高分辨率遥感影像森林覆盖变化检测研究

以天绘一号和资源一号两期遥感影像为研究对象,采用面向对象多尺度分割和基于特征值阈值的方法提取采伐迹地,将研究区分成采伐迹地和非采伐迹地两类,使用分类后比较法检测森林覆盖变化。结果表明:国产的天绘一号和资源一号遥感影像有较好的内部几何一致性,正射校正后的两期影像可以达到1个像元内的校准精度。遥感变化检测的面积精度和重合率与实际变化相比较,分别为93.1%和95.0%,该方法能较好地检测出森林覆盖变化,适合于县域森林资源年度更新。     

基于Sentinel-2A数据的森林覆盖变化研究

【目的】利用Sentinel-2A卫星重访周期短和波段信息丰富的特点,精确高效地获取森林覆盖变化信息,提高森林覆盖变化监测的时效性和精度。【方法】采用Sentienl-2A遥感影像作为数据源,以沅江市为研究对象,结合实地调查数据,选取地物训练样本,利用各地物的光谱指数特征和纹理特征来构建决策树模型进行地物分类,光谱指数包括NDVI、NDWI、NDBI和光谱反射曲线,纹理特征包括均值、方差、信息熵和对比度。对沅江市2016年8月1日和2017年5月18日的两期Sentinel-2A遥感影像数据进行地物分类,计算各地物面积并将两期分类结果中的森林覆盖区域提取出来,分析森林覆盖变化情况。【结果】1)利用光谱指数特征结合纹理特征构建决策树模型对沅江市进行地物分类,其地物总体分类精度为83.62%,Kappa系数为0.825 7,森林制图精度为84.28%,森林用户精度为82.43%,比最大似然法的总体分类精度提升了11.27%,Kappa系数提高了0.133,森林制图精度提高了10.59%,森林用户精度提高了9.58%。2)在2016年8月1日至2017年5月18日期间沅江市森林面积减少了771 hm~2,有854 hm~2森林变为耕地,589 hm~2森林变为芦苇地,412 hm~2森林变为建设用地,105 hm~2森林变为水体。另外,有636 hm~2耕地、257 hm~2芦苇地、243 hm~2建设用地和53 hm~2水体变为森林。【结论】基于Sentienl-2A遥感影像数据,利用光谱指数特征和纹理特征构建决策树模型进行分类,能够有效提升地物分类精度;同时能够提高森林覆盖变化监测的时效性和精度,较为准确地分析森林覆盖变化情况,可为洞庭湖流域地物分类和森林覆盖变化监测提供决策支持。     

基于统计检验的面向对象高分辨率遥感图像森林变化检测

【目的】探讨基于统计检验的面向对象高空间分辨率卫星遥感图像森林(地)变化的自动检测,为准确、快速、高效采集森林变化信息,及时更新森林资源数据库提供一种有效方法。【方法】以森林(地)覆盖变化频繁和快速、变化图斑多而小的广西壮族自治区上思县局部区域为研究区,以2013年12月资源三号卫星图像、2015年1月高分一号卫星图像和2013年小班专题图为数据源,试验基于统计检验的面向对象森林变化检测方法:1)对两时相图像进行多尺度分割,提取图像对象(图斑)各波段的灰度均值和标准差;2)鉴于两时相图像图斑灰度均值、标准差的差值的频率均近似呈正态分布,采用图斑的灰度均值、标准差的差值构造一个服从卡方分布的随机变量;3)根据假设检验,在事先给定一个置信度后,通过一个自动的反复迭代计算流程逐次将统计量异常的变化图斑检测出来。【结果】1)对于一个事先给定的置信度,检测出来的变化图斑数量随着迭代次数的增加而迅速减少;2)当置信度分别为0.95、0.98、0.99和0.999时,分别通过25、23、20和15次迭代可将全部变化图斑检测出来,迭代次数随着置信度的增大而减少;3)当置信度为0.95~0.99时,随着置信度提高,漏检率升高、误检率降低,总体精度提高;4)当置信度为0.99时,总体精度达92.6%,Kappa系数为0.764 8,检测结果最好。【结论】基于统计检验的面向对象高分辨率遥感图像森林变化检测方法具有严密的统计学基础,直接对分割图像进行计算,不需建立训练样本,不依靠任何外来信息,不需人为干预,整个检测过程自动完成,并且检测效果良好,在森林(地)变化检测中具有良好的应用前景。     

基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较

【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。     

综合应用多源遥感数据的面向对象土地覆盖分类方法

【目的】针对国家森林资源宏观监测业务对区域森林资源空间分布信息的迫切需求,发展一种基于国家森林资源连续清查固定样地数据,可充分发挥GF-1宽幅多光谱数据、MODIS遥感数据相应空间和时间分辨率优势的面向对象土地覆盖分类方法,以提高林地和森林资源的监测精度和自动化程度。【方法】以黑龙江省小兴安岭某林区为研究区,主要数据源包括GF-1宽幅多光谱数据、MODIS NDVI(250 m,8天合成)时间序列遥感数据、国家森林资源连续清查固定样地数据以及少量外业实地调查数据等。首先,基于GF-1宽幅多光谱数据进行多尺度影像分割,将研究区划分为许多区域性的分割对象;然后,以分割对象为分析单元,分别提取GF-1宽幅多光谱遥感影像的光谱特征、纹理特征、形状特征等以及MODIS NDVI时间序列遥感数据的时序特征,并采用随机森林算法进行特征选择;最后,利用训练样本建立基于分类回归树分类器完成面向对象的土地覆盖分类方法研究,分别比较单一GF-1 16 m宽幅多光谱数据、单一MODIS NDVI时间序列遥感数据以及综合多源数据的分类结果,并基于混淆矩阵对分类结果进行分析。【结果】精度检验和分析结果表明,面向对象的综合多源遥感数据分类方法总体分类精度达89.46%,Kappa系数为0.874,明显优于仅基于GF-1宽幅多光谱数据、MODIS NDVI时间序列遥感数据的分类方法。【结论】综合应用多源遥感数据的面向对象土地覆盖分类方法适用于综合GF-1与GF-4数据的土地覆盖类型分别制图,可有效提高主要土地覆盖类型的分类精度。针对国家森林资源连续清查的业务需求和特点,本文所发展的方法在分类对象生成、特征提取、特征选择、分类器训练和精度检验等关键环节均进行了优化设计,有利于提高森林资源连续清查业务中主要林地类型遥感分类制图的自动化、标准化程度。     

PL高分辨率遥感影像在森林火灾评估上的应用

【目的】研究仅依靠一种高分辨率遥感影像（PL）用于森林火灾影像信息提取、数据分析的可行性,为火烧程度评估提供可靠的林火遥感数据源和提取方法。【方法】以2017年毕拉河“5·2”特大森林火灾的火烧迹地为研究区域,使用火前、火后当年、火后更新1年共3期PL影像作为数据源,利用ROI _S提取过火区,分析火干扰前后NDVI的变化特征。结合地面调查数据,采用差值归一化植被指数（dNDVI）划分火烧等级,阈值验证参照罗德昆火灾受害等级划分标准进行精度验证。对火烧迹地植被受害状况进行评估,以获取火烧程度的空间分布格局。【结果】1)火干扰导致NDVI值急剧降低,火后更新1年NDVI略有升高,表明植被恢复能力有限。PL遥感影像的3 m高空间分辨率使其RGB图像高度饱和,地类清晰。2)做土地覆盖类型划分,训练样本分离性在1.91以上,共划分为森林、草本沼泽、道路、河流4类。分类整体精度为98.05%,Kappa＿Coefficient为0.95。3)受害程度等级划分为未火烧、轻度火烧、中度火烧、重度火烧4级,分类整体精度为91.55%,Kappa＿Coefficient为0.91。此...     

南水北调中线水源区2000—2015年森林动态变化遥感监测

【目的】监测南水北调中线水源区2000—2015年森林空间分布格局,研究森林动态变化过程及其机制,为水源区森林生态系统保护和水质安全提供理论依据。【方法】基于2000、2010和2015年3期30 m分辨率国产环境灾害卫星HJ-1 A/B CCD以及Landsat TM影像数据,采用面向对象决策树分类方法,监测南水北调中线水源区的土地覆被,并运用像元二分模型和归一化植被指数估算植被覆盖度。【结果】3期土地覆被数据精度(K)分别为89. 4%、86. 9%和84. 4%,2000年用户精度为98%,2010年用户精度为96%,2015年用户精度为94%。土地覆被监测结果表明,受退耕还林和封山育林等生态工程项目实施影响,2000—2015年,南水北调中线水源区森林面积持续增加,增幅达9. 5%,增加面积主要来自草地、耕地和建设用地;然而,随着水源区大规模移民和区域经济不断发展,也使得约4 547 km^2的森林转化为耕地、草地和建设用地。分市统计分析表明,十堰市和安康市森林面积增量最大,均超过1 300 km^2,生态修复工程效果显著。2000—2015年,水源区植被覆盖度也呈增加趋势,其中森林植被覆盖度增幅达25. 4%,且植被覆盖度在0. 6以上的森林面积比例3期均超过70%。【结论】近15年来,南水北调中线水源区森林面积和森林植被覆盖度增加显著,森林密度得到提升,高密度的森林植被能够在地表形成植被保护层,降低水源区发生水力侵蚀和沟渠侵蚀的风险,从而提高水源区水土保持能力。     

多源数据林地类型的精细分类方法

【目的】探讨复杂中山区域、多源数据支持下,高空间分辨率遥感影像林地类型层次化精细分类方法,以促进高分辨率遥感数据在森林资源调查与监测方面的深入应用。【方法】以嘉陵江上游甘肃省小陇山林业实验局百花林场为研究区,以SPOT5和高分一号(GF-1)遥感影像为主要数据源,综合利用影像光谱特征、植被指数特征、纹理特征与时相特征、地形特征、森林资源"二类调查"成果数据与林相图等辅助信息,及典型地类与主要森林类型外业调查样本数据,发展针对暖温带典型天然次生林区、复杂山区地形条件下高空间分辨率遥感影像林地类型多层次信息提取与森林类型精细识别的有效方法。在分析不同时相影像光谱特征的基础上,构建并优选归一化植被指数(NDVI)、比值植被指数(RVI)、比值短波红外指数(RSI)、差值植被指数(DVI)4种植被指数特征和均值(ME)、同质性(HOM)、非相似性(DIS)、信息熵(ENT)、角二阶距(ASM)、相对峰值(RK)6种纹理特征,引入与主要森林类型空间分布相关的DEM高程值、坡度、坡向3个敏感地形因子,利用不同林地类型时相动态特征和辅助信息特征,在不同层次影像上分别采用适于该层待分信息类别的阈值法、支持向量机(SVM)、多分类器组合(MCC)、人工神经网络(ANN)分类方法,将各层分类结果合并获得整个研究区林地类型精细分类图。最后,采用分层随机抽样的独立检验样本对分类结果中7类林地类型进行精度验证,并对5类主要森林类型精细识别结果进行面积统计,与"二类调查"及影像解译结果各类型面积统计值进行对比分析,进一步从整体上检验分类方法的有效性和分类结果的可信度。【结果】本文所发展的分类方法对林地类型信息提取精度较高,有林地、其他林地、苗圃地等7类林地类型总体分类精度达92.28%,总Kappa系数为0.899 6;油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林5类主要森林类型面积统计结果的平均相对精度为92.4%。【结论】多源数据支持下的多层次林地类型精细分类方法是一种有效的林地类型信息精准监测方法,具有精度高和可信度高的优势,且森林类型精细识别详细程度达到优势树种(组)级别,是解决复杂山区林地类型精细分类与森林类型精细识别的一种有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

基于线性谱聚类的林地图像中枯死树监测

【目的】将基于线性谱聚类超像素的方法应用在森林病虫害防治领域,可智能监测无人机森林虫害图像中的枯死树,为森林有害生物的监测工作提供技术支撑。【方法】分别以湖北省受松材线虫与辽宁省受红脂大小蠹侵害的松林无人机图像为试验数据,首先使用线性谱聚类超像素分割算法将图像划分为多个超像素;然后基于枯死树木的颜色特征,初步提取可能为枯死树的超像素区域;最后基于枯死树木与其他干扰地物具有不同的纹理特征,计算超像素的区域密度和缝隙量,利用支持向量机对初步提取的超像素进行分类,从而检测出图像中的枯死树。【结果】基于线性谱聚类超像素和支持向量机的枯死树监测方法可有效排除与枯死树木颜色相近的其他干扰地物,较准确地提取出枯死树木。使用该方法与基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法,对35幅受灾松林无人机图像进行试验,并选用交并比、虚警率和漏检率3个评价指标对3种方法进行定量对比分析。结果表明,基于线性谱聚类超像素的方法监测出的枯死树区域最精确,其监测结果与人工检测结果的交并比均值大于58%,且虚警率和漏检率均优于另外2种方法。【结论】基于线性谱聚类超像素的枯死树监测方法能实现松林中枯死树的快速、准确检测及定位。     

高空间分辨率影像与SAR数据协同特征面向对象林分类型识别

【目的】研究对象特征对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象林分类型识别的影响,评价2种数据协同林分类型识别的适宜性,为多源遥感影像结合面向对象分类技术提供科学依据。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,选取福建省三明市将乐县将乐国有林场为试验区进行杉木、马尾松和阔叶林面向对象分类。在面向对象分类过程中,采用基于QuickBird多光谱波段分割、基于Radarsat-2数据分割和QuickBirdRadarsat-2协同分割3种分割方案,每种分割方案采用10种尺度(25～250,步长为25),应用QuickBird遥感影像和Radarsat-2数据提取的光谱、地形、高度和强度4方面32个特征指标,进行4种不同特征组合,运用支持向量机分类器进行面向对象林分类型分类,利用混淆矩阵计算的生产者精度、用户精度、总精度和Kappa系数4个指标对分类结果进行精度评价。【结果】所有组合的分类精度(Kappa系数)均随着尺度增大表现出先增加后降低的趋势,且以只使用单一光谱特征的分类精度最低,依次低于光谱+地形两特征和光谱+地形+高度三特征的分类精度,引入强度后的四特征组合分类与三特征组合无明显差异。QuickBirdRadarsat-2协同且在最优尺度参数为100时,结合对象光谱、地形、高度和强度四特征组合进行面向对象林分类型分类精度最高(OA=86%, Kappa=0.86)。【结论】高空间分辨率遥感影像(QuickBird)与SAR数据(Radarsat-2)协同最优尺度多特征组合进行面向对象林分类型分类优势明显,在光谱和地形特征中引入高度特征可进一步提高分类精度。本研究结果可提高面向对象分类中的特征选择效率和科学性,能够为其他影像的面向对象分类技术提供较好的参考依据。     

基于改进ResNet-UNet的立木图像分割方法

[目的]针对现有图像处理方法分割立木精度低的问题,提出一种基于改进ResNet-UNet的立木图像分割方法,实现对图像中立木的精确分割.[方法]将拍摄得到的立木图像输入ResNet-UNet深度学习融合网络模型,初步得到较精确的立木分割图;结合自制的后期处理方法对该分割图进行优化处理,准确分割出立木形状.ResNet-...     

基于邻近相关图像和决策树分类的森林景观变化检测

提出一种基于邻近相关图像和决策树分类的景观变化检测方法,并将其应用于地震干扰引起的森林景观变化检测。以5·12汶川地震中遭受严重破坏的龙溪-虹口国家级自然保护区作为研究区,利用地震前后的Landsat5TM影像创建不同邻近窗口大小的邻近相关图像,结合决策树技术生成变化检测分类图。结果表明:使用邻近相关图像的变化检测精度有所提高,其中以5×5窗口创建的邻近相关图像变化检测效果最佳,总体分类精度和Kappa系数分别达到82.33%和0.8085。     

Analysis of forest cover change at Khadimnagar National Park,Sylhet, Bangladesh,using Landsat TM and GIS data

We mapped the forest cover of Khadimnagar National Park （KNP） of Sylhet Forest Division and estimated forest change over a period of 22 years （1988-2010） using Landsat TM images and other GIS data. Supervised classification and Normalized Difference Vegetation Index （NDVI） image classification approaches were applied to the images to produce three cover classes, viz. dense forest, medium dense forest, and bare land. The change map was produced by differencing classified imageries of 1988 and 2010 as before image and after image, respectively, in ERDAS IMAGINE. Error matrix and kappa statistics were used to assess the accuracy of the produced maps. Overall map accuracies resulting from supervised classification of 1988 and 2010 imageries were 84.6% （Kappa 0.75） and 87.5% （Kappa 0.80）, respec- tively. Forest cover statistics resulting from supervised classification showed that dense forest and bare land declined from 526 ha （67%） to 417 ha （59%） and 105 ha （13%） to 8 ha （1%）, respectively, whereas medium dense forest increased from 155 ha （20%） to 317 ha （40%）. Forest cover change statistics derived from NDVI classification showed that dense forest declined from 525 ha （67%） to 421 ha （54%） while medium dense forest increased from 253 ha （32%） to 356 ha （45%）. Both supervised and NDVI classification approaches showed similar trends of forest change, i.e. decrease of dense forest and increase of medium dense forest, which indicates dense forest has been converted to medium dense forest. Area of bare land was unchanged. Illicit felling, encroachment, and settlement near forests caused the dense forest decline while short and long rotation plantations raised in various years caused the increase in area of medium dense forest. Protective measures should be undertaken to check further degradation of forest at KNP.     

基于无人机影像的森林生物量估测与制图

【目的】森林生物量的精确测定,对于全球气候变化和碳循环研究具有重要的意义。【方法】以东北林业大学城市林业示范基地为研究区域,首先利用无人机平台获取整个研究区域的高分辨率无人机影像;然后在研究区域四种人工林样地中分别选取20 m×20 m的4块建模样方和4块测试样方,通过每木检尺法实测建模样方内林木的树高和胸径数据,建立H-DBH(树高-胸径)估算模型,并结合已有的DBH-SB(胸径-树干生物量)模型得到测试样方的森林生物量数据;在处理后的数字冠层高度模型(DCHM)基础上利用局部最大值法提取树高与树冠中心点位置,建立一种结合无人机影像提取树高与H-SB(树高-树干生物量)经验模型的森林生物量制图方法。【结果】不同样方的H-DBH模型R2均大于0.70,测试样方的总地上生物量平均值为6915.85 kg,总的估测精度为87%。通过ArcGIS软件结合本研究提出的方法快速得到了整个研究区域的地上生物量分布图,估测总地上生物量为4396.18 t。【结论】研究结果可为快速准确的进行森林生物量的估测提供基础数据和技术参考。     

基于无人机影像的天山云杉林伐后更新地林分密度估测研究

【目的】林分密度是影响森林生态系统结构和功能的主要因素,是森林资源调查的一项重要指标,对林木生长发育有着十分重要的影响。基于无人机影像,以实现提取不同郁闭度的林分密度,旨在为天然林保护工程实施后山区森林资源更新恢复评价提供技术支撑。【方法】以新疆农业大学实习林场伐后更新的天然林为研究对象,以天山云杉Picea schrenkiana var.tianshanica纯林为主,基于无人机影像,利用面向对象多尺度分割方法提取了低、中、高3种不同郁闭度林分的天山云杉冠幅信息,进而估算林分密度,提出了采用平均冠幅法估测高郁闭度林分冠层遮挡区域林木株数的方法。【结果】采用面向对象方法对新疆农业大学实习林场伐后更新的天山云杉树冠边缘信息提取精度较高,提取的林分密度与实测结果相近。其中低、中郁闭度林分中林分密度提取精度分别为0.9868和0.9333,高郁闭度林分中林分密度提取精度相对较低,为0.7657。【结论】总体来看,该方法用于研究区天山云杉林伐后更新地林分密度估测是可行的,采用树冠平均冠幅法能够快速准确地提取伐后更新造林地的林分密度。     

Forest cover and pattern changes in the Carpathians over the last decades

This study aims at developing a satellite-based methodology for the implementation of two Ministerial Conference on the Protection of Forests in Europe indicators for the European Alpine Bio-geographic region, and their changes over time: (1) area of forest cover and (2) forest spatial pattern. The northern Carpathians were selected as a study area due to the documented recent increase of forest cover. Changes of forest cover were quantified using Landsat images for the years 1987 and 2000. Single-date forest–non-forest maps were derived by image segmentation and supervised classification, including the use of ancillary data (CORINE Land Cover and a digital elevation model). These maps were an input for the post-classification change detection. The forest spatial pattern maps with four classes (core, patch, edge and perforated forest) were derived with morphological image processing. A simple method to mask uncertainty areas on forest maps and related products was also developed. The accuracy of the resulting forest–non-forest map was assessed with orthophotos and amounts to 93.9%. Uncertainty areas, for which change assessment was judged more difficult and less reliable, were not considered for assessing forest cover change. The annual forest cover change rate of 0.38% was found over the 1987–2000 period. For the 13-year time period, we found a decrease of core forest and an increase of patch and perforated forest. We conclude that the proposed methodology allows to quantify changes of forest cover and forest spatial pattern at ∼1 ha minimum mapping unit.

基于时序Landsat数据的浙江省竹林信息提取及时空演变

【目的】提取浙江省不同时期竹林分布信息,分析其时空演变规律,揭示竹林面积变化与土地利用格局之间的关系,为国家及至全球尺度长时间序列的竹林时空动态研究提供参考。【方法】以浙江省为研究区,基于2000、2004和2008年Landsat5 TM及2014年Landast8 OLI时间序列影像数据,首先,对不同时期的Landsat数据进行大气校正和几何校正,采用最大似然法提取土地利用和竹林时空分布信息;然后,利用变化幅度和动态度2个指标分析4个时期、3个时间段的竹林时空演变规律;最后,建立全省土地利用时空转移矩阵,揭示竹林时空动态与土地利用格局之间的关系。【结果】1)基于时序Landsat数据提取的浙江省竹林信息精度较高,分类精度达75%以上,使用者精度达91%以上,且分类统计面积与实际清查面积高度吻合,面积提取精度达96%以上; 2) 2000—2014年浙江省竹林面积变化幅度和年均变化率分别为16.55%和1.18%,在时空上呈逐渐增加趋势; 3)浙江省竹林面积由2000年占全省面积的7.33%增长到2014年的8.56%,其中针叶林、阔叶林和农田3种土地利用类型变化对竹林面积增加的贡献最大,贡献率分别为28.62%、37.23%和16.15%。【结论】基于Landsat时间序列数据能够高精度监测浙江省竹林资源动态变化,针叶林、阔叶林和农田等土地利用类型减少对竹林面积时空演变具有显著影响。     

Forest monitoring with TerraSAR-X: first results

Several TerraSAR-X satellite images acquired in high resolution spotlight mode with different polarisations for two study sites in southern Germany were used to distinguish forest from other land cover classes (agriculture, built-up, water bodies) using logistic regression models. In general, we observed that the mean and particularly the standard deviation of the backscatter were viable measures to discriminate land cover classes. Both measures were lowest for water bodies and highest for built-up areas, with agricultural areas and forest in intermediate positions. Trees outside forest were not differentiable from forest with the applied method. The HH-polarised image was better suited for a classification of built-up areas, whereas the VV-polarised image was more appropriate when classifying agricultural areas. Consequently, the combination of the two differently polarised images leads to a significantly better model. Since forests in one study area were generally found on steeper slopes in comparison to other land cover classes, the inclusion of terrain slope further improved the classification, which resulted in an overall accuracy of 92–95%. Systematic differences in the parameter values of the explanatory variables for one class between the study areas may be caused by differing class probabilities. Thus, transferring the model of one study area to the image of another resulted in a 7–9% loss of accuracy.