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ω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
