作者：蒋嘉锐,朱文泉,乔琨,江源

作者单位：北京师范大学地表过程与资源生态国家重点实验室；北京师范大学地理科学学部遥感科学与工程研究院北京市陆表遥感数据产品工程技术研究中心

　　阴影是影响山地针叶林遥感识别精度的关键因素。选取天山一块面积约为10 000 km2的区域为案例，基于太阳高度角和方位角差异较大的两期Sentinel-2影像，从遥感数据阴影分布的时相特性、分类特征以及分类器选择三方面进行综合分析，提出了一种适用于天山山地针叶林的遥感综合分类方案。该综合分类方案首先开展阴影识别以及阴影再分类以排除阴影对针叶林识别的影响；然后筛选出了海拔、归一化差值植被指数（NDVI）、红光到近红外波段斜率、蓝光波段、红光波段、短波红外波段和坡度作为区分天山山地针叶林的重要特征；最后比较支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）和BP神经网络（Back Propagation Neural Network，BPNN）3种分类器的分类效果。

　　结果表明：

　　采用地形校正方法来消除山体阴影的效果不但不明显，反而还会造成过矫正现象，从而影响后续的针叶林识别，但利用太阳高度角和方位角差异较大的两期影像开展阴影识别以及阴影再分类来排除阴影对针叶林识别的影响，可使针叶林的总体精度提高1.3%~3.7%；SVM、RF和BPNN 3种分类器都能取得较好的山地针叶林识别精度，但SVM分类器的分类精度最高，其总体分类精度和Kappa系数分别是93.33%和0.87。该遥感综合分类方案经参数调整之后有望应用于北方干旱半干旱区的其他山地针叶林区域。