GEE遥感特征混合优选提升高海拔树种分类精度

摘要

【目的】高海拔地区森林资源动态监测面临云雾干扰、训练样本匮乏及树种光谱相似性高等多重瓶颈，严重制约了优势树种空间分布的精准制图。本研究以香格里拉市典型纯林为对象，旨在利用多源遥感数据与多策略特征优选方法提升树种识别精度与模型泛化能力。【方法】研究基于GEE平台获取Sentinel-2光学时序、Sentinel-1雷达数据及SRTM地形数据，提取光谱、纹理、植被指数、雷达极化、地形及时序特征，构建基础特征集。采用随机森林（RF）模型确定特征优选前的最优方案后，并行J-M距离、ReliefF和RFE算法构建单一特征集，同时对这3种特征集进行并集融合构建并行混合特征集。将单一优选与并行混合特征集分别代入RF模型重新分类，对比优选前后方案确定最优分类方案。采用生产者精度（PA）、用户精度（UA）、调和平均值（F₁）、总体精度（OA）和Kappa系数评价分类精度。【结果】（1）基于J-M距离、ReliefF和RFE并行混合的特征优选方案9精度最高（OA为94.82%,Kappa系数为0.94），优于特征优选前的最优方案5。（2）多源遥感数据协同分类效果优于单一数据源，仅使用Sentinel-2数据的OA为83.35%（Kappa系数0.79）；依次引入Sentinel-1雷达特征、Sentinel-1的纹理特征、地形特征和Sentinel-2时序特征后，OA分别提升了0.87、6.28、8.08、10.18个百分点（Kappa系数分别为0.81、0.86、0.90、0.92），其中Sentinel-2时序特征的引入使分类精度提升了2.10个百分点。（3）植被指数时序曲线分析表明，优势树种在秋冬季节差异显著，可分离性强。【结论】基于GEE平台多源遥感数据协同J-M距离-ReliefF-RFE并行混合特征优选有效提升了香格里拉森林优势树种的识别精度，系统揭示了其空间分布格局，为高海拔地区森林资源的精准监测提供了技术支撑。

关键词

树种分类 / 多源遥感数据 / 并行混合特征选择 / Sentinel-2时序 / Google Earth Engine(GEE) / 随机森林(RF) / 递归特征消除(RFE) / J-M距离 / 香格里拉