C5.0決策樹Hyperion影像森林類型精細分類方法

王懷警，譚炳香，房秀鳳，李世明，李太興

（1.中國林業科學研究院 資源信息研究所遙感室,北京100091;2.吉林省白河林業局,吉林 延邊 133613）

遙感技術具有覆蓋范圍大、重訪周期短、應用成本低等優勢，能及時準確地掌握森林類型、分布、面積、結構、質量、現狀及動態變化情況，在森林區劃、森林資源調查、森林類型精細識別、植被制圖［1］、動態變化監測等方面具有巨大的應用潛力。利用遙感影像開展土地利用類型分類和森林類型識別已有較多研究，主要集中在非參數化智能化分類、多源遙感數據與輔助信息綜合分類［2-3］、知識挖掘和專家系統、 多時相復合分類［4］、 面向對象［5］、 新方法引入與分類策略［6］、 多分類器組合［7-9］等方面， 并且在植被分類、林地信息提取、森林類型精細識別［10-12］、樹種（組）分類、動態變化監測等方面獲得廣泛的應用。當前，針對高光譜影像的分類方法，如光譜角匹配方法、最大似然法、人工神經網絡和支持向量機（SVM）等，多為基于像元光譜信息來賦予像元不同的地物類型，比較成熟和穩定。但此類方法往往忽視空間信息，或者對空間信息利用不充分，在沒有輔助數據或者輔助數據較少的情況下，如何利用有限的已知樣本點所提供的空間位置信息或其他來源的輔助信息提高分類精度值得深究。C5.0決策樹算法是一種以信息熵為核心思想的數據挖掘算法，可以快速尋找現象之間未知的關系和關聯。前人對該算法的應用多集中在土地利用信息自動提取［13］、 土地覆蓋分類［14-15］、 植被分類［16］、森林變化檢測［17］等方面；另外，還探究不同特征對分類的影響及不同方法的比較。然而，鮮有應用C5.0決策樹算法探究高光譜數據森林類型分類。本研究以吉林省白河林業局為中心研究區，充分利用影像多元特征和輔助信息，開展基于C5.0決策樹算法的森林類型識別方法研究，探究針對主要森林類型或樹種（組）C5.0決策樹分類方法的適用性和可行性。

1 研究區概況與數據獲取

1.1 研究區概況

研究區中心區域位于吉林省延邊朝鮮族自治州白河林業局境內，地理坐標為41°41′49″～42°51′18″N，127°42′55″～128°16′48″E。 研究區覆蓋面積約為 4.05 萬 hm2，屬溫帶大陸性山地氣候， 南臨長白山保護區，森林覆蓋率約85%。森林植被組成和樹種成分較為復雜，屬闊葉混交、針葉混交和針闊混交林帶，基本特點為次生林，萌生起源為主，兼有實生林及實生樹木。研究區主要樹種及森林類型為美人松Pinus syluestriformis林，落葉松Larix gmelinii林，樟子松Pinus sylvestrisvar.mongolica林，楊樹Populus bonatii林，白樺Betula platyphylla林，柞樹Quercus mongolica林以及闊葉混交林、針葉混交林、針闊混交林、灌木林。

1.2 數據獲取

研究獲取2015年7月9日Hyperion影像一景，覆蓋范圍為41.93°～42.98°N，127.97°～128.23°E，影像幅寬7.7 km×185 km，光譜范圍355～2 500 nm，共有242個波段，光譜分辨率為10 nm，空間分辨率為30 m。此外，輔助數據包括研究區行政界線矢量數據、先進星載熱發射和反射輻射儀全球數字高程模型（advanced spaceborne thermal emission and reflection radiometer global digital elevation model,ASTER GDEM）30 m分辨率數字高程模型（digital elevation model，DEM）數據、研究區部分二類調查數據（圖1），矢量數據用于研究區影像數據裁剪；DEM數據作為特征因子參與分類；二類調查數據作為精度驗證的輔助數據。

Hyperion影像的預處理包括壞波段剔除、壞線修復、Smile效應校正、輻射校正、大氣校正、幾何校正、研究區裁剪，利用DEM數據和野外采集的全球定位系統（GPS）坐標點對影像進行正射校正。此外，為消除噪聲帶來的影響， 還對數據進行了光譜平滑處理，為方便起見，反射率數值放大1.0萬倍。剔除質量較差的波段，最終保留148個波段用于研究，表1列出了保留的波段及對應的波長區間（表1和圖 2）。

表1 保留的Hyperion影像波段Table 1 Reserved bands of Hyperion image

1.3 外業數據

2016年9月3-9日，以Hyperion影像覆蓋范圍為主要調查區域進行外業調查。樣地為直徑45 m的圓形樣地，在樣地中心采用GPS手持機（Trimble Geo Explorer 6000）記錄樣地中心位置坐標，同時對樣地進行多角度拍攝，記錄森林類型、樹種組成、優勢樹種（組）、郁閉度、林齡、林下灌木種類，海拔、坡度、坡向、經營活動等主要調查因子，詳實反映樣地及其周圍林分植被生長狀況，使樣地的紋理、屬性和位置信息一一對應。野外調查共采集Hyperion影像條帶覆蓋區域實測樣地81個。樣地在Hyperion影像條帶上的空間分布如圖2所示，實測樣地類型及樣地數見表2。由于樣地可達性限制，部分不能抵達觀測的樣地在圖紙和記錄表中分別記錄其相對位置和相關屬性，可用于輔助精度驗證。

圖1 研究區部分森林類型分布圖Figure 1 Distribution of some forest types in the study area

圖2 研究區Hyperion影像及樣地分布圖Figure 2 Hyperion image and plot distribution map of the study area

表2 實測樣地類型及樣地數Table 2 Measured sample types and number

2 研究方法

2.1 分類系統

參考《森林資源數據采集技術規范第1部分：森林資源連續清查》［18］中地類劃分標準與《森林資源規劃設計調查技術規程》［19］中林地分類系統，根據研究區地表覆蓋狀況和應用需求，結合遙感影像特點、森林類型及樹種（組）精細識別能力，綜合考慮類別科學、系統性及層次性，將研究區主要森林類型劃分為美人松林、落葉松林、樟子松林、楊樹林、白樺林、柞樹林、闊葉混交林、針葉混交林、針闊混交林、灌木林地、無立木林地及濕地共12類。而非森林并非研究重點，故只分為耕地、園地、水域、未利用地及建設用地5類，不再進一步細分。構建的5級分類系統見表3。其中，闊葉混交林主要為慢生闊葉混交林，主要包括水曲柳Fraxinus mandschurica， 胡桃楸Juglans mandshurica， 椴樹Tilia tuan szyszy，榆樹Ulmus pumila，色木Acer mono，楓樺Betula costata等硬闊類樹種；針葉混交林主要由人工落葉松、云杉Picea asperata，紅松Pinus koraiensis和臭松Abies holophylla組成；無立木林地主要指火燒跡地；灌木林地是指附著有灌木樹種，或因生境惡化矮化成灌木型的喬木樹種；濕地類型主要包括天然或人工的、永久或暫時的沼澤地、泥炭地、水域地帶、濕草甸、湖泊、灘涂、水庫、池塘等；園地主要有人參Panaxginseng，天麻Gastrodiaelata，靈芝Ganoderma lucidum，藍莓Vacciniumspp.等；未利用地主要指裸地；建設用地主要指建筑物及道路。

表3 分類系統Table 3 Classification system

2.2 樣本選擇

由于樣地可達性及工作量等因素限制，野外調查的樣地數據比較有限，不足以進行分類，因此需對樣本量進行適量擴充。具體做法如下：根據地物在空間分布具有連續性的特點，綜合已測樣地位置、紋理、影像中光譜曲線及記錄表中相關信息，充分利用高光譜影像的精細光譜特征，重點針對森林類型，圍繞樣地周邊像元進行拓展，當拓展樣本與已測樣地的光譜、紋理及記錄表中相關信息相匹配時，即可判定該拓展樣本的類別，樣本選擇結果見表4。

2.3 分類策略

根據影像中地物光譜反射差異，選擇特征波段，先區分出易于區分的地類，將已區分的類別進行掩膜處理，可大大減少其對后期分類工作的干擾，利于提高分類精度。利用不同地物的特征波段提取某一地類或某幾類地物，即對地物進行分層,隨后在層次間對地類進一步細分，針對層次間光譜特征較為相似的地類，綜合利用紋理信息和地形因子，構建基于C5.0算法的決策樹模型并進行分類。最后對分類結果進行決策級融合，得到最終分類結果。

表4 地類列表及樣本數量Table 4 List of land types and sample number

2.4 特征提取

高光譜數據波段多，波段間相關性較高，在進行分類研究時，通常需進行特征提取或特征選擇，以達到降維或波段優選的目的。常通過微分變換的導數譜、對數變換、微分對數變換相結合、主成分分析（PCA）［20－21］等進行高維數據的壓縮。經試驗對比，選用PCA法進行降維，選取PCA的前4個分量（信息量達99%以上）參與分類。

對于光譜特征相似的地物，往往通過其紋理差異加以區分［22－23］。根據研究區地類特征和影像紋理特征差異，經反復測試，分別計算PCA前3個分量各自對應的8個紋理特征［24］參與分類，選取的紋理特征如表5所示。

表5 灰度共生矩陣計算的紋理因子Table 5 The texture factor of gray level co-occurrence matrix

研究區主要森林類型及優勢樹種（組）的生態學特性（如喜光、喜陰），樹種群落特征和生態適應范圍（如柞樹多生長在向陽的山坡上），垂直向分布特征等較為明顯，因此將數字高程模型（DEM），坡度（aspect），坡向（slope）作為樹種分類的有效特征和輔助信息，以期進一步提高森林類型識別精度。

2.5 C5.0決策樹算法

C5.0決策樹算法最早的原型是由QUINLAN于1979年提出的ID3算法，后經不斷改進形成C4.5算法，C5.0算法是基于C4.5的進一步改進。C5.0增加了Boosting算法以提高分類精度。該算法以信息增益率為標準確定最佳分組變量和最佳分割點，其核心概念是信息熵。信息熵又稱為先驗熵，是信息發送前信息量的數學期望值［25］。C5.0以信息熵的下降速度作為選取最佳分支變量和分割閾值的依據，信息熵的下降意味著不確定性下降。

信息 ui（i=1， 2， …， r）的發生概率 P（ui）組成信源數學模型，信息量和信息熵的計算公式如下：

信息熵H（U）為0時表示只存在唯一的可能性，不存在不確定性；如果信源的k個信號有相同的發出概率， 即所有的 ui有 P（ui）=1/k， H（U）達到最大， 不確定性最大， P（ui）差別越小， H（U）就越大。 設 S是1個樣本集合，目標變量C有K個分類，freq（Ci，S）表示屬于Ci類的樣本數，|S|表示樣本集合S的樣本數，則集合S的信息熵定義為：

如果某屬性變量T，有m個分類，則屬性變量T引入后的條件熵定義為：

屬性變量T帶來的信息增益為：

C5.0算法使用十折交叉驗證的方法，分類過程中及時反饋訓練樣本的質量，及時修改模型，避免出現 “過度擬合”現象，保證較高的分類精度。C5.0采用后剪枝 （post-pruning）策略自葉節點向上逐層剪枝，使用統計置信區間的誤差估計方式，直接在訓練數據中估計誤差，若待剪子樹中葉節點誤差大于父節點的誤差，則予以剪去。C5.0在選擇最佳分組變量時，通常會將帶有缺失值的樣本當作臨時樣本剔除，并進行權數調整處理，使得算法對樣本具有一定的容錯能力。

2.6 影像分類

針對不易區分的幾種地類，C5.0決策樹算法首先計算輸入樣本集的熵和不同特征波段加入后的信息增益，根據信息增益最大的字段拆分樣本，第1次拆分確定的屬性作為樹的根節點，隨后根據其他屬性再次拆分，后建立的決策樹重點考慮之前被錯分和漏分的數據，直到樣本子集不能再被拆分；而屬性閾值的分割則是以信息熵下降最快為準。如此建立一株完整的決策樹。最后根據樣本集對生成的決策樹進行剪枝，剪枝的標準是葉子節點的錯誤率小于父節點。為提升決策樹的性能，采用交叉驗證技術，對選出的屬性進行投票。根據構建的決策樹模型進行細分，直至所有類別均被區分。對分類結果進行決策級融合并進行重編碼，得到所有地類的分類結果。對分類結果進行分類后處理，合并分類結果中碎小的細部。為了體現本研究方法的優勢，在相同的分類策略下，選用性能穩健優異的SVM分類器進行分類，采用網格參數尋優法尋找不同層次分類的最優參數，確保分類結果較好。

3 結果與分析

3.1 光譜特征分析與地物分層方案

根據樣本對影像進行分類統計，求取各波段反射率均值，得到各類別的光譜曲線。圖3為獲取的各類別反射率曲線，可用于分析各類別的光譜差異及確定地物分層方案。

由光譜曲線可見，建設用地在藍光到紅光區間反射率呈上升趨勢，不同于其他地類；水體在整個光譜區間內反射率較低；植被在447 nm處有明顯的吸收谷，綠光區間有綠峰，紅光區間有吸收谷，近紅外區間有明顯的反射峰；柞木林和灌木林在近紅外到短波紅外區間反射率較其他植被高很多；園地在藍光到綠光區間內，反射率先快速上升而后趨于平穩，在447 nm處的吸收谷消失，近紅外區間的反射峰值低于其他植被；耕地在中紅外區間表現出較強的反射特性，在1 659 nm處達到峰值，在大于2 000 nm的波長區間，反射率較其他地類高許多。樟子松林、美人松林、濕地、無立木林地等4類的光譜曲線較為相近，由于部分水體與植被相鄰，為綜合多種屬性提高分類精度，將此4類分為同一層；白樺林、楊樹林、落葉松林、闊葉混交林、針葉混交林、針闊混交林、建設用地等7種地類光譜曲線差異不明顯，不易區分，需輔以其他信息方能加以區分。

根據地物光譜曲線差異選擇特征波段，對研究區地類進行分層，特征波段選擇和分層策略見圖4，分別在第4層和第7層中應用C5.0決策樹算法構建決策樹模型，對同一層中較難區分的地類進行細分。

圖3 典型地物光譜曲線Figure 3 Spectral curves of typical objects

3.2 分類結果與精度評價

為驗證方法的適用性和森林類型精細識別的精度，采用分層隨機抽樣產生獨立驗證樣本。檢驗樣本數與訓練樣本數比例約為1∶3，參考野外采集樣本、高分辨率影像（Google Earth）和研究區部分二類調查數據，對森林類型進行精度驗證。為驗證森林類型分類精度，將非森林類型合并為其他類，選取總體精度、Kappa系數、用戶精度和生產精度作為評價指標。C5.0決策樹算法森林類型總體分類精度為81.9%，Kappa系數為0.709 8，SVM分類器森林類型總體分類精度為84.2%，Kappa系數為0.717 8，2種方法的分類結果和分類精度評價分別見圖5和表6。

圖4 地物分層分級方案及閾值Figure 4 Hierarchical classification scheme and threshold

C5.0算法決策樹模型構建過程中特征變量使用的頻率可作為衡量各變量對分類貢獻大小的依據，該算法區分第4和第7層地物使用的特征變量不同。經優化后的第4層和第7層地物分類決策樹模型見圖6。

圖5 C5.0決策樹分類法（A）與SVM法（B）森林類型分類圖Figure 5 Classification Result of C5.0 Decision tree Classifier（A） and SVM Classifier（B）

為了進一步印證C5.0選擇特征波段的有效性，對各類別相應的特征波段進行統計分析，選取各類型特征波段均值繪制如圖7所示的離散直方圖，從圖7可以清晰的看出各類別不同特征間存在明顯差異，相比光譜特征具有更好的區分性，從側面證實了C5.0決策樹算法構建的決策樹模型的正確性。

圖6 第4層（A）和第7層（B）地物分類決策樹模型Figure 6 Classification decision tree model of the fourth layer（A） and the seventh layer（B） terrain

圖 7 第4層（A）和第7層（B）森林類型分類所選特征波段均值的離散直方圖Figure 7 Discrete histograms of selected characteristic bands for fourth （A）and seventh （B）forest types

由表6可見：2種分類方法結果較一致，其中落葉松林、樟子松林、白樺林、楊樹林、闊葉混交林分類精度相對較低；闊葉混交林、針葉混交林和針闊混交林間混分現象較明顯；美人松林、柞木林、針葉混交林、針闊混交林分類精度相對較高。C5.0算法對落葉松林、樟子松林、楊樹林、針葉混交林和針闊混交林分類精度優于SVM法，SVM分類器對白樺林、柞木林和闊葉混交林區分較好，其他類別兩者分類度相差不大。

對比C5.0決策樹法和SVM法，2種方法總體分類精度均較高，SVM法總體分類精度高于C5.0決策樹算法，但SVM法在內存占用、耗時等方面遠高于C5.0決策樹法，SVM分類器存在最優參數選擇的問題，而C5.0決策樹算法則參數較少。2種方法對植被的識別能力均弱于其他地物，但相比而言，C5.0決策樹算法對綠色植被識別能力優于SVM法；2種方法對不同地物的識別能力不同，存在優勢互補的可能。

3.3 分類結果討論

訓練樣本選擇準確對分類至關重要。野外調查時間與影像成像時間相隔約1 a，研究中忽略了此間變化產生的影響。研究區地物類型豐富，不同地類混雜較嚴重，導致分類結果較為破碎。研究區森林覆蓋度較高，針葉混交林、針闊混交林和闊葉混交林混雜嚴重，加之三者特征相近，故較難區分。由于不同地類訓練樣本數量不同，訓練樣本數較少，可能導致其分類精度較低。可見，紋理信息有助于提高某些地物分類精度，但限于影像空間分辨率，導致紋理信息不足以精細地描述不同森林類型的差異；地物尺寸較大時紋理信息對分類精度提升明顯，例如流線狀的河流和道路。紋理因子對分類的貢獻率與影像分辨率間的關系，有待進一步探究。

表6 C5.0決策樹算法與SVM法森林類型分類精度評價Table 6 Forest land type classification accuracy evaluation result of C5.0 decision tree algorithm and SVM

結合以上實驗分析，總結如下：①針對土地覆蓋類型復雜的區域，采用分層分類的策略可提高總體的分類精度，且分層數不宜過多；②建立的決策樹模型深度越深，其精度越小，故決策樹的深度不宜過深；③C5.0決策樹算法對綠色植被的識別能力弱于其他類別；④分層分類策略結合C5.0決策樹算法應用于高光譜森林類型分類，易與其他輔助數據結合，森林類型識別可達到優勢樹種（組）級別，可行性好，可應用于實際生產；⑤綜合遙感影像的光譜、紋理和地形信息的分層信息提取方法，森林類型識別更為精細，能滿足復雜地形條件下星載高光譜影像森林類型精細識別的應用需求，對中國GF-5號高光譜遙感數據林業應用具有參考價值。

4 結論

研究表明：①該算法對綠色植被的識別能力弱于其他類別；②該算法在訓練樣本數較少時依然表現較好，可充分利用影像的光譜、紋理及其他輔助信息，不會或較少出現局部收斂現象；③地形較復雜區域進行分類時，地形因子對分類貢獻度較高；④C5.0決策樹算法，計算速度快，占用內存小，自動選擇特征變量和分割閾值，且生成的決策樹規則易于理解，總體分類精度較高；⑤該算法在利用紋理因子參與分類時，均值、方差、一致性、相異性4個變量對分類貢獻較高。

研究采用的數據空間分辨率較低，混合像元現象嚴重，以后可考慮從混合像元分解入手改進分類策略和算法。C5.0決策樹算法存在與其他分類器（如SVM）優勢互補的潛力，今后可考慮多分類器融合或組合策略，以提高森林類型分類精度。

5 參考文獻

［1］ 張志明,張征凱,郭銀明,等.高原山區遙感植被制圖研究綜述［J］.云南大學學報（自然科學版）,2013,35（3）：416-427.ZHANG Zhiming,ZHANG Zhengkai,GUO Yinming，et al.Mountain vegetation mapping using remote sensing ［J］.J Yunnan Univ， 2013,35（3）：416 － 427.

［2］ VOISIN A， KRYLOV V A， MOSER G，et al．Supervised classification of multisensory and multiresolution remote sensing images with a hierarchical copula-based approach［J］.IEEE Trans Geosci Remote Sens,2014,52（6）：3346 －3358．

［3］ 任沖,鞠洪波,張懷清,等.多源數據林地類型的精細分類方法［J］.林業科學,2016,52（6）：54－65.REN Chong,JU Hongbo,ZHANG Huaiqing，et al.Multi-source data for forest land type precise classification ［J］.Sci Silv Sin,2016,52（6）：54 － 65.

［4］ 競霞，王錦地，王紀華，等．基于分區和多時相遙感數據的山區植被分類研究［J］．遙感技術與應用，2008,23（4）：394 － 397．JING Xia， WANG Jindi， WANG Jihua，et al．Classifying forest vegetation using sub-region classification based on multi-temporal remote sensing images ［J］.Remote Sens Technol Appl， 2008,23（4）：394 － 397.

［5］ 溫一博， 范文義．多時相遙感數據森林類型識別技術研究［J］．森林工程，2013,29（2）：14－20．WEN Yibo， FAN Wenyi.Remote sensing image recognition for multi-temporal forest classification ［J］．For Eng,2013,29（2）：14 － 20.

［6］ BENZ U C， HOFMANN P， WILLHAUCK G，et al.Multi-resolution， object-oriented fuzzy analysis of remote sensing data for GIS-ready information ［J］.ISPRS J Photogramm Remote Sens,2004,58（3/4）：239 － 258．

［7］ FOODY G M,BOYD D S,SANCHEZ-HERNANDEZ C.Mapping a specific class with an ensemble of classifiers ［J］.Int J Remote Sens,2007,28（8）：1733 － 1746.

［8］ KITTLER J.Combining classifiers：a theoretical framework ［J］.Pattern Anal Appl,1998,1（1）：18 － 27.

［9］ FREUND Y,SCHAPIRE R E.Experiments with a new boosting algorithm［C］//ICML96Proceesings of the Thirteenth International Conference on International Conference on Machine Learning.San Francisco：Morgan Kaufmann Publishers Inc,1996：148－ 156.

［10］ MELVILLE P,MOONEY R J.Creating diversity in ensembles using artificial data ［J］.Inf Fusion,2005,6（1）：99 －111.

［11］ HELMER E H， RUZYCKI T S， BENNER J，et al．Detailed maps of tropical forest types are within reach：forest tree communities for Trinidad and Tobago mapped with multi-season Landsat and multi-season fine-resolution imagery ［J］.For Ecol Manage， 2012， 279（6）：147 － 166．

［12］ 董心玉,范文義,田甜.基于面向對象的資源3號遙感影像森林分類研究［J］.浙江農林大學學報,2016,33（5）：816－825.DONG Xinyu,FAN Wenyi,TIAN Tian.Object-based forest type classification with ZY-3 remote sensing data ［J］.J Zhejiang A&F Univ,2016,33（5）：816 － 825.

［13］ 李明詩,彭世揆,周林,等.基于ASTER數據的決策樹自動構建及分類研究［J］.國土資源遙感,2006,18（3）：33－36,42.LI Mingshi,PENG Shikui,ZHOU Lin,et al.A study of automated construction and classification of decision tree classifiers based on ASTER remotely sensed datasets ［J］.Remote Sens Land Resour， 2006,18（3）：33 － 36,42.

［14］ 齊紅超,祁元,徐瑱.基于C5.0決策樹算法的西北干旱區土地覆蓋分類研究：以甘肅省武威市為例［J］.遙感技術與應用,2009,24（5）：648 － 653.QI Hongchao,QI Yuan,XU Zhen，et al.The study of the northwest arid zone land-cover classification based on C5.0 decision tree algorithm at Wuwei City,Gansu Province ［J］.J Remote Sens Technol Appl,2009,24（5）：648 － 653.

［15］ 高玉蓉,許紅衛,丁曉東.基于C5.0的錢塘江流域地區土地利用/覆被信息提取研究［J］.生態科學,2012,31（5）：481 － 487.GAO Yurong,XU Hongwei,DING Xiaodong.Extraction of land use/cover information based on C5.0 algorithm in Qiantang River drainage area ［J］.Ecol Sci,2012,31（5）：481 － 487.

［16］ 李夢瑩,胡勇,王征禹.基于C5.0決策樹和時序HJ-1A/B CCD數據的神農架林區植被分類［J］.長江流域資源與環境,2016,25（7）：1070 － 1077.LI Menying,HU Yong,WANG Zhengyu.Study on vegetation classification in Shennongjia forest district based on decision tree and HJ-1 A/B data ［J］.Resour Environ Yangtze Basin,2016,25（7）：1070 － 1077.

［17］ KEMPENEERS P,SEDANO F， SEEBACH L,et al.Data fusion of different spatial resolution remote sensing images applied to forest-type mapping ［J］．IEEE Trans Geosci Remote Sens,2012,49（12）：4977 － 4986．

［18］ 侯瑞萍，黃國勝，李應國，等， LY/T 2188.1-2013森林資源數據采集技術規范 第1部分：森林資源連續清查［S］.北京：中國標準出版社，2014.

［19］ 唐小平,陳雪峰,翁國慶,等.GB/T 26424-2010森林資源規劃設計調查技術規程［S］.北京：中國標準出版社，2011.

［20］ 王志慧,李世明,張藝偉.基于C5.0算法的森林資源變化檢測方法研究：以山東省徂徠山林區為例［J］.西北林學院學報,2011,26（5）：185 － 191.WANG Zhihui,LI Shiming,ZHANG Yiwei.Methodological study on the detection of the variations of forest resources based on C5．0 algorithm：a case of Culai Forest in Shandong ［J］.J Northwest For Univ,2011,26（5）：185 － 191.

［21］ 崔賓閣，馬秀丹，謝小云.小樣本的高光譜圖像降噪與分類［J］.遙感學報,2017,21（5）：728－738.CUI Binge,MA Xiudan,XIE Xiaoyun.Hyperspectral image de-noising and classification with small training samples［J］.J Remote Sens,2017,21（5）：728 － 738.

［22］ 張曉羽,李鳳日,甄貞,等.基于隨機森林模型的陸地衛星-8遙感影像森林植被分類［J］.東北林業大學學報,2016,44（6）：53 － 57.ZHANG Xiaoyu,LI Fengri,ZHEN Zhen,et al.Forest vegetation classification of Landsat-8 remote sensing images based on random forests model［J］.J Northeast For Univ,2016,44（6）：53 － 57.

［23］ 董連英,邢立新,潘軍,等.高光譜圖像植被類型的CART決策樹分類［J］.吉林大學學報（信息科學版）,2013,31（1）：83 － 89.DONG Lianying,XING Lixin,PAN Jun,et al.Vegetation classification in hyperspectral image with CART decision tree ［J］.J Jilin Univ Inf Sci Ed,2013,31（1）：83 － 89.

［24］ 趙英時.遙感應用分析與方法［M］.北京：科學出版社，2003：156-158.

［25］ HARALICK R M.Statistical and structural approaches to texture ［J］.Proc IEEE,1979,67（5）：786 － 804.