李 林 田 馨 翁永玲

(东南大学交通学院, 南京 211189)

随着遥感数据采集技术的进步,获取同一地区的多种遥感影像数据也越来越便捷[1].传统的光学遥感由于天气和光照等外在因素的制约,在应用上受到一定程度的影响[2].合成孔径雷达(SAR)属于主动遥感的范畴,能够全天时全天候工作,作为当前研究遥感图像的热点之一,利用SAR影像进行分类研究受到高度重视[3].

学者们为进行多种影像来源的土地覆盖分类,对各类数据集中得出的特征变量进行了合并研究.例如,Erinjery等[4]、Shuai等[5]通过提取多时相光谱特征和极化特征,以监测植被的生长.赵诣等[6]利用光学影像指导SAR影像提取同质点,使其更精确地估计极化特征,提高了SAR图像的分类精度.Gamba等[7]、Zhang等[8]、Zhang等[9]证明SAR影像和光学影像的协同使用在估计不透水面的应用中能够有效减少光学影像中的光谱混淆.

然而,提取的众多特征变量与原始变量的组合必将构成高维的特征变量空间,如果将所有特征应用于高分辨率遥感影像分类中,往往会由于特征维数过高引发“维数灾难”,增加分类复杂度,降低分析效率[10].Luo等[11]、杨帆等[12]采用不同的波段选择方法对高光谱数据进行降维,证明处理后的影像数据具有良好的分类性能.在常见的机器学习算法中,随机森林能够对特征集合进行优选降维,通过较少的训练样本获得较高的分类精度,减少过拟合.杨珺雯等[13]使用RF-RFE波段选择方法去除价值低的特征得到最佳波段组合……