多传感器融合与随机森林算法在加纳稀树草原景观制图中的应用与精度提升研究

本研究系统评估了多源遥感数据（Landsat 8、Sentinel-2光学影像与Sentinel-1雷达数据）结合随机森林（RF）算法在加纳稀树草原地区土地利用/土地覆盖（LULC）分类中的效能。结果表明，多传感器融合策略显著提升分类精度（总体精度达80.21%，Kappa系数0.7225），较单一光学数据组合提升近7%。研究通过地物指数计算（NDVI、SAVI、RVI等）与空间间隙填充技术，建立了可追溯的历史图例 harmonization 框架，为热带草原生态区动态监测提供了高精度、可复制的技术范式。

　　

摘要

土地利用/土地覆盖（LULC）制图在土地覆盖变化评估中具有重要作用。本研究基于2006年和2015年现有LULC图，开发了一套标准化分类流程，用于连续制图与土地管理，并据此生成了2023年研究区LULC图。通过联合使用Landsat 8、Sentinel-1和Sentinel-2数据，结合随机森林（RF）算法，在Google Earth Engine（GEE）平台上评估了多传感器地球观测技术在加纳稀树草原生态区制图潜力。结果显示：Landsat 8与Sentinel-2光学数据组合的分类总体精度为73.32%，Kappa系数0.6342；而加入Sentinel-1雷达数据后，总体精度提升至80.21%，Kappa系数达0.7225，表明雷达数据的引入使分类精度提升近7%。

1. 引言

土地是支撑撒哈拉以南非洲稀树草原地区人口生存的重要自然资源。人类活动通过将草原或森林植被转化为人类主导景观，导致 deforestation、淡水体污染和湿地排水，最终引发栖息地丧失、耕地扩张和聚落空间拓展。人为干扰具有分散性和季节性特征，受社会经济因素驱动，导致景观退化。由于干扰变异性高，全面理解其影响面临挑战，现有机器学习模型在整合多源遥感数据时存在局限，且多数 gap-filling 方法未能有效利用邻域像素光谱信息。

本研究主要贡献包括：

• •
  提供基于历史图例 harmonization 的2023年度LULC图；
• •
  整合合成孔径雷达（SAR）与多光谱数据，提升变化检测能力；
• •
  应用可处理高维数据且抗过拟合的RF算法；
• •
  采用邻域像素信息进行空间间隙填充。

2. 材料

2.1. 研究区

研究区位于加纳北部五省（Northern, Northeast, Savanna, Upper West, Upper East），属热带稀树草原植被区，气候炎热干燥，日均气温30–40°C，年降雨900–1200 mm。农业为主要经济活动，商业活动集中于城镇。

2.2. 数据集

使用2023年度Landsat 8（30 m分辨率）、Sentinel-2（10 m分辨率）多光谱数据及Sentinel-1 SAR数据。光学数据经大气校正与云掩膜处理，SAR数据经辐射定标与地形校正。所有数据在GEE平台集成处理。

3. 方法

3.1. 分类图例 harmonization

基于FAO/UNEP土地覆盖分类系统（LCCS）， harmonize 2006与2015年LULC图例，形成10个主题类。通过2023年5–7月野外实地采样（使用Garmin GPSMAP 64s设备），最终合并为6个分类类别：耕地（Cropland）、水体（Water）、城镇（Town）、植被（Vegetation）、裸地（Bareland）、草地（Grass）。

3.2. 卫星数据处理

对光学数据应用云掩膜（Landsat QA_Pixel波段，Sentinel-2 QA60波段），按干湿季分别处理并合并为年度数据。计算多种地物指数以增强光谱可分性：

• •
  归一化植被指数（NDVI = (NIR - Red)/(NIR + Red)）
• •
  归一化水生植被指数（NDAVI = (NIR - Blue)/(NIR + Blue)）
• •
  改进归一化水体指数（MNDWI = (Green - SWIR1)/(Green + SWIR1)）
• •
  绿波段叶绿素植被指数（GCVI = NIR/Green - 1）
• •
  土壤调节植被指数（SAVI = (NIR - Red)/(NIR + Red + 0.5) × 1.5）
• •
  雷达植被指数（RVI = 4σ⁰_HV/(σ⁰_HH + σ⁰_VH)）
• •
  雷达森林退化指数（RFDI = (nσ⁰_HH - nσ⁰_HV)/(nσ⁰_HH + nσ⁰_HV)）

3.3. 随机森林与支持向量机分类

RF采用bootstrap聚合技术，构建300棵树，变量分裂数6；SVM通过核函数映射寻找最优超平面。75%样本用于训练，25%用于测试。设置两种数据堆叠方案：

• •
  方案1：Landsat 8 + Sentinel-2（光学堆叠）
• •
  方案2：Landsat 8 + Sentinel-2 + Sentinel-1（光学+雷达堆叠）

精度评估采用总体精度（OA）、Kappa系数、漏分/错分误差、生产者/用户精度及F1分数。对云致数据间隙采用多数滤波器进行空间填充，依据邻域窗口内最频值替换缺失像素。

4. 结果

• •
  RF算法在光学+雷达堆叠方案中表现最优（OA=80.21%, Kappa=0.7225），较纯光学组合提升6.89%；SVM在同方案中OA=77.38%，Kappa=0.6651，RF性能优于SVM 2.83%。
• •
  区域面积分析显示：Northern省耕地占比39.15%；Savanna省水体与植被占比分别为71%与46.81%。
• •
  间隙填充有效修复分类图像中的云覆盖缺失区域。
• •
  六类地物面积占比分别为：耕地（XX%）、水体（XX%）、城镇（XX%）、植被（XX%）、裸地（XX%）、草地（XX%）。

5. 讨论

多传感器堆叠显著提升异质景观分类精度，与Adugna等人结论一致（RF优于SVM）。结果与西非地区同类研究（Gessner et al. 2015; Zoungrana et al. 2023）吻合。雷达数据弥补了光学数据受云层干扰的缺陷，Sentinel-1的加入使分类精度提升4.9–12.66%（参照Ibrahim 2023研究）。

研究局限性包括：

• •
  数据堆叠导致计算成本升高；
• •
  空间分辨率统一为30 m（未利用Sentinel-2的10 m优势）；
• •
  多数滤波器虽有效，但先进方法（如MSSA、LECOS）可能进一步提升间隙填充精度；
• •
  类别合并（10类→6类）虽提升统计精度，但降低了生态学解析度，影响生物多样性监测与碳核算应用。

6. 结论

多传感器（光学+雷达）数据融合与RF算法结合，在GEE平台实现了加纳稀树草原LULC高精度制图（OA>80%）。空间间隙填充技术有效修复了云覆盖缺陷。基于历史图例 harmonization 的分类框架增强了结果可比性。未来建议细化地物子类、尝试其他机器学习算法，并拓展该技术至其他草原/森林区景观监测。