基于Sentinel-2多维特征融合的铁岭市优势树种分类

摘要

针对Sentinel-2数据在面对光谱相似树种时区分能力弱的问题，以辽宁省铁岭市为研究区，构建基于谷歌地球引擎（google earth engine,GEE）云平台的多维特征融合分类体系。整合Sentinel-2多时相数据，采用多维特征统计方法，提取光谱与植被指数的分位数、极值及标准差特征，并结合地形、纹理、物候与谐波特征6类共120个特征，设计多种特征组合方案。采用分层分类策略，结合随机森林算法，最终实现油松、樟子松、落叶松、杨树、果树、蒙古栎和刺槐7类优势树种的精细分类。结果表明，多维时序统计特征有效捕捉树种间细微差异；樟子松与油松的含水量差异可通过多种植被指数表征；地形、纹理特征对落叶树种区分具有决定性作用。常绿与落叶树种分类总体精度分别达94.7%和88.1%;6种特征组合方案总体精度均超过77.9%。研究结果证实多维特征统计方法与谷歌地球引擎（google earth engine,GEE）平台相结合，能充分挖掘Sentinel-2数据多波段优势，通过时序特征解析显著提升大区域树种分类能力，为大尺度森林资源动态监测提供经济高效的解决方案。其云端处理模式具备向更大地域范围推广的潜力。

关键词

树种分类 / 时序统计特征 / 多特征融合 / 随机森林算法 / 谷歌地球引擎(google earth engine,GEE)