基于多特征優選的Sentinel-2遙感影像林分類型分類

閆國東 左雪漫 陳瑾 胡喜生 周成軍 巫志龍

摘 要：為探究Sentinel-2遙感影像林分類型分類的優選特征組合，實現對闊葉林、馬尾松林、杉木林和竹林的分類及其效果評價，選取福建省長汀縣為研究區，利用Sentinel-2影像提取10個原始波段（O），計算9個光譜指數（S）、7個紅邊光譜指數（R）和8個紋理特征（Te），以及基于數字高程數據計算2個地形特征指數（To），共計36個特征；利用隨機森林算法分析不同特征在林分類型分類中的重要性，并利用袋外樣本（Out of Band，OOB）數據與平均不純度減少方法優選特征組合（Optimum Individuality Combination ，OIC）；對6種不同試驗方案（O、O+To、O+To+S、O+To+S+R、O+To+S+R+Te和OIC）進行林分類型分類，并利用混淆矩陣評價分類結果。結果表明，參與林分類型分類的36個特征的重要性為2.11%～5.43%，其中，海拔因子的重要性最高，紅邊波段、紅邊光譜指數、紋理特征中均值與相關性也具有較高的重要性；單獨使用原始波段對林分類型進行分類，分類精度不高，總體精度為73.26%，Kappa系數為0.64；以原始波段為基礎引入其他特征，除原始波段外，其他特征均可以提高分類精度；優選特征組合（OIC）為重要性前27個特征，包含海拔、8個原始波段、7個紅邊光譜指數和3個紋理特征，分類精度最高，總體精度為83.13%，Kappa系數為0.77，比其余5種試驗方案的總體分類精度提高了0.82%～9.87%。以Sentinel-2影像為數據源，隨機森林算法優選的特征組合綜合多類型特征中對林分類型分類有重要貢獻的特征，從而提高了分類精度。研究結果可為GEE平臺Sentinel-2影像在森林資源調查中林分類型信息的提取提供參考。

關鍵詞：Sentinel-2;紅邊光譜指數；隨機森林算法；優選特征組合

中圖分類號：S758;P237 文獻標識碼：A 文章編號：1006-8023（2023）03-0012-09

Abstract：In order to explore the optimal feature combination of Sentinel-2 remote sensing image stand type classification， the classification and effect evaluation of broad-leaved forest， masson pine forest， fir forest and bamboo forest were realized. Selecting Changting County， Fujian Province as the study area， 10 original bands （O） were extracted from Sentinel-2 images， and 9 spectral indices （S）， 7 red-edge spectral indices （R）， 8 texture features （Te） were calculated， and 2 terrain feature indices （To） based on digital elevation data were calculated， for a total of 36 features. Using random forest algorithm to analyze the importance of different features in stand type classification， using out of band （OOB） data and average impurity reduction method to optimum individuality combination （OIC）. 6 different experimental protocols （O， O+To， O+To+S， O+To+S+R， O+To+S+R+Te， and OIC） were classified into stand types and the results were evaluated by confusion matrix. The results showed that the importance of the 36 features involved in the classification of stand types was 2.11%-5.43%， the altitude factor was the most important， and the mean and correlation of the red edge band， red edge spectral index， and texture features were also of high importance. Using the original band alone to classify the stand types， the classification accuracy was not high， the overall accuracy was 73.26%， and the Kappa coefficient was 0.64. Based on the original band， other features were introduced. Except the original band， other features can improve the classification accuracy. The optimum individuality combination （OIC） was the top 27 features of importance， including altitude， 8 original bands， 7 red-edge spectral indices， and 3 texture features， the classification accuracy was the highest， the overall accuracy was 83.13%， and the Kappa coefficient was 0.77， which was 0.82%-9.87% higher than the overall classification accuracy of the other five experimental schemes. Using Sentinel-2 images as the data source， the feature combination optimized by the random forest algorithm integrated the features that had an important contribution to the classification of stand types among the multi-type features， thereby improving the classification accuracy. The research results can provide reference for GEE platform Sentinel-2 image extraction of stand type information in forest resource survey.

Keywords：Sentinel-2; red-edge spectral index; random forest algorithm; optimal feature combination

基金項目：國家自然科學基金項目（31971639）；福建省自然科學基金項目（2019J01406）；福建省工程索道工程技術研究中心開放課題基金項目（ptjh16006）

第一作者簡介：閆國東，碩士研究生。研究方向為森林資源監測與評價。E-mail： 2686192023@qq.com

*通信作者：巫志龍，博士，高級實驗師。研究方向為森林工程。E-mail： 81698187@qq.com

0 引言

林分類型分類在森林資源調查中至關重要，及時準確地獲取林分類型信息與空間格局，有助于森林資源管理、生物多樣性評估及碳循環與能源估算等，對區域生態保護以及經濟發展具有重要意義[1]。目前通過實地調查各林分類型以及測量各林分的分布面積仍存在較多困難，如需耗費大量人力、物力以及財力，只適用于小范圍調查等[2]。遙感識別是當前大尺度范圍林分分布調查的主流方法，遙感數據源多為多光譜、高光譜、激光雷達（Light Detection and Ranging，LiDAR）以及合成孔徑雷達（Synthetic Aperture Radar，SAR）等[3]。利用機載高光譜數據雖然能夠獲得高精度的林分分布信息，但是機載高光譜數據獲取成本高昂；衛星遙感數據更適合大空間尺度的林分類型分類[4]。許多研究使用較低空間分辨率的衛星遙感影像對森林資源進行監測，但對特定林分監測使用中高空間分辨率的影像能夠有效地減少混合像元，提高各林分類型的細節表達[5]。而使用Sentinel-2衛星可自由獲取中高分辨率的多光譜影像，提高林分類型分類精度[6]。

在進行林分類型分類中，除了利用普通的光譜特征進行分類外，增加由紅邊波段計算的紅邊光譜指數、地形和紋理等其他特征進行分類，有助于提高分類精度。Immitzer等[7]利用不同光譜特征對林分類型進行分類，評估了不同光譜特征對林分類型分類的重要性，并且發現了紅邊波段以及紅邊光譜指數在林分類型分類中發揮重要作用。對于冠形不同的樹種，紋理特征起著顯著的作用；而地形對不同空間分布林分的區分具有很大的潛力，這有利于林分類型的分類[8]。多特征融合的方法可以避免光譜的混淆，提供豐富的遙感數據信息量。事實上，對于光譜特征差異不大的林分，基于光譜的方法無法獲得理想的分類結果。雖然已有一些研究嘗試利用遙感技術去提高林分類型分類的準確性，但深入分析影像林分類型分類的主導因素尚屬罕見[9-10]。此外，分類方法也是影響林分類型分類的重要因素，其中隨機森林算法應用最為普遍。隨機森林算法參數設置簡單，對高維數據和大數據量的影像處理效率高，在林分類型分類中被廣泛地應用[11]。近年來有大部分的學者將深度學習應用到林分類型分類中，如楊丹等[12]利用U-Net模型實現了林分類型分類，但該方法需要大量的樣本數據、復雜的參數設置以及長時間的訓練才能得到較高的分類精度，不適合大尺度的林分類型分類，而隨機森林算法僅使用較少的樣本訓練就能獲得高精度的分類結果[3]。

由于福建省長汀縣是我國典型的花崗巖紅壤侵蝕區，隨著生態治理逐步加強，林分信息與空間格局在治理水土流失與生態修復中的重要性備受關注[13]。以往的研究僅僅使用單一或少量的特征組合，而較多的特征組合會造成數據的冗余。為此，以福建省長汀縣為研究區域，基于GEE云平臺，提取Sentinel-2原始波段、地形特征指數、光譜指數、紅邊光譜指數和紋理特征等構建分類特征集，運用隨機森林算法優選的特征組合并綜合多類型特征中對林分類型分類有重要貢獻的特征，以提高分類精度，為GEE平臺Sentient-2影像在森林資源調查中林分類型信息的提取提供參考。

1 研究區概況

研究區選取福建省龍巖市長汀縣（116°00′45″～116°39′20″E ，25°18′40″～26°02′05″N），屬中亞熱帶濕潤季風氣候，年均氣溫18.3 ℃，年均降水量約1 700 mm；地形為南方山地丘陵，地勢自北向南傾斜，東、西、北三面高，中、南面低；行政區域包括了11個鎮和7個鄉，總面積3 104.16 km2；林地面積17.87萬hm2，森林覆蓋率達74%，林木蓄積量228.53萬m3，森林類型主要為針葉林、闊葉林與竹林等。

2 研究方法

2.1 數據來源與預處理

研究所用的是GEE數據庫中Sentinel-2數據的Level-2A產品，空間分辨率為10 m。選用經過幾何校正、數字高程模型校正、輻射校正和大氣校正的地表反射率圖像（Surface Reflectance，SR），包含13個無符號整型波段和3個質量評價（Quality Assessment， QA）波段[14]。影像獲取時間為2021年12月2日，并將B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段影像融合。高程數據來源于航天飛機雷達地形任務（Shuttle Radar Topography Mission，SRTM），SRTM90_V4為數字高程數據版本4（https：//srtm.csi.cgiar.org）；通過GEE中重采樣函數 （reproject），將高程數據轉換為空間分辨率為10 m，并按長汀縣行政邊界進行裁剪。森林資源二類調查數據來源于國家林業和草原局林草資源圖。

2.2 林分類型分類系統建立與樣本獲取

長汀縣主要優勢樹種為杉木（Cunninghamia lanceolata）、馬尾松（Pinus massoniana）、樟樹（Cinnamomum camphora）、木荷（Schima superba）、桉樹（Eucalyptus robusta）、毛竹（Phyllostachys heterocycle）、綠竹（Dendrocalamopsis oldhami）以及其他闊葉樹種[15]。由于主要研究對象為林分類型，因此將其他地類如農田、裸地、道路等統稱為其他類別，并通過結合長汀縣2019年森林資源二類調查數據中優勢樹種類型與樹種組成，最終將研究區地物類別分為闊葉林、馬尾松林、杉木林、竹林和其他類別5類。通過自動提取森林資源二類調查矢量數據小班中心點坐標，以及2021年下半年手持GPS儀野外采集100個分布點坐標信息，共獲得3 976個坐標信息；再利用Google Earth多時相米級高分辨率影像以及國家森林資源智慧管理平臺中亞米級遙感影像（http：//www.stgz.org.cn），通過目視解譯的方法對小班周邊的樣點進行提取，最終共選取訓練樣本和驗證樣本4 970個，其中訓練樣本3 976個，占比80%，剩余20%作為驗證樣本（表1和圖1）。

2.3 林分類型特征提取

在GEE平臺上，基于數字高程數據，提取海拔（Elevation）和坡度（Slope）2個地形特征；提取Sentinel-2影像3個紅邊波段B5、B6、B7以及其余7個波段B2、B3、B4、B8、B8A、B11和B12為原始波段光譜特征；利用expression函數對波段進行運算，計算9個光譜指數和7個紅邊光譜指數，利用灰度共生矩陣提取Sentinel-2影像的8個紋理特征，見表2。在遙感影像中，植被的紋理沒有明顯的方向性，故在參數設置時，選取移動方向0o、45o、90o、135o這4個方向的平均值，經反復試驗對比分析，得出窗口大小設置為7×7像元，步長設置為2的分類效果最佳。在影像紋理特征提取時，為避免計算量過大且產生信息冗余，對參與分類的10個原始波段進行主成分分析（Principal Component Analysis，PCA），選用占據90.16%特征貢獻率的第一主成分影像藍波段B2提取紋理因子。

2.4 分類方法與特征優選

運用隨機森林（Random Forest，RF）算法進行Sentinel-2影像林分類型分類，按照“原始波段光譜特征（O）、原始波段光譜特征+地形特征（To，O+To）、原始波段光譜特征+地形特征+光譜指數（S，O+To+S）、原始波段光譜特征+地形特征+光譜指數+紅邊光譜指數（R，O+To+S+R），以及原始波段光譜特征+地形特征+光譜指數+紅邊光譜指數+紋理特征（Te，O+To+S+R+Te）”5種試驗方案，對每個特征進行迭代運算，并依據每個特征的得分進行重要性排序，探討Sentinel-2影像地形因子、光譜指數、紅邊光譜指數和紋理特征在林分類型分類中的作用。通過利用袋外樣本（out-of-bag，OOB）數據并采用隨機森林（Random Forest，RF）算法中的平均不純度減少方法，將特征得分由高到低進行組合，評價分類精度，優選特征組合作為第6種試驗方案（OIC）。決策樹的數量設置為100，每個節點的特征數使用特征總數的平方根。

通過使用混淆矩陣中的總體精度（Overall accuracy，OA，式中為OA）、生產者精度（Producer's accuracy，PA，式中為PA）、Kappa系數、用戶精度（User's accuracy，UA，式中為UA） 以及PA和UA的調和平均值（F1）對林分類型分類結果進行評價；其中OA、Kappa系數與UA的計算公式參考文獻[18]。F1的取值范圍為[0，1]，若值越大，分類效果越好；若值越小，分類效果越不理想[19]。

3 結果與分析

3.1 不同特征在林分類型分類中的重要性

Sentinel-2影像特征在林分類型分類中的重要性評估結果，如圖2所示。從Sentinel-2影像提取的36個特征在林分類型分類中的重要性范圍為2.11%～5.43%，海拔居首位，重要性最高為5.43%，而近紅外波段光譜特征B8重要性最低為2.11%；其中，紅邊波段光譜特征中B5、B6和B7的重要性分別為3.05%、2.88%和2.69%，紅邊光譜指數中NDVIRE1、NDVIRE2、NDRE1和NDRE2的重要性分別為3.38%、3.17%、3.01%和2.96%，光譜指數中NDWI和CI的重要性分別為3.15%和2.94%，紋理特征中均值和相關性的重要性分別為2.72%與2.59%，這些特征在林分類型分類中均有較大貢獻，發揮著重要作用。

根據參與林分類型分類的特征重要性排序，由高到低進行特征組合，評估分類精度，如圖3所示。從圖3中可以看出，隨著分類特征數量的增加，分類精度呈先增大后降低的變化規律；當分類特征數量為重要性前27個時，分類精度達到最高，故選用重要性前27個特征作優選特征組合（OIC），包括地形特征（Elevation）、原始波段光譜特征（B11、B2、B5、B6、B12、B7、B3和B4）、紅邊光譜指數（NDVIRE1、NDVIRE2、NDVIRE3、NDRE1、NDRE2、RVIRE和CIRE）、光譜指數（NDWI、NDVI、CI、BSI、IBI、RVI、EVI和DVI）和紋理指數（Mean、Correlation和Second moment）。

3.2 不同林分類型在灰度值和紋理特征的可分離性分析

分別提取闊葉林、杉木林、馬尾松林和竹林在不同波段上的灰度值（圖4），以及在紋理特征上的特征值（圖5）。4種類型的林地都有一定的可分離性。從不同林分類型灰度值上看，闊葉林在B2、B7波段上明顯優于其他3類，且在B4波段也較為突出；杉木林在B8、B6波段區分度較高，在B4波段的區分度最低；對于馬尾松林，在B5與B11波段中表現突出，而在B3與B8中有一定的可分性；而竹林的灰度值則在B4與B6中最大，在B8波段中最?。豢偟膩碚f，各波段可作為各林分類型分類的有效特征。從紋理特征看，闊葉林在Correlation中可分離性高；杉木林在Mean中的可分離性最高；Mean、Correlation特征上的區分度大于Second moment?？偟膩碚f，不同林分在不同波段的灰度值以及紋理特征的特征值上均有一定的可分性。

3.3 不同試驗方案林分類型分類結果

長汀縣林分類型分類結果，如圖6所示。僅使用原始波段光譜特征（O）的分類結果（圖6（a）），4類林分以及其他產生的“椒鹽現象”很嚴重；增加地形特征（O+To）的分類結果（圖6（b）），各類林分在不同海拔的分布有一定的差異，馬尾松林主要分布在中海拔地區，能更明顯地與其他樹種進行區分；增加光譜指數（O+To+S）、紅邊光譜指數（O+To+S+R）和紋理特征（O+To+S+R+Te）的分類結果（圖6（c）—圖6（e）），闊葉林與竹林和杉木林能更明顯區分；采用優選特征組合（OIC）的分類結果（圖6（f）），與前5種分類結果相比，各類林分的圖斑破碎度都有所降低，“椒鹽現象”得到明顯改善，且大量被混分的林分被區分；4類森林類型的結果更為規整，馬尾松林在各類樹種中所占的面積最大，竹林主要集中分布在西北部，杉木林與馬尾松林在各類樹種中所占面積較少且呈鑲嵌分布，闊葉林主要分布在長汀縣西南角與東部山脈地區。

各類林分類型分類的混淆矩陣，如圖7所示。僅使用原始波段光譜特征進行分類時，闊葉林與馬尾松林和竹林出現了大面積混淆，杉木林有大部分混淆為其他林分（圖7（a））；當增加地形特征時，馬尾松林、竹林與其他林分的混淆程度，以及闊葉林與杉木林的混淆程度都降低（圖7（b））；當增加光譜指數和紅邊光譜指數時，馬尾松林與竹林和杉木林的混淆程度，以及杉木林與竹林的混淆程度都出現較明顯降低（圖7（c）和圖7（d））；當增加紋理特征時，竹林與其他樹種的混淆程度降低（圖7（e））；與前5種分類的混淆矩陣相比，采用優選特征組合進行分類時，各類林分的混淆程度都明顯降低（圖7（f））。

3.4 不同試驗方案林分類型分類精度

林分類型分類的精度見表3，總體精度（OA）與Kappa系數如圖8所示。僅用原始波段光譜特征進行分類時，杉木林與闊葉林的PA不足0.60，F1分別僅為0.556與0.598，OA為73.26%，Kappa系數為0.64。當增加地形特征時，馬尾松林和竹林與其他林分的混淆程度明顯降低，PA分別提升了0.08與0.03，闊葉林與杉木林的混淆也有了小幅度的降低，闊葉林和馬尾松林的F1增幅最大，分別增加了0.11與0.10?？傮w的分類精度增加了5.05%，為78.31%，Kappa系數為0.71。當加入光譜指數時，所有的林分在分類精度上得到了提升，竹林F1提升的精度最高，提升了0.03?？傮w精度為79.06%，Kappa系數為0.72。加入紅邊光譜指數時， 各林分的混淆程度明顯地減小，馬尾松林與竹林以及杉木林的混淆程度大幅減小，杉木林與竹林的混淆程度也出現了明顯的減小，各林分的分類精度也得到了提高；總體精度提升了2.36%，Kappa系數提升了0.03。在加入紋理特征后，由于竹林的分布比較集中，在均值與相關性的作用下，竹林其他樹種的混淆程度減小，F1達到0.865，PA為0.918，紋理特征對竹林的識別作出極大的貢獻，總體精度為82.31%，Kappa系數為0.76。采用特征優選算法后，每一類林分在分類精度上都達到了最高值，7個紅邊光譜指數的貢獻率較高，在植被的監測中發揮了重要的作用，采用特征優選算法后的分類總體精度達到83.13%，Kappa系數為0.77。

將優選特征組合應用于長汀縣林分類型分類中，并與森林資源二類調查結果比較，見表4。由表4可知，各林分遙感影像的分類面積與二類調查林地面積較為接近，尤其是馬尾松林，與二類調查的林地面積基本上一致；說明運用GEE云平臺，基于多特征優選的Sentinel-2遙感影像進行長汀縣林分類型分類的效果好。

4 討論與結論

4.1 討論

本研究使用RF算法中的平均不純度減少方法并結合Sentinel-2光學影像中豐富的光譜特征以及紋理特征并加入紅邊光譜指數與地形特征，對長汀縣的林分類型進行分類。在使用RF算法選出的27個特征中，證實了短波紅外波段（B11、B12）、紅邊波段（B6、B7和B8A）以及紅邊光譜指數在森林分類中貢獻度非常高，這與Sothe等[19]和Immitzer等[7]在基于Sentinel-2A中進行森林類型分類中得出的結論一致。許多學者也證實了紅邊波段對植被的敏感度非常高，常常用來對植被的健康狀況進行監測，如任楓等[20]使用紅邊波段以及紅邊波段計算的光譜指數在針葉林和竹林中的重要性。此外，紅波段在森林分類中也體現出較高的價值，這可能是因為紅波段對葉綠素的吸收能力比較強，如劉文雅等[21]研究證明紅波段對區分馬尾松林貢獻較為突出。在特征組合方面，何云等[22]和黃翀等[5]對光譜特征與紋理特征組合以及光譜特征、紋理特征與紅邊光譜指數進行特征組合，使森林分類的椒鹽現象有了很大的改善，并且提高了分類精度。本研究中，在加入紅邊光譜指數的組合時，林分類型分類的精度明顯提高，紅邊光譜可有效地解決其他特征組合帶來的分類誤差。將參加分類的5種因子相結合，得到的分類精度僅次于特征優選后得到的結果，說明在對Sentinel-2影像林分類型分類中均發揮著重要的作用，每一個因子的加入都對一類林分有著積極的影響。

由于長汀縣森林類型的特殊性，以馬尾松林為主（占整個樹種的50%以上），導致其他樹種易和馬尾松林出現大面積的混淆，所以在遙感影像分類中可以加入雷達影像以及采用LiDAR獲取樹種的結構參數特征，例如胸徑和樹高等，用來參與訓練，獲得更高精度的分類結果。在本研究中只進行喬木林樹種組的分類提取，目前只是從樹種的大類進行分類識別，對于樹種繁多的闊葉樹等沒有進行精細分類，今后還應對特定樹種進行精細分類識別。

4.2 結論

基于GEE云平臺，在Sentinel-2 影像參與分類的36個光譜特征中，海拔的重要性最高，紅邊波段B5、B6、B7和紅邊光譜指數以及紋理特征中均值與相關性的重要性也較高，對林分類型分類起著重要作用；與單獨使用原始波段相比，其他特征的引入均可以提高分類的精度；重要性前27個特征優選組合（OIC）林分類型分類效果最優，其中3個紅邊波段以及7個紅邊光譜指數均在最優特征中，且馬尾松林與竹林的F1精度都達到0.80以上，竹林的F1最高，達到0.879；OA和Kappa系數均最高，分別為83.13%和0.77，比其余5種試驗方案的OA提高了0.82%～9.87%。因此，運用GEE云平臺，以Sentinel-2 影像為數據源，多特征優選應用于長汀縣林分類型分類效果最好，可為GEE平臺Sentinel-2影像在森林資源調查中林分類型信息的提取提供參考。

【參 考 文 獻】

[1]FASSNACHT F E， LATIFI H， STERENCZAK K， et al. Review of studies on tree species classification from remotely sensed data[J]. Remote Sensing of Environment， 2016， 186： 64-87.

[2]GRABSKA E， HOSTERT P， PFLUGMACHER D， et al. Forest stand species mapping using the sentinel-2 time series[J]. Remote Sensing， 2019， 11（10）： 1197.

[3]溫小樂，鐘奧，胡秀娟.基于隨機森林特征選擇的城市綠化喬木樹種分類[J].地球信息科學學報，2018，20（12）：1777-1786.

WEN X L， ZHONG A， HU X J. The classification of urban greening tree species based on feature selection of random forest[J]. Journal of Geo-Information Science， 2018， 20（12）： 1777-1786.

[4]FERET J B， ASNER G P. Tree species discrimination in tropical forests using airborne imaging spectroscopy[J]. IEEE Transactions on Geoscience and Remote Sensing， 2013， 51（1）： 73-84.

[5]黃翀，張晨晨，劉慶生，等.結合光學與雷達影像多特征的熱帶典型人工林樹種精細識別[J].林業科學，2021，57（7）：80-91.

HUANG C， ZHANG C C， LIU Q S， et al. Multi-feature classification of optical and SAR remote sensing images for typical tropical plantation species[J]. Scientia Silvae Sinicae， 2021， 57（7）： 80-91.

[6]李煜，李崇貴，劉思涵，等.應用哨兵2A多時相遙感影像對樹種的識別[J].東北林業大學學報，2021，49（3）：44-47，51.

LI Y， LI C G， LIU S H， et al. Tree species recognition with sentinel-2A multitemporal remote sensing image[J]. Journal of Northeast Forestry University， 2021， 49（3）： 44-47， 51.

[7]IMMITZER M， ATZBERGER C， KOUKAL T. Tree species classification with random forest using very high spatial resolution 8-band WorldView-2 satellite data[J]. Remote Sensing， 2012， 4（9）： 2661-2693.

[8]XIE Z L， CHEN Y L， LU D S， et al. Classification of land cover， forest， and tree species classes with ZiYuan-3 multispectral and stereo data[J]. Remote Sensing， 2019， 11（2）： 164.

[9]DIAN Y Y， LI Z Y， PANG Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery[J]. Journal of the Indian Society of Remote Sensing， 2015， 43（1）： 101-107.

[10]LIM J， KIM K M， KIM E H， et al. Machine learning for tree species classification using sentinel-2 spectral information， crown texture， and environmental variables[J]. Remote Sensing， 2020， 12（12）： 2049.

[11]MASCHLER J， ATZBERGER C， IMMITZER M. Individual tree crown segmentation and classification of 13 tree species using airborne hyperspectral data[J]. Remote Sensing， 2018， 10（8）： 1218.

[12]楊丹，李崇貴，李斌.基于U-Net模型的多時相Sentinel-2A/B影像林分類型分類[J].林業科學研究，2022，35（4）：103-111.

YANG D， LI C G， LI B. Forest type classification based on multi-temporal sentinel-2A/B imagery using U-net model[J]. Forest Research， 2022， 35（4）： 103-111.

[13]師吉紅，項佳，劉健，等.南方紅壤典型水土流失區馬尾松林地上林木碳儲量的遙感監測：以長汀縣河田鎮為例[J].生態學報，2021，41（6）：2151-2160.

SHI J H， XIANG J， LIU J， et al. Remote sensing monitoring of aboveground carbon storage of Pinus massoniana forests in a typical red soil erosion area in Southern China： Hetian， Changting County of Fujian Province[J]. Acta Ecologica Sinica， 2021， 41（6）： 2151-2160.

[14]何昭欣，張淼，吳炳方，等.Google Earth Engine支持下的江蘇省夏收作物遙感提取[J].地球信息科學學報，2019，21（5）：752-766.

HE Z X， ZHANG M， WU B F， et al. Extraction of summer crop in Jiangsu based on Google Earth Engine[J]. Journal of Geo-Information Science， 2019， 21（5）： 752-766.

[15]池毓鋒，賴日文，余莉莉，等.基于Landsat8OLI數據的樹種類型分布提取[J].自然資源學報，2017，32（7）：1193-1203.

CHI Y F， LAI R W， YU L L， et al. Extracting tree species distribution with Landsat 8 OLI data[J]. Journal of Natural Resources， 2017， 32（7）： 1193-1203.

[16]CLEVERS J， GITELSON A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3[J]. International Journal of Applied Earth Observation and Geoinformation， 2013， 23： 344-351.

[17]SHAFI U， MUMTAZ R， HAQ I U， et al. Wheat yellow rust disease infection type classification using texture features[J]. Sensors （Basel， Switzerland）， 2021， 22（1）： 146.

[18]BAUMANN M， OZDOGAN M， KUEMMERLE T， et al. Using the Landsat record to detect forest-cover changes during and after the collapse of the Soviet Union in the temperate zone of European Russia[J]. Remote Sensing of Environment， 2012， 124： 174-184.

[19]SOTHE C， DE ALMEIDA C M， LIESENBERG V， et al. Evaluating sentinel-2 and landsat-8 data to map sucessional forest stages in a subtropical forest in southern Brazil[J]. Remote Sensing， 2017， 9（8）： 838.

[20]任楓，王琦，楊佳，等.基于高分六號衛星紅邊波段的森林蓄積量遙感反演：以西寧市針葉林為例[J].中國農業氣象，2022，43（5）：408-420.

REN F， WANG Q， YANG J， et al. Retrieving of the forest stock volume based on the red edge bands of GF-6 remote sensing satellite： a case study of coniferous forest in Xining city[J]. Chinese Journal of Agrometeorology， 2022， 43（5）： 408-420.

[21]劉文雅，潘潔.基于神經網絡的馬尾松葉綠素含量高光譜估算模型[J].應用生態學報，2017，28（4）：1128-1136.

LIU W Y， PAN J. A hyperspectral assessment model for leaf chlorophyll content of Pinus massoniana based on neural network[J]. Chinese Journal of Applied Ecology， 2017， 28（4）： 1128-1136.

[22]何云，黃翀，李賀，等.基于Sentinel-2A影像特征優選的隨機森林土地覆蓋分類[J].資源科學，2019，41（5）：992-1001.

HE Y， HUANG C， LI H， et al. Land-cover classification of random forest based on Sentinel-2A image feature optimization[J]. Resources Science， 2019， 41（5）： 992-1001.