《Remote Sensing》：High-Resolution Mapping of Forest Vegetation Types Using Multiplatform Imagery and Advanced Classification Techniques
编辑推荐：
准确且最新的信息对环境监测至关重要，尤其在地形复杂且景观异质性强的区域。研究人员提出了一种基于多源遥感的森林植被分类方法，应用于西班牙加那利群岛拉帕尔马岛(La Palma)，并进一步展示了其在监测不同森林栖息地类型时间动态方面的潜力。研究采用WorldVie
准确且最新的信息对环境监测至关重要，尤其在地形复杂且景观异质性强的区域。研究人员提出了一种基于多源遥感的森林植被分类方法，应用于西班牙加那利群岛拉帕尔马岛(La Palma)，并进一步展示了其在监测不同森林栖息地类型时间动态方面的潜力。研究采用WorldView-2/3卫星的甚高分辨率多光谱数据，辅以无人机(UAV)获取的多光谱与激光雷达(LiDAR)数据。在六类分类体系（含四个目标森林植被类型及“其他植被”“土壤/其他”背景类）下，评估了十种监督分类算法：最小距离(MD)、马氏距离(MhD)、平行六面体(P)、光谱角制图(SAM)、最大似然(ML)、朴素贝叶斯(NB)、K近邻(KNN)、随机森林(RF)、支持向量机(SVM)及基于Transformer的深度学习模型SegFormer。结果表明，随机森林(RF)总体精度最高，支持向量机(SVM)与SegFormer在光谱信息结合植被指数和地形变量时也具竞争力。该研究为地形复杂大型岛屿详细森林植被制图中的输入数据与分类器选择提供了实践证据。
研究背景方面，岛屿森林生态系统支撑特有生物多样性、调节水资源且易受火山、野火与气候压力影响。拉帕尔马岛约50%面积被森林覆盖，2021年塔霍盖特(Tajogaite)火山喷发与频发野火使植被监测需求迫切。中分辨率卫星（如Sentinel-2）难以刻画复杂地形下的细尺度树种变异，故研究人员选用WorldView-2/3甚高分辨率（<2 m，8波段，11位辐射分辨率）多光谱影像，并融合UAV（MicaSense RedEdge-MX Dual十波段多光谱+Zenmuse L1 LiDAR）及43块300 m×300 m样地参考、2 m数字地形模型(DTM)、坡度坡向、气候栅格等辅助数据，构建六类（松林/针叶林、月桂林(laurisilva)、法亚尔-布雷萨尔(fayal-brezal)、栗林、其他植被、土壤/其他）森林植被制图框架。论文发表于《Remote Sensing》。
关键技术方法上，研究人员对WorldView影像实施辐射定标、FLAASH大气校正、基于RPC与2 m DTM的正射校正及多景镶嵌直方图匹配；以加那利政府2021植被图为主参考，UAV分类图仅作样点勾绘辅助，独立划分训练/测试感兴趣区(ROI)（每类约10万训练像素、1万测试像素）；传统与机器学习分类在ENVI 6.2完成，涵盖MD、MhD、P、SAM、ML、NB、KNN、RF、SVM九种；深度学习采用PyTorch实现SegFormer（分层编码器+轻量解码器），50轮微调、学习率6×10?5、批次64、5×5像块、在线旋转翻转与光谱噪声增强；特征组合测试8光谱波段、WDRVI植被指数、GLCM方差纹理、DTM/坡度/坡向及降水温度，最多15维；精度以混淆矩阵用户精度、总体精度(OA)、Kappa及Jeffries–Matusita距离评价；时序分析耦合Sentinel-2 L2A月合成与制图的森林类型掩膜（2019–2025）。
研究结果部分，3.1 WorldView预处理表明，高离 nadir角（约28°）与陡峭地形需严格正射校正，FLAASH校正后植被像元光谱呈典型绿峰近红外高反射，几何校正消除复杂地形错位。3.2 类别定义与可分离性中，JM距离显示月桂林与法亚尔-布雷萨尔最低（光谱相似），土壤/其他与植被类最高；栗林与其他植被、松林与其他植被亦有混淆。3.3 常规监督分类器比较显示，仅用8波段时RF达76.1%，加入WDRVI+纹理+DTM+坡度+坡向后RF升至77.5%（OA），SVM 73.8%，ML次之；气候变量反而略降RF精度；最佳RF组合为MS+WDRVI+坡度+坡向。3.4 深度学习分类器中，SegFormer用13维输入OA 75.5%，低于RF的77.5%，但月桂林（77.4% vs 75.7%）、法亚尔-布雷萨尔（62.3% vs 44.2%）、松林（84.6% vs 79.8%）、其他植被（84.6% vs 78.4%）用户精度更高，栗林略低；SegFormer从8波段基线58.1%跃至75.5%说明其更依赖辅助特征。3.5 Sentinel-2时序显示2019–2025年月桂林、法亚尔-布雷萨尔、松林植被指数略降，栗林略升，季节与年际波动远大于长期趋势。
讨论部分指出，大范围（708 km2）甚高分辨率制图受云覆盖、低太阳高度阴影、多景辐射不一致与离 nadir几何畸变制约；RF与SVM精度符合遥感元分析预期，但参考图为优势单元级而非单株，UAV仅覆盖样地，故类内精度受限；辅助数据收益因分类器而异——RF仅微增、SVM几乎无增、SegFormer增益最大，气候变量对RF无益；法亚尔-布雷萨尔因与月桂林过渡混交最难分，其他植被因物候与亚像元混合光谱离散最大。结论部分翻译如下：本研究证明了甚高分辨率多光谱卫星影像结合先进分类技术，可在大型地形复杂区实现精细森林植被制图；以WorldView为主、UAV多光谱与LiDAR作辅助参考，在拉帕尔马岛生成空间一致的主要森林植被图。比较显示RF与SVM为最优常规分类器，RF总体精度最高；辅助信息收益依赖分类器与森林类别，RF下气候变量无改善，SegFormer从附加特征获益更明显但需更多算力与样本。该制图成果可与Sentinel-2中等分辨率时序结合，评估野火、火山与气候扰动下的植被动态，为脆弱岛屿生态系统管理提供实践依据；未来将测试更先进深度学习架构、基础模型及融入LiDAR冠层高度模型(CHM)以提升过渡类判别。
