黃 翀 張晨晨,2 劉慶生 李 賀 楊曉梅 劉高煥

(1.中國(guó)科學(xué)院地理科學(xué)與資源研究所 資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 北京 100101；2.中國(guó)科學(xué)院大學(xué) 北京 100049)

近一個(gè)多世紀(jì)以來(lái)，隨著人類社會(huì)經(jīng)濟(jì)的快速發(fā)展，大規(guī)模天然林采伐已成為全球性問(wèn)題(Paynetal.，2015)；與此同時(shí)，出于對(duì)木材的大量需求、經(jīng)濟(jì)利益驅(qū)動(dòng)以及生態(tài)保護(hù)需要，人工林大面積種植，現(xiàn)已成為陸地生態(tài)系統(tǒng)的重要組成部分。東南亞是全球范圍內(nèi)人工林主要分布和快速擴(kuò)張地區(qū)之一(Paynetal.，2015)，既包括為工業(yè)生產(chǎn)提供原材料的速生林種，如桉樹(shù)(Eucalyptus)，也包括具有較高經(jīng)濟(jì)價(jià)值的經(jīng)濟(jì)作物林種，如橡膠樹(shù)(Heveabrasiliensis)、油棕(Elaeisguineensis)。據(jù)統(tǒng)計(jì)，泰國(guó)橡膠林和油棕林面積分別從1961年的約40萬(wàn)hm2和950 hm2增至2017年的約300萬(wàn)hm2和76萬(wàn)hm2，增加近800%和80 000%(http:∥www.fao.org)。人工林建設(shè)會(huì)對(duì)原有的地形地貌和生態(tài)環(huán)境造成一系列消極影響，如土壤肥力下降、水土流失、生物多樣性降低等(Locatellietal.，2015)，準(zhǔn)確獲取人工林類型和空間格局，對(duì)森林碳儲(chǔ)量估算、生物多樣性保護(hù)以及可持續(xù)森林管理規(guī)劃等研究至關(guān)重要(Georgeetal.，2014)。

遙感在人工林空間分布制圖和時(shí)間動(dòng)態(tài)監(jiān)測(cè)方面發(fā)揮著重要作用，利用機(jī)載高光譜數(shù)據(jù)(Féretetal.，2012)或激光雷達(dá)(LiDAR)數(shù)據(jù)(Shietal.，2018)能夠獲得高精度的樹(shù)種分布信息；然而，由于機(jī)載高光譜和激光雷達(dá)數(shù)據(jù)獲取成本高昂，對(duì)于較大空間尺度的人工林識(shí)別，衛(wèi)星遙感數(shù)據(jù)得到了更廣泛應(yīng)用，許多研究使用光學(xué)衛(wèi)星影像(如MODIS、Landsat、SPOT等)進(jìn)行人工林監(jiān)測(cè)和制圖，特別是針對(duì)橡膠林(Lietal.，2012)、油棕林(Broichetal.，2011)、桉樹(shù)林(Somersetal.，2010)等?？紤]到人工林冠層尺寸，較低空間分辨率遙感影像對(duì)其識(shí)別存在一定困難(Wuetal.，2009)，而中高空間分辨率遙感影像的觀測(cè)視場(chǎng)與人工林樹(shù)種或林分冠層尺寸接近，能夠有效減少混合像元、提高植被的細(xì)節(jié)表達(dá)(Gessneretal.，2013)，研究表明，基于高空間分辨率遙感影像，結(jié)合影像光譜特征、紋理特征及其他輔助特征可有效提高樹(shù)種分類精度(魏晶昱等，2016；尹凌宇等，2016)。在東南亞熱帶地區(qū)，由于雨季長(zhǎng)，持續(xù)的云層覆蓋嚴(yán)重，很難獲得足夠的高質(zhì)量高空間分辨率光學(xué)衛(wèi)星影像。雷達(dá)衛(wèi)星具有較強(qiáng)穿透性，受云雨天氣影響很小，可全天時(shí)全天候工作，在熱帶地區(qū)土地覆蓋制圖中得到越來(lái)越多重視(Kohetal.，2011)。國(guó)內(nèi)外學(xué)者已開(kāi)始嘗試將光學(xué)數(shù)據(jù)(如MODIS、Landsat)與合成孔徑雷達(dá)(synthetic aperture radar，SAR)數(shù)據(jù)(如PALSAR)相結(jié)合進(jìn)行人工林制圖(Dongetal.，2013；Gutiérrez-Vélezetal.，2013)，根據(jù)SAR數(shù)據(jù)后向散射系數(shù)的差異在大類上劃分林地和非林地，人工林與其他林地分類更多依賴光譜特征；但由于這2類衛(wèi)星傳感器在空間分辨率和影像獲取時(shí)相等方面存在較大差異，一定程度上限制了二者協(xié)同應(yīng)用效果。近年來(lái)，歐洲新一代哨兵(Sentinel)系列衛(wèi)星為在高空間分辨率上協(xié)同多源數(shù)據(jù)進(jìn)行土地覆蓋(變化)監(jiān)測(cè)提供了新途徑，目前，單獨(dú)利用Sentinel-1或Sentinel-2數(shù)據(jù)在土地覆蓋(何云等，2019)、樹(shù)種識(shí)別(Immitzeretal.，2016)、作物分類(韓濤等，2018)和擾動(dòng)監(jiān)測(cè)(Hojas-Gasconetal.，2015)等方面已開(kāi)展了較為深入的探索，但協(xié)同Sentinel-1雷達(dá)信息和Sentinel-2光學(xué)信息的樹(shù)種識(shí)別研究尚不多見(jiàn)。

鑒于此，本研究以近年來(lái)人工林快速擴(kuò)張的泰國(guó)東部地區(qū)為例，結(jié)合Sentinel-2光譜特征、紋理特征和Sentinel-1雷達(dá)后向散射特征，開(kāi)展光學(xué)與雷達(dá)影像協(xié)同人工林樹(shù)種分類研究，評(píng)價(jià)不同數(shù)據(jù)源和不同特征在樹(shù)種分類中的作用，獲取最優(yōu)分類策略，以期為熱帶典型人工林樹(shù)種精細(xì)識(shí)別提供新的技術(shù)途徑。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

研究區(qū)位于泰國(guó)東部Chachoengsao(北柳府)、Chon Buri(春武里府)、Chanthaburi(尖竹汶府)和Rayong(羅勇府)交界處(圖1)，主要土地覆蓋類型包括天然林、人工林、耕地、水體、濕地和不透水面等；屬熱帶季風(fēng)氣候，日照充足，終年炎熱，年均氣溫28 ℃左右，年均降雨量大于1 000 mm。近年來(lái)，由于地方經(jīng)濟(jì)發(fā)展需要，大面積天然林或耕地被人工林取代，以橡膠樹(shù)、油棕和桉樹(shù)為代表的人工經(jīng)濟(jì)林種植面積不斷增加。橡膠樹(shù)多種植在平原或坡度較緩的山坡上，行寬株密，行距約8 m，株距約3 m；油棕多種植在平原地區(qū)，因種植擴(kuò)張，近年來(lái)向高海拔地區(qū)的發(fā)展趨勢(shì)明顯，采用三角形種植模式，套種間距9 m，以充分利用光照，最大限度提高產(chǎn)量(Basiron，2007)；桉樹(shù)人工林排列整齊，大小均勻，樹(shù)冠較小，多種植在較為平坦的地區(qū)。

1.2 遙感數(shù)據(jù)與預(yù)處理

Sentinel-2光學(xué)數(shù)據(jù)和Sentinel-1雷達(dá)數(shù)據(jù)從歐空局(https:∥scihub.copernicus.eu/)免費(fèi)下載。Sentinel-2數(shù)據(jù)獲取時(shí)間為2019年1月17日，Sentinel-1數(shù)據(jù)獲取時(shí)間為2019年1月12日。利用歐空局提供的SNAP工具對(duì)Sentinel-2和Sentinel-1數(shù)據(jù)進(jìn)行預(yù)處理。

Sentinel-1數(shù)據(jù)為L(zhǎng)evel-1級(jí)別地距影像(ground range detected，GRD)IW模式雙極化數(shù)據(jù)，空間分辨率5 m×20 m，幅寬250 km，包含VH和VV兩種極化模式。對(duì)數(shù)據(jù)進(jìn)行輻射定標(biāo)、多視處理、斑點(diǎn)濾波和地形校正，采用Refined Lee散斑濾波器(Zhangetal.，2014)去除斑點(diǎn)噪聲的影響，窗口大小設(shè)置為7×7。預(yù)處理后Sentinel-1影像的像元亮度轉(zhuǎn)換為以dB為單位的后向散射系數(shù)：

σ0(dB)=10×lg DN。

(1)

式中：σ0為后向散射系數(shù)；DN為像元亮度。

Sentinel-2數(shù)據(jù)覆蓋13個(gè)光譜波段，包括10 m空間分辨率的3個(gè)可見(jiàn)光波段和1個(gè)近紅外波段，20 m空間分辨率的3個(gè)紅邊波段、1個(gè)近紅外波段和2個(gè)短波紅外波段，以及60 m空間分辨率的海岸/氣溶膠、水汽和卷積云波段(本研究未用到)。原始Sentinel-2數(shù)據(jù)為經(jīng)輻射校正和幾何校正后的L1C標(biāo)準(zhǔn)產(chǎn)品，利用歐空局提供的Sen2Cor插件進(jìn)行大氣校正，獲取地表反射率。采用雙線性法將20 m空間分辨率的6個(gè)波段重采樣至10 m空間分辨率，最終得到10個(gè)10 m空間分辨率的波段。

1.3 Sentinel-2光譜特征計(jì)算

為充分利用Sentinel-2的高光譜分辨率，驗(yàn)證新增紅邊波段在樹(shù)種分類中的作用，本研究計(jì)算包括15個(gè)紅邊指數(shù)在內(nèi)的33個(gè)光譜指數(shù)(表1)，加上Sentinel-2的10個(gè)原始波段，共計(jì)43個(gè)光譜指數(shù)。

1.4 Sentinel-2紋理特征提取

Haralick(1979)提出的灰度共生矩陣(gray-level co-occurrence matrix，GLCM)是一種公認(rèn)的比較成熟、有效的紋理特征提取方法，其使用一個(gè)空間共生矩陣計(jì)算像素值之間的關(guān)系，并利用這些值計(jì)算矩陣的二階統(tǒng)計(jì)性質(zhì)。采用灰度共生矩陣提取紋理特征涉及3個(gè)重要參數(shù)：窗口大小、步長(zhǎng)和移動(dòng)方向。通過(guò)多次試驗(yàn)對(duì)比分析，本研究設(shè)置窗口大小為7×7，步長(zhǎng)為1個(gè)像元，移動(dòng)方向取0°、45°、90°和135° 4個(gè)方向的平均值，提取Sentinel-2紋理特征。選取4個(gè)重要的紋理參數(shù)，包括角二階矩(angular second moment，ASM)、對(duì)比度(contrast，CON)、相關(guān)性(correlation，COR)和熵(entropy，ENT)參與樹(shù)種分類。

1.5 Sentinel-1雷達(dá)后向散射特征提取

不同極化模式的后向散射系數(shù)及相應(yīng)的差值和比值已被證明對(duì)影像分類具有重要作用(Dongetal.，2012)。本研究通過(guò)下式計(jì)算VV和VH的差值(Diff)和比值(Ratio)，選擇VV、VH、Diff和Ratio共4個(gè)后向散射特征作為樹(shù)種分類的Sentinel-1輸入變量：

(2)

(3)

1.6 特征組合及分類

采用隨機(jī)森林(random forest，RF)模型作為樹(shù)種分類及特征重要性計(jì)算和選擇的工具。RF是Breiman(2001)提出的一種以決策樹(shù)為基本分類器的集成學(xué)習(xí)算法，與其他機(jī)器學(xué)習(xí)算法相比，RF算法能夠并行處理高維、海量數(shù)據(jù)，對(duì)訓(xùn)練數(shù)據(jù)中的噪聲或孤立點(diǎn)具有更強(qiáng)的穩(wěn)定性和魯棒性(Wurmetal.，2017；Rodriguez-Galianoetal.，2012)，且具有較為突出的特征選擇能力，可利用不參與訓(xùn)練的袋外(out-of-bag，OOB)數(shù)據(jù)估計(jì)每個(gè)預(yù)測(cè)變量的重要性，也可利用OOB數(shù)據(jù)評(píng)估OOB score，以確定RF模型的最佳輸入特征，減少特征冗余。本研究中決策樹(shù)數(shù)目(ntree)設(shè)為800，每個(gè)節(jié)點(diǎn)的特征數(shù)(mtry)由下式計(jì)算：

(4)

式中：p為用于分類的特征數(shù)。

由于Sentinel-2包含豐富的原始光譜波段及其衍生出的眾多光譜指數(shù)特征，全部特征參與分類可能造成信息冗余，導(dǎo)致分類精度降低、分類速度下降，因此，本研究在RF模型中采用平均不純度減少算法(Breiman，2001)對(duì)光譜波段和光譜指數(shù)進(jìn)行重要性評(píng)估，根據(jù)OOB score確定最優(yōu)光譜特征組合。

為評(píng)估Sentinel-2光譜特征、紋理特征和Sentinel-1雷達(dá)后向散射特征對(duì)人工林樹(shù)種識(shí)別的能力和貢獻(xiàn)，本研究考慮4種特征組合(表2)作為RF分類器的輸入特征，比較不同類型遙感數(shù)據(jù)及其特征在分類精度提升上的表現(xiàn)。

表2 分類特征組合Tab.2 Feature combinations for classification

1.7 精度評(píng)價(jià)

2018年9月，對(duì)研究區(qū)土地覆蓋類型進(jìn)行實(shí)地調(diào)查，獲得251個(gè)實(shí)地樣本點(diǎn)。通過(guò)Google Earth的高分辨率衛(wèi)星影像(http:∥earth.google.com/)和Global Croplands的實(shí)地圖像(https:∥croplands.org)對(duì)樣本點(diǎn)進(jìn)行補(bǔ)充，盡可能使樣本點(diǎn)均勻分布在研究區(qū)內(nèi)。最終共選取1 397個(gè)驗(yàn)證樣本，其中包括203個(gè)天然林樣本、207個(gè)橡膠林樣本、209個(gè)油棕林樣本、131個(gè)桉樹(shù)林樣本、251個(gè)耕地樣本、143個(gè)水體樣本、50個(gè)濕地樣本和203個(gè)建筑用地樣本。采用混淆矩陣對(duì)4種特征組合的分類精度進(jìn)行評(píng)價(jià)，評(píng)價(jià)指標(biāo)包括生產(chǎn)者精度(producer’s accuracy，PA)、用戶精度(user’s accuracy，UA)、總體精度(overall accuracy，OA)、Kappa系數(shù)以及PA和UA的調(diào)和平均值(F1)。F1的取值范圍為[0，1]，值越大，分類效果越好，反之則越差。F1計(jì)算公式(Baumannetal.，2012)如下：

(5)

2 結(jié)果與分析

2.1 不同光譜特征在人工林樹(shù)種分類中的重要性

采用平均不純度減少算法計(jì)算得到Sentinel-2影像15個(gè)紅邊指數(shù)、18個(gè)光譜指數(shù)和10個(gè)原始波段的特征重要性如圖2所示。由綠波段B3和近紅外波段B8A計(jì)算得到的NDWI2的重要性最高，為5.02%；其次為綠波段B3和短波紅外波段B11，重要性分別為4.45%和4.29%；紅邊波段B5和紅邊指數(shù)NDVIre1、NDre2和NDVIre2的重要性較高，分別為2.89%、3.97%、3.67%和2.68%，說(shuō)明紅邊波段對(duì)樹(shù)種分類具有較高價(jià)值；而原始波段B8和B6的重要性最低，不足1%。

圖2 Sentinel-2光譜特征重要性排序Fig.2 Feature importance of spectral features for Sentinel-2 imagery

43個(gè)光譜特征組合模型的OOB score分析如圖3所示。特征數(shù)從1增至17，OOB score逐漸增加，特征數(shù)為17時(shí)達(dá)最高值0.947 2，此后有輕微降低趨勢(shì)，因此本研究選擇重要性排名前17的光譜特征參與樹(shù)種分類。統(tǒng)計(jì)重要性排名前17的光譜特征中包含Sentinel-2各波段的特征數(shù)，如圖4所示。在前17個(gè)光譜特征中，包含近紅外波段B8A的特征最多(8個(gè))，其次為包含可見(jiàn)光波段B3(7個(gè))、B4(6個(gè))的特征。此外，包含紅邊波段B5的特征也較多，進(jìn)一步說(shuō)明新增紅邊波段在樹(shù)種分類中具有較高價(jià)值。

圖3 Sentinel-2不同光譜特征組合模型的OOB scoreFig.3 OOB score of different feature combination models for Sentinel-2 imagery

圖4 重要特征波段統(tǒng)計(jì)Fig.4 Statistics of selection for each Sentinal-2 band

2.2 不同人工林樹(shù)種在紋理特征和后向散射特征上的可分離性

分別提取天然林、桉樹(shù)林、油棕林和橡膠林在紋理特征和后向散射特征上的特征值(圖5)，4種林地均具有一定可分離性。從Sentinel-2紋理特征(圖5a)看，天然林在ASM特征上明顯小于人工林，在CON和ENT特征上明顯大于人工林，可分離性較好；在COR特征上與人工林區(qū)分度較小。對(duì)于3種人工林，油棕林在CON和ENT特征上值最大，在ASM特征上值最小，COR特征值介于桉樹(shù)林和橡膠林之間；桉樹(shù)林在ASM、COR特征上值最大，在ENT特征上值最?。幌鹉z林在CON和COR特征上值最小，ASM和ENT特征值介于桉樹(shù)林和油棕林之間。這說(shuō)明桉樹(shù)林、油棕林和橡膠林在4種紋理特征上具有一定差異性。從Sentinel-1雷達(dá)后向散射特征(圖5b)看，4種林地均具有一定可分離性，在Ratio特征上的區(qū)分度大于Diff特征。總的來(lái)說(shuō)，Sentinel-2紋理特征和Sentinel-1雷達(dá)后向散射特征可作為樹(shù)種分類的有效特征。

圖5 天然林和不同人工林在紋理特征(a)和后向散射特征(b)上的特征值(均值±標(biāo)準(zhǔn)差)Fig.5 Statistics of textural(a)and backscattering features(b)of natural forest and different plantations(mean±SD)圖5a的主坐標(biāo)軸表示ASM、CON和COR特征值，次坐標(biāo)軸表示ENT特征值；圖5b的主坐標(biāo)軸表示VV、VH和Diff特征值，次坐標(biāo)軸表示Ratio特征值。The primary axis of Fig.5a represents the values of ASM,CON and COR features,and the secondary axis represents the values of ENT feature;the primary axis of Fig.5b represents the values of VV,VH and Diff features,and the secondary axis represents the values of Ratio feature.

2.3 不同特征組合樹(shù)種分類結(jié)果比較

4種特征組合的分類結(jié)果如圖6所示。僅利用Sentinel-2光譜特征(S)分類(圖6a)，“椒鹽現(xiàn)象”非常明顯，加入紋理特征(S+T)、后向散射特征(S+SAR)以及結(jié)合紋理特征和后向散射特征(S+T+SAR)(圖6b-d)后，各地類分類圖斑的破碎度均有所降低，“椒鹽現(xiàn)象”得到改善。3種人工林的分類圖斑較為規(guī)整，其中，橡膠林分布最連續(xù)，面積最大，主要分布在平原或坡度較緩的山坡上；油棕林多與橡膠林鑲嵌分布，地塊面積較大；桉樹(shù)林地塊面積最小，主要分布在較為平坦的地區(qū)，多與耕地交錯(cuò)分布。

圖6 不同特征組合的分類結(jié)果Fig.6 Classification results of different feature combinations

不同特征組合分類結(jié)果的混淆矩陣如圖7所示，精度驗(yàn)證結(jié)果如圖8所示。對(duì)比4種特征組合的分類精度，僅利用光譜特征(S)分類，3種人工林的分類精度均較低，不同人工林之間存在不同程度混淆，且易與天然林和耕地混淆；橡膠林和油棕林的生產(chǎn)者精度不足0.70，桉樹(shù)林的生產(chǎn)者精度僅0.53，F(xiàn)1僅0.61，總體分類精度為0.75，Kappa系數(shù)為0.71。加入紋理特征組合(S+T)分類，天然林與3種人工林之間混淆減少，人工林誤分為耕地比例減小，桉樹(shù)林、油棕林和橡膠林的生產(chǎn)者精度分別提高0.16、0.15和0.08；3種人工林的整體分類精度均有所提升，桉樹(shù)林、油棕林和橡膠林的F1分別提高0.16、0.11和0.04，總體分類精度提高至0.80，Kappa系數(shù)提高至0.77。加入后向散射特征組合(S+SAR)分類，桉樹(shù)林、油棕林和橡膠林相比僅利用光譜特征(S)的分類精度同樣有所提升，F(xiàn)1分別提高0.18、0.15和0.08，總體分類精度提高至0.84，Kappa系數(shù)提高至0.81。結(jié)合Sentinel-2光譜特征、紋理特征和Sentinel-1雷達(dá)后向散射特征(S+T+SAR)分類，總體分類精度和Kappa系數(shù)達(dá)到最高值，分別為0.85和0.83；其他地類誤分為人工林的數(shù)量最少，3種人工林均達(dá)到最高用戶精度；桉樹(shù)林、油棕林和橡膠林的F1均大于0.80，相比僅利用光譜特征(S)分類分別提高0.19、0.15和0.10。

圖7 不同特征組合分類結(jié)果的混淆矩陣Fig.7 Confusion matrix of classification results of different feature combinations

圖8 不同特征組合分類精度對(duì)比Fig.8 Accuracies of classification results of different feature combinations

綜上可知，4種特征組合的分類結(jié)果中，S+T+SAR的總體分類精度和Kappa系數(shù)最高，其次為S+SAR和S+T，S最低。桉樹(shù)林、油棕林、橡膠林、耕地、水體和建筑用地在S+T+SAR中均取得最好分類結(jié)果，天然林和濕地在S+SAR中分類精度最高。

3 討論

本研究基于Sentinel-2光學(xué)影像豐富的光譜特征、紋理特征并結(jié)合Sentinel-1雷達(dá)后向散射特征，開(kāi)展熱帶典型人工林樹(shù)種精細(xì)識(shí)別，結(jié)果發(fā)現(xiàn)，Sentinel-2的短波紅外波段B11在樹(shù)種分類中重要性較高，與Immitzer等(2016)和Sothe等(2017)基于Sentinel-2A進(jìn)行樹(shù)種分類時(shí)得到的結(jié)論一致。在隨機(jī)森林算法選擇的17個(gè)光譜特征中，Sentinel-2的紅邊波段和紅邊指數(shù)所占比例較大，許多學(xué)者(Immitzeretal.，2016；Sotheetal.，2017；Mngadietal.，2019)同樣強(qiáng)調(diào)了紅邊波段對(duì)林地分類的重要性。這是由于植被在紅邊波段敏感度高(Peerbhayetal.，2014)，尤其是紅邊波段與葉綠素含量、生物量和冠層結(jié)構(gòu)等反映植被葉片性質(zhì)的信息密切相關(guān)(Dubeetal.，2014；Ramoeloetal.，2015)，因此對(duì)不同樹(shù)種的區(qū)分具有重要意義。此外，Sentinel-2光學(xué)影像的紅波段和近紅外波段在樹(shù)種分類中同樣表現(xiàn)出較高重要性，這可能是因?yàn)榧t波段葉綠素吸收能力強(qiáng)，近紅外波段吸水能力強(qiáng)，從而提高了不同林地之間及與周圍地物的光譜可分性。Nooni等(2014)基于Landsat-7提取油棕林時(shí)也發(fā)現(xiàn)在紅波段和近紅外波段油棕的可分離性最高。

僅利用Sentinel-2光譜特征分類，橡膠林、油棕林和桉樹(shù)林3種人工林的識(shí)別精度均較低。由于光譜特征相似，人工林與天然林、耕地混淆較多，不同人工林之間也存在不同程度混淆。Dian等(2015)研究表明，結(jié)合光譜特性和紋理特征可有效解決光譜混淆造成的分類誤差，提高樹(shù)種分類精度。本研究在光譜特征基礎(chǔ)上加入紋理特征(S+T)后，3種人工林的分類精度均有不同程度提高。不同人工林具有不同的株行距和不同形狀、大小的樹(shù)冠，在遙感影像上會(huì)形成特有的紋理，而天然林在樹(shù)冠大小、樹(shù)高和密度等方面具有更大變異性，紋理特征加入可有效減少“椒鹽現(xiàn)象”，提高斑塊的完整性和分類精度。如僅利用光譜特征分類，緩坡上的橡膠林因海拔、坡向、坡度等因素影響呈現(xiàn)不同的光譜特征，易被錯(cuò)分為耕地和桉樹(shù)林；加入紋理特征后，可有效降低山體效應(yīng)帶來(lái)的光譜差異，減少橡膠林與桉樹(shù)林間的誤分，橡膠林斑塊也更為完整。

加入后向散射特征(S+SAR)后，3種人工林的分類精度同樣有所提升，說(shuō)明Sentinel-1雷達(dá)后向散射特征可有效提高人工林樹(shù)種間的區(qū)分度。Torbick等(2016)在提取緬甸和加里曼丹的橡膠林和油棕林時(shí)發(fā)現(xiàn)，Senitnel-1雷達(dá)后向散射特征對(duì)橡膠林和油棕林提取具有重要作用。雷達(dá)數(shù)據(jù)基于地物后向散射特征獲得不同于光學(xué)遙感的影像，且雷達(dá)信號(hào)具有一定穿透力，可獲取植被表面信息和地表粗糙度等額外信息，尤其是合成孔徑雷達(dá)(SAR)對(duì)橡膠林、油棕林和桉樹(shù)林在生物量、密度和垂直分層等森林結(jié)構(gòu)信息上的差異敏感性較高，使得SAR數(shù)據(jù)在樹(shù)種識(shí)別中具有獨(dú)特優(yōu)勢(shì)。此外，不同樹(shù)種冠層含水量也可通過(guò)影響介電常數(shù)影響雷達(dá)信號(hào)(Oonetal.，2018)，能夠提高不同人工林樹(shù)種間的區(qū)分度。因此，SAR數(shù)據(jù)可作為光學(xué)影像的有益補(bǔ)充，對(duì)光譜特征接近的人工林和作物進(jìn)行區(qū)分。研究區(qū)耕地多種植水稻(Oryzasativa)，淹水期長(zhǎng)，SAR后向散射特征對(duì)土壤濕度和淹沒(méi)程度十分敏感(Chatziantoniouetal.，2017)，可以彌補(bǔ)光學(xué)遙感區(qū)分人工林和水稻的不足，提高人工林分類精度。

近年來(lái)研究發(fā)現(xiàn)，集成多種觀測(cè)類型和數(shù)據(jù)模式的多傳感器與數(shù)據(jù)融合技術(shù)有助于提高森林制圖的細(xì)節(jié)和精度(Hydeetal.，2006；Descleeetal.，2013)。本研究中，僅利用Sentinel-2光譜特征分類精度較低，加入光學(xué)紋理特征和雷達(dá)后向散射特征(S+T+SAR)后，3種人工林的分類精度均達(dá)到最高，這說(shuō)明單一傳感器或特征進(jìn)行人工林樹(shù)種分類仍有很大局限，尤其在生態(tài)系統(tǒng)復(fù)雜、植被覆蓋度高的東南亞地區(qū)；而多數(shù)據(jù)源、多特征結(jié)合可充分利用地物在不同傳感器上感知的信息，增加不同人工林之間以及人工林與其他地物之間的區(qū)分度。本研究結(jié)合Sentinel-2光學(xué)數(shù)據(jù)和Sentinel-1雷達(dá)數(shù)據(jù)的人工林樹(shù)種分類精度明顯優(yōu)于以往僅利用Sentinel-2數(shù)據(jù)的樹(shù)種分類精度(Immitzeretal.，2016)，可見(jiàn)多傳感器、多特征結(jié)合應(yīng)用的重要性。但需要說(shuō)明的是，本研究Sentinel-1數(shù)據(jù)只提取了后向散射特征，實(shí)際上由于雷達(dá)對(duì)植被冠層的穿透能力和對(duì)土壤含水量的敏感性，高空間分辨率Sentinel-1數(shù)據(jù)同樣含有豐富的紋理信息。此外，Sentinel-1、Sentinel-2數(shù)據(jù)均具有較高的重訪周期，如何結(jié)合其多樣的紋理特征和時(shí)序特征開(kāi)展精細(xì)化人工林制圖值得進(jìn)一步研究。

4 結(jié)論

本研究以近年來(lái)人工林快速擴(kuò)張的泰國(guó)東部地區(qū)為例，結(jié)合Sentinel-2光譜特征、紋理特征和Sentinel-1雷達(dá)后向散射特征，采用隨機(jī)森林算法對(duì)Sentinel-2不同光譜特征在樹(shù)種分類中的重要性進(jìn)行評(píng)估，并分別針對(duì)光譜特征、紋理特征和后向散射特征的不同組合進(jìn)行3種人工林樹(shù)種識(shí)別研究，最終實(shí)現(xiàn)該地區(qū)3種人工林樹(shù)種的精細(xì)提取，得到如下結(jié)論：

1)在Sentinel-2光學(xué)影像的43個(gè)光譜特征中，選擇重要性排名前17的特征參與分類時(shí)，OOB score達(dá)最高值0.947 2；Sentinel-2的藍(lán)波段、紅邊和近紅外波段及其相應(yīng)的植被指數(shù)在樹(shù)種識(shí)別中重要性較高。

2)桉樹(shù)林、油棕林、橡膠林和天然林在Sentinel-2影像的ASM、CON、COR和ENT紋理特征和Sentinel-1影像的VV、VH、Diff和Ratio后向散射特征上均具有一定差異性，可作為樹(shù)種分類的有效特征。

3)僅利用Sentinel-2光譜特征對(duì)不同人工林樹(shù)種的區(qū)分度有限，桉樹(shù)林、油棕林和橡膠林的F1分別為0.61、0.74和0.70。結(jié)合光譜特征、紋理特征和后向散射特征，3種人工林的分類精度達(dá)到最高，F(xiàn)1均大于0.80，同時(shí)其他地物的分類精度也有較大提高，總體分類精度和Kappa系數(shù)均達(dá)到最高值，分別為0.85和0.83。