基于Sentinel衛星影像的土地利用類型提取

陳媛媛 雷鳴 王澤遠 楊舒潔

摘 要：為研究光學遙感和微波遙感數據在城市森林信息提取中的互補性，該文采用Sentinel-1A雷達影像與Sentinel-2A光學影像，基于面向對象決策樹的方法和不同的特征組合策略（①Sentinel-2A的7個可見光波段;②Sentinel-2A的7個可見光波段加入5、6、7紅邊波段;③方案2中10個波段加入Sentinel-1A的VV、VH后向散射系數;④方案3中所有波段加上紋理特征、植被指數等共34個波段）對浙江省麗水市蓮都區進行土地利用分類和比較。結果發現，Sentinel-2A的紅邊波段引入后森林的用戶精度提高了15.32%，雷達后向散射信息使總體精度提高4.55%，但對森林的提取并無影響;當融合紅邊指數、后向散射、紋理特征和植被指數進行分類時，研究區域總體分類精度與單個地類的分類精度均有明顯提高，總體精度達到90.06%，Kappa系數達到0.820 7。文中實驗證明了融合Sentinel-1A與Sentinel-2A多源數據對森林覆蓋度高的區域進行分類和信息提取是較為可靠的思路。

關鍵詞：城市森林;Sentinel-1A;Sentinel-2A;多源數據;特征組合

中圖分類號：S771.8??? 文獻標識碼：A?? 文章編號：1006-8023（2022）02-0054-08

Extraction of Land Use Types Based on Sentinel Images

——A Case Study of Liandu District， Lishui

CHEN Yuanyuan， LEI Ming， WANG Zeyuang， YANG Shujie

（College of Civil Engineering， Nanjing Forestry University， Nanjing 210037， China）

Abstract：In order to study the complementarity of optical remote sensing and microwave remote sensing data in urban forest information extraction， this paper uses Sentinel-1A and Sentinel-2A images， based on the object-oriented decision tree method and different feature combination strategies （① 7 visible bands of Sentinel-2A; ② 7 visible bands added 5， 6， 7 red edge bands of Sentinel-2A; ③ the VV and VH backscattering coefficient of the Sentinel-1A were added to the 10 bands in scheme ②; ④ all bands in scheme ③ added with 34 bands including texture features， vegetation index， etc.） to classify and compare in Liandu District， Lishui， Zhejiang Province. The results showed that the user accuracy of forest was improved by 15.32% after the red edge bands of Sentinel-2A were added in classification， and the radar backscatter information improved the overall classification accuracy by 4.55%， but it had little effect on the forest extraction results. When the red edge index， backscatter， texture feature and vegetation index were fused for classification， both the overall classification accuracy and the classification accuracy of a single land class were significantly improved， and the overall accuracy and the Kappa coefficient reached to 90.06% and 0.820 7， respectively. This paper proves that it is a reliable idea to classify and extract information from areas with high forest coverage by integrating multi-source data.

Keywords：Urban forest; Sentinel-1A; Sentinel-2A; multi-source data; feature combination

0 引言

城市森林用地在城市生態環境建設中具有重要地位，具有改善城市居住環境、調節城市溫度和濕度等作用，因此加強對城市森林的監測對于相關部門管理與保護城市生態環境具有重大意義。目前，森林資源調查與監測主要依賴多光譜數據，并從森林分布的水平結構進行研究。光學圖像光譜信息豐富，可見光到紅外波段的植被反射光譜曲線有利于區別森林類型。但光學遙感穿透力較弱，無法進行全天候監測，且圖像存在“同物異譜”和“同譜異物”現象，導致部分地類信息無法準確提取。合成孔徑雷達（Synthetic Aperture Radar，SAR）可全天候、全天時成像，且穿透力較強，影像質量較高，有效數據較多。因此，綜合多光譜遙感與合成孔徑雷達是解決城市森林信息準確提取的有效途徑。

分類方法的選擇對于森林植被信息提取十分關鍵。遙感圖像分類方法大體上可分為人工目視解譯和計算機解譯2類。早期傳統的目視解譯方法精度較高，但費時費力，很難在大范圍的森林制圖中推廣應用。隨著計算機技術的發展，目前計算機解譯已經取代大部分人工解譯的工作。遙感圖像計算機分類方法根據劃分標準不同而不同：根據分類過程中是否需要訓練樣本，可分為監督分類和非監督分類;根據分類最小單元的不同，可分為基于像元的分類和基于對象的分類;根據是否要求數據服從正態分布，可分為參數化分類和非參數化分類。隨著人工智能技術的發展，機器學習方法逐漸被用于遙感圖像分類領域。決策樹算法是一種經典的機器學習算法，近些年經常被用于土地利用和土地覆被的分類中，均取得一定成效。

本文以麗水市蓮都區為研究區域，以Sentinel-1A和Sentinel-2A數據為數據源，設置4種不同的特征組合策略，基于面向對象的決策樹方法進行分類和精度評價，從而分析Sentinel-2A的紅邊波段、雷達后向散射、紋理特征和植被指數等在城市土地利用類型提取中的影響，探究多源數據融合較單一數據源在城市信息提取中的優勢。

1 研究區域與數據

麗水市位于長江三角洲浙閩隆起區域，屬于武夷山脈，是浙江省西南部陸地面積最大的地級市，地理坐標為118°41′～120°26′E， 27°25～28°57′N，如圖1所示，森林覆蓋率為81.7%，被譽為“浙江綠谷”。麗水市的地貌以中山及丘陵為主，東北部地貌以低山為主，也有中山和河谷盆地，西南部地貌以中山為主，偶有低山、丘陵和山間河谷。該地區因臨近東海，所以受海洋影響較大。因此，麗水市具有顯著的山地立體氣候和中亞熱帶海洋性季風氣候特征。2種氣候的疊加為麗水市創造了優越的氣候環境，總體特征為“四季分明，冬暖早春，雨量充沛，雨熱同步，垂直氣候，類型多樣”，被譽為中國的氣候養生之鄉。本文以浙江省麗水市蓮都區為典型研究區域，探討集成多源遙感數據的森林信息提取。

本文實驗采用的合成孔徑雷達數據為歐空局網站下載的C波段IW模式Sentinel-1A數據。采用的光學數據為Sentinel-2A影像，該影像包含13個光譜波段，從可見光、近紅外到短波紅外，空間分辨率為10、20、60 m。Sentinel-2A數據在紅邊范圍內包含3個波段，因此對植被監測和信息提取非常有效。2種中等分辨率影像均可以從歐空局網站免費獲取，為城市土地利用類型提取提供了充足且成

本低廉的數據源。本文選取2020年8月浙江省麗水市蓮都區Sentinel-1A和Sentinel-2A遙感影像各一景，并重投影到CGCS 2000坐標系下。Sentinel-1A有VV和VH 2種極化方式，數據格式為GRD格式，首先對Sentinel-1A進行多視處理、空間濾波、輻射定標、地理編碼和重采樣等預處理操作，數據重采樣至10 m×10 m的空間分辨率。使用歐空局（ESA）的Sen2cor工具對Sentinel-2A數據進行輻射定標和大氣校正處理，并將60 m分辨率的波段重采樣至10 m×10 m，本文實驗用到重采樣后的2、3、4、8、8a、11、12波段以及3個5、6、7紅邊波段。

2 研究方法

本文的分類總體思路包括特征提取與組合、面向對象分割和決策樹分類3部分，技術路線如圖2所示，在對圖像做過預處理后，分別采用圖2中的4種波段組合策略獲取不同的多波段組合圖像，方案1：Sentinel-2A的7個可見光波段（2、3、4、8、8a、11和12波段）;方案2：方案1中7個波段加入3個5、6、7紅邊波段;方案3：方案2中10個波段加入Sentinel-1A的VV、VH后向散射系數;方案4：方案3中所有波段加上紋理特征、植被指數等共34個波段，并采用面向對象多尺度分割方法對不同組合圖像進行分割，然后基于CART決策樹算法進行分類和精度評價。

2.1 特征提取

2.1.1 紋理特征

紋理特征屬于一種全局性特征，可以用來描述地物對象內部的特征，需要基于對象尺度進行計算。紋理特征通常通過一些特征指標來描述，紋理提取有灰度共生矩陣、灰度差分統計和局部灰度統計等方法，本文選用最常用的灰度共生矩陣方法，用灰度共生矩陣計算出的方差、對比度、熵、角二階距和相關度這5個特征來表征紋理，見表1，其中，Pi，j表示對灰度分別為i和j （i， j=0， 1，2 3，…， N）的像素對同時出現的頻率，即灰度共生矩陣，進行歸一化處理的結果。

本文分別對Sentinel-1A影像和Sentinel-2A影像提取紋理特征。對于Sentinel-1A數據，分別提取VV和VH圖像的5個紋理特征值;對于Sentinel-2A圖像，先對4個10 m空間分辨率的波段（2、3、4和8波段）進行主成分分析，選擇前2個主成分波段來計算紋理，也可得到10個特征值。灰度共生矩陣的窗口尺寸大小選5×5，方向選擇x=2，y=2。

2.1.2 植被指數特征

本文選用了2個植被指數，分別是歸一化植被指數（NDVI，公式中用NDVI表示）和Sentinel-2A的紅邊指數。歸一化植被指數是光學圖像信息提取中最常用的一個指數，由近紅外波段與紅光波段計算得到。公式如下

NDVI=B8-B4B8+B4? 。 （1）

式中：B8為Sentinel-2A數據的近紅外波段;B4為Sentinel-2A數據的紅波段。

歸一化植被指數可以區分出植被與非植被區域，因此被廣泛用于植被信息的提取中。

Sentinel-2的紅邊指數（公式中用S2REP表示），即紅邊范圍內植被反射率曲線斜率最大處，研究表明，該參數對植被的提取尤其是植被類別區分非常有用。公式為

S2REP=705+35×（0.5B7+B4-B5）/（B6-B5）。

（2）

2.2 面向對象分割

面向對象分割以一個個獨立的對象，即同質性像元的集合作為基本處理單元。對象比單個像元含有更加豐富的信息，能在更多維數組特征下表征其類別屬性，并通過特征計算及組合達到信息提取的目的。且在面向對象的分割過程中，可綜合考慮均質區域的光譜、紋理和幾何形狀等信息，得到與真實地物邊界更加接近的分割多邊形。后續的分類在分割得到的均質多邊形的基礎上進行，因此分類速度更快，分類結果與真實地表更加接近。

影像分割是面向對象分類的前提，也是分類中最重要的步驟，將對分類結果產生至關重要的影響。本文選用面向對象多尺度分割的方法進行影像分割。面向對象多尺度分割采用的是一種自下而上的區域合并算法。首先基于像元按異質性最小的原則合并成較小的對象;然后再根據小對象間的異質性合并成較大的對象;最后在給定的分割尺度下，達到設置的最小異質性時即完成分割。因此，多尺度分割是一種逐級合并的過程。分割結果的好壞直接影響最終的分類精度，分割尺度太小，地塊過于零碎，分割尺度過大則會導致很多細節信息丟失。而在面向對象分割中，分割尺度、顏色因子、形狀因子、光滑度和緊致度等參數共同決定分割的效果。本文通過多次實驗，結合目視解譯的方法來確定最佳的參數設置，最終確定本次實驗所采用的參數為：最佳分割尺度為24，形狀因子設為0.2，顏色因子為0.8，緊致度為0.6，光滑度為0.4。此外，分割在4個空間分辨率為10 m的波段上進行，即將2、3、4、8的波段權重設為1，其余波段設為0。

2.3 決策樹分類及精度評估

用決策樹方法進行分類的本質是從訓練數據集中歸納出一組能對訓練樣本進行正確分類的規則。在選擇決策樹時，應選擇與訓練樣本矛盾小、泛化能力強的決策樹;而且選擇的條件概率模型應該不僅對訓練樣本有很好的擬合，還對未知數據有很好的預測。

CART決策樹的基本原理是通過對訓練樣本集的循環分析形成二叉樹。CART決策樹算法在分支結點上進行布爾運算，判斷條件為真，則在節點的左分支，否則在右分支，通過運算最后得到二叉決策樹。當決策樹的層數達到預先設置的最大值，或所有葉結點中的樣本屬于同一個類別或樣本數為1時，CART決策樹算法建樹停止生長，完成分類器的訓練。CART決策樹選擇使子節點的GINI指數值最小或者回歸方差最小的屬性作為分裂的方案，也就是最小化分類樹。

為保證分類規則的客觀性，隨機生成若干個矢量樣本點，分別對其進行類別賦值，再將矢量數據轉換為樣本，用于決策樹分類。本文結合高分辨率Google Earth影像和實地調研資料在Arcgis中隨機生成1 500個隨機樣本點，其中987個作為訓練樣本，余下的為驗證樣本。為了減少監督分類中樣本對分類結果的影響，本實驗中選取同一組訓練樣本對不同的特征組合進行分類，并利用同一組驗證樣本計算每個分類結果中的總體精度（OA）、用戶精度（UA）、生產者精度（PA）和 Kappa 系數，從而對分類結果進行定量評價。

3 結果與分析

通過計算不同方案分類結果的混淆矩陣，可得到各類別地物的分類精度及總體分類精度，見表2。4種方案的總體分類精度分別為79.55%、83.95%、88.50%和90.06%，Kappa系數分別為0.722 6、0.754 3、0.799 1和0.820 7。由此可見，當逐漸增加特征參與分類時，分類精度在一定程度上是逐漸提高的。第4種方案的總體分類精度和Kappa系數最高，表明當融合Sentinel-1A雷達影像與Sentinel-2A多光譜影像，且加入紋理、紅邊指數和植被指數時可顯著提高研究區域地物的分類精度。由表2還可看出，在本實驗的4種方案中，水體的分類精度相對于其他地類都是最高的，這也與實際情況較吻合，水體在整個光譜范圍內都呈現出較弱的反射率，因此相對于其他地物更易于區分，這一點從4種方案的分類結果圖（圖3）中也可以很容易看出來。

在方案1中，僅使用可見光波段進行分類得到的結果較差，尤其是建筑和交通用地存在混淆，且整體的分類效果不佳，因為部分建筑和交通用地在視覺上較為相似，在光譜圖像上也會存在“同譜異物”和“同物異譜”的現象，因此僅僅利用光譜信息很難將二者有效區分。加入了紅邊波段之后（方案2），總體精度提高4.4%，Kappa系數提高0.037 1，建筑和交通用地分類效果稍有改善，建筑區的生產者和用戶精度分別提高了2.5%和0.51%，交通用地的生產者精度和用戶精度分別提高了0.14%和1.84%，但在密集區錯分現象依然明顯，說明紅邊波段的加入對于光譜相似的地物區分效果不明顯。對于林地，通過表2和圖3可以看出，加入紅邊波段后提取效果明顯變好，其用戶精度提高15.32%，表明紅邊波段對城市植被提取有較為顯著的作用，并在一定程度上可提高研究區域的整體分類精度。

方案3加入了VV和VH 2個后向散射系數，其他變量保持一致，可以看出加入雷達后向散射信息后整體分類效果變好，總體精度提高4.55%，Kappa系數提高0.044 8。對于交通用地和建筑分類精度明顯提高，建筑的生產者精度和用戶精度分別提高了16.4%和6.13%，可以看出雷達波段對于建筑和交通用地的提取有明顯促進作用，這與實際情況較為符合，因為建筑物與地面之間構成的二面角具有較強的后向散射回波信號，在雷達圖像上呈現高亮色調，易于區分。但通過觀察林地分類結果并無明顯變化，生產者精度和用戶精度也無明顯波動，說明雷達后向散射系數的引入對于城市森林的提取作用不明顯。但基于總體分類效果的提升，仍可證實雷達波段有利于植被覆蓋度較大區域地物類型的區分。

方案4中加入了紋理特征和2個植被指數，其余變量保持一致，從分類結果可知，建筑用地與交通用地的混淆現象大大降低，兩者的用戶精度和生產者精度均有大幅提高，建筑用地用戶精度提高到89.25%，生產者精度提高到91.16%，對于交通用地，2個指標分別提高到92.19%和90.74%，通過觀察可知，建筑用地與交通用地相比具有明顯的紋理特性，因此紋理特征的引入可降低兩者的混淆。與方案3相比，林地的分類精度也有明顯提高，其生產者精度和用戶精度分別提高4.11%和8.01%，這與植被指數與紅邊指數的引入有關，進一步表明歸一化植被指數和Sentinel-2A的紅邊指數對于植被信息的提取具有顯著的影響。且方案4的整體分類精度是4種實驗方案中最高的，總體達到90.06%，Kappa系數達到0.820 7。結果表明將Sentinel-1A數據和Sentinel-2A數據集成，結合提取的植被指數、紋理特征與雷達后向散射特征和Sentinel-2A紅邊信息用于植被高覆蓋區域的分類中可以大大提高分類效果。

4 結論

本文利用Sentinel-1A與Sentinel-2A數據，并融合紋理特性、植被指數等多源特征，基于面向對象決策樹分類的方法，進行浙江省麗水市土地利用類型的提取，通過實驗對比可得到結論如下。

（1）將可見光波段與紅邊波段融合，能提高研究區的總體分類精度，對林地提取促進效果最為明顯。

（2）光學影像數據與雷達影像數據特征融合，雖然對城市林地的分類提取沒有明顯改善，但相對于可見光與紅邊波段融合，可明顯提高城市建筑用地及交通用地的分類精度，也在一定程度上提高了研究區域的總體精度。

（3）當融合紋理特征、植被指數、雷達后向散射和紅邊波段等所有特征時，更有利于植被、交通用地等的提取，無論是從分類結果的目視解譯還是定量評價，其結果都是4種方案中最優的。

本文通過不同數據方案組合，證實了集成雷達數據與多光譜數據在城市土地利用類型分類上的優勢，為高植被覆蓋度區域的信息提取提供了一定的參考。

【參 考 文 獻】

陶吉興，季碧勇.浙江森林資源一體化監測理論與實踐.北京：中國林業出版社，2016.

TAO J X， JI B Y. Zhejiang integrated monitoring of forest resources theory and practice. Beijing： China Forestry Publishing House， 2016.

鄭亞卿，楊張海，高凱旋，等.基于多時相Landsat-8的森林生態系統樹種精細分類.測繪與空間地理信息，2021，44（6）：158-161.

ZHENG Y Q， YANG Z H， GAO K X， et al. Sophisticated classification of tree species in forest ecosystem based on multi-temporal landsat-8. Geomatics & Spatial Information Technology， 2021， 44（6）： 158-161.

BALLERE M， BOUVET A， MERMOZ S， et al. SAR data for tropical forest disturbance alerts in French Guiana： benefit over optical imagery. Remote Sensing of Environment， 2021， 252： 112159.

王馨爽.多維度SAR森林及其類型分類識別方法研究.西安：西安科技大學，2013.

WANG X S. Multi-dimension SAR for forest recognition and forest type classification. Xian： Xian University of Science and Technology， 2013.

王長青，李貝貝，朱瑞飛，等.哨兵一號協同吉林一號影像的樹種識別研究.森林工程，2020，36（2）：40-48.

WANG C Q， LI B B， ZHU R F， et al. Study on tree species identification by combining sentinel-1 and JL101A images. Forest Engineering， 2020， 36（2）： 40-48.

李樹濤，李聰妤，康旭東.多源遙感圖像融合發展現狀與未來展望.遙感學報，2021，25（1）：148-166.

LI S T， LI C Y， KANG X D. Development status and future prospects of multi-source remote sensing image fusion. National Remote Sensing Bulletin， 2021， 25（1）： 148-166.

趙春霞，錢樂祥.遙感影像監督分類與非監督分類的比較.河南大學學報（自然科學版），2004，34（3）：90-93.

ZHAO C X， QIAN L X. Comparative study of supervised and unsupervised classification in remote sensing image. Journal of Henan University （Natural Science）， 2004， 34（3）： 90-93.

陳云浩，馮通，史培軍，等.基于面向對象和規則的遙感影像分類研究.武漢大學學報·信息科學版，2006，31（4）：316-320.

CHEN Y H， FENG T， SHI P J， et al. Classification of remote sensing image based on object oriented and class rules. Geomatics and Information Science of Wuhan University， 2006， 31（4）： 316-320.

劉旭升，張曉麗.森林植被遙感分類研究進展與對策.林業資源管理，2004，31（1）：61-64.

LIU X S， ZHANG X L. Research advances and countermeasures of remote sensing classification of forest vegetation. Forest Resources Management， 2004， 31（1）： 61-64.

楊劍鋒，喬佩蕊，李永梅，等.機器學習分類問題及算法研究綜述.統計與決策，2019，35（6）：36-40.

YANG J F， QIAO P R， LI Y M， et al. A review of machine-learning classification and algorithms. Statistics & Decision， 2019， 35（6）： 36-40.

陳磊士，高霞霞，廖玉芳，等.基于CART決策樹的高分二號洞庭湖區濕地分類方法.測繪通報，2021，66（6）：12-15.

CHEN L S， GAO X X， LIAO Y F， et al. Wetland classification method of Dongting Lake district based on CART using GF-2 image. Bulletin of Surveying and Mapping， 2021， 66（6）： 12-15.

LIU X C， YU J， SONG W， et al. Remote sensing image classification algorithm based on texture feature and extreme learning machine. Computers， Materials & Continua， 2020， 65（2）： 1385-1395.

JIA L H， ZHOU Z F， LI B. Study of SAR image texture feature extraction based on GLCM in Guizhou Karst mountainous region// 2012 2nd International Conference on Remote Sensing， Environment and Transportation Engineering. June 1-3， 2012， Nanjing， China. IEEE， 2012： 1-4.

BELLON B， BEGUE A， LO SEEN D， et al. A remote sensing approach for regional-scale mapping of agricultural land-use systems based on NDVI time series. Remote Sensing， 2017， 9（6）： 600.

ZHANG T X， SU J Y， LIU C J， et al. Potential bands of sentinel-2A satellite for classification problems in precision agriculture. International Journal of Automation and Computing， 2019， 16（1）： 16-26.

潘磊，孫玉軍，王軼夫，等. 基于Sentinel-1和Sentinel-2數據的杉木林地上生物量估算. 南京林業大學學報（自然科學版）， 2020， 44（3）： 149-156.

PAN L， SUN Y J， WANG Y F，et al. Estimation of aboveground biomass in a Chinese fir （Cunninghamia lanceolata）forest combining data of Sentinel-1 and Sentinel-2.Journal of Nanjing Forestry University （Natural Science Edition）， 2020， 44（3）： 149-156.

陳麗萍，孫玉軍.基于不同決策樹的面向對象林區遙感影像分類比較.應用生態學報，2018，29（12）：3995-4003.

CHEN L P， SUN Y J. Comparison of object-oriented remote sensing image classification based on different decision trees in forest area. Chinese Journal of Applied Ecology， 2018， 29（12）： 3995-4003.

黃元，付義，康益堃，等.多元宇宙優化的林區道路圖像檢測方法.林業機械與木工設備，2020，48（2）：16-19.

HUANG Y， FU Y， KANG Y K， et al. Forest road image detection method based on multivariate universal optimization. Forestry Machinery & Woodworking Equipment， 2020， 48（2）： 16-19.

劉歆.基于遙感影像的土地資源利用區劃自動識別技術.自動化技術與應用，2021，40（9）：99-103.

LIU X. Automatic recognition technology of land resources division based on remote sensing image. Techniques of Automation and Applications， 2021， 40（9）： 99-103.

王露，劉慶元.高分辨率遙感影像多尺度分割中最優尺度選取方法綜述.測繪與空間地理信息，2015，38（3）：166-169.

WANG L， LIU Q Y. The methods summary of optimal segmentation scale selection in high-resolution remote sensing images multi-scale segmentation. Geomatics & Spatial Information Technology， 2015， 38（3）： 166-169.

馬驍，王華，何瑞，等.基于非參數方法的黑河地區森林地上生物量估算及時空格局.林業科技情報，2020，52（4）：10-16.

MA X， WANG H， HE R， et al. Estimation and spatial-temporal pattern of forest above ground biomass in Heihe region based on nonparametric method. Forestry Science and Technology Information， 2020， 52（4）： 10-16.

劉雪蓮，歐紹龍，陸雙飛，等.基于Sentinel-1A微波遙感數據的森林蓄積量估測.西部林業科學，2020，49（6）：128-136.

LIU X L， OU S L， LU S F， et al. Estimation of forest volume based on sentinel-1A microwave remote sensing data. Journal of West China Forestry Science， 2020， 49（6）： 128-136.

毛學剛，陳文曲，魏晶昱，等.分割尺度對面向對象樹種分類的影響及評價.林業科學，2017，53（12）：73-83.

MAO X G， CHEN W Q， WEI J Y， et al. Effect and evaluation of segmentation scale on object-based forest species classification. Scientia Silvae Sinicae， 2017， 53（12）： 73-83.

CHEN Y Y， HE X F， WANG J， et al. The influence of polarimetric parameters and an object-based approach on land cover classification in coastal wetlands. Remote Sensing， 2014， 6（12）： 12575-12592.

毛學剛，竹亮，劉怡彤，等.高空間分辨率影像與SAR數據協同特征面向對象林分類型識別.林業科學，2019，55（9）：92-102.

MAO X G， ZHU L， LIU Y T， et al. Object-oriented classification for tree species based on high spatial resolution images and spaceborne polarimetric SAR cooperation with feature. Scientia Silvae Sinicae， 2019， 55（9）： 92-102.