中山大学地理科学与规划学院 / 美国俄亥俄州辛辛那提大学
《Remote Sensing》影响因子：3.244
红树林是一种宝贵资源，红树林生态系统是世界上生产力最高的四大生态系统之一，具有重大的生态和经济价值，遥感技术因其覆盖面积大、数据更新周期短、空间分辨率 高等特点，已成为国内外红树林监测的主要技术之一。
本文以S185机载高光谱数据为实例，利用CART与CFS进行特征波长的选取，结合面向对象的KNN与SVM分类算法对广东省珠海市淇澳岛自然风景区的红树林进行树种分类研究，分类精度分别达到了76.12% (Kappa = 0.73) and 82.39% (Kappa = 0.801);通过将DSM数据获取的高程信息与S185机载高光谱数据相结合进行分类，KNN与SVM的分类精度分别提高到了82.09%(Kappa = 0.797) and 88.66% (Kappa = 0.871)。本文结果表明基于S185的机载高光谱数据可用于红树林的分类，也为基于高光谱影像的多源数据处理方法提供了一定的参考价值。
图1 左侧为本试验研究区域，右侧为S185机载高光谱成像仪数据的RGB合成图
图2 UAV搭载S185机载高速成像光谱仪
表1 红树林地面训练集与验证集的选取与划分
图3 不同红树林树种的S185反射光谱数据
图4 (a)为研究区域DSM的3D显示，(b)为不同树种的平均高度信息
图5 基于S185机载高光谱数据的红树林面向对象分类研究流程图
图6.基于不同特征参数不同分类算法的影像分类结果图
(a) (b): 基于CART选取的32特征波段的KNN与SVM分类结果
(c) (d): 基于CART选取的32特征波段与植被指数、纹理特征的KNN与SVM分类结果
(e) (f): 基于CART选取的32特征波段与高程信息的KNN与SVM分类结果
(g) (h): 基于CART选取的32特征波段与植被指数、纹理特征、高程信息的KNN与SVM分类结果
(i ) (j): 基于CFS选取的14种特征参量(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 基于不同特征参量的KNN分类算法的分类结果
表3 基于不同特征参量的SVM分类算法的分类结果
结论：
1 对比了KNN与SVM的分类精度，其中SVM的算法要优于KNN，其与树林的高程数据结合使得分类精度高达88.66% (Kappa = 0.871);
2 通过数据降维可以提高SVM算法的分类精度与分类能力;
3 将高精度的光谱信息(包含植被指数)与高精度的空间信息(包含纹理特征与高程信息等)相结合可获得高精度的红树林分类结果，尤其是树林的高程信息能够有效解决同谱异物、异物同谱的分类难题。
原文链接：http://www.mdpi.com/2072-4292/10/1/89/htm
