Cross-sensor urban land-cover characterization using hyperspectral and multispectral satellite imagery

引言 本研究通过在一个统一的采样与评估框架下，整合分别分类并验证的多光谱（Landsat、Sentinel-2）和高光谱（PRISMA）影像，为未来城市数字智能应用建立了一个跨传感器城市遥感基线。方法 采用随机森林、支持向量机（SVM）、梯度提升机、K近邻以及分类与回归树算法，对八类土地覆盖类型——密集城市区、中等城市区、稀疏城市区、乔木覆盖、草地、农田、裸地和水体——进行制图。利用总体精度、Cohen's kappa系数、宏平均及各类别F1分数、类别面积组成、光谱剖面、Fisher得分、成对可分性指标和主成分分析（PCA），在三种传感器上评估了分类性能。结果 结果表明，城市表征和分类精度存在明显的传感器依赖性差异。Sentinel-2通过增强的空间分辨率和红边信息，改善了对异质城市地表的空间刻画。PRISMA取得了最高的分类性能，其中SVM的总体精度达到91.26%，宏平均F1分数为89.72%。然而，这一优势具有类别特异性，而非在所有城市密度类别上均匀体现。光谱剖面和PCA分析表明，高光谱观测显著改善了中等城市区与稀疏城市区之间的可分性（光谱角：Landsat为0.54°，Sentinel-2为1.58°，PRISMA为4.11°）。与多光谱分类相比，PRISMA分类还将显著更少的面积划为稀疏城市区，而将更多面积划为裸地。讨论 这种面积重分配可能反映了对城乡过渡带混合地表判别能力的提升，但在缺乏独立的同期全域参考图的情况下，不能认为其更为准确。研究结果并未确立某种传感器的普遍优越性；相反，分类结果共同取决于传感器特性、获取时间、预处理、类别定义和分类器选择，这支持对多光谱与高光谱观测进行互补性解读。