dòng)態(tài)監(jiān)測(cè)將是后期工作的努力方向?？傮w而言，由于雷達(dá)遙感能穿云避雨，本研究方法在多云多雨的熱帶亞熱帶地區(qū)監(jiān)測(cè)與評(píng)估中具有一定優(yōu)勢(shì)。

圖4 研究區(qū)森林/非森林精細(xì)分類專題圖

4 結(jié)論

基于多時(shí)相、雙極化ALOS PALSAR雷達(dá)數(shù)據(jù), 本研究針對(duì)世界自然遺產(chǎn)地-臥龍大熊貓自然保護(hù)區(qū)進(jìn)行了森林/非森林精確分類制圖研究。結(jié)合新興分類方法SVM的訓(xùn)練選取最優(yōu)分類信息組合以及森林精細(xì)成圖，驗(yàn)證了多時(shí)相、雙極化雷達(dá)信息在森林成圖中的有效性。

1)相比于單極化HH數(shù)據(jù)，多時(shí)相單極化信息組合(HHm和TSD)能夠顯著提高分類精度(從55.47%提高到71.30%)，對(duì)應(yīng)森林類別的用戶精度達(dá)到85.09%，能基本滿足一般應(yīng)用需求。

2)由于交叉極化HV對(duì)體散射敏感，本研究在多時(shí)相單極化組合中引入HV極化信息以及相應(yīng)的組合(HHm-HVm和HHm/HVm)。通過比較不同組合的分類精度，選取的最優(yōu)分類信息組合為HHm，HVm,TSD及HHm-HVm； 對(duì)應(yīng)試驗(yàn)區(qū)分類精度達(dá)到了86.90%，森林和非森林類別的用戶精度分別為82.34%和92.83%。結(jié)合雷達(dá)全天時(shí)、全天候等觀測(cè)優(yōu)勢(shì)，本研究結(jié)果可望推廣到多云多雨地區(qū)森林退化監(jiān)測(cè)與評(píng)估等應(yīng)用研究中。

志謝： 感謝美國(guó)地質(zhì)調(diào)查局(USGS)提供的SRTM數(shù)字高程數(shù)據(jù)，感謝阿拉斯加衛(wèi)星站(ASF)提供的ALOS PALSAR數(shù)據(jù)。

[1] 孫克勤.中國(guó)的世界自然遺產(chǎn)戰(zhàn)略管理研究[J].中國(guó)人口·資源與環(huán)境,2011,21(3):547-550. Sun K Q.Study on strategic management of world natural heritage in China[J].China Population,Resources and Environment,2011,21(3):547-550.

[2] 申國(guó)珍,謝宗強(qiáng),馮朝陽(yáng),等.汶川地震對(duì)大熊貓棲息地的影響與恢復(fù)對(duì)策[J].植物生態(tài)學(xué)報(bào),2008,32(6):1417-1425. Shen G Z,Xie Z Q,Feng C Y,et al.Influence of the Wenchuan earthquake on giant panda habitats and strategies for restoration[J].Journal of Plant Ecology,2008,32(6):1417-1425.

[3] Malhi Y,Roberts J T,Betts R A,et al.Climate change,deforestation,and the fate of the Amazon[J].Science,2008,319(5860):169-172.

[4] Avtar R,Takeuchi W,Sawada H.Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies[J].International Journal of Digital Earth,2013,6(3):255-275.

[5] 嚴(yán)婷婷,邊紅楓,廖桂項(xiàng),等.森林濕地遙感信息提取方法研究現(xiàn)狀[J].國(guó)土資源遙感,2014,26(2):11-18.doi:10.6046/gtzyyg.2014.02.03. Yan T T,Bian H F,Liao G X,et al.Research status of methods for mapping forested wetlands based on remote sensing[J].Remote Sensing for Land and Resources,2014,26(2):11-18.doi:10.6046/gtzyyg.2014.02.03.

[6] Schlund M,von Poncet F,Hoekman D H,et al.Importance of bistatic SAR features from TanDEM-X for forest mapping and monitoring[J].Remote Sensing of Environment,2014,151:16-26.

[7] Rahman M M,Tetuko Sri Sumantyo J.Quantifying deforestation in the Brazilian Amazon using Advanced Land Observing Satellite Phased Array L-band Synthetic Aperture Radar(ALOS PALSAR) and Shuttle Imaging Radar(SIR)-C data[J].Geocarto International,2012,27(6):463-478.

[9] Almeida-Filho R,Rosenqvist A,Shimabukuro Y E,et al.Detecting deforestation with multitemporal L-band SAR imagery:A case study in western Brazilian Amaznia[J].International Journal of Remote Sensing,2007,28(6):1383-1390.

[10]Santoro M,Fransson J E S,Eriksson L E B,et al.Clear-cut detection in Swedish boreal forest using multi-temporal ALOS PALSAR backscatter data[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2010,3(4):618-631.

[11]Whittle M,Quegan S,Uryu Y,et al.Detection of tropical deforestation using ALOS-PALSAR:A Sumatran case study[J].Remote Sensing of Environment,2012,124:83-98.

[12]李亮,應(yīng)國(guó)偉,文學(xué)虎,等.融合時(shí)間特征的高分辨率遙感影像分類[J].國(guó)土資源遙感,2016,28(2):91-98.doi:10.6046/gtzyyg.2016.02.15. Li L,Ying G W,Wen X H,et al.Classification of high spatial resolution remotely sensed images by temporal feature fusion[J].Remote Sensing for Land and Resources,2016,28(2):91-98.doi:10.6046/gtzyyg.2016.02.15.

[13]Song M J,Civico D.Road extraction using SVM and image segmentation[J].Photogrammetric Engineering and Remote Sensing,2004,70(12):1365-1371.

[14]Brown M,Lewis H G,Gunn S R.Linear spectral mixture models and support vector machines for remote sensing[J].IEEE Transactions on Geoscience and Remote Sensing,2000,38(5):2346-2360.

[15]Attarchi S,Gloaguen R.Improving the estimation of above ground biomass using dual polarimetric PALSAR and ETM+data in the Hyrcanian mountain forest(Iran)[J].Remote Sensing,2014,6(5):3693-3715.

[16]Attarchi S,Gloaguen R.Classifying complex mountainous forests with L-band SAR and Landsat data integration:A comparison among different machine learning methods in the Hyrcanian forest[J].Remote Sensing,2014,6(5):3624-3647.

[17]國(guó)家林業(yè)局.全國(guó)第三次大熊貓調(diào)查報(bào)告[M].北京:科學(xué)出版社,2006:26. The State Forestry Administration of the People’s Republic of China.The 3rd National Survey Report on Giant Panda in China[M].Beijing:Science Publishing House,2006:26.

[18]周世強(qiáng),黃金燕,張亞輝,等.臥龍自然保護(hù)區(qū)大熊貓棲息地植物群落多樣性Ⅴ:不同竹林的物種多樣性[J].應(yīng)用與環(huán)境生物學(xué)報(bào),2009,15(2):180-187. Zhou S Q,Huang J Y,Zhang Y H,et al.Diversity of plant community of giant Panda’s habitat in the Wolong Nature Reserve Ⅴ:Species diversity in different bamboo forests[J].Chinese Journal of Applied & Environmental Biology,2009,15(2):180-187.

[19]Castel T,Beaudoin A,Stach N,et al.Sensitivity of space-borne SAR data to forest parameters over sloping terrain.Theory and experiment[J].International Journal of Remote Sensing,2001,22(12):2351-2376.

[20]Ulander L M.Radiometric slope correction of synthetic-aperture Radar images[J].IEEE Transactions on Geoscience and Remote Sensing,1996,34(5):1115-1122.

[21]Lucas R,Armston J,Fairfax R,et al.An evaluation of the ALOS PALSAR L-band backscatter-above ground biomass relationship Queensland,Australia:Impacts of surface moisture condition and vegetation structure[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2010,3(4):576-593.

[22]Santoro M,Fransson J E S,Eriksson L E B,et al.Signatures of ALOS PALSAR L-band backscatter in Swedish forest[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(12):4001-4019.

[23]Powell R L,Matzke N,de Souza C Jr,et al.Sources of error in accuracy assessment of thematic land-cover maps in the Brazilian Amazon[J].Remote Sensing of Environment,2004,90(2):221-234.

[24]Dong J W,Xiao X M,Sheldon S,et al.A 50-m forest cover map in Southeast Asia from ALOS/PALSAR and its application on forest fragmentation assessment[J].PLoS One,2014,9(1):e85801.

[25]Dong J W,Xiao X M,Sheldon S,et al.A comparison of forest cover maps in Mainland Southeast Asia from multiple sources:PALSAR,MERIS,MODIS and FRA[J].Remote Sensing of Environment,2012,127:60-73.

[26]Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.

[27]Vapnik V N.The Nature of Statistical Learning Theory[M].2nd ed.New York:Springer,2000.

[28]陳波,張友靜,陳亮.結(jié)合紋理的SVM遙感影像分類研究[J].測(cè)繪工程,2007,16(5):23-27. Chen B,Zhang Y J,Chen L.RS Image classification based on SVM method with texture[J].Engineering of Surveying and Mapping,2007,16(5):23-27.

[29]奉國(guó)和.SVM分類核函數(shù)及參數(shù)選擇比較[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(3):123-124,128. Feng G H.Parameter optimizing for Support Vector Machines classification[J].Computer Engineering and Applications,2011,47(3):123-124,128.

[30]Chang C C,Lin C J.LIBSVM：A library for support vector machines[EB/OL].http://www.csie.ntu.edu.tw/～cjlin/libsvm/.

[31]Hsu C W,Chang C C,Lin C J.A practical guide to support vector classification[EB/OL].[2009-06-20].http://www.csie.ntu.edu.tw/～cjlin/papers/guide/guide.pdf.

[32]Miettinen J,Liew S C.Separability of insular Southeast Asian woody plantation species in the 50 m resolution ALOS PALSAR mosaic product[J].Remote Sensing Letters,2011,2(4):299-307.

(責(zé)任編輯：邢宇)

SVM-basedforestmappingofWolongGiantPandaHabitatusingSARdata

ZHOU Xiaoyu1,2, CHEN Fulong1,3, JIANG Aihui4

(1.KeyLaboratoryofDigitalEarthScience,InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100094,China; 2.UniversityofChineseAcademyofSciences,Beijing100049,China; 3.InternationalCentreonSpaceTechnologiesforNaturalandCulturalHeritageUndertheAuspicesofUNESCO,Beijing100094,China; 4.CollegeofGeomatics,ShandongUniversityofScienceandTechnology,Qingdao266590,China)

Generally, the conservation of Wolong Giant Panda Habitat (Natural World Heritage site) is significant for the sustainability of the rare species of Giant Panda. As we know, forest coverage can be an essential impact on the suitability of the habitat. Owing to the all-weather, all-day operation capability of radar systems, in this study, the authors investigated the performance of Synthetic Aperture Radar (SAR) images in fine mapping of forests using multi-temporal/polarization PALSAR data. The authors firstly corrected the radiometric distortion of SAR data induced by the cliffy topography; then the authors selected 5 different temporal acquisitions for the forest mapping using the Support Vector Machine (SVM) approach. 5 multi-temporal/dual-polarization indexes, i.e.,HHm，HVm，TSD，HHm-HVmandHHm/HVm, were applied for the training and classification. Experimental results demonstrated that the combination ofHHm,HVm,TSDandHHm-HVmderived an optimal classification (e.g., total accuracy and user accuracy of forest/non-forest were 86.90%，82.34% and 92.83%, respectively), better than the single-temporal/polarization mode (total classification accuracy of 55.47%). This study shows the effectiveness of multi-temporal/polarization SAR data in forest fine mapping, particularly in the monitoring and evaluation of natural heritage sites located in cloudy and rainy environments.

multi-temporal; dual-polarization; ALOS PALSAR; support vector machine(SVM); forest mapping; world natural heritage site

10.6046/gtzyyg.2017.03.12

周曉宇，陳富龍，姜愛輝.基于SVM雷達(dá)臥龍大熊貓棲息地森林成圖[J].國(guó)土資源遙感,2017,29(3):85-91.(Zhou X Y,Chen F L,Jiang A H.SVM-based forest mapping of Wolong Giant Panda Habitat using SAR data[J].Remote Sensing for Land and Resources,2017,29(3):85-91.)

2015-12-22；

2016-04-14

國(guó)家國(guó)際科技合作專項(xiàng)項(xiàng)目“全球變化對(duì)世界遺產(chǎn)影響空間精細(xì)觀測(cè)與認(rèn)知”(編號(hào)： 2013DFG21640)和中國(guó)科學(xué)院“百人計(jì)劃”項(xiàng)目“雷達(dá)遙感考古機(jī)理與方法示范研究”(編號(hào)： Y5YR0300QM)共同資助。

周曉宇(1992-)，男，碩士，研究方向?yàn)槔走_(dá)遙感世界自然遺產(chǎn)監(jiān)測(cè)與評(píng)估。Email: zhouxiaoyu14@mails.ucas.ac.cn。

陳富龍(1980-)，男，百人計(jì)劃研究員，研究方向?yàn)閷?duì)地觀測(cè)技術(shù)在自然與文化遺產(chǎn)地的探測(cè)、監(jiān)測(cè)、預(yù)警與評(píng)估。Email: chenfl@radi.ac.cn。

TP 751.1

： A

： 1001-070X(2017)03-0085-07