ALOS PALSAR与Landsat集成：土地覆盖分类的SVM与RF性能评估

本篇论文深入探讨了在土地覆盖分类任务中，基于ALOS PALSAR和Landsat数据集成的监督分类算法的性能评估。ALOS PALSAR是日本地球观测卫星上的相控阵型L波段合成孔径雷达，而Landsat TM则是美国国家航空航天局（NASA）的多光谱遥感卫星。研究主要关注了四种常见的监督分类器：支持向量机（SVM）、神经网络（NN）、随机森林（RF）以及最大似然分类器（MLC）。 论文首先概述了监督分类算法的重要性，尤其是在特定应用中的性能验证相对较少。作者选择在坦桑尼亚北部地区进行实验，利用这两种卫星数据集，因为它们提供了丰富的多源、多尺度信息，有助于提高土地覆盖分类的精度和可靠性。 研究过程包括从Landsat TM的表面反射率和ALOS PALSAR的背向散射数据中提取各种特征类别，然后将这些数据与SVM、NN、RF和MLC分类器相结合。作者计算了分类结果的总分类准确度（Overall Accuracy, OA）、Kappa系数（Kappa Coefficient, KC）和F1分数（F1 Score），这些指标用于衡量分类器的性能。 研究结果显示，结合Landsat和ALOS PALSAR数据的SVM和RF分类器在森林资源和土地覆盖分类中表现出优异的鲁棒性，平均OA达到92%，F1分数在0.7至1之间，显示出高精度和稳定性。对比其他方法，如NN和MLC，SVM和RF在显著性水平为5%的情况下没有明显性能差异，表明它们在当前数据条件下表现相当。 此外，论文还通过两样本t检验进一步评估了不同数据类别对分类器性能的影响。结果显示，SVM和RF之间的性能差异在统计学上显著，这强调了选择适当模型对于特定应用的重要性。 这篇论文的发现对于理解如何有效整合ALOS PALSAR和Landsat数据以提升土地覆盖分类的准确性，特别是在热带地区，如坦桑尼亚北部，具有重要的实践指导意义。它也揭示了支持向量机和随机森林在土地覆被分类任务中的优势，相对于传统的最大似然和神经网络分类器，它们在参数优化和性能稳健性方面更胜一筹。