朱琦， 郭華東， 張露,3， 梁棟， 劉栩婷， 萬祥星

(1.中國科學(xué)院空天信息創(chuàng)新研究院數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京 100094; 2.中國科學(xué)院大學(xué)，北京 100049;3.三亞中科遙感研究所，三亞 572029; 4.中國林業(yè)科學(xué)研究院資源信息研究所，北京 100091)

0 引言

熱帶森林在生物多樣性保護(hù)、調(diào)節(jié)氣候變化、防止水土流失、碳匯估算等方面，起到重要的作用[1-2]，是自然資源和生態(tài)環(huán)境的基礎(chǔ)。我國熱帶森林資源豐富，其中海南島熱帶天然林是我國連續(xù)分布面積最大、物種最豐富的熱帶林區(qū)。2006年，海南島熱帶天然林面積為65.90萬hm2，主要分布于海南島的五指山、尖峰嶺、霸王嶺、吊羅山、黎母山等中部林區(qū)[3]。但是由于人類對(duì)于熱帶森林的過渡利用和開發(fā)，熱帶雨林年毀林率逐年增加[4-5]。因此開展熱帶森林調(diào)查，及時(shí)準(zhǔn)確地獲取植被類型覆蓋信息，是研究區(qū)域內(nèi)生態(tài)環(huán)境建設(shè)的重點(diǎn)[6]。

遙感對(duì)地觀測(cè)技術(shù)的發(fā)展，為高效準(zhǔn)確地獲取實(shí)驗(yàn)區(qū)域內(nèi)植被覆蓋度提供了有效途徑[7-8]。目前，遙感技術(shù)可以通過測(cè)定森林各項(xiàng)指標(biāo)特征，協(xié)助提取森林覆蓋信息、劃分森林類型[8]、動(dòng)態(tài)監(jiān)測(cè)森林變化、監(jiān)測(cè)植被生長(zhǎng)狀態(tài)及發(fā)育情況等。國內(nèi)外學(xué)者對(duì)于如何從遙感影像中自動(dòng)提取地物信息進(jìn)行研究[9]，也形成了不同的分類體系，取得了豐富的成果。但是目前大多研究都集中在劃分森林類型和林種的粗分類，典型熱帶林種分類精細(xì)度依舊較差，無法實(shí)現(xiàn)對(duì)熱帶森林資源實(shí)時(shí)及準(zhǔn)確的監(jiān)測(cè)并獲取植被覆蓋類型信息。

基于多時(shí)相遙感數(shù)據(jù)的影像序列可以反映植被的季相特征以及物候變化規(guī)律，有效增加植被的識(shí)別精度，目前已經(jīng)被應(yīng)用于植被精細(xì)提取中[10]。無論從區(qū)域尺度的精細(xì)分辨到全球尺度的植被覆蓋信息提取[11-13]，都證明了時(shí)序信息的價(jià)值。Shimabukuro等[14]利用長(zhǎng)達(dá)18 a序列的Landsat數(shù)據(jù)獲取了美國猶他州北部因塔特山脈的森林林型分布及變化圖，結(jié)果較美國森林服務(wù)局精度提升60%； Pouliot等[15]提出了一種基于變化檢測(cè)的時(shí)序信息遙感分類方法，獲取了加拿大地區(qū)2000—2011年土地利用分類圖，結(jié)果同加拿大國家對(duì)于全球土地利用覆蓋產(chǎn)品保持一致性和高度準(zhǔn)確性。上述研究通過使用多時(shí)相遙感數(shù)據(jù)獲取了研究區(qū)域內(nèi)森林林型以及土地覆蓋類型的變化。但是目前針對(duì)多時(shí)相數(shù)據(jù)的引入相較于單時(shí)相數(shù)據(jù)對(duì)于分類精度的具體提升研究較為缺乏，同時(shí)對(duì)于多時(shí)相遙感影像數(shù)據(jù)分類中的具體策略，如進(jìn)行影像分類的數(shù)量以及時(shí)序數(shù)據(jù)的組合方式等關(guān)注較少。

因此本文將多時(shí)相信息引入熱帶森林分類，重點(diǎn)研究如下問題： ①多時(shí)相比單時(shí)相在熱帶森林分類中的優(yōu)勢(shì); ②參與分類的多時(shí)相數(shù)據(jù)的數(shù)量與分類精度關(guān)系; ③參與分類的多時(shí)相數(shù)據(jù)的組合是否影響分類精度。從而提出一種基于時(shí)相數(shù)據(jù)的針對(duì)熱帶天然林的分類方法。由于多時(shí)相數(shù)據(jù)的處理和組合分析對(duì)數(shù)據(jù)數(shù)量和處理能力的要求，本文依托Google Earth Engine(GEE)平臺(tái)，以我國海南島熱帶天然林為研究對(duì)象，結(jié)合長(zhǎng)時(shí)間序列Landsat8影像，明確遙感影像數(shù)量及組合方式對(duì)海南島熱帶天然林分類精度的影響，提出一種穩(wěn)定的適合海南島天然林典型林型的時(shí)序分類方法，以期為海南島熱帶天然林監(jiān)測(cè)與生態(tài)評(píng)估等提供有效數(shù)據(jù)支持。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

尖峰嶺地區(qū)位于海南省西南部樂東黎族自治縣和東方市交界(N18°20′～18°57′，E108°41′～109°12′)，總面積為640 km2。尖峰嶺地區(qū)地屬低緯度熱帶島嶼季風(fēng)氣候，常年受西南季風(fēng)和東南季風(fēng)的影響，年度雨量分配不均勻，有明顯的干濕兩季。干季年平均氣溫最高可達(dá)到27～29 ℃，濕季氣溫較低，僅為16.2～20.6 ℃[16]。該地區(qū)自然環(huán)境優(yōu)越，適合植被生長(zhǎng)，存在一片我國現(xiàn)有面積較大，保持較完整的熱帶原始森林[17-18]，森林覆蓋率達(dá)93.18%，類型豐富，包含了山頂苔蘚矮林、熱帶山地常綠闊葉林、熱帶山地雨林、熱帶常綠季雨林、熱帶半落葉季雨林等典型熱帶植被類型[19-20]，是開展熱帶森林遙感分類研究的理想?yún)^(qū)域。研究區(qū)位置如圖1所示。

圖1 尖峰嶺研究區(qū)位置

1.2 數(shù)據(jù)源

1.2.1 遙感數(shù)據(jù)

本文采用GEE平臺(tái)提供的Landsat8衛(wèi)星遙感數(shù)據(jù)開展相關(guān)研究。共獲取研究區(qū)域內(nèi)2018年度Landsat8 OLI衛(wèi)星影像29期，行列號(hào)分別為124/47和125/47。這些數(shù)據(jù)是經(jīng)過輻射校正和幾何糾正等處理后的反射率產(chǎn)品[21- 23]。圖1中影像是GEE提供的Landsat8影像示意圖。

1.2.2 輔助數(shù)據(jù)

1)海南省土地利用分類圖。本文通過中國科學(xué)院地理科學(xué)研究所與資源研究所網(wǎng)站獲取2018年海南省中國土地利用遙感監(jiān)測(cè)數(shù)據(jù)，空間分辨率為1 km。海南省土地利用類型主要包括耕地、林地、水域及居民地6個(gè)一級(jí)類型、25個(gè)二級(jí)類型。將TIFF文件導(dǎo)入GEE中，按編碼進(jìn)行篩選，得到海南省主要林地分布圖，后續(xù)通過此林地分布圖獲取研究區(qū)域邊界，同時(shí)結(jié)合Google Earth高分辨率影像獲取分類樣本。

2)海南省數(shù)字高程模型數(shù)據(jù)。為方便后續(xù)進(jìn)行樣本選擇以及結(jié)果驗(yàn)證，本文使用的SRTM(the shuttle Radar topography mission)高程數(shù)據(jù)，空間分辨率為30 m。觀察到尖峰嶺林區(qū)存在明顯的由近海岸地區(qū)(平均海拔50 m)至林區(qū)腹地海拔逐漸攀升，且東部地區(qū)海拔較西部明顯偏高的現(xiàn)象。

2 研究方法

本文采用的研究技術(shù)路線如圖2所示，包括數(shù)據(jù)預(yù)處理、森林分類類型確定、特征分析、時(shí)相數(shù)據(jù)分類方法以及驗(yàn)證等步驟。

圖2 基于時(shí)相變化的海南島天然林遙感分類技術(shù)路線

2.1 數(shù)據(jù)預(yù)處理

本文采用的Landsat8數(shù)據(jù)是經(jīng)過輻射校正和幾何糾正等處理后的反射率產(chǎn)品。此外為了獲取1 a內(nèi)研究區(qū)每月一期的遙感數(shù)據(jù)，對(duì)同一月份的多景數(shù)據(jù)，采用GEE內(nèi)置的Landsat.simpleComposite()方法進(jìn)行合成，從而形成該月份的合成數(shù)據(jù)。合成過程中，該方法使用SimpleLandsatCloudScore()算法標(biāo)注每個(gè)像素受到云的影響程度，然后選擇受到云影響最小的像素進(jìn)行影像合成。經(jīng)過處理，獲得了2018年1—12月每月的合成影像數(shù)據(jù)。

2.2 尖峰嶺熱帶森林分類類型

依據(jù)宋永昌[24]在2011年提出的海南島森林植被分類系統(tǒng)，參考在尖峰嶺研究區(qū)的實(shí)地調(diào)查，本文將該地區(qū)熱帶森林分為典型熱帶雨林、熱帶季雨林以及常綠闊葉林3種類型，分類級(jí)別屬于第三級(jí)植被型組類型?？紤]到研究區(qū)域內(nèi)，常綠落葉林只是零散地分布于常綠闊葉林之中，兩者之間并沒有明顯的區(qū)別，所以將常綠闊葉林和常綠落葉闊葉混交林分成一類，統(tǒng)一歸類為常綠闊葉林[25]。

2.3 特征分析

基于上述熱帶森林分類類型，依據(jù)考察結(jié)果以及高分辨率影像人工判斷，選取分類樣本。利用這些樣本以及獲得的光學(xué)遙感影像，進(jìn)一步分析典型熱帶雨林、熱帶季雨林以及常綠闊葉林類型的光譜特征、植被指數(shù)特征以及時(shí)序特征。

2.3.1 光譜特征

光譜特征是最基本的分類依據(jù)，基于Landsat8 影像中不同地物類別的典型光譜特征曲線，分析各類別在影像中體現(xiàn)的光譜差異性以及光譜域類別區(qū)分性。具體統(tǒng)計(jì)結(jié)果如圖3所示。圖3中柱狀圖代表3類地物在不同波段下的最大反射率與最小反射率的差，折線圖表示標(biāo)準(zhǔn)差，兩者數(shù)值越大代表待分類地物在此波段下區(qū)分度較高，有利于后續(xù)分類。根據(jù)圖3可知，3類地物在近紅外波段(B5)，短波紅外1波段(B6)和短波紅外2波段(B7)有較大的亮度差及標(biāo)準(zhǔn)差，包含遙感信息豐富。有利于3類地物的區(qū)分； 值得注意的是，典型熱帶雨林在海岸、藍(lán)光、綠光和紅光波段都展示出較大差異，分析是由于其季相變化顯著，因此波段統(tǒng)計(jì)差異較大。

2.3.2 植被指數(shù)

植被指數(shù)可以有效反映地球表面植被覆蓋程度，反映植被的生長(zhǎng)狀況。其在遙感分類中有助于增強(qiáng)遙感解譯以及目標(biāo)識(shí)別能力，目前已經(jīng)被廣泛地應(yīng)用于土地覆蓋類型分類、農(nóng)作物分析與識(shí)別、林地生長(zhǎng)與檢測(cè)。本文中采用的植被指數(shù)主要有： 歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、增強(qiáng)植被指數(shù)(enhanced vegetation index，EVI)、歸一耕作指數(shù)(normalized difference tillage index，NDTI)、陸表水分指數(shù)(land surface water index，LSWI)、土壤自適應(yīng)植被指數(shù)(soil-adjusted vegetation index，SAVI)。具體計(jì)算公式分別為：

，

(1)

(2)

，

(3)

，

(4)

(5)

式中BLUE，RED，NIR，SWIR1，SWIR2分別代表藍(lán)光、紅光、近紅外、短波紅外1、短波紅外2波段影像。圖4反映了5類植被指數(shù)的統(tǒng)計(jì)信息，5種植被指數(shù)的標(biāo)準(zhǔn)差、亮度差均明顯大于原始光譜信息，其中NDTI與EVI指數(shù)包含信息又明顯優(yōu)于其余植被指數(shù)，典型熱帶雨林NDTI指數(shù)差異性較大，常綠闊葉林相較于熱帶季雨林在NDVI指數(shù)體現(xiàn)較強(qiáng)差異。

圖4 植被指標(biāo)信息統(tǒng)計(jì)

2.3.3 時(shí)序特征

由于單時(shí)相遙感影像包含信息量有限，無法反映地物類別隨時(shí)間變化的趨勢(shì)。同時(shí)對(duì)于植被分類來說，僅依靠單時(shí)相影像無法達(dá)到較好區(qū)分效果。故將2018年影像按照月份進(jìn)行分組，研究時(shí)序特征對(duì)遙感分類精度的影響。

幾類典型波段以及植被指數(shù)時(shí)序統(tǒng)計(jì)如圖5所示，其中橫軸代表月份，縱軸代表該波段反射率。3種地物在光譜特性曲線的變化趨勢(shì)基本一致，其中常綠闊葉林同其余2類地物區(qū)分較為明顯，典型熱帶雨林和熱帶季雨林在光譜特性中差異并不大。海岸波段、藍(lán)光波段、綠光波段和紅光波段在3類地物的變化趨勢(shì)基本類似，區(qū)分度較小。植被指數(shù)特征差異較光譜特征明顯增大。同時(shí)在8—9月，常綠闊葉林與典型熱帶雨林和熱帶季雨林在多個(gè)波段的反射率有明顯變化，此時(shí)研究區(qū)即將進(jìn)入旱季，常綠闊葉林開始出現(xiàn)落葉現(xiàn)象，之后進(jìn)入10—11月，典型熱帶雨林和熱帶季雨林反射率均有所下降?；诖?，最終選擇近紅外波段(B5)、2個(gè)短波紅外波段(B6和B7)以及5類植被指數(shù)共計(jì)8組變量進(jìn)行后續(xù)分類探究。

(a) 藍(lán)光波段 (b) 短波紅外波段

(c) NDVI (d) EVI

圖5 典型地物2018年度時(shí)相光譜特性曲線

2.4 分類器與時(shí)序組合方式

利用前面合成的研究區(qū)2018年12期數(shù)據(jù)，以及熱帶森林類型的敏感特征集，獲取一個(gè)年度特征時(shí)相信息?？紤]到支持向量機(jī)(support vector machine，SVM)在處理小樣本、非線性、高維數(shù)問題的優(yōu)勢(shì)，選擇SVM作為本研究的分類器。其是由Vapnik于1995年提出，以結(jié)構(gòu)最小原理和VC維理論為基礎(chǔ)，通過構(gòu)造函數(shù)子集來達(dá)到風(fēng)險(xiǎn)最小化的目標(biāo)，在大大降低了建模復(fù)雜度的同時(shí)，提高了分類器學(xué)習(xí)的能力，具有較高的實(shí)用性[26]。

本文設(shè)計(jì)如下4組實(shí)驗(yàn): ①首先探究單時(shí)相影像可以達(dá)到的分類精度； ②為了驗(yàn)證多時(shí)相數(shù)據(jù)對(duì)于分類精度的影響，探究了不同時(shí)相數(shù)量下分類精度的變化； ③同時(shí)探究了使用篩選后特征與原始特征對(duì)于分類精度影響的對(duì)比； ④還設(shè)計(jì)了不同種時(shí)相數(shù)據(jù)的組合方式，如原始單時(shí)相分類精度較優(yōu)或較差的組合，按照季度篩選影像的組合方式等，探究其對(duì)最終分類結(jié)果的影響。

本研究中分類的精度通過獲得混淆矩陣后，計(jì)算總體精度(overall accuracy,OA)和Kappa系數(shù)進(jìn)行評(píng)估，評(píng)估過程中將隨機(jī)選取70%樣本用于訓(xùn)練分類器，剩余30%樣本用于驗(yàn)證分類結(jié)果。

3 分類結(jié)果與分析

3.1 單時(shí)相影像分類精度分析

依據(jù)第2.3節(jié)波段選擇的結(jié)果，首先對(duì)12期不同時(shí)相的Landsat8影像達(dá)到的分類精度進(jìn)行了研究，分類精度如圖6所示。

圖6 多波段Landsat8影像分類結(jié)果

使用多波段進(jìn)行分類時(shí)，在6—8月時(shí)期，研究區(qū)處于濕季，地區(qū)區(qū)分度較小，整體分類精度較低(55%)； 分類精度最優(yōu)值在每年的11月份，這與研究區(qū)進(jìn)入干季的時(shí)間相同，此次諸如常綠闊葉林和熱帶季雨林均有落葉現(xiàn)象，而典型熱帶雨林仍保持常綠狀態(tài)，同其余2類地物有明顯的差異，因此整體分類精度較高。

3.2 多時(shí)相影像數(shù)量對(duì)分類精度的影響

為了分析多時(shí)相數(shù)據(jù)對(duì)分類的影響，將12期不同時(shí)相數(shù)據(jù)依次加入分類器，得到的分類結(jié)果精度如圖7所示。圖中橫坐標(biāo)表示在原有月份基礎(chǔ)上，追加當(dāng)前月份影像數(shù)據(jù)。

圖7 2018年月度時(shí)序分類精度變化

根據(jù)圖7，隨著時(shí)序影像的加入，OA及Kappa系數(shù)均持續(xù)提升，加入第二組時(shí)序影像時(shí)，OA提升最為明顯(10%), Kappa系數(shù)也有顯著的提升； 隨著影像的加入，兩者增加的趨勢(shì)逐漸變緩，最終穩(wěn)定在90%左右。OA最終達(dá)到峰值(91.19%)，Kappa系數(shù)同樣到達(dá)極值(0.868 5)； 最后一組影像加入時(shí)，兩者均有小幅度的下降。通過對(duì)比混淆矩陣，整體而言，僅有小部分的熱帶季雨林和常綠闊葉林未得到良好區(qū)分，出現(xiàn)錯(cuò)分現(xiàn)象，但是時(shí)序信息的加入對(duì)于遙感影像分類有明顯的促進(jìn)作用。分類精度較單一時(shí)相分類精度有明顯提升。

為了分析時(shí)序影像分類時(shí)每次加入影像對(duì)于精度的提升，圖8表示從第二期影像加入時(shí)，每期影像加入時(shí)分類精度的提升，隨著時(shí)序影像序列的加入，OA及Kappa系數(shù)的提升逐漸進(jìn)入平緩期，最終會(huì)出現(xiàn)負(fù)增長(zhǎng)。分析兩者變化趨勢(shì)，在加入第5組數(shù)據(jù)后，每次加入時(shí)序影像對(duì)于分類精度的提升都在1～2百分點(diǎn)之內(nèi)，對(duì)分類精度的影響較小。因此當(dāng)時(shí)相數(shù)據(jù)達(dá)到一定數(shù)量后，分類精度提升有限，本研究中采用4景不同時(shí)相圖像可以得到最優(yōu)的性能效率比。

圖8 OA及Kappa系數(shù)增加變化

3.3 特征波段選擇方式對(duì)分類精度的影響

由于參與遙感影像分類的波段間可能會(huì)具有較強(qiáng)的相關(guān)性，而使用相關(guān)性較強(qiáng)的波段進(jìn)行分類在增加信息冗余的同時(shí)也會(huì)帶來更大的計(jì)算量?？紤]到本文使用的5種植被指數(shù)可能會(huì)存在信息重復(fù)疊加，因此通過分析5種植被指數(shù)的相關(guān)性，并對(duì)其進(jìn)行篩選。

為計(jì)算5種植被指數(shù)的相關(guān)程度，需要選取特定月份的數(shù)據(jù)。本文選取原始單月份分類精度最優(yōu)的11月影像進(jìn)行計(jì)算，這是考慮到由于11月份影像波段間差異最為顯著。得到的5種植被指數(shù)相關(guān)系數(shù)如表1所示。為了獲取信息最為豐富的植被指數(shù)波段，對(duì)每個(gè)植被指數(shù)同其余植被指數(shù)的相關(guān)系數(shù)進(jìn)行取絕對(duì)值后求和。數(shù)值越大表示該指數(shù)同其余指數(shù)間相關(guān)性越強(qiáng)，根據(jù)表1可知，NDTI和EVI指數(shù)同其余整體相關(guān)性最弱，因此將其余3類植被指數(shù)去除，僅保留NDTI和EVI，重新進(jìn)行分類。并與單時(shí)相影像分類精度進(jìn)行對(duì)比。對(duì)比結(jié)果如圖9所示。總體而言，同原始分類精度差異不顯著，略低于原始結(jié)果(平均降低1.5%)，但是通過此方法可明顯減少冗余波段信息，提高分類效率。

表1 5種植被指數(shù)的相關(guān)系數(shù)

圖9 特征波段篩選前后OA對(duì)比

3.4 多時(shí)相影像組合對(duì)分類精度的影響

為了探究時(shí)序影像的加入順序以及不同組合方式對(duì)于分類精度的影響，進(jìn)一步探究了不同種時(shí)間序列組合方式對(duì)于分類精度的影響，分組包括： a單時(shí)相分類結(jié)果從高到低排列； b單時(shí)相分類結(jié)果從低到高排列； c根據(jù)季度不同選??； d選取春季及秋季云層含量由少到多排序。由于前文中得到當(dāng)時(shí)相數(shù)據(jù)多于4景以后，分類精度提高能力有限，因此所采用的不同排序?qū)嶒?yàn)都選擇4個(gè)時(shí)相圖像。最終分類精度結(jié)果如圖10所示，信息統(tǒng)計(jì)如表2所示。4組時(shí)序分類結(jié)果均有較明顯提升，a組由于本身分類精度較高，因此提升幅度最小，OA值提升11.78%，Kappa系數(shù)增幅25.02%； 其余3種時(shí)序組合，提升效果非常明顯，OA值提升25%左右，Kappa系數(shù)也有50%以上的提升。特別是原始分類精度較差結(jié)果以及使用數(shù)據(jù)更易獲取的云層含量較小的分類結(jié)果，相較于原始影像，時(shí)序結(jié)合影像的方式OA值分別提升27.15%和28.83%，達(dá)到0.721 5和0.844 6，Kappa系數(shù)也分別有66.88%和57.58%的提升。同時(shí)，使用季度時(shí)序影像可以通過使用包含豐富季相信息的4組影像組合，達(dá)到良好的分類效果，OA和Kappa系數(shù)的增幅分別為21.77%和47.45%。

(a) 精度較優(yōu)影像組合 (b) 精度較差影像組合

(c) 季度影像組合 (d) 云量較少影像組合

表2 時(shí)序影像分類精度變化

分類結(jié)果表明，時(shí)序影像通過季度組合、精度較差結(jié)果組合以及更易獲取的含云量較小影像組合的方式，可以有效提升有限數(shù)據(jù)源的分類精度，為使用有限數(shù)據(jù)源進(jìn)行遙感影像分類提供新的方法。

3.5 尖峰嶺林區(qū)熱帶森林分布

最終分類結(jié)果采用的是12期影像數(shù)據(jù)達(dá)到的最優(yōu)分類結(jié)果，如圖11所示。尖峰嶺林區(qū)總面積640 km2，典型熱帶雨林、熱帶季雨林和常綠闊葉林，3類地物占總林區(qū)面積比例分別為49.1%，44.0%和6.9%，總體分類結(jié)果與預(yù)期及先驗(yàn)知識(shí)基本吻合，其中，常綠闊葉林主要分布在海拔較低的近海岸地區(qū)，隨著海拔的攀升，熱帶季雨林占主導(dǎo)地位，典型熱帶雨林普遍分布在海拔較高處。這也證明了熱帶森林空間位置分布同海拔、濕度等自然因素密切相關(guān)。

圖11 海南島尖峰嶺天然林分類結(jié)果

4 結(jié)論

本文主要基于熱帶森林分類的不精細(xì)不準(zhǔn)確的現(xiàn)狀，結(jié)合目前熱帶地區(qū)熱帶森林類型精確識(shí)別與分類的需求，依托GEE遙感大數(shù)據(jù)處理平臺(tái)，使用長(zhǎng)時(shí)間序列遙感影像探究復(fù)雜研究地形內(nèi)，多波段、多時(shí)相遙感影像熱帶森林類型分類方法，同時(shí)發(fā)展出一套明確的適合海南島熱帶天然林分類使用的優(yōu)化數(shù)量及組合方式。本文的主要結(jié)論如下：

1)結(jié)合Landsat8 OLI光學(xué)數(shù)據(jù)，分析了多波段光譜特征和5類植被指數(shù)(NDVI，EVI，NDTI，LSWI，SAVI)等特征對(duì)分類精度的影響。結(jié)果表明隨著具有額外信息的波段數(shù)量的增加，分類精度持續(xù)提升。結(jié)合多波段數(shù)據(jù)、5類植被指數(shù)以及時(shí)相信息的引入，均可有效提升分類精度。最終典型熱帶雨林、熱帶季雨林、常綠闊葉林3類地物的總體分類精度達(dá)到91.19%,總Kappa系數(shù)為0.866 2。結(jié)果表明尖峰嶺地區(qū)3類林種空間分布有明顯規(guī)律，常綠闊葉林主要分布在海拔較低，濕度較低區(qū)域； 熱帶季雨林主要分布在中高海拔地區(qū)； 典型熱帶雨林主要分布在高海拔高濕度地區(qū)，且面積最大，是林區(qū)內(nèi)優(yōu)勢(shì)林種。

2)重點(diǎn)研究了時(shí)序特征對(duì)于分類精度的影響，研究結(jié)果表明，隨著時(shí)序信息的不斷引入，海南島天然林的分類精度不斷提升； 在不斷引入時(shí)序信息時(shí)，加入第二期時(shí)序影像對(duì)于分類精度的提升最為明顯，可達(dá)10%以上； 隨著時(shí)相數(shù)據(jù)的不斷引入，分類精度逐漸趨于飽和，當(dāng)加入到第五期時(shí)序影像序列后，每次分類精度的提升已經(jīng)不足1%。

3)對(duì)時(shí)相信息的組合方式對(duì)于分類精度的影響進(jìn)行探究，分類結(jié)果表明，當(dāng)獲取時(shí)相數(shù)據(jù)有限時(shí)，通過季度組合以及使用更易獲取的含云量較小影像組合的方式，可以有效提升遙感影像天然林分類精度(平均分類精度提升25%左右)，尤其是在參與分類的數(shù)據(jù)單獨(dú)分類精度較低時(shí)，其多時(shí)相組合對(duì)分類精度的提升更加明顯，體現(xiàn)了參與分類數(shù)據(jù)時(shí)相選擇的寬泛性。該研究對(duì)使用時(shí)相遙感數(shù)據(jù)開展時(shí)序遙感影像分類有積極意義。

綜上，本文發(fā)展的基于GEE多波段多時(shí)相的遙感影像熱帶森林類型分類方法，有效提升了以典型熱帶雨林、熱帶季雨林和常綠闊葉林為代表的林型分類精度。該方法可以明確適合海南島熱帶天然林分類的優(yōu)化數(shù)量和組合方式，可以有效提升分類精度，改善了傳統(tǒng)熱帶森林類型分類粗糙的現(xiàn)狀，對(duì)多時(shí)相熱帶森林類型精細(xì)分類提供了新的方法和思路。