Tropische Naturwälder spielen eine entscheidende Rolle bei der Regulierung des Klimas und der Erhaltung globaler Ökosystemfunktionen. Sie stehen jedoch aufgrund menschlicher Aktivitäten und des Klimawandels vor erheblichen Herausforderungen. Eine genaue Klassifizierung dieser Wälder kann helfen, ihre räumlichen Verteilungsmuster aufzudecken und Schutzbemühungen zu unterstützen. Diese Studie verwendete vier Algorithmen des maschinellen Lernens – Random Forest (RF), Support Vector Machine (SVM), logistische Regression (LR) und Extreme Gradient Boosting (XGBoost) – um tropische Regenwälder, tropische Monsunregenwälder, tropische Nadelwälder, laubabwerfende immergrüne Wälder und Mangrovenwälder auf der Insel Hainan mithilfe von optischen und synthetischen Aperturradar (SAR) Multi-Source-Fernmeldedaten zu klassifizieren. Unter diesen erzielte das XGBoost-Modell die beste Leistung, mit einer Gesamtgenauigkeit von 0,89 und einem Kappa-Koeffizienten von 0,82. Höhe und rot-kante spektrale Bänder wurden als die wichtigsten Merkmale für die Klassifizierung identifiziert. Die Analyse der räumlichen Verteilung zeigte deutliche Muster, wie Mangrovenwälder, die in den niedrigsten Höhenlagen vorkommen, und tropische Regenwälder, die mittlere und niedrige Höhenlagen einnehmen. Die Integration von optischen und SAR-Daten verbesserte die Klassifizierungsgenauigkeit und die Grenzerkennung im Vergleich zur alleinigen Verwendung von optischen Daten erheblich. Diese Ergebnisse unterstreichen die Wirksamkeit des maschinellen Lernens und von Multi-Source-Daten zur Klassifizierung tropischer Wälder und bieten einen wertvollen Referenzrahmen für ökologische Überwachung und nachhaltige Bewirtschaftung.
Xie et al. (Sun,) untersuchten diese Frage.