森林植被遙感監(jiān)測影像最佳分辨率選擇

周靜平，李存軍，胡海棠，陶 歡，彭代亮，謝春春，葛 艷

（1.北京農(nóng)業(yè)信息技術(shù)研究中心，北京100097； 2.中國科學院 遙感與數(shù)字地球研究所 數(shù)字地球重點實驗室，北京100094；3.山東瑞達有害生物防控有限公司，山東 濟南 250103）

森林植被分布信息對于森林資源清查、科學管護、林火監(jiān)測預(yù)警、林業(yè)航空植保等有重要作用［1－2］。傳統(tǒng)野外調(diào)研手段獲取森林植被分布信息，需投入大量的人力、物力和財力，費工費時，遙感技術(shù)快速提取森林植被空間分布信息可為其提供支撐，具有很大的實際應(yīng)用價值。現(xiàn)今衛(wèi)星遙感影像的空間分辨率從0.3 m（WorldView-3等）到數(shù)十千米（FY-3等），數(shù)據(jù)豐富、類型多樣，很多高中低空間分辨率影像已被應(yīng)用于森林植被信息提?。?－4］。國外高分辨率衛(wèi)星影像價格昂貴，隨著高分辨率衛(wèi)星技術(shù)的發(fā)展，涌現(xiàn)出GF-1，GF-2和資源三號等一大批國產(chǎn)高分辨率數(shù)據(jù)，大大降低了數(shù)據(jù)獲取成本，其中GF-1衛(wèi)星的16.0 m影像可免費使用。目前，森林植被遙感監(jiān)測時，大多憑以往研究生產(chǎn)經(jīng)驗來判斷和篩選影像，然而森林植被信息提取涉及遙感影像量化分析。如何從眾多遙感影像中通過科學判斷來確定適合森林植被提取的最佳分辨率影像是森林植被信息提取中面臨的一個問題。盡管目前已有一些學者研究林地遙感監(jiān)測尺度［5－11］，但大多利用國外衛(wèi)星（IKONOS，Landsat等）數(shù)據(jù)，且主要側(cè)重于最佳尺度選擇方法理論研究，較少考慮林業(yè)實際應(yīng)用。隨著新近高分辨率衛(wèi)星影像數(shù)據(jù)業(yè)務(wù)化獲取及民用的推廣，森林植被監(jiān)測已成為主要應(yīng)用領(lǐng)域之一，但是林業(yè)生產(chǎn)者或林業(yè)遙感用戶從森林植被遙感監(jiān)測精度、成本和效率等因素考慮，如何選擇和確定適合森林植被監(jiān)測的國產(chǎn)高分辨率影像最佳分辨率的知識缺乏，有待針對林業(yè)生產(chǎn)實際開展深入研究。在理想情況下，選取合適空間分辨率的標準是選取包含所需信息且數(shù)據(jù)量最小的空間分辨率［12］。目前，確定最佳尺度的方法主要有3類：①基于局部方差的方法［5,13］，②基于離散度的方法［14］，③基于變異函數(shù)的方法［15－16］。局部方差法存在邊界效應(yīng)影響精度，離散度法未考慮到影像的空間分布特征。柏延臣等［3］提出了基于一個步長的變異函數(shù)法。該方法的優(yōu)點是沒有局部方差方法中的邊界效應(yīng)問題，也不需要通過復(fù)雜的計算過程去獲取任意分辨率影像的半方差，計算量小，可方便快速地確定最優(yōu)影像分辨率［3,17］。本研究針對森林植被遙感監(jiān)測實際應(yīng)用需要，采用基于1個步長的變異函數(shù)法，計算GF-2全色影像變異函數(shù)，初步確定適合森林植被監(jiān)測的影像最低空間分辨率；并對比不同尺度影像的森林植被提取精度，綜合考慮成本和效率，最終確定適合森林植被監(jiān)測影像的最優(yōu)空間分辨率。

1 研究區(qū)概況

研究區(qū)位于湖南省衡陽市常寧市洋泉鎮(zhèn)東側(cè)林區(qū)（26°15′49″～ 26°17′07″N， 112°15′05″～112°16′32″E），海拔為120～300 m。洋泉鎮(zhèn)位于常寧市西南邊陲，屬中亞熱帶季風濕潤氣候，四季分明，地形較復(fù)雜。地勢南高北低，西南區(qū)域為山地，東部有洋泉水庫，北部區(qū)域主要為城鎮(zhèn)及村莊。研究區(qū)地物類型豐富，主要為森林植被、草地、建筑、道路、水體等。森林植被分布廣泛且類型多樣，大面積原始山體林、中等面積人工林及小面積行道樹、城鎮(zhèn)內(nèi)綠化林等交錯分布。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源

以研究區(qū)2015年9月17日GF-2衛(wèi)星影像為基礎(chǔ)數(shù)據(jù)。其中1個全色波段，影像空間分辨率為0.8 m；多光譜影像有4個波段，分別為紅波段、綠波段、藍波段和近紅外波段，影像空間分辨率為3.2 m。野外調(diào)研所得的森林植被分布結(jié)果用于輔助分析。

2.2 遙感數(shù)據(jù)處理

利用遙感專業(yè)軟件ENVI對GF-2遙感影像進行輻射校正、大氣校正、正射校正、影像融合、影像裁剪等一系列預(yù)處理，得到本研究所需的全色和多光譜融合影像數(shù)據(jù)，空間分辨率均為0.8 m，影像大小為3 000×3 000（像元）。參考目前常用全色或多光譜影像（GF-1，GF-2，Landsat）的空間分辨率情況，利用最近鄰算法對融合后的0.8 m影像進行重采樣，降低空間分辨率，得到2.0，3.2，8.0，16.0，30.0 m多尺度影像集。從森林植被的冠幅大小來看，常見的空間分布類型有3種：大冠幅、小冠幅和大小冠幅混合（圖1）。由于森林植被的冠幅大小直接影響著適合其遙感提取的影像最佳分辨率，因此，結(jié)合研究區(qū)實際情況，選擇3種典型的森林植被類型（大冠幅森林植被、小冠幅森林植被和混合冠幅森林植被），利用全色影像進行變異函數(shù)尺度實驗。對全色影像數(shù)據(jù)進行裁剪，得到3種典型森林植被影像，影像大小為200×200（像元）。

圖1 研究區(qū)位置及3種典型森林植被分布圖Figure 1 Location of the study area and distribution map of three typical forest vegetation

2.3 研究方法

利用變異函數(shù)法初步確定適合森林植被監(jiān)測的影像最低空間分辨率，并對比不同尺度影像中森林植被提取精度進行評價，綜合考慮成本和效率等確定適合森林植被監(jiān)測的影像最優(yōu)空間分辨率。

2.3.1 變異函數(shù) 遙感影像的像素是與空間位置緊密相關(guān)的函數(shù)，屬于區(qū)域化變量。近些年，隨著地統(tǒng)計學（以區(qū)域化變量理論為基礎(chǔ)，研究自然現(xiàn)象的空間變異和空間結(jié)構(gòu)）的發(fā)展，其理論和方法被應(yīng)用于遙感影像的尺度效應(yīng)問題研究。變異函數(shù)可衡量遙感影像的空間相關(guān)性（空間變異或空間依賴性），通過研究分析變異函數(shù)的結(jié)構(gòu)可確定變量因子空間變異的尺度和程度，從而確定遙感影像的最佳空間分辨率［14］。 實驗變異函數(shù)表示如下［3］：

式（1）中： γ＾（h）為空間相距h的全部點對的平均半方差，N（h）是間隔距離為h的點對的數(shù)目，Z（xi）和Z（xi+h）分別是間隔為h的樣本點在各自位置上的像素。在變異程度內(nèi)，變量具有空間自相關(guān)的特性，變異函數(shù)值隨著h值增大逐漸增大；超出變異程度后，變量空間自相關(guān)性消失，變異函數(shù)值保持穩(wěn)定不再變化［18］。此穩(wěn)定值叫做基臺值（c），表示該區(qū)域化變量的變異大小或程度；第1次達到基臺值時的間隔距離叫做變程（a），表示區(qū)域化變量空間自相關(guān)范圍或變異尺度［19－20］。h為0時的半方差叫做塊金值（c0），主要由測量誤差引起［21］。為了對實驗變異函數(shù)進行數(shù)學描述，通常選用數(shù)學模型進行擬合表示，經(jīng)典擬合模型有以下幾種：指數(shù)模型、高斯模型、球狀模型、線性模型等［22］。對遙感影像（地物類型主要或全部為森林植被）進行變異函數(shù)分析時，間隔距離h指的是像元空間分辨率大小與間隔像素數(shù)的乘積；由于本研究采用的是基于1個步長的變異函數(shù)，因此間隔像素數(shù)為1，間隔距離對應(yīng)的就是影像空間分辨率的大小。本研究空間變異分析的對象為森林植被，故變程大小實際指的就是森林植被空間自相關(guān)的大小，變程大小與步長（影像空間分辨率）的乘積便是森林植被具有空間自相關(guān)的范圍。對森林植被進行遙感提取時，影像單個像素內(nèi)必須保證森林植被具有空間自相關(guān)性，因此，通過基于1個步長的變異函數(shù)對影像進行分析，可初步確定適合森林植被提取的影像最低空間分辨率。本研究利用經(jīng)典的地統(tǒng)計學軟件GS+，以1個像元（0.8 m）為步長，對研究區(qū)3種典型森林植被的0.8 m全色GF-2影像進行變異函數(shù)實驗，采用擬合效果較好的指數(shù)模型和高斯模型，分析和確定研究區(qū)森林植被的空間變異尺度。2.3.2 不同尺度遙感影像分類及精度評價 常用的分類算法有神經(jīng)網(wǎng)絡(luò)、隨機森林、決策樹等［23］，基于計算量、人工參與度、分類效果等因素，本研究選擇支持向量機監(jiān)督分類方法，對多尺度的多光譜遙感影像集進行森林植被信息提取。森林植被提取精度包含兩部分內(nèi)容：面積精度和位置精度。為了對森林植被提取面積進行評估和評價，采用面積相差度進行衡量。

為了對森林植被提取位置的準確與否進行評估和評價，本研究將森林植被樣點與多尺度影像森林植被提取結(jié)果進行對比分析，采用位置精度進行衡量。

3 結(jié)果與分析

3.1 不同類型森林植被變異

從圖2可看出：3種典型森林植被的空間變異情況不一致。這說明森林植被的空間分布情況不同，空間變異也不同，為探究適合森林植被提取的遙感影像最佳分辨率，必須對研究區(qū)內(nèi)不同分布形態(tài)的森林植被進行單獨的空間變異分析，然后才能綜合判定最佳尺度。通過進行變異函數(shù)計算擬合，發(fā)現(xiàn)不同森林植被適合的變異函數(shù)模型也不一樣，小冠幅森林植被最佳擬合模型為高斯模型，大冠幅森林植被和混合冠幅森林植被最佳擬合模型為指數(shù)模型，且3個模型的R2均大于0.8，說明模型的擬合效果都較好。表1對應(yīng)的分辨率是通過變程（a）乘以步長（0.8 m）而得。

圖2 3種典型森林植被以1個像元為步長的變異函數(shù)Figure 2 Variation functions based on a step length of three typical forest vegetation

GF-2影像分辨率為0.8 m，為高空間分辨率遙感影像，可對各類林木進行精細刻畫。從表1可看出：對于小冠幅森林植被，基臺較小為557.3，說明影像內(nèi)地物均一，細節(jié)信息豐富，空間變異程度較低。變程較小為2.77，說明影像內(nèi)小冠幅森林植被空間變異范圍較小，空間分辨率≥2.2 m的影像可用于該區(qū)小冠幅森林植被信息提取。

對于大冠幅森林植被樣地影像，塊金值為257，基臺值為1 636.0，都最大。影像內(nèi)大部分是大冠幅林木，樹冠大多相連，故空間變異反映的是林木的空間相關(guān)性。變程為23.40，是3種類型中變程最大的，說明影像內(nèi)森林植被空間變異范圍較大，空間分辨率≥18.7 m的影像可用于該區(qū)大冠幅森林植被信息提取。

表1 3種典型森林植被的變異函數(shù)模型擬合參數(shù)Table 1 Variation function model fitting parameters of three typical forest vegetation

對于混合冠幅森林植被，區(qū)域內(nèi)均為森林植被且樹冠基本相連，故空間變異反映的是林木的空間相關(guān)性?；_值較大為1 148.0，說明森林植被空間變異程度較高。變程為17.70，說明森林植被空間變異范圍較大，空間分辨率≥14.2 m的影像均可用于該區(qū)混合冠幅森林植被信息提取。

通過分析3種典型森林植被樣地影像的空間變異，可初步確定該地區(qū)森林植被提取的影像最低分辨率大致為16.0 m。但是要確定森林植被提取時所需影像的最佳分辨率，還需進行實際的分類效果比對和精度驗證。

3.2 多尺度影像森林植被信息提取

3.2.1 森林植被信息提取實驗 研究區(qū)不同尺度多光譜遙感影像通過支持向量機提取森林植被，結(jié)果與原始影像疊加顯示如圖3。將圖3與森林植被調(diào)研結(jié)果進行對比可以發(fā)現(xiàn)，對于3種常見森林植被類型：①大冠幅森林植被（如大面積山體林區(qū)）。不同分辨率影像，提取效果相差不大，均較好。②混合冠幅森林植被（如城區(qū)散落分布林區(qū)）。分辨率高于8.0 m的影像提取效果均較好。③小冠幅森林植被（如行道樹）。分辨率高于3.2 m的影像提取效果較好。

圖3 多尺度影像森林植被提取結(jié)果及GF-2影像疊加圖Figure 3 Overlay chart of forest vegetation extraction result by multi-scale images and GF-2 images

3.2.2 森林植被提取精度評價 按照隨機抽樣、均勻分布的原則，根據(jù)野外實際調(diào)研的森林植被分布圖，并結(jié)合Googel Earth高清遙感影像，選取360個森林植被樣點，用于對多尺度影像森林植被提取結(jié)果進行位置精度評價。通過森林植被提取面積與實際調(diào)研面積的對比計算，以及森林植被提取結(jié)果與森林植被樣點進行對比計算，具體精度評價情況見表2。從表2可看出：空間分辨率最高的影像（0.8 m），森林植被提取精度并非最高，面積相差度為0.92%，較好，位置精度卻僅有82.2%，較差。這是由于空間分辨率較高時，影像對森林植被內(nèi)部信息刻畫很細致，不同樹種、不同樹齡的樹冠均有差異，同物異譜情況較為嚴重，出現(xiàn)了 “只見樹木，不見森林”的現(xiàn)象，因此，用該影像進行森林植被提取時精度反而降低了。空間分辨率最低的影像（30.0 m），森林植被提取精度最低，面積相差度為5.43%，位置精度卻僅有73.6%，均最差。這是因為研究區(qū)存在小冠幅林木，此類林地面積較小，30.0 m影像太粗略，不能對森林植被信息進行良好表達，因此，提取效果不好。空間分辨率為8.0 m的影像，森林植被提取精度最高，面積相差度為0.32%，位置精度有91.1%，均最好。空間分辨率為3.2和16.0 m的影像，森林植被提取效果較好，面積相差度均在3.00%以下，位置精度均在85.0%以上。也就是說，基于遙感影像進行研究區(qū)森林植被提取時，影像空間分辨率最好在16.0 m以上。該判斷與基于變異函數(shù)分析得到的該地區(qū)森林植被提取影像最低分辨率大致為16.0 m相一致，驗證了基于1個步長的變異函數(shù)進行森林植被提取遙感影像分辨率選擇的可靠性。

表2 森林植被提取結(jié)果精度評價Table 2 Precision evaluation of forest vegetation extraction result

3.3 不同類型森林植被提取影像最佳分辨率選擇

根據(jù)研究區(qū)多尺度影像森林植被提取精度評定的結(jié)果，0.8，2.0和30.0 m影像的森林植被提取結(jié)果均較差，位置精度均在85.0%以下，難以滿足森林植被遙感高精度提取的要求，因此，本研究選取提取精度高于85.0%的適合森林植被提取的3.2，8.0和16.0 m影像進行林地提取效果綜合評價（表3）。表3數(shù)據(jù)成本來源于中科遙感旗下遙感云服務(wù)平臺——遙感集市。

針對3種常見的森林植被分布類型，綜合考慮研究區(qū)森林植被提取精度、成本和效率，可以發(fā)現(xiàn)：①小冠幅森林植被適合提取最佳影像分辨率為3.2 m。②大冠幅森林植被適合提取最佳影像分辨率為16.0 m。③混合冠幅森林植被適合提取最佳影像分辨率為8.0 m。

本研究僅基于GF-2全色影像進行空間變異分析，未考慮多光譜影像的空間變異情況，未來將通過對GF-2多光譜影像或者WorldView，QuickBird等多種影像進行變異分析，以期進一步挖掘和完善森林植被提取最佳分辨率確定方法和結(jié)果。另外，為保證高中低分辨率影像分類方法的一致性，以便于統(tǒng)一對比分析，分類方法統(tǒng)一選擇的是支持向量機監(jiān)督分類法，未考慮面向?qū)ο蟮姆诸惙椒?，未來將考慮用面向?qū)ο蠓椒ㄟM一步開展深入研究。

表3 森林植被提取結(jié)果綜合評價Table 3 Comprehensive evaluation of forest vegetation extraction result

4 結(jié)論

基于1個步長的變異函數(shù)方法確定森林植被提取影像最低分辨率的方法比較可靠。通過多尺度影像森林植被提取結(jié)果得到森林植被提取影像最低分辨率為16.0 m，與基于1個步長的變異函數(shù)分析結(jié)果相一致，驗證了該方法確定森林植被提取影像最低分辨率的可靠性，也可為其他地區(qū)、其他地物的遙感監(jiān)測影像最佳空間分辨率選擇提供參考。

確定三大典型空間分布的森林植被遙感監(jiān)測影像的最佳空間分辨率為：小冠幅森林植被3.2 m；大冠幅森林植被16.0 m；混合冠幅森林植被8.0 m。該研究成果可為森林植被高精度、低成本、高效率遙感監(jiān)測提供科學依據(jù)，豐富了森林植被遙感監(jiān)測尺度研究，尤其為國產(chǎn)高分辨率影像數(shù)據(jù)（GF-1，GF-2）的行業(yè)應(yīng)用提供了科學支撐。

5 參考文獻

［1］ TORRESAN C,BERTON A,CAROTENUTO F,et al.Forestry applications of UAVs in Europe：a review ［J］.Int J Remote Sens,2017,38（8/10）：2427 － 2447.

［2］ 張東彥，蘭玉彬，陳立平，等.中國農(nóng)業(yè)航空施藥技術(shù)研究進展與展望［J］.農(nóng)業(yè)機械學報，2014，45（10）：53－59.ZHANG Dongyan,LAN Yubin,CHEN Liping,et al.Current status and future trends of agricultural aerial spraying technology in China ［J］.Trans Chin Soc Agric Mach,2014,45（10）：53 － 59.

［3］ 柏延臣，王勁峰.遙感信息的不確定性研究：分類與尺度效應(yīng)模型［M］.北京：地質(zhì)出版社，2003.

［4］ 梁文海，劉吉凱，張偉，等.基于面向?qū)ο蠓椒ǖ腉F-2影像桉樹林信息提?。跩］.浙江農(nóng)林大學學報，2017， 34（4）： 721 － 729.LIANG Wenhai,LIU Jikai,ZHANG Wei,et al.ExtractingEucalyptusinformation using GF-2 images based on an object-oriented method ［J］.J Zhejiang A&F Univ,2017,34（4）：721 － 729.

［5］ 明冬萍，王群，楊建宇.遙感影像空間尺度特性與最佳空間分辨率選擇［J］.遙感學報，2008，12（4）：529－537.MING Dongping,WANG Qun,YANG Jianyu.Spatial scale of remote sensing image and selection of optimal spatial resolution ［J］.J Remote Sens,2008,12（4）：529 － 537.

［6］ BAO Nisha,WU Lixin,LIU Shanjun,et al.Scale parameter optimization through high-resolution imagery to support mine rehabilitated vegetation classification ［J］.Ecol Eng,2016,97（2）：130-137.

［7］ TAO Shengli,GUO Qinghua,WU Fangfang,et al.Spatial scale and pattern dependences of aboveground biomass estimation from satellite images：a case study of the Sierra National Forest,California ［J］.Landscape Ecol,2016,31（8）：1711-1723.

［8］ PALENICHKA R,DOYON F,LAKHSSASSI A,et al.Multi-scale segmentation of forest areas and tree detection in LiDAR Images by the attentive vision method ［J］.IEEE J Sel Topics Appl Earth Observ Remote Sens,2013,6（3）：1313-1323.

［9］ HUANG Chunbo,ZHOU Zhixiang,WANG Di,et al.Monitoring forest dynamics with multi-scale and time series imagery ［J］.Environ Monit Assess,2016,188（5）：273.doi：10.1007/s10661-016-5271-x.

［10］ 張忠華，胡剛，祝介東，等.喀斯特常綠落葉闊葉混交林物種多度與豐富度空間分布的尺度效應(yīng)［J］.生態(tài)學報， 2012， 32（18）： 5663-5672.ZHANG Zhonghua,HU Gang,ZHU Jiedong,et al.Scale-dependent spatial variation of species abundance and richness in two mixed evergreen-deciduous broad-leaved karst forests Southwest China ［J］.Acta Ecol Sin,2012,32（18）：5663－5672.

［11］ 徐俊鋒.IKONOS信息提取的尺度效應(yīng)研究［D］.杭州：浙江大學，2006.XU Junfeng.Scale Issues in Information Extraction from IKONOS Data［D］.Hangzhou：Zhejiang University,2006.

［12］ ATKINSON P M,CURRAN P J.Choosing an appropriate spatial resolution for remote sensing investigations ［J］.Photogr Eng Remote Sens,1997,63（12）：1345 － 1351.

［13］ 陳文凱，何少林，裴惠娟，等.地震前后遙感影像空間尺度特性與最優(yōu)空間尺度選擇［J］.地震，2013，33（2）： 19 － 28.CHEN Wenkai,HE Shaolin,PEI Huijuan,et al.Analysis and optimal selection of spatial scale for remote sensing images before and after earthquakes ［J］.Earthquakes,2013,33（2）：19 － 28.

［14］ 柏延臣，王勁峰.基于特征統(tǒng)計可分性的遙感數(shù)據(jù)專題分類尺度效應(yīng)分析［J］.遙感技術(shù)與應(yīng)用,2004，19（6）： 443 － 449.BAI Yanchen,WANG Jinfeng.Exploring the scale effect in thematic classification of remotely sensed data：the statistical separability-based method ［J］.Remote Sens Technol Appl,2004,19（6）：443 － 449.

［15］ 溫兆飛，張樹清，白靜，等.農(nóng)田景觀空間異質(zhì)性分析及遙感監(jiān)測最優(yōu)尺度選擇：以三江平原為例［J］.地理學報， 2012， 67（3）： 346 － 356.WEN Zhaofei,ZHANG Shuqing,BAI Jing,et al.Agricultural landscape spatial heterogeneity analysis and optimal scale selection：an example applied to Sanjiang plain ［J］.Acta Geogr Sin,2012,67（3）：346 － 356.

［16］ 衛(wèi)春陽，徐丹丹，董凱凱，等.遙感影像空間格局變異函數(shù)分析研究進展［J］.地球信息科學學報,2017，19（4）： 540-548.WEI Chunyang,XU Dandan,DONG Kaikai,et al.Advances in analysis of remote sensing image pattern based on semi-variogram ［J］.J Geo-Inf Sci,2017,19（4）：540-548.

［17］ 韓鵬，龔健雅，李志林.基于信息熵的遙感分類最優(yōu)空間尺度選擇方法［J］.武漢大學學報（信息科學版），2008， 33（7）： 676-679.HAN Peng,GONG Jianya,LI Zhilin.A new approach for choice of optimal spatial scale in image classification based on entropy ［J］.Geom Inf Sci Wuhan Univ,2008,33（7）：676-679.

［18］ CHILèS J P,DELFINER P.Geostatistics:Modeling Spatial Uncertainty［M］.New York：John Wiley and Sons,1999.

［19］ 王政權(quán).地統(tǒng)計學及其在生態(tài)學中的應(yīng)用［M］.北京：科學出版社，1999.

［20］ PANNATIER Y.Variowin：Software for Spatial Data Analysis in2D［M］.New York：Springer Verlag,1996.

［21］ ATKINSON P M,CURRAN P J.Defining an optimal size of support for remote sensing investigations ［J］.IEEE Trans Geosc Remote Sens,1995,33（3）：768-776.

［22］ DEUTSCH C V,JOURNEL A G.GSLIB：Geostatistical Software Library and User’s Guide［M］.2nd.New York：Oxford University Press,1998.

［23］ FU Bolin,WANG Yeqiao,CAMPBELL A,et al.Comparison of object-based and pixel-based Random Forest algorithm for wetland vegetation mapping using high spatial resolution GF-1 and SAR data ［J］.Ecoll Indic,2017,73：105-117.