森林湿地是湿地的重要组成部分,其空间分布对于研究湿地功能评价、温室气体通量估计和识别野生动物适宜栖息地具有重要的价值,同时其也是湿地生态学领域的研究难点和热点。许多研究者已证实,多源遥感数据的影像处理技术可识别森林湿地与其相邻土地覆被类型,但在森林湿地制图的方法上没有达成共识。基于此本文以大沾河国家森林湿地为研究区,运用Landsat8遥感数据、Radarsat-2数据和地形辅助数据,对比研究了面向对象随机森林算法与基于像元随机森林算法和KNN算法的森林湿地遥感识别,结合野外实测数据,对算法识别结果进行精度评价,并对遥感分类误差进行深入分析。主要结论如下:(1)本文对Landsat8遥感数据进行面向对象的多尺度分割,基于分割的结果提取各对象所对应的光学、纹理、雷达和地形辅助数据的特征值,将每个对象特征变量的均值作为预测变量纳入随机森林进行斑块地类的判读,得到面向对象的随机森林模型,利用构建好的面向对象随机森林模型对待分类对象进行分类,最终实现面向对象与随机森林相结合的分类方法。在对象特征值提取时,实现了以对象为处理单元的多源数据的信息提取,克服了多源数据进行多尺度分割时的兼容性问题,为面向对象的分类方法在综合多源数据优势提供可能性。在面向对象随机森林分类方法的变量相对重要性得分中,Landsat8遥感数据的光学特征最高,地形辅助数据其次,最后是纹理特征。(2)从整体上看,面向对象随机森林分类方法的分类结果的土地覆盖斑块连续性更好,客观真实的反映了地物景观。根据野外实测样点,对面向对象随机森林分类法的分类结果进行精度评估,其总体分类精度和Kappa系数分别为80.65%和0.78,森林湿地、针叶林和阔叶林的制图精度分别为83.33%、83.78%和81.39%。研究表明,面向对象随机森林的分类方法在森林湿地信息提取具有潜在的优势,森林湿地信息提取结果的整体斑块较好,其主要分布在空气湿度大、坡度较缓的南部低洼地带。同时,结果也表明了将雷达数据提取的淹水范围纳入到分类变量中,可以改善森林湿地与针叶阔叶林的混分现象。(3)面向对象的随机森林分类方法与面向对象KNN算法和基于像元随机森林方法的分类结果相比,总体分类精度和Kappa系数更高,其森林湿地信息提取更准确。而基于像元随机森林分类方法存在较多噪声,森林湿地和针叶林、阔叶林存在混分现象,草本沼泽错分为灌木。面向对象KNN分类方法的森林湿地分类精度最低,主要是由于面向对象KNN算法对小样本容量的地类提取过程中容易产生误差。