哨兵光学及SAR卫星影像协同分类研究

针对光学遥感影像中云及云阴影以及微波影像中叠掩、阴影、透视收缩等导致的地物信息缺失对分类、定量反演造成的不利影响,以光学卫星哨兵二号(S2)、SAR卫星哨兵一号(S1)影像为例,将R语言随机森林(RF)、支持向量机(SVM)、人工神经网络(ANN)机器算法引入光学微波遥感图像协同分类研究中.研究表明:协同S1,S2各自优势,可充分协同地物的光谱特征、微波后向散射、极化分解等信息,有效减轻S2云、云阴影以及S1影像地物信息缺失对地类识别造成的不利影响.采用RF交叉验证函数(RFCV)和IncNodepurity(节点纯度总增加)值确定RF最优分类因子,采用varImp函数以及按分类因子重要性逐个添加法可选取ANN、SVM最优分类因子.RF算法分类精度较高,适用于样点分布随机、均匀的研究区,研究区不同地类面积从大到小依次为灌草、其他、落叶林、草地、常绿林、混交林、水体.协同分类结果表明,光学、微波影像协同法、最优因子选择法以及R语言遥感数据处理方法在影像分类中应用效果较好.