基于光学和微波遥感数据的普洱市思茅区森林植被分类

Classification of forest vegetation in Simao District,Pu’er City based on optical and microwave remote sensing data

森林植被分类是森林保护和经营管理的基础,不同森林植被类型在遥感图像上呈现不同的光谱和纹理结构特征,为利用遥感技术进行大面积森林植被分类提供了可能。以云南省普洱市思茅区为研究区,以2016年相同时相不同云量的Landsat 8光学遥感数据和Sentinel-1微波遥感数据为数据源,结合2016年云南省森林资源现地调查数据,采用图像融合PCA变换法、Gram-Schmidt变换法、NNDiffuse变换法对Landsat 8和Sentinel-1数据进行影像融合,采用最大似然分类法和人工神经网络分类法对思茅区森林植被进行分类。研究结果表明:1)人工神经网络分类法的分类精度高于最大似然分类法,其中在PCA和Gram-Schmidt变换融合后的分类精度要略高于NNDiffuse变换融合后的分类精度;2)在低云量数据中,基于Gram-Schmidt变换融合后的人工神经网络分类效果最佳,总体精度达87.12%,Kappa系数为0.851 8;在高云量数据中,基于NNDiffuse变换融合后的人工神经网络分类效果最佳,总体精度达73.92%,Kappa系数为0.699 4。