耦合多特征多時相的普洱市優勢樹種分類研究

doi：10.3969/j.issn.1006-8023.2024.02.013

摘" 要：利用遙感分類的方法可以快速識別普洱市的優勢樹種，進一步提升樹種覆蓋分類的精度，為該區域內森林監測提供參考依據。基于全球尺度遙感云計算平臺（Google Earth Engine，GEE），融合經過大氣、地形校正后的多時相Sentinel-2數據，識別樹種的光譜信息，提取紋理、物候和地形等特征因子，并進行不同的組合，采用分層分類和隨機森林（Random forest，RF）的方法對普洱市思茅松、茶樹、櫟類、橡膠和尾葉桉5個優勢樹種進行分類。結果表明，多時相影像結合多特征進行分類時地形特征在森林與非森林、針闊林、優勢樹種上的分類精度高于引入物候和紋理特征。森林與非森林分類的總體精度為99.5％（Kappa=0.98），用戶精度和制圖精度的調和平均值（F1）為98.48％；針葉林與闊葉林分類總體精度為98.7％（Kappa=0.96），F1為97.64％；優勢樹種分類總體精度為85.83％（Kappa=0.80），F1為85.19％；優勢樹種主要分布于海拔1 300～1 700 m的西坡、西南坡和南坡方向的陡坡上。在多時相影像中提取多特征進行分類能夠有效提高普洱市優勢樹種分類精度，可較為準確地提供大區域、高精度的森林覆蓋分類圖。

關鍵詞：GEE；多特征；多時相；樹種分類；隨機森林

中圖分類號：S771.8""" 文獻標識碼：A""" 文章編號：1006-8023（2024）02-0117-10

Research on the Classification of Dominant Tree Species in Pu'er City by

Coupling Multiple Characteristics and Multiple Phases

XIAO Qinglin， ZHANG Jialong*， CAO Jun， LIU Lin， WANG Feiping， YIN Tangyan， YANG Kun

（College of Forestry， Southwest Forestry University， Kunming 650233， China）

Abstract：The remote sensing classification method can be used to quickly identify the dominant tree species in Pu'er City， further improve the accuracy of tree species coverage classification， and provide a reference for forest monitoring in the region. Based on the global-scale remote sensing cloud computing platform （Google Earth Engine， GEE）， the multi-temporal Sentinel-2 data corrected by the atmosphere and terrain were integrated to identify the spectral information of tree species， extract texture， phenology， terrain and other characteristic factors， and conduct different combination， hierarchical classification and random forest （RF） methods were used to classify the five dominant tree species in Pu'er City： Simao pine， tea tree， oak， rubber and Eucalyptus urophylla. The results showed that when multi-temporal images were combined with multi-features for classification， the classification accuracy of terrain features in forest and non-forest， coniferous and broad forest， and dominant tree species was higher than the introduction of phenology and texture features. The overall accuracy of forest and non-forest classification was 99.5% （ Kappa=0.98）， F1 of user accuracy and mapping accuracy was 98.48%; the overall accuracy of coniferous forest and broadleaf forest classification was 98.7% （Kappa=0.96）， F1 was 97.64%; the overall accuracy of dominant tree species classification was 85.83 % （Kappa=0.80）， F1 was 85.19%. Dominant tree species were mainly distributed on steep slopes in the west， southwest and south slopes at an altitude of 1300-1700m. Extracting multiple features from multi-temporal images for classification can effectively improve the classification accuracy of dominant tree species in Pu'er City， and can provide a large-area， high-precision forest cover classification map more accurately.

Keywords：GEE; multiple features; multiple phases; tree species classification; random forest

收稿日期：2023-09-20

基金項目：國家自然科學基金（32260390，31860207）；云南省高層次人才培養支持計劃“青年拔尖人才”專項（YNWR-QNBJ-2020-164）。

第一作者簡介：肖慶琳，碩士研究生。研究方向為林業遙感。E-mail：2442564767@qq.com

*通信作者：張加龍，博士，教授。研究方向為林業遙感。E-mail：jialongzhang@swfu.edu.cn

引文格式：肖慶琳，張加龍，曹軍，等. 耦合多特征多時相的普洱市優勢樹種分類研究[J].森林工程，2024，40（2）：117-126.

XIAO Q L， ZHANG J L， CAO J， et al. Research on the classification of dominant tree species in Pu'er City by coupling multiple characteristics and multiple phases [J]. Forest Engineering，" 2024， 40（2）：117-126.

0" 引言

樹種組成和分布信息對于評估森林資源的可持續發展和環境保護工作具有重要意義[1]。優勢樹種分布信息是生物量、碳儲量估算，棲息地質量評估等的重要信息依據[2-4]，對森林生態系統的養護管理至關重要[5]。準確的樹種識別，對人們深入細致地分析林木生態系統起到了重要指導作用，有利于樹木分類規劃和養護管理。因此，探索提高優勢樹種分類精度的最優特征組合成了研究重點。

衛星遙感技術與人工森林調查相比，具備監測范圍廣、成本低和數據獲取及時等優勢，在森林資源監測方面展現出巨大潛力[6-8]。優勢樹種分布可通過實地調查獲得，由于大區域內受到地形和天氣等因素制約，樹種分類調查需要耗費大量的資源。有研究表明，Sentinel-2遙感數據具有空間分辨率高、免費獲取和覆蓋范圍廣等優點，被廣泛應用于大區域面積森林優勢樹種的精細分類與識別[9]。Jia等[4]基于Sentinel-2數據，利用支持向量機（Support Vector Machine， SVM）和隨機森林（Random forest，RF）對草原植物群落進行了識別，分類精度得到有效提高。Breiman[10]提出的隨機森林算法訓練速度快，具有管理共線特征和高維數據的能力以及對特征重要性進行排序[11]等優點。這種算法引入了隨機性、不容易過擬合，是當前遙感分類領域在森林植被中最廣泛的分類方法。

近年來，GEE（Google Earth Engine）平臺在樹種識別方面發展日益成熟，更加快速、批量處理遙感數據，解決大區域尺度遙感數據收集難、數據量大以及運算效率低等問題[12-13]。Jia等[4]采用Sentinel-2時間序列影像，基于GEE平臺生成了10 m空間分辨率的中國潮灘地圖。薛朝輝等[14]將Landsat 8和Sentinel-2數據進行融合，在GEE平臺利用物候信息和指數特征級聯對紅樹林進行提取，證明了物候信息對紅樹林監測的重要性。為提高樹種的分類精度，相關研究發現不同樹種的物候、紋理、光譜和歸一化植被指數特征存在一定的差異。畢愷藝等[15]基于Sentinel數據，根據歸一化植被指數（Normalized Difference Vegetation Index ，NDVI）時序曲線和光譜特征，采用面向對象決策樹方法構建分層分類模型，提取陳家灣流域植被信息，總體精度和Kappa系數均為0.85以上。Persson等[16]采用多時相的Sentinel-2A對瑞典中部成熟林5種常見樹種進行識別，樹種在5月份的分類精度最高達到80.5%。云南省普洱市森林資源豐富，土地覆蓋類型復雜多樣，但分類制圖困難，目前針對普洱市全域的森林覆蓋遙感研究較少。因此，本研究以普洱市為研究區，提取樹種的光譜、紋理、物候和地形特征，構建多特征分類集，采用RF分類算法、多時相Sentinel-2影像數據結合森林資源二類調查數據實現普洱市思茅松（Pinus kesiya ）、茶樹（Camellia sinensis）、櫟類（Quercus）、橡膠（Hevea brasiliensis）和尾葉桉（Eucalyptus urophylla）5種優勢樹種的精細分類[17-19]，從空間海拔、坡度，坡向分析優勢樹種分布情況，探索更高效、準確的遙感森林覆蓋分類圖，以期為大區域的復雜山區優勢樹種精細分類研究提供科學有效的技術手段。

1" 研究區與數據源

1.1" 研究區概況

研究區域位于云南省西南部普洱市（99°09′～102°19′E，22°02′～24°50′N） ，地處橫斷山脈的無量山南部，云貴高原西南緣[14，20]。海拔在317～3 370 m，山地面積多達98%，地勢起伏大，屬典型高山地貌；受南亞熱帶高原季風氣候、印度洋西南季風暖濕氣流的影響，降水量豐沛，5—10月降水量占全年的86.9%，年平均氣溫15～25 ℃[21]，常見的優勢樹種有思茅松（Pinus kesiya ）、茶樹（Camellia sinensis）、櫟類（Quercus）、尾葉桉（Eucalyptus urophylla）、橡膠（Hevea brasiliensis）、華山松（Pinus armandi）和桉樹（Eucalyptus）等。

1.2" 數據來源和處理

1.2.1" 遙感數據

本研究選擇未經過大氣校正的Sentinel-2 Level 1C衛星影像，在GEE中獲取2018年10月、2019年5月、2019年6月和2020年11月的Sentinel-2 Level 1C時間序列影像經過大氣校正和地形校正處理后生成的Sentinel-2A級影像作為數據源。基于GEE平臺計算相關光譜指數特征，選擇所有影像波段以及光譜指數的中值，來合成普洱市Sentinel-2遙感影像。

1.2.2" 樣本數據

GEE歷史影像數據庫提供的遙感影像結合2016年普洱市森林資源二類調查數據中優勢樹種、地類和面積等屬性信息，通過選取純林小班目視解譯繪制參考樣本數據。在GEE上隨機選取70%作為訓練樣本，30%作為檢驗樣本[9]，為確保試驗結果可對比性，各方案訓練點與樣本點保持不變，見表1。

2" 研究方法

本研究使用Sentinel-2多時相影像和DEM提取光譜、物候、紋理和地形特征，結合森林資源二類調查數據進行樣本采集。耦合不同特征建立3種分類方案，在光譜特征的基礎上分別加入物候、紋理和地形因子，構建3種分層分類RF優勢樹種分類模型，對結果進行精度評價，將具有較高總體分類精度（Overall Accuracy，OA）和Kappa系數的特征組合認為是最佳分類效果，最終得到普洱市優勢樹種分類圖。技術流程如圖1所示。

2.1" 特征提取

2.1.1" 光譜特征提取

光譜特征是反映地表樹木最直接的信息，不同樹木的光譜特征不同，光譜特征在遙感影像上存在差異，根據不同的光譜特征可以判斷樹種的屬性。本研究使用的光譜波段分別為B2-B8、B8A、B11、B12。

2.1.2" 紋理特征提取

紋理信息使用GEE平臺自帶的灰度共生矩陣（Gray-level Co-occurrence Matrix，GLCM）紋理特征函數“glcmTexture”（大小，內核，平均值）進行提取[22]。對具有多個波段的多光譜影像執行主成分分析法（Principal Component Analysis， PCA）變換進行數據降維，使用變化和信息內容最高的第一主成分提取8種紋理特征，均值（Mean）、方差（Variance）、對比度（Contrast）、熵（Entropy）、相關性（Correlation）、均一性（Homogeneity）、角二階矩（Second Moment）和相異性（Dissimilarity）參與分類。

2.1.3" 物候特征提取

多時相影像中包含的物候信息能夠提高樹種分類的準確性[23]。不同樹種的物候變化差異大，可以通過多時相影像進行提取。夏季和冬季樹木的變化反映了樹種的物候特征，更有效地表征了樹種之間的光譜差異。因此，利用6月和10月的歸一化植被指數（Normalized Difference Vegetation Index，NDVI，式中記為NDVI）提取物候特征。使用Sentinel-2影像的紅波段（B4，式中記為B4）和近紅外波段（B8，式中記為B8）計算4個時期的NDVI時間序列。公式如下

NDVI=（B8－B4）/（B8+B4）。（1）

Phenology=NDVIJ－NDVIO。（2）

式中：Phenology 為物候特征；NDVIJ和NDVIO分別為6月和10月的NDVI值。

2.1.4" 地形特征提取

研究區地形垂直落差大，地形輻射校正能夠有效增強樹種的可分離性[22，24]。利用GEE平臺中的“ee.Algorithms.Terrain”函數對該數據進行計算得到研究區海拔（Elevation）、坡度（Slope）和坡向（Aspect）數據[25]。

2.2" 分類方法及精度評價

2.2.1" 隨機森林法

隨機森林是機器學習中使用的一種非參數分類方法[26]。該方法采用Bagging方法為每棵決策樹生成獨立的同分布訓練樣本集，最終的分類結果取決于所有決策樹的投票[27]。本研究使用GEE平臺，調用RF分類模型代碼對決策樹數量進行選擇。將樣本集與提取的光譜特征、NDVI時間序列和物候特征以及紋理特征和地形特征作為分類過程中的輸入變量，理論上決策樹的數量（N）越多分類精度越高[27-28]，因此，針對每一層分類，GEE平臺能夠正常運行計算的情況下，選擇精度最高時的決策樹數量。研究選取的隨機森林決策樹數量為第1層是100，第2層是100，第3層是200，其他參數均為默認。

2.2.2" 分層分類法

由于研究區內植被類型比較復雜，難以從影像中直接獲取單一樹種。因此，本研究利用多時相的遙感影像數據，采用“從上到下，先易后難，先總后分”的分層分類策略[29-30]，具體來說，首先是確定容易識別的類別（森林與非森林），然后是相對容易識別的類別（針闊葉林），最后是精細分類到優勢樹種（思茅松、茶樹、櫟類、橡膠、尾葉桉、其他針葉林和其他闊葉林）。從上往下，逐步層層遞進地進行樹種的提取與識別。分類的難度逐漸增大，需要專業知識和經驗來確定識別某個類別，以達到高精度分類或專門提取某一樹種。

2.2.3" 精度評價

在本研究中，使用混淆矩陣來評估分類精度，即用戶精度（User's Accuracy，UA，式中記為UA）、生產者精度（Producer's Accuracy，PA，式中記為PA）、總體精度（overall accuracy，OA，式中記為OA）和Kappa系數。然而，在實際分類中，PA和UA制衡，無法準確評估分類質量，因此引入PA和UA的調和平均值（F1）來評估分類效果[8]。F1的計算公式如下

F1=2×PA×UAPA+UA。（3）

式中，F1的取值范圍是[0，1]。

3" 結果分析

3.1" 不同樹種光譜特征的可分離性

為分析研究區不同時相波段下思茅松、茶樹、櫟類、橡膠、尾葉桉、其他闊葉和其他針葉的光譜差異，圖2顯示了Sentinel-2影像4個時相的10個波段中樹種的光譜反射變化。由圖2（c）思茅松光譜反射率在B2、B3、B4波段上均高于其他樹種；圖2（a）、圖2（b）和圖2（d）中B2、B3和B4波段中尾葉桉和櫟類的反射率值略高于其他樹種，而茶樹、橡膠和其他樹種的反射率值的變化趨勢類似。由于光譜差異很小，單獨使用光譜特征很難進行區分，需要添加額外的特征來提高不同樹種之間的光譜可分離性。圖中B5波段優勢樹種反射率上升趨勢明顯，符合綠色植被光譜曲線，B4波段在植被的光譜響應中表現出明顯的‘峰谷’現象。與10月、 5月和 11月相比，6月影像顯示了每個波段中樹種的光譜反射率值更高，樹種的反射率值在紅邊波段和近紅外波段變化顯著，這是區分樹種分類的依據所在。

3.2" 特征重要性

本研究使用RF對所有特征進行重要性排序。圖3中列出了前20個重要的特征，通過比較特征的重要性排名，海拔特征重要性排名第1，坡度和坡向排第4和第8，由此可以看出地形因子分類貢獻高于其他特征，有效提高樹種的分類精度。光譜特征中B5_4、B1_4、B9_2波段重要性排第2、3、5，物候特征排第7，紋理特征的重要性得分均小于0.06。進一步說明地形特征和紅邊波段在樹種分類中具有較高的貢獻度。

3.3" 分類精度評價

3.3.1" 森林與非森林分類精度評價

本研究基于GEE采用分層分類和RF算法對森林樹種進行分類。為探究不同分類組合、特征變量等因素對分類精度的影響，將特征變量組合成3種不同的方案。不同特征組合森林與非森林的結果見表2。

結果顯示，方案3的光譜+地形特征分類精度最高，總體精度為99.5％（Kappa=0.98） ，F1為98.48％。說明地形特征可以提高分類精度。因此，森林/非森林選擇方案3的分類結果作為第2層分類的掩模。

3.3.2" 針葉林與闊葉林分類精度評價

基于不同特征組合的針葉林和闊葉林的分類結果見表3。

結果表明，方案3中地形特征組合分類的優勢樹種較物候特征和紋理特征組合分類的OA、Kappa系數和F1都有所提高。因此，第3層分類的針闊葉林分類結果選擇方案3為掩模。

3.3.3" 不同樹種分類精度評價

表4是不同特征組合的樹種分類，方案3光譜＋地形特征的分類精度最優，總體精度為85.83％（Kappa=0.81），F1為85.19％，比方案1和方案2的總體精度提高了2.15％和2.36％。參與分類的地形特征數量最少，精度最高。與物候特征和紋理特征組合相比，加入地形特征組合的分類精度均達到80％以上，且PA、UA和F1得到提高，說明引入地形因子可以有效提高樹種分類的精度。此外，研究結果表明，尾葉桉和橡膠比其他樹種更容易區分。

3.4" 優勢樹種分布

通過對不同特征進行組合，采用分層分類的策略對普洱市樹種進行分類，得出樹種分類覆蓋圖。以方案3優勢樹種分類為例，由圖4可以看出，普洱市主要以思茅松林為主，分布最廣，茶樹分布在城區周邊，櫟類較多分布在普洱市的西南方向，橡膠主要分布于城區一帶，尾葉桉分布較少，闊葉林分布較為分散。思茅松和茶樹的面積分別占據了總面積的 36% 和 20%，而櫟類與橡膠面積相近，分別占總面積 的 17% 和 13%，尾葉桉占9%，其他闊葉林與其他針葉林占比較小，分別是4% 和1%。

針對普洱市的樹種分布從坡度、坡向和海拔等方面進行分析。普洱市群山起伏、地勢陡峭，坡度較大的地方一般適合根系較為發達的樹種生長，如思茅松、櫟類和對土壤環境要求低的其他樹種，而橡膠適合生長在坡度平緩的地方。坡向主要通過陽光照射、溫濕度和土壤養分來影響樹種的分布。例如，南坡相對暖和，適合生長一些喜陽樹種；而北坡相對陰冷，適合生長一些喜陰樹種。思茅松、橡膠和尾葉桉主要分布在西坡、西南坡和南坡較多，櫟類和其他闊葉在北坡和東北坡的分布相對較多。隨著海拔的升高，氣溫和氣候條件會發生變化，從而影響樹種分布。低海拔區域適合生長喜溫暖濕潤環境的樹種，如思茅松、茶樹、橡膠和尾葉桉樹種等；而海拔較高的地區則適合生長喜寒冷環境的樹種，如櫟類和其他針葉樹種等。研究表明普洱市樹種分布具有明顯的垂直森林分布帶，主要分布于海拔1 300～2 000 m。樹種的空間分布還受到土壤類型、降水量和氣候等因素的影響，普洱市樹種的具體覆蓋分布，還需根據實際地理情況和生態環境數據進行進一步研究和分析。

4" 討論與結論

4.1" 討論

4.1.1" 分類精度

目前大多數的研究使用多時相遙感因子和隨機森林算法來進行樹種分類，本研究綜合考慮樹種的物候信息、紋理特征和地形特征，通過不同特征組合構建多特征隨機森林樹種分類模型，分析樹種分類的最佳特征因子。結果表明，與物候特征和紋理特征相比，地形特征在基于耦合不同特征的隨機森林優勢樹種分類的精度明顯提高，該結論在Wang等[26]研究中得到驗證。多時相數據與其他數據結合可以提高樹種分類的精度，如地形特征和物候信息可以彌補多光譜影像的缺點，提高樹種分類的精度。Chiang等[31]利用Landsat影像和地形數據對樹種進行分類，精度為81%，Kappa系數為0.70。與單獨基于Landsat影像的分類結果相比，加入地形因子參與分類精度提高10%，Kappa系數提高了0.18。Kollert等 [32]從多時相Sentinel-2影像中提取物候信息并將其應用于樹種分類，精度為84.40%，比單時相Sentinel-2影像的分類精度提高了10%左右。Hoscilo等 [33]使用多時相 Sentinel-2影像和地形數據對森林樹種進行分類，分類精度為75.60%，引入地形因子的樹種分類精度提高到81.70%。這些研究結果均表明地形特征可以提高樹種分類精度。

4.1.2" 分類特征

本研究引入了地形、物候信息和紋理特征，探討其影響。本研究中“光譜＋地形特征”樹種分類模型的效果最優，模型精度為85.83%，比分別加入物候特征和紋理特征建立的模型提高了2.15%和2.36%。以往研究中常用的光譜反射率、光譜指數、地形特征和物候信息外，后續可以嘗試添加紫外線氣溶膠指數、NO2濃度、地形多樣性、降水量和溫度特征，達到提高森林分類精度的目的。因此，未來大范圍區域樹種分類的研究中，如何準確、高效地獲取森林樹種的數量和分布信息，應朝著實時、三維監測和細化的方向發展，加入更多的數據源，增加樣本的規模與質量，以此來深化特征變量的模型改善。本研究在GEE平臺上完成優勢樹種分類，很大程度上減少了數據獲取、預處理等工作量，為今后大區域尺度植被覆蓋圖提供途徑。

4.2" 結論

基于GEE平臺，以普洱市為研究區，利用多時相Sentinel-2影像，提取多時相特征并進行特征組合，采用隨機森林算法和分層分類法構建3種分類模型進行優勢樹種分類，得出以下結論。

1）融合多時相Sentinel-2數據與多特征結合能充分利用不同樹種的可分性，提高其分類精度。

2）根據特征重要性進行排序，海拔特征為最佳特征因子，有助于高海拔地區的優勢樹種分類。

3）多時相特征組合對普洱市優勢樹種分類時，光譜＋地形特征的分類精度優于光譜＋物候和光譜＋紋理特征，分別提高2.15％和2.36％。

4）針對森林植被類型比較復雜的地區，采用分層分類的方法可以提高整體的優勢樹種分類精度。

【參" 考" 文" 獻】

[1]顏偉，周雯，易利龍，等.森林類型遙感分類及變化監測研究進展[J].遙感技術與應用，2019，34（3）：445-454.

YAN W， ZHOU W， YI L L， et al. Research progress of remote sensing classification and change monitoring on forest types[J]. Remote Sensing Technology and Application， 2019， 34（3）： 445-454.

[2]KE Y H， QUACKENBUSH L J， IM J. Synergistic use of QuickBird multispectral imagery and LIDAR data for object-based forest species classification[J]. Remote Sensing of Environment， 2010， 114（6）： 1141-1154.

[3]WASER L T， GINZLER C， KUECHLER M， et al. Semi-automatic classification of tree species in different forest ecosystems by spectral and geometric variables derived from Airborne Digital Sensor （ADS40） and RC30 data[J]. Remote Sensing of Environment， 2011， 115（1）： 76-85.

[4]JIA M M， WANG Z M， MAO D H， et al. Rapid， robust， and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine[J]. Remote Sensing of Environment， 2021， 255： 112285.

[5]DALPONTE M， BRUZZONE L， GIANELLE D. Tree species classification in the Southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data[J]. Remote Sensing of Environment， 2012， 123： 258-270.

[6]池毓鋒，賴日文，余莉莉，等.基于Landsat 8 OLI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.

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

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

[8]蔣鳳釵.Spark技術在自然資源數據管理中的應用研究[J].自動化技術與應用，2022，41（6）：41-45.

JIANG F C. Application of spark technology in natural resource data management[J]. Techniques of Automation and Applications， 2022， 41（6）： 41-45.

[9]劉靈，張加龍，韓雪蓮，等.基于GEE和Sentinel時序影像的優勢樹種識別研究[J].森林工程，2023，39（1）：63-72，81.

LIU L， ZHANG J L， HAN X L， et al. Dominant species classification based on google earth engine and sentinel time-series data[J]. Forest Engineering， 2023， 39（1）： 63-72， 81.

[10]BREIMAN L. Random forests[J]. Machine Learning， 2001， 45（1）： 5-32.

[11]張炳華，張鐿鋰，谷昌軍，等.基于隨機森林與特征選擇的藏東南土地覆被分類方法及精度評價[J].地理科學，2023，43（3）：388-397.

ZHANG B H， ZHANG Y L， GU C J， et al. Land cover classification based on random forest and feature optimism in the Southeast Qinghai-Tibet Plateau[J]. Scientia Geographica Sinica， 2023， 43（3）： 388-397.

[12]郝斌飛，韓旭軍，馬明國，等.Google Earth Engine在地球科學與環境科學中的應用研究進展[J].遙感技術與應用，2018，33（4）：600-611.

HAO B F， HAN X J， MA M G， et al. Research progress on the application of Google Earth Engine in geoscience and environmental sciences[J]. Remote Sensing Technology and Application， 2018， 33（4）： 600-611.

[13]LIU X P， HU G H， CHEN Y M， et al. High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine platform[J]. Remote Sensing of Environment， 2018， 209： 227-239.

[14]薛朝輝，錢思羽.融合Landsat8與Sentinel-2數據的紅樹林物候信息提取與分類[J].遙感學報，2022，26（6）：1121-1142.

XUE Z H， QIAN S Y. Fusion of Landsat 8 and Sentinel-2 data for mangrove phenology information extraction and classification[J]. National Remote Sensing Bulletin， 2022， 26（6）： 1121-1142.

[15]畢愷藝，牛錚，黃妮，等.基于Sentinel-2A時序數據和面向對象決策樹方法的植被識別[J].地理與地理信息科學，2017，33（5）：16-20，27，127.

BI K Y， NIU Z， HUANG N， et al. Identifying vegetation with decision tree model based on object-oriented method using multi-temporal Sentinel-2A images[J]. Geography and Geo-Information Science， 2017， 33（5）： 16-20， 27， 127.

[16]PERSSON M， LINDBERG E， REESE H. Tree species classification with multi-temporal Sentinel-2 data[J]. Remote Sensing， 2018， 10（11）： 1794.

[17]WESSEL M， BRANDMEIER M， TIEDE D. Evaluation of different machine learning algorithms for scalable classification of tree types and tree species based on Sentinel-2 data[J]. Remote Sensing， 2018， 10（9）： 1419.

[18]PLAKMAN V， JANSSEN T， BROUWER N， et al. Mapping species at an individual-tree scale in a temperate forest， using Sentinel-2 images， airborne laser scanning data， and random forest classification[J]. Remote Sensing， 2020， 12（22）： 3710.

[19]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.

[20]閆明，龐勇，何云玲，等.基于GEE云平臺和Sentinel-2數據的普洱市森林覆蓋制圖[J].遙感技術與應用，2023，38（2）：432-442.

YAN M， PANG Y， HE Y L， et al. Remote sensing based land cover classification of Pu'er city using GEE cloud platform and Sentinel-2 data[J]. Remote Sensing Technology and Application， 2023， 38（2）： 432-442.

[21]宋志偉，周紅斌，朱麗艷，等.基于SWOT-AHP的普洱市國家儲備林發展戰略分析[J].林業資源管理，2022（2）：19-26.

SONG Z W， ZHOU H B， ZHU L Y， et al. Analysis on development strategy of Pu'er city national reserve forest based on SWOT-AHP method[J]. Forest Resources Management， 2022（2）： 19-26.

[22]張旭，高何璇，高曉陽，等.基于低空遙感與GA-BP神經網絡的葡萄葉片含水量估算研究[J].林業機械與木工設備，2022，50（6）：69-75.

ZHANG X， GAO H X， GAO X Y， et al. Research on estimation of water content in grape leaves based on low-altitude remote sensing and GA-BP neural network[J]. Forestry Machinery amp; Woodworking Equipment， 2022， 50（6）： 69-75.

[23]ZHU X L， LIU D S. Accurate mapping of forest types using dense seasonal Landsat time-series[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2014， 96（11）： 1-11.

[24]閆利，江維薇.多光譜遙感影像植被覆蓋分類研究進展[J].國土資源遙感，2016，28（2）：8-13.

YAN L， JIANG W W. Progress in the study of vegetation cover classification of multispectral remote sensing imagery[J]. Remote Sensing for Land amp; Resources， 2016， 28（2）： 8-13.

[25]賀澤宇.基于Google Earth Engine的祁連山國家公園土地覆被時空變化分析[D].蘭州：蘭州大學，2022.

HE Z Y. Spatial-temporal analysis of land cover changes in Qilian Mountain National Park based on google earth engine[D]. Lanzhou： Lanzhou University， 2022.

[26]WANG M C， LI M J， WANG F Y， et al. Exploring the optimal feature combination of tree species classification by fusing multi-feature and multi-temporal Sentinel-2 data in Changbai Mountain[J]. Forests， 2022， 13（7）： 1058.

[27]趙陽，田震，李尉尉，等.基于Sentinel-2MSI影像與面向對象相結合的紅樹林樹種精細化分類方法研究[J].海洋通報，2023，42（3）：352-360.

ZHAO Y， TIAN Z， LI W W， et al. Study on the refined classification method of mangrove tree species based on Sentinel-2 MSI images combined with object-oriented[J]. Marine Science Bulletin， 2023， 42（3）： 352-360.

[28]HOLOGA R， SCHEFFCZYK K， DREISER C， et al. Tree species classification in a temperate mixed mountain forest landscape using random forest and multiple datasets[J]. Remote Sensing， 2021， 13（22）： 4657.

[29]CHEN Y L， ZHAO S A， XIE Z L， et al. Mapping multiple tree species classes using a hierarchical procedure with optimized node variables and thresholds based on high spatial resolution satellite data[J]. GIScience amp; Remote Sensing， 2020， 57（4）： 526-542.

[30]趙帥，曹美芹，蔣先蝶，等.安徽省利辛縣平原區人工林樹種分類研究[J].遙感技術與應用，2022，37（3）：589-598.

ZHAO S， CAO M Q， JIANG X D， et al. Man-made tree species classification in Lixin County， Anhui Province[J]. Remote Sensing Technology and Application， 2022， 37（3）： 589-598.

[31]CHIANG S H， VALDEZ M. Tree species classification by integrating satellite imagery and topographic variables using maximum entropy method in a Mongolian forest[J]. Forests， 2019， 10（11）： 961.

[32]KOLLERT A， BREMER M， LOW M， et al. Exploring the potential of land surface phenology and seasonal cloud free composites of one year of Sentinel-2 imagery for tree species mapping in a mountainous region[J]. International Journal of Applied Earth Observation and Geoinformation， 2021， 94： 102208.

[33]HOSCIO A， LEWANDOWSKA A. Mapping forest type and tree species on a regional scale using multi-temporal Sentinel-2 data[J]. Remote Sensing， 2019， 11（8）： 929.