引用本文
周晓宇, 陈富龙, 姜爱辉. 基于SVM雷达卧龙大熊猫栖息地森林成图[J]. 国土资源遥感, 2017,29(3): 85-91
ZHOU Xiaoyu, CHEN Fulong, JIANG Aihui. SVM-based forest mapping of Wolong Giant Panda Habitat using SAR data[J]. REMOTE SENSING FOR LAND & RESOURCES,2017,29(3): 85-91  
doi: 10.6046/gtzyyg.2017.03.12
Permissions
Copyright©2017, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于SVM雷达卧龙大熊猫栖息地森林成图
周晓宇1,2, 陈富龙1,3, 姜爱辉4
1.中国科学院遥感与数字地球研究所数字地球重点实验室,北京 100094
2.中国科学院大学,北京 100049
3.联合国教科文组织国际自然与文化遗产空间技术中心,北京 100094
4.山东科技大学测绘科学与工程学院,青岛 266590
通信作者：陈富龙(1980-),男,百人计划研究员,研究方向为对地观测技术在自然与文化遗产地的探测、监测、预警与评估。Email:chenfl@radi.ac.cn。

第一作者: 周晓宇(1992-),男,硕士,研究方向为雷达遥感世界自然遗产监测与评估。Email:zhouxiaoyu14@mails.ucas.ac.cn。

收稿日期: 2015-12-22
基金项目: 国家国际科技合作专项项目“全球变化对世界遗产影响空间精细观测与认知”(编号: 2013DFG21640)和中国科学院“百人计划”项目“雷达遥感考古机理与方法示范研究”(编号: Y5YR0300QM)共同资助
摘要

卧龙自然保护区(世界自然遗产地)是大熊猫最主要的栖息地之一。结合雷达遥感全天时、全天候观测优势,以及森林覆盖对栖息地生境评价的重要性,开展多时相、双极化雷达数据森林精细成图研究就显得尤为重要。本研究首先对雷达数据进行辐射地形校正; 然后选用5个时相ALOS PALSAR数据,采用支持向量机(support vector machine, SVM)方法进行森林精细成图。研究选取了5个多时相、双极化典型特征信息参与初始训练和分类,即 HHm, HVm, TSD, HHm- HVm和 HHm/ HVm; 接着通过对不同信息组合分类精度的试验与对比,获取了最优特征组合 HHm, HVm, TSD, HHm- HVm。对应分类总体精度、森林及非森林类别用户精度分别为86.90%,82.34%和92.83%,显著优于单时相单极化数据分类结果(分类总体精度55.47%)。研究结果验证了多时相、双极化雷达遥感数据在自然遗产地森林精细成图中的有效性,并揭示了雷达遥感在多云多雨地区生境监测与评价中的潜力与应用价值。

关键词: 多时相; 双极化; ALOS PALSAR; 支持向量机; 森林精确制图; 世界自然遗产地
文献标志码:A 文章编号:1001-070X(2017)03-0085-07
SVM-based forest mapping of Wolong Giant Panda Habitat using SAR data
ZHOU Xiaoyu1,2, CHEN Fulong1,3, JIANG Aihui4
1. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
2. University of Chinese Academy of Sciences, Beijing 100049, China
3. International Centre on Space Technologies for Natural and Cultural Heritage Under the Auspices of UNESCO, Beijing 100094, China
4. College of Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
Abstract

Generally, the conservation of Wolong Giant Panda Habitat (Natural World Heritage site) is significant for the sustainability of the rare species of Giant Panda. As we know, forest coverage can be an essential impact on the suitability of the habitat. Owing to the all-weather, all-day operation capability of radar systems, in this study, the authors investigated the performance of Synthetic Aperture Radar (SAR) images in fine mapping of forests using multi-temporal/polarization PALSAR data. The authors firstly corrected the radiometric distortion of SAR data induced by the cliffy topography; then the authors selected 5 different temporal acquisitions for the forest mapping using the Support Vector Machine (SVM) approach. 5 multi-temporal/dual-polarization indexes, i.e., HHm, HVm, TSD, HHm- HVm and HHm/ HVm, were applied for the training and classification. Experimental results demonstrated that the combination of HHm, HVm, TSD and HHm- HVm derived an optimal classification (e.g., total accuracy and user accuracy of forest/non-forest were 86.90%,82.34% and 92.83%, respectively), better than the single-temporal/polarization mode (total classification accuracy of 55.47%). This study shows the effectiveness of multi-temporal/polarization SAR data in forest fine mapping, particularly in the monitoring and evaluation of natural heritage sites located in cloudy and rainy environments.

Keyword: multi-temporal; dual-polarization; ALOS PALSAR; support vector machine(SVM); forest mapping; world natural heritage site
0 引言

目前, 我国共拥有世界遗产48项, 总数为全球第二位, 其中自然遗产10项, 自然与文化双遗产4项。在拥有如此多世界自然遗产地的同时, 相应的保护和管理则存在着种种问题, 其中地质灾害威胁尤为突出。通常自然遗产地位于山区, 且为地震多发的地区[1], 灾害的发生会对当地的植被与生态产生重大影响。例如, 汶川大地震及其次生灾害造成该区域多个大熊猫自然保护区不同程度地受损, 也引发了森林的大面积丧失或质量下降[2]。

为了对森林受损情况进行客观、近实时监测, 同时评估森林对全球气候变化和生物多样性的影响, 亟需对自然遗产地等典型、敏感区域生态状况以及植被覆盖进行精确分类制图[3]。人工森林调查费时费力且无法短时间内获得大范围的信息。相对而言, 遥感技术是一种快速高效的新型手段; 然而在多云多雨地区, 云层与浓雾限制了光学遥感数据的应用[4]。得益于合成孔径雷达全天时、全天候观测特性, 该技术在森林/非森林精确分类制图中正引起日益广泛关注[4, 5, 6, 7, 8]。然而由于雷达成像的复杂性以及影像特性集间的混淆性, 目前仍无成熟的分类器能很好地解决多时相、双极化雷达影像精细森林制图等行业的应用问题[9, 10, 11]。

支持向量机(support vector machine, SVM)是一个在模式识别和机器学习领域的成功方法, 它能够利用Kernel理论处理线性不可分类别, 具有小样本训练、支持高维特征空间的特点。目前, 它已广泛应用于各类遥感应用研究中, 如遥感图像分类[12]、遥感影像分割[13]及混合像元分解[14]等。然而该方法在雷达数据精细分类制图方面的应用还较少。综合四川大熊猫栖息地多云多雨气候特性, 本研究以多时相、双极化L波段PALSAR为主要数据源, 利用支持向量机对影像特征的甄别与提取能力, 开展自然遗产地森林精细分类制图的研究。由于研究区为陡峭山区, 雷达斜距成像可导致几何畸变, 并影响雷达后向散射系数与后期地物分类[15, 16], 因此在建立分类模型前需对雷达数据进行辐射地形校正。

1 研究区概况与实验数据
1.1 研究区概况

本研究以四川卧龙大熊猫自然保护区为研究区。该区位于成都平原西边的阿坝藏族羌族自治州汶川县境内, 邛崃山脉的东南坡, 位于E102° 52'~103° 24', N30° 45'~31° 25'之间, 东西宽60 km, 南北长63 km, 总面积约2 000 km2, 面积居大熊猫栖息地的第二位[17]。其位置图如图1所示。该区域属于青藏高原气候带, 是典型的亚热带内陆山地气候, 年温差较小, 干湿季节分明。区内植被物种丰富, 主要有铁杉、岷江冷杉、麦吊云杉、四川红杉以及拐棍竹、冷箭竹、短锥玉山竹等[18], 是大熊猫的主要栖息地。2006年世界遗产大会上批准将该保护区列入世界自然遗产名录。2008年发生的汶川大地震对该保护区的植被产生了严重而长期的影响。许多研究人员曾对其受损程度进行了评估, 并提出了相应的恢复对策[2]。由于受地震以及当地地质地貌特点的影响, 近年山体滑坡、泥石流等次生灾害频繁发生, 对保护区植被造成了持续的损害。

图1 四川卧龙大熊猫栖息地自然保护区位置图Fig.1 Nature reserve areas in Sichuan Province as well as the study region

1.2 数据介绍

2006年, 日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency, JAXA)发射了先进陆地观测卫星(advanced land observing satellite, ALOS), 该卫星上搭载了2个光学传感器和1个相控阵型合成孔径雷达(phased array type L-band synthetic aperture Radar, PALSAR)。PALSAR以波长较长的L波段(23.6 cm)为工作波段, 这使其在森林/非森林精确分类制图方面具有优势[7]。该传感器提供了两种精细获取模式, 分别是精细波束单极化模式(fine beam single-polarization, FBS), 提供HH或VV单极化数据; 精细波束双极化模式(fine beam dual-polarization, FBD), 提供(HH+HV)或(VV+VH)双极化数据。为了利用多时相、双极化信息进行森林/非森林精确分类制图, 本研究共获取了覆盖研究区的5个时相PALSAR数据, 其中3景为FBS模式的HH极化数据以及2景为FBD模式的(HH+HV)数据, 具体细节见表1。

表1 ALOSPALSAR数据信息 Tab.1 Data acquisitions of ALOS PALSAR

从美国地质调查局(United States Geological Survey, USGS)网站免费下载了研究区3-arcsecond的SRTM数据, 用于PALSAR数据的地理编码和辐射地形校正。同时, 还收集了2011年研究区部分高分辨率(4 m)航空真彩色图像, 用于样本像元的选取、分类模型的建立以及试验结果的验证。

2 数据处理与研究方法
2.1 PALSAR数据处理

本研究获得的PALSAR数据为1.0级原始数据, 利用GAMMA软件进行相应的处理, 包括1.0级数据生成1.1级单视复数数据、辐射定标、影像配准、多视处理、滤波处理以及地理编码和辐射地形校正。由于研究区为山区, PALSAR数据的后向散射受斜坡的影响显著, 阴影、叠掩和透视收缩现象在不同程度上可造成几何与辐射失真。因此, 本研究对辐射定标与地理编码后的雷达幅度数据进行了辐射地形校正, 表达式为[19, 20]

γ 0=σ 0 AflatAslopecosθrefcosθlocn, (1)

式中: γ 0为地形校正后的雷达后向散射系数; σ 0为雷达后向散射系数; Aflat为PALSAR数据在理想平面地形下的像元大小; Aslope为山区地形下真实的PALSAR局地像元大小; θ loc为局地入射角; θ ref为雷达图像中心的入射角; n为光学冠层厚度(取值范围是0~1), 由于实际研究中该数值很难获得, 本研究与其他很多研究一致将其设置为1[21, 22]。经过以上处理得到多时相、双极化后向散射雷达数据集; 然后利用研究区范围的矢量图对其进行裁剪, 最终得到研究区的多时相、双极化数据集, 以便后期分类使用。

2.2 样本选取

本研究主要根据2011年获取的高分辨率航空影像图选择样本像元, 并人工判读确定其类别。由于航空影像图与PALSAR数据间存在几何位置误差[23], 因此为了得到准确的样本像元类别信息, 选择大范围的均一地物作为样本像元, 以确保样本像元的典型性与类别可靠性, 如图2所示(样本像元在红色线、黄色线标注均质范围内选择)。为了进一步控制样本像元选取的误差, 部分小样本像元选取参考了Google Earth高分辨率影像。由该样本范围生成相应的KMZ数据, 加载到Google Earth平台上目视检验样本的正确性[24]。具体样本像元类别及数量见表2。

表2 样本像元信息 Tab.2 Information of sample pixels

图2 研究区RGB真彩色航拍与子区局部放大图Fig.2 RGB true-color aerial photo of the study area and its corresponding subzone images in full resolution

2.3 多时相后向散射信息

结合本研究目的以及前人相关的研究成果[11], 共选取了以下多时相信息指数, 包括HH多时相平均值HHm, 即

HHm= 1N∑i=1Nγ (HH )i0, (2)

HV多时相平均值HVm, 即

HVm= 1N∑i=1Nγ (HV )i0(3)

HH极化的时相标准偏差(temporal standard deviation, TSD), 即

TSD= 1N-1∑i=1N[γ(HH)i0-HHm]212, (4)

式中: N为数据集的大小, 其中HH极化数据5景和HV极化数据2景; i为数据的序号; γi0为第i个经辐射地形校正后的后向散射数据, 有HH和HV两种不同极化。除了以上3种多时相信息, 研究中结合单时相HH极化与HV极化的差值和比值在植被分类中的有效性[25], 引入了HH-HV和HH/HV指数; 为了进一步抑制斑噪的影响, 还采用了多时相平均指数HHm-HVm和HHm/HVm。

2.4 支持向量机(SVM)方法

2.4.1 原理简介

1995年, Cortes C和Vapnik V[26]提出了SVM算法, 它是基于结构风险最小化原理获取的一个最优分类面。在线性不可分情况下, 传统的分类方法往往无法取得合理且可靠的分类结果, 而SVM为解决此类问题提供了可行的工具。它能将低维空间线性不可分的数据通过非线性变换映射到高维空间, 进而使得数据变得线性可分。针对森林与非森林类别(2分类问题), SVM基本原理如下(具体细节及多类SVM请参考文献[27]): 对于二维线性不可分情况, 该算法寻找一个分类超平面H, 使得2类数据到该平面尽可能地远。针对低维样本集合T={(x1; y1), (x2; y2), …, (xp; yp)}, 其中x为低维样本向量, y为类别标签(在2分类问题中取值0或1), p为样本数。该方法需要根据最优化理论和核函数方法获取最终决策函数, 即

f(x)= ∑j=1pxjα jK(xj, x)+b , (5)

式中: α j为Lagrange 乘子; K(xj, x)为核函数; b为偏置常数。对于任何一个给定的x都能够通过f(x)给出一个近似类别y。

2.4.2 核函数和参数的选取及算法实现

核函数的构造可避免参量在高维空间的运算, 利用线性判别函数代替非线性判别函数, 实现算法的复杂程度与所选样本的维度无关, 降低计算量。不同的核函数所产生的支持向量机也不同, 可在特征空间对应不同的最优分类超平面, 造成分类结果的不同。

核函数K(xj, xk)=φ (xj)φ (xk)一定是满足Mercer条件的对称函数。目前普遍应用的核函数可包括线性核函数、多项式核函数、径向基核函数(radius basis function, RBF), 又叫高斯核函数、以及Sigmoid函数4大类。本研究选用RBF核函数。此函数相比其他核函数的优势在于其模型确定较为简单, 数值限制条件少, 并且在遥感分类研究中已被证实精度相对较高[28, 29]。其表达为

K(xj, xk)=exp(-t||xj-xk||2) , (6)

式中: j和k为向量序号; t为RBF核函数的待确定的参数, 可影响SVM算法最终的效果。除了此参数, 误差惩罚参数C在决定SVM性能等方面影响显著[28]。

研究选用网格寻优法确定误差惩罚参数C和RBF核函数参数r。该方法是在各个参数阈值范围内, 按照参数的一定步长进行尝试训练, 进而确定最优的一组参数。研究基于开源软件LibSVM[30]和Matlab共同实现网格寻优函数以及SVM的分类, 具体算法见文献[31]。本研究整体数据处理及方法流程如图3所示。

图3 本实验研究流程图Fig.3 Flow chart of data processing and methodology in this study

3 结果与讨论
3.1 结果分析

将5个时相ALOS PALSAR数据进行相应处理, 得到研究区多时相、双极化雷达后向散射数据集。对该数据集进行多时相信息提取, 得到5个多时相信息, 分别为HHm, HVm, TSD, HHm-HVm和HHm/HVm。为了验证多时相、双极化雷达遥感数据在自然遗产地森林精细成图的有效性, 本研究将参与分类的信息分为3类: ①单时相单极化信息(HHs); ②多时相单极化信息(HHm和TSD); ③多时相双极化信息(HVm, HHm-HVm和HHm/HVm)。考虑到5个时相HH极化和2个时相HH/HV极化数据组合, 实验设计按简单到复杂模式进行, 即单时相单极化— 多时相单极化— 多时相双极化, 并最终确定8组信息组合。然后, 利用选取的样本像元, 建立SVM模型, 试验并检验森林与非森林的分类精度。具体信息如表3所示。

表3 8组不同信息组合的分类精度 Tab.3 Classification accuracy for 8 different combinations

由表3可知, 首先仅仅利用单时相单极化信息对森林与非森林进行分类精度较低(55.47%); 表4为相应的分类混淆矩阵, 森林和非森林类别的用户精度分别为55.11%和44.18%, 均达不到实践应用需求。多时相单极化信息的引入能提高分类精度, 其中HHm和TSD的组合得到分类精度为71.30%; 其对应的混淆矩阵见表5, 森林和非森林类别的用户精度均有较显著的提高, 达到了85.09%和70.05%, 能够满足一般性的应用需求。最后, 本研究考虑多时相双极化信息进行森林/非森林分类, 其最优信息组合为HHm, HVm, TSD及HHm-HVm, 总体精度(86.90%)相比于多时相单极化信息得到进一步提高, 对应混淆矩阵如表6所示, 即仅考虑非森林类别, 该信息组合用户精度能够保证92.83%的精度。

表4 单时相PALSAR(HH)分类混淆矩阵 Tab.4 Confusion matrix for the single PALSAR (HH) acquisition
表5 多时相单极化PALSAR(HH)分类混淆矩阵 Tab.5 Confusion matrix for multi-temporal/single-polarization PALSAR (HH) acquisitions
表6 多时相双极化PALSAR分类混淆矩阵 Tab.6 Confusion matrix for multi-temporal/dual-polarization PALSAR acquisitions
3.2 讨论

由上述结果可知, 多时相双极化信息组合能够提供最优的总体分类精度和非森林类别的用户精度。相比较而言, 单时相单极化分类效果较差, 无法满足应用需求。因此利用多时相双极化信息进行森林/非森林精确制图是很有必要的。研究过程中发现TSD可提高单独利用HHm的分类精度。这是因为TSD反映了多时相数据获取时间内新增退化模式、并可降低误差[11]。同时研究发现, 单独使用TSD无法判定类别未变区域的地物类别以及森林与非森林的精确制图; 因此该信息需要同HHm集成。HV极化对于植被体散射敏感, HVm的引入可显著提高总体分类精度。研究还发现HHm-HVm信息可进一步提高分类精度; 而HHm/HVm信息由于对森林与非森林类别辨别能力差[25, 32], 因此对精度提高贡献不显著。经由上述分析, 试验最终确定的最优分类特征信息组合为HHm, HVm, TSD及HHm-HVm。

利用最优分类信息组合, 基于SVM分类方法对研究区进行了森林与非森林精细分类成图, 其结果如图4所示。森林主要分布在试验区的中部及东南部; 其中西部海拔较高, 森林仅生长在较低海拔处并呈条状分布。然而由于雷达斜距成像, 在地形陡峭的山区(易引发叠掩和阴影效应), 造成观测区部分植被分布信息的缺失(如图4无值区)。因此, 融合集成光学和雷达2种数据, 开展栖息地森林精细制图和动态监测将是后期工作的努力方向。总体而言, 由于雷达遥感能穿云避雨, 本研究方法在多云多雨的热带亚热带地区监测与评估中具有一定优势。

图4 研究区森林/非森林精细分类专题图Fig.4 Thematic map of forest and non-forest classification derived in this study

4 结论

基于多时相、双极化ALOS PALSAR雷达数据, 本研究针对世界自然遗产地-卧龙大熊猫自然保护区进行了森林/非森林精确分类制图研究。结合新兴分类方法SVM的训练选取最优分类信息组合以及森林精细成图, 验证了多时相、双极化雷达信息在森林成图中的有效性。

1)相比于单极化HH数据, 多时相单极化信息组合(HHm和TSD)能够显著提高分类精度(从55.47%提高到71.30%), 对应森林类别的用户精度达到85.09%, 能基本满足一般应用需求。

2)由于交叉极化HV对体散射敏感, 本研究在多时相单极化组合中引入HV极化信息以及相应的组合(HHm-HVm和HHm/HVm)。通过比较不同组合的分类精度, 选取的最优分类信息组合为HHm, HVm, TSD及HHm-HVm; 对应试验区分类精度达到了86.90%, 森林和非森林类别的用户精度分别为82.34%和92.83%。结合雷达全天时、全天候等观测优势, 本研究结果可望推广到多云多雨地区森林退化监测与评估等应用研究中。

志谢: 感谢美国地质调查局(USGS)提供的SRTM数字高程数据, 感谢阿拉斯加卫星站(ASF)提供的ALOS PALSAR数据。

The authors have declared that no competing interests exist.

参考文献
[1] 孙克勤. 中国的世界自然遗产战略管理研究[J]. 中国人口·资源与环境, 2011, 21(3): 547-550.
Sun K Q. Study on strategic management of world natural heritage in China[J]. China Population, Resources and Environment, 2011, 21(3): 547-550. [本文引用:1]
[2] 申国珍, 谢宗强, 冯朝阳, 等. 汶川地震对大熊猫栖息地的影响与恢复对策[J]. 植物生态学报, 2008, 32(6): 1417-1425.
Shen G Z, Xie Z Q, Feng C Y, et al. Influence of the Wenchuan earthquake on giant pand a habitats and strategies for restoration[J]. Journal of Plant Ecology, 2008, 32(6): 1417-1425. [本文引用:2]
[3] Malhi Y, Roberts J T, Betts R A, et al. Climate change, deforestation, and the fate of the Amazon[J]. Science, 2008, 319(5860): 169-172. [本文引用:1]
[4] Avtar R, Takeuchi W, Sawada H. Full polarimetric PALSAR-based land cover monitoring in Cambodia for implementation of REDD policies[J]. International Journal of Digital Earth, 2013, 6(3): 255-275. [本文引用:2]
[5] 严婷婷, 边红枫, 廖桂项, 等. 森林湿地遥感信息提取方法研究现状[J]. 国土资源遥感, 2014, 26(2): 11-18. doi: 106046/gtzyyg. 2014. 02. 03.
Yan T T, Bian H F, Liao G X, et al. Research status of methods for mapping forested wetland s based on remote sensing[J]. Remote Sensing for Land and Resources, 2014, 26(2): 11-18. doi: 10.6046/gtzyyg.2014.02.03. [本文引用:1]
[6] Schlund M, von Poncet F, Hoekman D H, et al. Importance of bistatic SAR features from TanDEM-X for forest mapping and monitoring[J]. Remote Sensing of Environment, 2014, 151: 16-26. [本文引用:1]
[7] Rahman M M, Tetuko Sri Sumantyo J. Quantifying deforestation in the Brazilian Amazon using Advanced Land Observing Satellite Phased Array L-band Synthetic Aperture Radar(ALOS PALSAR) and Shuttle Imaging Radar(SIR)-C data[J]. Geocarto International, 2012, 27(6): 463-478. [本文引用:2]
[8] Næsset E, Gobakken T, Solberg S, et al. Model-assisted regional forest biomass estimation using LiDAR and InSAR as auxiliary data: A case study from a boreal forest area[J]. Remote Sensing of Environment, 2011, 115(12): 3599-3614. [本文引用:1]
[9] Almeida-Filho R, Rosenqvist A, Shimabukuro Y E, et al. Detecting deforestation with multitemporal L-band SAR imagery: A case study in western Brazilian Amazônia[J]. International Journal of Remote Sensing, 2007, 28(6): 1383-1390. [本文引用:1]
[10] Santoro M, Fransson J E S, Eriksson L E B, et al.Clear-cut detection in Swedish boreal forest using multi-temporal ALOS PALSAR backscatter data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2010, 3(4): 618-631. [本文引用:1]
[11] Whittle M, Quegan S, Uryu Y, et al. Detection of tropical deforestation using ALOS-PALSAR: A Sumatran case study[J]. Remote Sensing of Environment, 2012, 124: 83-98. [本文引用:3]
[12] 李亮, 应国伟, 文学虎, 等. 融合时间特征的高分辨率遥感影像分类[J]. 国土资源遥感, 2016, 28(2): 91-98. doi: 106046/gtzyyg. 2016. 02. 15.
Li L, Ying G W, Wen X H, et al. Classification of high spatial resolution remotely sensed images by temporal feature fusion[J]. Remote Sensing for Land and Resources, 2016, 28(2): 91-98. doi: 10.6046/gtzyyg.2016.02.15. [本文引用:1]
[13] Song M J, Civico D. Road extraction using SVM and image segmentation[J]. Photogrammetric Engineering and Remote Sensing, 2004, 70(12): 1365-1371. [本文引用:1]
[14] Brown M, Lewis H G, Gunn S R. Linear spectral mixture models and support vector machines for remote sensing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2346-2360. [本文引用:1]
[15] Attarchi S, Gloaguen R. Improving the estimation of above ground biomass using dual polarimetric PALSAR and ETM+ data in the Hyrcanian mountain forest(Iran)[J]. Remote Sensing, 2014, 6(5): 3693-3715. [本文引用:1]
[16] Attarchi S, Gloaguen R. Classifying complex mountainous forests with L-band SAR and Land sat data integration: A comparison among different machine learning methods in the Hyrcanian forest[J]. Remote Sensing, 2014, 6(5): 3624-3647. [本文引用:1]
[17] 国家林业局. 全国第三次大熊猫调查报告[M]. 北京: 科学出版社, 2006: 26.
The State Forestry Administration of the People’s Republic of China. The 3rd National Survey Report on Giant Pand a in China[M]. Beijing: Science Publishing House, 2006: 26. [本文引用:1]
[18] 周世强, 黄金燕, 张亚辉, 等. 卧龙自然保护区大熊猫栖息地植物群落多样性Ⅴ: 不同竹林的物种多样性[J]. 应用与环境生物学报, 2009, 15(2): 180-187.
Zhou S Q, Huang J Y, Zhang Y H, et al. Diversity of plant community of giant Pand a’s habitat in the Wolong Nature Reserve Ⅴ: Species diversity in different bamboo forests[J]. Chinese Journal of Applied & Environmental Biology, 2009, 15(2): 180-187. [本文引用:1]
[19] Castel T, Beaudoin A, Stach N, et al. Sensitivity of space-borne SAR data to forest parameters over sloping terrain. Theory and experiment[J]. International Journal of Remote Sensing, 2001, 22(12): 2351-2376. [本文引用:1]
[20] Uland er L M. Radiometric slope correction of synthetic-aperture Radar images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1996, 34(5): 1115-1122. [本文引用:1]
[21] Lucas R, Armston J, Fairfax R, et al. An evaluation of the ALOS PALSAR L-band backscatter-above ground biomass relationship Queensland , Australia: Impacts of surface moisture condition and vegetation structure[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2010, 3(4): 576-593. [本文引用:1]
[22] Santoro M, Fransson J E S, Eriksson L E B, et al.Signatures of ALOS PALSAR L-band backscatter in Swedish forest[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(12): 4001-4019. [本文引用:1]
[23] Powell R L, Matzke N, de Souza C Jr, et al.Sources of error in accuracy assessment of thematic land -cover maps in the Brazilian Amazon[J]. Remote Sensing of Environment, 2004, 90(2): 221-234. [本文引用:1]
[24] Dong J W, Xiao X M, Sheldon S, et al. A 50-m forest cover map in Southeast Asia from ALOS/PALSAR and its application on forest fragmentation assessment[J]. PLoS One, 2014, 9(1): e85801. [本文引用:1]
[25] Dong J W, Xiao X M, Sheldon S, et al. A comparison of forest cover maps in Mainland Southeast Asia from multiple sources: PALSAR, MERIS, MODIS and FRA[J]. Remote Sensing of Environment, 2012, 127: 60-73. [本文引用:2]
[26] Cortes C, Vapnik V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297. [本文引用:1]
[27] Vapnik V N. The Nature of Statistical Learning Theory[M]. 2nd ed. New York: Springer, 2000. [本文引用:1]
[28] 陈波, 张友静, 陈亮. 结合纹理的SVM遥感影像分类研究[J]. 测绘工程, 2007, 16(5): 23-27.
Chen B, Zhang Y J, Chen L. RS Image classification based on SVM method with texture[J]. Engineering of Surveying and Mapping, 2007, 16(5): 23-27. [本文引用:2]
[29] 奉国和. SVM分类核函数及参数选择比较[J]. 计算机工程与应用, 2011, 47(3): 123-124, 128.
Feng G H. Parameter optimizing for Support Vector Machines classification[J]. Computer Engineering and Applications, 2011, 47(3): 123-124, 128. [本文引用:1]
[30] Chang C C, Lin C J. LIBSVM: A library for support vector machines[EB/OL]. http://www.csie.ntu.edu.tw/~cjlin/libsvm/. [本文引用:1]
[31] Hsu C W, Chang C C, Lin C J. A practical guide to support vector classification[EB/OL]. [2009-06-20]. http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf. [本文引用:1]
[32] Miettinen J, Liew S C. Separability of insular Southeast Asian woody plantation species in the 50 m resolution ALOS PALSAR mosaic product[J]. Remote Sensing Letters, 2011, 2(4): 299-307. [本文引用:1]