遥感技术与应用, 2020, 35(2): 448-457 doi: 10.11873/j.issn.1004-0323.2020.2.0448

遥感应用

基于GF-1和Sentinel-1A的漓江流域典型地物信息提取

唐廷元,, 付波霖,, 何素云, 娄佩卿, 闭璐

桂林理工大学 测绘地理信息学院, 广西 桂林 541000

Identification of Typical Land Features in the Lijiang River Basin with Fusion Optics and Radar

Tang Tingyuan,, Fu Bolin,, He Suyun, Lou Peiqing, Bi Lu

Guilin University of Technology, Guilin 541000, China

通讯作者: 付波霖（1988-），男，湖北襄阳人，副教授，主要从事RS和GIS应用研究。E⁃mail:fbl2012@126.com

收稿日期: 2018-12-28   修回日期: 2020-03-16   网络出版日期: 2020-06-19

基金资助: 国家自然科学青年基金项目“基于主被动遥感的沼泽植被群丛时空分布与水文情势耦合研究”.  41801071
广西自然科学青年基金项目“基于主被动遥感的北部湾红树林群丛时空分布与水文情势耦合研究”.  2018GXNSFBA281015
桂林理工大学科研启动基金项目.  GUTQDJJ2017096┫共同资助

Received: 2018-12-28   Revised: 2020-03-16   Online: 2020-06-19

作者简介 About authors

唐廷元（1995-），男，重庆人，硕士研究生，主要从事遥感图像智能处理研究E⁃mail:TangtyRS@126.com , E-mail：TangtyRS@126.com

摘要

漓江流域是桂林山水的核心，保护漓江流域生态环境已成为国家战略。以漓江流域为研究区域，以GF-1多光谱影像和SAR影像为数据源，采用小波融合算法将GF-1多光谱影像和SAR VV极化的后向散射影像进行影像融合，再利用随机森林算法分别对GF-1多光谱影像、GF-1和Sentinel融合影像构建典型地物高精度识别模型，提取与漓江流域生态环境紧密相关的河流、针叶林、阔叶林、水田、旱地以及居民地等地物类型。研究结果表明：①在95%置信区间内，基于GF-1影像分类的总体分类精度达到96.15%，基于GF-1和Sentinel-1A后向散射系数的影像总体分类精度达到了94.40%；②河流、阔叶林和旱地在基于GF-1多光谱影像的分类精度中分别达到了97.74%、93.20%、90.90%，比基于融合GF-1多光谱和SAR的数据分别高出7.57%、8.96%和1.22%，其余地物类型两者分类精度相近；③GF-1多光谱和SAR数据的融合中，利用了小波变换进行图像融合，发现融合图像的喀斯特地貌突出，增加了地物特征的差异性。

关键词： 漓江流域 ; 光学遥感 ; 合成孔径雷达 ; 随机森林算法 ; 地物遥感识别

Abstract

Lijiang River is the core of Guilin's landscape. Protecting the ecological environment of Lijiang River Basin has become a national strategy. In this paper, Lijiang River Basin was used as the research area. The GF-1 multispectral image and SAR image were used as the data source. The wavelet fusion algorithm was used to fuse the GF-1 multispectral image and the SAR VV polarized backscatter image. Using random forest algorithm to construct a high-precision recognition model for GF-1 multispectral imagery, GF-1 and sentinel fusion images. The model can extract rivers, coniferous forests, broad-leaved forests, paddy fields, drylands, residential land and other land types that are closely related to the ecological environment of the Lijiang River. The results show that ①the overall accuracy based on GF-1 image classification reaches 96.15% in the 95% confidence interval, and the overall accuracy based on GF-1 and sentinel-1A backscatter coefficient reaches 94.40%. ②The classification accuracy of rivers, broad-leaved forests and drylands based on GF-1 multispectral images reached 97.74%, 93.20%, and 90.90%. They are 7.57%, 8.96%, and 1.22% higher than those based on the fused GF-1 multispectral and SAR data, respectively. The classification accuracy of the other features is similar. ③In the fusion of GF-1 multispectral and SAR data, wavelet transform was used for image fusion. It was found that the karst topography of the fusion image was prominent, which increased the difference of the features of the ground features.

Keywords： Lijiang River ; Optical remote sensing ; Synthetic Aperture Radar ; Random Forest ; Object identification

PDF (6317KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

唐廷元, 付波霖, 何素云, 娄佩卿, 闭璐. 基于GF-1和Sentinel-1A的漓江流域典型地物信息提取. 遥感技术与应用[J], 2020, 35(2): 448-457 doi:10.11873/j.issn.1004-0323.2020.2.0448

Tang Tingyuan, Fu Bolin, He Suyun, Lou Peiqing, Bi Lu. Identification of Typical Land Features in the Lijiang River Basin with Fusion Optics and Radar. Remote Sensing Technology and Application[J], 2020, 35(2): 448-457 doi:10.11873/j.issn.1004-0323.2020.2.0448

1 引 言

多光谱影像具有丰富的纹理和光谱信息，是河岸带监测的理想数据源[1]。对河流流域典型地物提取主要通过光谱特征、纹理特征等多特征分析识别，并统计典型地物数量。常用的河流流域地物提取的方法有最大似然法[2,3]、支持向量机(Support Vector Machine，SVM) [4]、随机森林算法（Random Forest，RF）[5,6,7]等，最大似然法优点在于简单且实施方便，但随着波段信息越多而分类时间越长；SVM分类虽提高了分类精度，但消耗大量时间；随机森林算法具有训练速度快、精度高等优点。张晓羽等[6]利用随机森林算法对漠河县林地植被进行分类，结果表明使用随机森林算法提高了分类精度。范驰等[7]利用随机森林算法对无锡新区高分辨率遥感影响建筑物信息提取，结果表明随机森林算法适用于高维数据分类，可充分挖掘目标对象的光谱、几何等信息。综上，随机森林算法在利用多源遥感数据提取流域地物信息方面具有优势。

如今，仅仅依靠单一遥感数据源难以满足复杂技术应用的要求[8]。光学遥感在多云、多雨和多雾的热带和亚热带地区很难获取高质量多光谱影像（云覆盖率≤30%）[1]；而SAR数据具有全天候、全天时等优点，但缺少光谱信息[9]。优化综合利用主被动遥感影像提高地物识别精度，已经成为近年研究热点之一。多光谱影像和SAR影像的融合方法主要有主成分分析（Principal Component Analysis，PCA）变换方法[10]、高通滤波法（High Pass Filtering，HPF）[11]、小波变换方法[12,13]等，PCA方法有融合后的图像光谱特性保持比较好的优点，但计算量大、实时性比较差；HPF方法虽算法简单、计算量小，但融合图像包含比较大的噪声；小波融合算法有效地增强多光谱图像的空间细节表现能力并能保持图像融合前后的光谱特性。刘娜等[12]对2幅原始图像进行小波变换, 采用不同类型对图像融合结果进行测试和分析，结果表明小波变换融合后图像更加清晰，提高了图像信噪比。郭志强等[13]将图像采用小波进行分解后融合处理，最后采用小波逆变换得到融合图像，结果表明，该方法有较好的融合效果。综上所述，小波融合算法更适用于本文融合多光谱影像和SAR影像来研究河流流域典型地物提取。

桂林是国家旅游综合改革试验区，建设桂林旅游综合改革试验区主导战略就是保护漓江流域生态环境[14]。目前漓江流域生态环境监测，多采用人工实地调查，由于漓江流域属于典型的喀斯特地貌区，峰丛林立，洼地众多，植被茂密，人工调查难度极大，效率低，成本高，很难全面反映流域环境质量状况。同时，国内很少有学者利用主被动遥感对漓江流域生态环境中影响较大的地物进行高精度识别。为弥补以上研究空白，本研究以桂林市漓江流域作为研究区域，以GF-1影像和Sentinle-1A SAR影像为数据源，利用小波融合算法和随机森林算法，探究和定量分析不同数据源在漓江流域典型地物提取中的精度差异，为漓江流域生态环境遥感监测、合理开发和保护提供技术支撑。

2 研究区概况

漓江（24°40′~25°80′ N，110°10′~110°40′ E）位于广西壮族自治区东北部，它的源头在桂林市资源县猫儿山，全长426 km，整个漓江流域呈现出狭长带状分布。随着桂林的经济和旅游业发展，漓江流域的生态环境也日渐愈下。生态环境的破坏影响了漓江的水体质量和山水风光，居民的基本生活和桂林旅游业的发展已经受到了严重威胁。对漓江流域的保护已成为首要解决的问题，因此本文选定漓江流域为研究区域，如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区位置及漓江流域概况

Fig.1   Location of the study area and the Lijiang River


3 数据源与数据预处理

3.1　GF-1多光谱和Sentinel-1A影像的数据预处理

采用的主要数据有GF-1多光谱影像、Sentinel-1A IW 模式的SAR影像和广西壮族自治区基础地理信息中心编制的漓江流域2015年1∶100 000的土地利用数据。

GF-1多光谱影像采用的是16 m空间分辨率，波段数为4，分别是蓝、绿、红和近红外，获取时间为2017年11月，影像数据质量良好，清晰且无云覆盖。在ENVI 5.2软件中对影像的预处理，主要包括辐射定标、大气校正、正射校正、图像增强以及影像剪裁生成流域配准的GF-1影像。

选用的SAR数据为欧空局的Sentinel-1A卫星的IW模式的双极化SAR影像，空间分辨率为方位向5 m、距离向20 m，极化模式为VV、VH，获取时间为2017年3月，如图2（a）所示。影像的预处理在SNAP Desktop软件中完成，主要包括辐射定标、热噪声处理、条带修复、Refined Lee滤波处理、多视处理、斜距转地距、地理编码，生产投影坐标系为WGS 84/UTM zone 49N的SAR后向散射系数，如图2（b）所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   SAR影像预处理

Fig.2   Preprocessing of SAR images


在ArcGIS中利用Create Random Points工具在研究区内随机生成150个点，并与广西基础地理信息中心编制2015年漓江流域1∶100 000土地利用数据进行叠加，剔除多点在同一多边形内的情况，确保每个多边形只有唯一的随机点，提取每个点所在的多边形作为样本数据，利用Geostatistical Analyst 工具将样本数据随机等分为训练样本和验证样本，分别进行算法训练和精度验证。

3.2　基于GF-1图像和SAR图像的融合

利用小波变换融合算法实现GF-1多光谱和Sentinel-1A VV极化的后向散射系数图像融合[15,16,17,18,19]。小波融合的基本思想是：首先将原始图像在不同的分辨率下分解, 然后在不同的分解水平上对图像融合，最后通过重构来获得融合图像[15,16]，可根据不同的特征分量采用不同的融合方法以达到最佳的融合效果[17,18,19]。雷达影像与光学影像的目标识别是一个低信噪比影像的匹配问题，它基于小波分析的影像滤波、严格按照梯度方向进行边缘检测，跟踪与细化是一个提高信噪比、提取共同特征的有效手段[20]。

在ERDAS IMAGINE 2014软件中，GF-1多光谱和Sentinel-1A VV 极化方式的SAR后向散射影像图像融合，主要步骤如下：①高分辨率图像选择处理后的SAR图像，高多光谱影像选择处理后的GF-1多光谱影像，光谱变换(Spectral Transform )选择主成分变换方法；②选择三次卷积(Cubic Convolution)重采样方法，输出浮点型融合图像，具体结果见图3。从图3（c）融合图像的局部图可以看出，漓江流域喀斯特峰林、峰丛地貌非常突出。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   GF-1和SAR融合图像中的喀斯特地貌

Fig.3   Karst landforms In the fusion of GF-1 images and SAR images


3.3　技术方案

利用随机森林机器学习算法，提取对漓江流域生态环境影响较大的典型地物，基于验证样本进行精度评价，对比论证GF-1多光谱影像、融合GF-1和VV极化方式的Sentinel-1A SAR后向散射影像在识别漓江流域典型地物上总体技术方案如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   技术方案

Fig.4   Technical solutions


4 基于随机森林算法的漓江流域典型地物信息提取

4.1　随机森林算法基本理论

随机森林是由Breiman和Cutler提出的利用多棵决策树对样本进行训练并预测的分类器集合 [21,22,23,24]。RF算法基本思想：①利用bootstrap方法有放回的从原始训练集中随机抽取n个样本，并构建n个决策树；②假设在训练样本数据中有m个特征，每次分裂时选择最好的特征进行分裂，每棵树都一直分裂下去，直到该节点的所有训练样例都属于同一类；③让每颗决策树在不做任何修剪的前提下最大限度的生长；④将生成的多棵分类树组成随机森林，根据多棵树分类器投票决定最终分类结果[21]。

RF算法对大数据有较高的分类精度且处理速度快[22]；对数据集的适应能力强，既能处理离散型数据，又能处理连续型数据，且数据集无需规范化[23]；因此，随机森林算法适用于具有不同的数据结构和影像特征的GF-1和Sentinel -1A SAR融合影像。

4.2　基于RF算法的典型地物识别模型构建

利用Rstudio算法执行平台，调用其Random forest工具包进行漓江流域典型地物的识别与分类，其步骤包括训练样本生成，算法模型训练及参数调试，典型地物分类、图像分类后处理和精度验证：

（1）训练样本的选择生成：训练样本直接影响着识别模型的稳定性和分类精度[25,26,27]。本文中将随机点提取的样本多边形导入到ENVI软件，通过ROI提取工具分别在GF-1多光谱影像、GF-1和Sentinel-1A融合影像中建立感兴趣区，实现训练样本的选择，训练样本中主要分为居民用地、针叶林、阔叶林、水田、旱地和河流6类。

（2）算法的模型训练及参数调试：在ENVI软件中将训练样本导出为csv格式数据，并导入到Rstudio中，调用Random Forest工具包进行随机森林算法参数训练和调试：①参与节点分割的变量个数(mtry)，②随机森林中树的数量(ntree)，训练结果见表1。

表1   Random Forest 算法中mtry 和ntree参数

Table 1  Mtry and ntree parameters in Random Forest algorithm

数据集mtryntree
GF-1171 500
GF-1&Sentinel-1A231 500

新窗口打开| 下载CSV


（3）典型地物识别模型构建：利用优化训练确定的算法参数分别构建单独GF-1多光谱影像、GF-1多光谱和Sentinel-1A SAR后向散射融合影像的高精度识别模型，并在Rstudio中进行漓江流域地物提取。

（4）分类后处理：在Rstudio中生成的分类图像存在一些孤立的细小斑块，为了消除该斑块，本文将分类结果导入到ENVI 软件中，利用Majority/Minority Analysis、Classification Aggregation、Clump和Sieve工具进行分类后处理，邻域窗口设置为5×5，生成最终的分类结果，见图5和6。将最终分类结果再次导入到Rstudio软件中，利用矢量验证样本数据进行分类结果的精度检验和分类精度的统计分析。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   基于GF-1多光谱图像的分类专题图

Fig.5   Classification thematic map based on GF-1 image


5 精度结果分析

为了定量分析基于GF-1多光谱影像，基于GF-1和Sentinel-1A的融合影像在提取漓江流域典型地物的精度差异，选取总体分类精度（Overall Accuracy）、Kappa系数、混淆矩阵等指标[27,28,29]对分类图像进行精度评价，并进行统计显著性检验。为了验证本研究的可行性，比较GF-1影像的典型地物提取和基于GF-1和Sentinel-1A的融合影像的典型地物提取的分类精度，并对分类后图像精度验证。

5.1　基于GF-1多光谱影像的分类精度验证

（1）总体分类精度和Kappa系数：基于GF-1影像的典型地物分类精度很高，在95%的置信区间内总体精度达到96.07%，且误差值较小，为0.04%（见表2）。从Kappa系数达到0.92，论证了RF算法对于漓江流域典型地物具有较高的识别精度。

表2   总体精度评价表

Table 2  Evaluation table for overall accuracy

精度指标评估/%标准差/%95%置信区间/%
总体分类精度96.150.0496.0796.23
Kappa系数91.950.0891.7992.11

新窗口打开| 下载CSV


（2）各地物用户精度（User’s Accuracy）：在95%的置信区间，6类典型地物内用户精度都高于90%，阔叶林（92.42%）精度最低，河流（99.23%）精度最高；而分类误差都在0.05%以下，阔叶林（0.05%）和水田（0.05%）误差最大，河流（0.02%）误差最小（见表3）。阔叶林在95%的置信区间内精度低，由于河流（24个像素）、针叶林（4 633个像素）、水田（211个像素）、旱地（38个像素）、居民地（44个像素）错分为阔叶林（65 296个像素）（见表4），错分率为7.58%。基于GF-1多光谱影像的分类中，6类典型地物在95%的置信区间内用户精度都较高，接近真实分类情况。

表3   漓江流域各类地物分类精度

Table 3  Classification accuracy of various features in the Lijiang River

用户精度/%生产者精度/%
地物类型评估标准差95%区间评估标准差95%区间
河流99.230.0299.1999.2697.740.3297.1298.36
针叶林97.450.0397.3997.5297.310.0597.2297.40
阔叶林92.420.0592.3292.5293.200.0893.0593.36
水田93.980.0593.8994.0781.170.3580.4781.86
旱地95.300.0495.2195.3890.900.2290.4791.34
居民地97.220.0397.1697.2998.930.0598.8299.04

新窗口打开| 下载CSV


表4   混淆矩阵表

Table 4  Confusion matrix

参考地物类型
地物类型河流针叶林阔叶林水田旱地居民地总和
河流3 2060025003 231
针叶林2167 6014 372040171 979
阔叶林244 63360 346211384465 296
水田240291 030491 096
旱地00001 499741 573
居民地2400310411 73612 071
总和3 280172 23464 7471 2691 64911 863255 303

新窗口打开| 下载CSV


（3）各地物制图精度（Producer’s Accuracy）：在95%的置信区间内制图精度中，水田（81.17%）精度最低，河流（97.74%）精度最高；而在95%的置信区间内分类误差中，水田（0.35%）误差最大，居民地（0.05%）和针叶林（0.05%）误差最小（见表3）。水田在95%的置信区间内精度低，由于河流（25个像素）、阔叶林（211个像素）、居民地（3个像素）错分为水田（1 269个像素）（见表4），错分率为18.83%。基于GF-1多光谱影像的分类中，除了水田（81.17%）外其他5类典型地物在95%的置信区间内制图精度都较高，接近真实分类情况。

5.2　基于GF-1和Sentinel-1A融合影像的分类精度验证

（1）总体分类精度和Kappa系数：基于融合GF-1和Sentinel-1A影像在漓江流域典型地物的分类中，在95%的置信区间内总体分类精度达到了94.40%，标准误差为0.05%（见表5）；从Kappa系数的值达到了0.88，论证了RF算法对于漓江流域典型地物具有较高的识别精度。

表5   总体精度评价表

Table 5  Evaluation table for overall accuracy

精度指标评估/%标准差/%95%置信区间/%
总体分类精度94.400.0594.3094.50
Kappa系数88.050.1187.8488.27

新窗口打开| 下载CSV


（2）各地物用户精度：在95%的置信区间内，6类典型地物用户精度都高于90%，旱地（91.71%）精度最低，河流（99.49%）精度最高；而分类误差都在0.06%以下，旱地（0.06%）误差最大，河流（0.02%）误差最小（见表6）。旱地在95%的置信区间内精度低，由于针叶林（1个）、居民地（35个）错分为旱地（1 327个）（见表7），错分率为7.58%。基于融合影像的分类中，6类典型地物在95%的置信区间内制图精度都较高，接近真实分类情况。

表6   漓江流域各类地物分类精度

Table 6  Classification accuracy of various features in the Lijiang River

用户精度/%生产者精度/%
地物类型评估标准差95%区间评估标准差95%区间
河流99.490.0299.4699.5390.170.6888.8391.51
针叶林94.300.0594.2094.4098.370.0498.2998.45
阔叶林94.430.0594.3394.5384.240.1184.0284.47
水田98.570.0398.5298.6281.350.6979.9982.72
旱地91.710.0691.5991.8389.680.3389.0490.32
居民地94.300.0594.2094.4099.540.0499.4699.61

新窗口打开| 下载CSV


表7   混淆矩阵表

Table 7  Confusion matrix

参考地物类型
地物类型河流针叶林阔叶林水田旱地居民地总和
河流2 5600011002 573
针叶林7136 0758 210070144 299
阔叶林1122 26043 895173311046 483
水田1200829008 41
旱地01001 217351 327
居民地1480061029 66310 247
总和2 839138 33652 1051 0191 3579 708205 818

新窗口打开| 下载CSV


（3）各地物制图精度：在95%的置信区间内制图精度中，水田（81.35%）精度最低，居民地（99.54%）精度最高；而在95%的置信区间内分类误差中，水田（0.69%）误差最大，居民地（0.04%）和针叶林（0.04%）误差最小（见表6）。水田在95%的置信区间内精度低，由于河流（11个像素）、阔叶林（173个像素）、居民地（6个像素）错分为水田（1 019个像素）（见表7），错分率为18.65%。基于融合影像的分类中，在95%的置信区间内，除了水田（81.17%）和阔叶林（84.24%）外其他4类典型地物制图精度都较高，接近真实分类情况。

5.3　分类精度对比分析

通过对比分析两种数据集分类精度，本文可得到如下结论：

（1）总体分类精度和Kappa系数：在95%置信区间内，基于GF-1图像的总体分类精度为96.15%，而基于融合GF-1和Sentinel-1A影像总体分类精度为94.40%，两者精度相差1.75%；基于GF-1图像的Kappa系数为0.92，而基于融合GF-1和Sentinel-1A影像的Kappa系数为0.88，两者相差0.04（见表8和图7）。究其原因，在6种地物类型中，GF-1多光谱影对针叶林、旱地和居民地的识别精度高于GF-1和Sentinel-1A融合影像，但对于阔叶林和水田，融合影像的识别精度高于单一的GF-1多光谱影像。综上所述，两种数据集在提取漓江流域典型地物中，总体分类精度较为相近，不存在显著性差异。

表8   总体分类精度比较表

Table 8  Comparison table for overall accuracy

影像集95%置信区间总体分类精度/%Kappa 系数
GF-196.150.92
GF-1&Sentinel-1A94.400.88

新窗口打开| 下载CSV


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   融合GF-1和Sentinel-1A图像的分类专题

Fig.6   Classification thematic map based on the fusion of GF-1 images and Sentinel-1A images


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   漓江流域各典型地物生产者精度对比分析

Fig.7   Comparative analysis of producer accuracy of typical features in the Lijiang River


（2）用户精度和制图精度： 在95%的置信区间内，①与GF-1和Sentinel-1A融合影像相比，GF-1图像对针叶林、旱地和居民地的用户精度提升了3.5%，河流和阔叶林的生产者精度相差较大，分别提升了7.57%和9.07%（见图7）。②两种数据集，6种地物用户精度的标准误差均在0.02~0.06之间，较为一致。但是生产者精度对应的标准误差差异较大，融合影像对河流和水田两种地物，分别产生了0.68和0.69的标准误差，明显高于其他地物类型。分析两种数据集产生的混淆矩阵发现，对于针叶林地物，GF-1图像有2.5%（4 372个像素）的验证样本数据被错分为阔叶林，而融合GF-1和Sentinel-1A有5.6%（8 210个像素）的验证样本错分为阔叶林，旱地与居民地也存在1%左右的错分情况。

综合以上精度分析，在对漓江流域的典型地物遥感识别研究中，随机森林算法对GF-1图像和GF-1和Sentinel-1A融合影像，总体分类精度没有显著差异，仅在河流和阔叶林两种地物的生产者精度，GF-1图像要好于GF-1和Sentinel-1A融合影像。

6 结 语

本文采用随机森林算法对利用小波变换融合GF-1和Sentinle-1A SAR的影像构建漓江流域典型地物高精度识别模型，并与GF-1图像构建漓江流域典型地物高精度识别模型作精度对比，结论如下：

（1）利用小波变换算法融合GF-1多光谱和VV极化的Sentinel-1A SAR后向散射系数影像，与光学影像相比，融合影像纹理特征明显，喀斯特地貌特征突出。

（2）在95%的置信区间内，随机森林算法利用两种遥感数据集对漓江流域各典型地物均具有较高的识别能力，总体分类精度不存在显著性差异，都达到94 %以上分类精度。但对于河流和阔叶林两种地物，GF-1图像数据的识别能力要好于GF-1和Sentinel-1A的融合图像。

（3）本文由于针叶林和阔叶林、旱地和居民地存在光谱相似性，导致地物之间存在不同程度的错分情况，分类精度不够准确。

后续研究将考虑引入纹理特征和多时相遥感数据集，通过整合面向对象的影像分析技术和深度学习算法，实现漓江流域典型地物的高精度智能识别，进而为漓江流域的合理开发和有效保护提供技术和理论参考。

参考文献

Luo B,Yang C,Chanussot J, et al.

Crop Yield Estimation based on Unsupervised Linear Unmixing of Multidate Hyperspectral Imagery

[J].IEEE Transactions on Geoscience and Remote Sensing,2013,51(1):162-173. doi:10.1109/TGRS.2012.2198826.

[本文引用: 2]

Liu Huanjun, Yang Haoxuan, Xu Mengyuan, et al.

Soil Classification based on Maximum Likelihood Method and Features of Multi-temporal Remote Sensing Images in Bare Soil Period

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018,34(14):132-139.

[本文引用: 1]

刘焕军,杨昊轩,徐梦园, 等.

基于裸土期多时相遥感影像特征及最大似然法的土壤分类

[J].农业工程学报,2018,34(14):132-139.

[本文引用: 1]

Fan Xuan, An Shaoshan, Xue Zhijinget al.

Analysis on Spatial Variablity of Soil Organic Carbon and Nitrogen based on REML and MOM in a Small Watershed on Loess Plateau

[J] Bulletin of Soil and Water Conservation, 2014,34(4):141-146.

[本文引用: 1]

方炫,安韶山,薛志婧, 等.

基于最大似然法与矩法的黄土高原小流域土壤碳氮空间变异分析

[J].水土保持通报,2014,34(4):141-146.

[本文引用: 1]

Zhang Jing, Liu Zhongbao, Song Wenai, et al.

Stellar Spectra Classification Method based on Multi-Class Support Vector Machine

[J]. Spectroscopy and Spectral Analysis, 2018,38(7):2307-2310.

[本文引用: 1]

张静,刘忠宝,宋文爱, 等.

基于多类支持向量机的恒星光谱分类方法

[J].光谱学与光谱分析,2018,38(7):2307-2310.

[本文引用: 1]

Liu Yi, Du Peijun, Zheng Hui, et al.

Classification of China Small Satellite Remote Sensing Image based on Random Forests

[J]. Science of Surveying and Mapping, 2012,37(4):194-196.

[本文引用: 1]

刘毅,杜培军,郑辉, 等.

基于随机森林的国产小卫星遥感影像分类研究

[J].测绘科学,2012,37(4):194-196.

[本文引用: 1]

Zhang Xiaoyu, Li Fengri, Zhen Zhen, et al.

Forest Vegetation Classification of Landsat 8 Remote Sensing Image based on Random Forests Model

[J]. Journal of Northeast Forestry University,2016,44(6):53-57, 74.

[本文引用: 2]

张晓羽,李凤日,甄贞, 等.

基于随机森林模型的陆地卫星-8遥感影像森林植被分类

[J].东北林业大学学报,2016,44(6):53-57, 74.

[本文引用: 2]

Fan Chi, Jiang Hong. Precise Extraction of Buildings' Information in WorldView2

Images based on Random Forests

[J]. Geospatial Information, 2016,14(1):58-62, 5.

[本文引用: 2]

范驰,江洪.

基于随机森林的WorldVew2i影像建筑物精细提取

[J].地理空间信息,2016,14(1):58-62, 5.

[本文引用: 2]

Deng Liuyang, Shen Zhanfeng, Ke Yingming, et al.

Winter Wheat Planting Area Extraction Using Multi-temporal Remote Sensing Images based on Field Parcel

[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 157-164.

[本文引用: 1]

邓刘洋,沈占锋,柯映明, 等.

基于地块尺度多时相遥感影像的冬小麦种植面积提取

[J].农业工程学报,2018,34(21):157-164.

[本文引用: 1]

Bao W X, Zhu X L.

A Novel Remote Sensing Image Fusion Approach Research based on HSV Space and Bi-orthogonal Wavelet Packet Transform

[J]. Journal of the Indian Society of Remote Sensing,2015,43(3).doi:10.1007/s12524-014-0430-4.

[本文引用: 1]

Miao Q G,Xu P F,Shi C.

A Novel Algorithm of Remote Sensing Image Fusion based on Shearlets and PCNN

[J].Neurocomputing,2013,117:47-53. doi:10.1016/j.neucom. 2012. 10.025.

[本文引用: 1]

Yang W, Wang J, Guo J.

A Novel Algorithm for Satellite Images Fusion based on Compressed Sensing and PCA

[J]. Mathematical Problems in Engineering, 2013(pt.11):708985,1-708985.10. doi:10.1155/2013/708985.

[本文引用: 1]

Liu Na, Tian Dawei.

Research on Image Fusion Algorithm based on Wavelet Transform

[J]. Modern Electronics Technique,2018,41(7):71-74, 79.

[本文引用: 2]

刘娜,田大为.

基于小波变换的图像融合算法研究

[J].现代电子技术,2018,41(7):71-74, 79.

[本文引用: 2]

Guo Zhiqiang.

Wavelet Transform Image Fusion based on Regional Features

[J]. Journal of Wuhan University of Technology,2005,27(2):65-67, 71.

[本文引用: 2]

郭志强.

基于区域特征的小波变换图像融合方法

[J].武汉理工大学学报,2005,27(2):65-67, 71.

[本文引用: 2]

Wang Linyan.

A Consideration of Country's Integrated Informing Experimental Area Construction of Guilin City from the View of Culture

[J]. Ecological Economy,2013(1):123-126.

[本文引用: 1]

王林燕.

从文化的视角思考桂林国家旅游综合改革试验区建设

[J].生态经济,2013(1):123-126.

[本文引用: 1]

Chang Lihong,Feng Xiangchu,Zhang Rui.

Image Fusion Scheme based on Quaternion Wavelet Transform and Sparse Representation

[J]. Systems Engineering and Electronics,2017,39(7):1633-1639.

[本文引用: 2]

常莉红,冯象初,张瑞.

四元数小波变换联合稀疏表示的图像融合

[J].系统工程与电子技术,2017,39(7):1633-1639.

[本文引用: 2]

Wu Xiaoyan, Chai Jing, Liu Fan, et al.

Remote Sensing Image Fusion based on Minimum Hausdorff Distance and Non-sampled Shearlet Transform

[J]. Acta Photonica Sinica,2018,47(2):181-192.

[本文引用: 2]

武晓焱,柴晶,刘帆, 等.

基于最小Hausdorff距离和NSST的遥感图像融合

[J].光子学报,2018,47(2):181-192.

[本文引用: 2]

Li Xu, Gao Yanan, Shigang Yue.

A Novel Scale-aware Pansharpening Method

[J]. Journal of Astronautics,2017,38(12):1348-1353.

[本文引用: 2]

李旭, 高雅楠, Shigang Yue.

一种尺度感知型遥感图像融合新方法

[J]. 宇航学报, 2017, 38(12): 1348-1353.

[本文引用: 2]

Mo Caijian, Tian Jianrong, Wu Fengqianget al.

Remote Sensing Images Fusion Algorithm based on Weighted Wavelet Analysis

[J]. Journal of Jilin University(Science Edition),2018,56(3):617-624.

[本文引用: 2]

莫才健,田健榕,武锋强,等.

基于加权小波分析的遥感图像融合算法

[J].吉林大学学报（理学版）,2018,56(3):617-624.

[本文引用: 2]

Yuan Guixia, Zhou Xianchun.

Remote Sensing Image Fusion Algorithm based on Biorthogonal Wavelet Transform Coupled with Regional Gradient Features

[J]. Optical Technique,2018,44(6):690-697.

[本文引用: 2]

袁桂霞,周先春.

基于双正交小波变换耦合区域梯度特征的遥感图像融合算法

[J].光学技术,2018,44(6):690-697.

[本文引用: 2]

Wan Jianhua, Zang Jinxia, Liu Shanwei.

Fusion and Classification of SAR and Optical Image with Consideration of Polarization Characteristics

[J]. Acta Optica Sinica,2017,37(6):284-293.

[本文引用: 1]

万剑华,臧金霞,刘善伟.

顾及极化特征的SAR与光学影像融合与分类

[J].光学学报,2017,37(6):284-293.

[本文引用: 1]

Lei Wu, Liao Wenjian, Peng Yanbing.

Search Rank Model based on Random Forests and LambdaMART

[J]. Computer and Modernization,2017(3):54-58.

[本文引用: 2]

雷武,廖闻剑,彭艳兵.

基于随机森林与LambdaMART的搜索排序模型

[J].计算机与现代化,2017(3):54-58.

[本文引用: 2]

Liu Jiafu, Li Linfeng, Ren Chunyinget al.

Information Extraction of Coastal Wetlands in Yellow River Estuary by Optimal Feature-based Random Forest Model

[J] Wetland Science,2018,16(2):97-105.

[本文引用: 2]

刘家福,李林峰,任春颖, 等.

基于特征优选的随机森林模型的黄河口滨海湿地信息提取研究

[J].湿地科学,2018,16(2):97-105.

[本文引用: 2]

Liu Shu, Jiang Qigang, Ma Yueet al.

Object-oriented Wetland Classification based on Hybrid Feature Selection Method Combining with Relief F,Multi-objective Genetic Algorithm and Random Forest

[J]. Transactions of the Chinese Society for Agricultural Machinery,2017,48(1):119-127.

[本文引用: 2]

刘舒,姜琦刚,马玥, 等.

基于多目标遗传随机森林特征选择的面向对象湿地分类

[J].农业机械学报,2017,48(1):119-127.

[本文引用: 2]

Zhan Guoqi, Yang Guodong, Wang Fengyanet al.

The Random Forest Classification of Wetland from GF-2 Imagery based on the Optimized Feature Space

[J] Journal of Geo-Information Science,2018,20(10):1520-1528.

[本文引用: 1]

詹国旗,杨国东,王凤艳, 等.

基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究

[J].地球信息科学学报,2018,20(10):1520-1528.

[本文引用: 1]

Ma Yue, Jiang Qigang, Meng Zhiguoet al.

Classification of Land Use in Farming Area based on Random Forest Algorithm

[J]. Transactions of the Chinese Society for Agricultural Machinery,2016,47(1):297-303.

[本文引用: 1]

马玥,姜琦刚,孟治国, 等.

基于随机森林算法的农耕区土地利用分类研究

[J].农业机械学报,2016,47(1):297-303.

[本文引用: 1]

Zhang Yingying, Cai Xiaobin, Song Xinxinet al.

Remote Sensing Information Extraction of Hydrophyte in Honghu Lake based on Decision Tree

[J]. Wetland Science,2018,16(2):213-222.

[本文引用: 1]

张莹莹,蔡晓斌,宋辛辛, 等.

基于决策树的洪湖水生植物遥感信息提取

[J].湿地科学,2018,16(2):213-222.

[本文引用: 1]

He Yuanhuizi, Wang Changlin, Jia Huicong,et al.

Research on Extraction of Winter Wheat based on Random Forest

[J]. Remote Sensing Technology and Application, 2018,33(6):1132-1140.

[本文引用: 2]

贺原惠子,王长林，贾慧聪, 等.

基于随机森林算法的冬小麦提取研究

[J].遥感技术与应用,2018,33(6):1132-1140.

[本文引用: 2]

Liu Biao, Lu Zhe, Huang Yu-wei,et al.

Comparative Study on Neural Network Structures in Power Analysis

[J]. Journal of Shandong University(Natural Science Editon),2019,54(1):60-66，78.

[本文引用: 1]

刘飚,路哲,黄雨薇, 等.

神经网络结构在功耗分析中的性能对比

[J].山东大学学报(理学版),2019,54(1):60-66，78.

[本文引用: 1]

Mo Lijiang, Cao Yu, Hu Yuanman， et al

. Object-oriented Classification for Satellite Remote Sensing of Wetlands: A Case Study in Southern Hangzhou Bay Area

[J]. Wetland Science,2012,10(2):206-213.

[本文引用: 1]

莫利江,曹宇,胡远满, 等.

面向对象的湿地景观遥感分类——以杭州湾南岸地区为例

[J].湿地科学,2012,10(2):206-213.

[本文引用: 1]

Zhang Ci, Zang Shuying, Jin Zhu， et al.

Remote Sensing Classification for Zhalong Wetlands based on Support Vector Machine

[J]. Wetland Science,2011,9(3):263-269.

张策,臧淑英,金竺, 等.

基于支持向量机的扎龙湿地遥感分类研究

[J].湿地科学,2011,9(3):263-269.

/

〈 〉