馬婷 劉思涵 郭瑞霞

摘要：如何有效提取落葉松人工林信息是落葉松人工林資源調(diào)查的關(guān)鍵。本文以黑龍江省佳木斯市樺南縣孟家崗林場(chǎng)為研究試驗(yàn)區(qū)域，利用“高分一號(hào)”衛(wèi)星影像（以下簡(jiǎn)稱GF-1）并結(jié)合其他輔助數(shù)據(jù)，在分析落葉松人工林光譜信息的基礎(chǔ)上，基于灰度共生矩陣方法提取了8種紋理信息，并根據(jù)落葉松人工林季相特征，提取研究區(qū)內(nèi)植被的NDVI、DVI、RVI和EVI時(shí)間序列特征，建立基于C5.0決策樹(shù)算法的落葉松人工林決策樹(shù)模型，通過(guò)10次分類(lèi)試驗(yàn)，篩選出最優(yōu)的決策規(guī)則，用于落葉松人工林提取研究。結(jié)果表明，C5.0決策樹(shù)算法能綜合紋理信息、植被指數(shù)和光譜特征信息，自動(dòng)尋找區(qū)分落葉松人工林的最佳特征組合及分割閾值，分類(lèi)總體精度達(dá)到92.25%，Kappa系數(shù)為0.87，面積精度為92.79%，能有效地提取落葉松人工林信息。本研究可為森林資源調(diào)查提供理論基礎(chǔ)與技術(shù)支持。

關(guān)鍵詞 落葉松人工林;高分一號(hào);C5.0決策樹(shù)算法;植被指數(shù)時(shí)間序列信息;紋理特征

落葉松是我國(guó)北方地區(qū)造林和森林更新的主要樹(shù)種之一，其木材結(jié)構(gòu)細(xì)密，材質(zhì)優(yōu)良，抗腐蝕，抗壓能力強(qiáng)，具有顯著的社會(huì)和經(jīng)濟(jì)效益[1-3]。隨著國(guó)家林業(yè)重點(diǎn)工程項(xiàng)目的穩(wěn)步推進(jìn)，落葉松人工林的造林面積逐年增加，針對(duì)落葉松人工林資源的調(diào)查也成為林業(yè)調(diào)查領(lǐng)域的一項(xiàng)新需求[4]。如何有效利用遙感影像獲取落葉松人工林空間位置分布，及時(shí)準(zhǔn)確掌握落葉松人工林資源信息，已成為落葉松人工林栽培關(guān)注的熱點(diǎn)問(wèn)題。目前，國(guó)內(nèi)外學(xué)者針對(duì)落葉松人工林的研究多集中于撫育間伐、土壤特性、經(jīng)營(yíng)情況、病蟲(chóng)害和苗圃培育等方面，應(yīng)用遙感影像探索落葉松人工林空間位置分布的研究鮮有報(bào)道[5-9]。因此，利用遙感手段快速獲取落葉松人工林的空間位置分布，無(wú)論是理論研究和實(shí)際應(yīng)用都有重要意義。

決策樹(shù)算法具有靈活、直觀、運(yùn)算效率高等特點(diǎn)[10-12]。在林業(yè)遙感研究領(lǐng)域中，國(guó)內(nèi)外學(xué)者利用決策樹(shù)算法在森林類(lèi)型精細(xì)分類(lèi)、不同林地類(lèi)型提取識(shí)別等問(wèn)題上已進(jìn)行了大量研究。2012年Suchenwirth等人通過(guò)提取遙感影像的光譜信息、空間信息和地形因子等，建立基于專(zhuān)家知識(shí)的決策樹(shù)模型并進(jìn)行決策樹(shù)分類(lèi)，從中提取了蘆羊、硬木、白楊林和草地等植被[13]。2014年白秀蓮等人基于Landsat TM數(shù)據(jù)和C5.0決策樹(shù)算法，設(shè)計(jì)了一種基于多特征變量組合的數(shù)據(jù)集進(jìn)行土地覆蓋分類(lèi)，結(jié)果表明當(dāng)特征變量合適時(shí)，分類(lèi)結(jié)果能夠滿足用戶需求[14]。2015年梁守真等人嘗試將多時(shí)相的Landsat TM數(shù)據(jù)與MODIS-NDVI數(shù)據(jù)組合，進(jìn)行基于面向?qū)ο蟮臎Q策樹(shù)橡膠林信息提取實(shí)驗(yàn)，結(jié)果表明，綜合考慮橡膠的季相特征，能有效獲取橡膠林分布信息[15]。2018年王懷警等人綜合多種特征變量，采用分層分類(lèi)的策略，設(shè)計(jì)了一種基于星載高光譜Hyoerion數(shù)據(jù)的C5.0決策樹(shù)森林類(lèi)型精細(xì)分類(lèi)方法，該方法能夠有效提高森林類(lèi)型分類(lèi)精度[16]。2019年魯楠等人利用國(guó)產(chǎn)“高分二號(hào)”（GF-2）數(shù)據(jù)，綜合考慮植被季相和物候特征，設(shè)計(jì)了一種基于四季時(shí)相知識(shí)的CART決策樹(shù)方法，進(jìn)行森林類(lèi)型分類(lèi)實(shí)驗(yàn)，分類(lèi)精度達(dá)到85.6%[17]。因闊葉林、針葉林和針闊混交林光譜信息相似，“同譜異物”和“異物同譜”現(xiàn)象嚴(yán)重，目前基于遙感影像進(jìn)行闊葉林、針葉林和針闊混交林分類(lèi)提取的精度較低，無(wú)法滿足實(shí)際生產(chǎn)需要[18-21]。本文以GF-1遙感影像為主要數(shù)據(jù)源，結(jié)合地面樣地和二類(lèi)小班調(diào)查數(shù)據(jù)，提取遙感影像的光譜信息、紋理信息，并利用多時(shí)相Landsat 8 OLI遙感影像構(gòu)建研究區(qū)的4種植被指數(shù)時(shí)間序列特征，獲取落葉松人工林的季相信息，建立基于C5.0決策樹(shù)算法的落葉松人工林決策樹(shù)模型，探究針對(duì)C5.0決策樹(shù)算法提取落葉松人工林信息的可行性，以期有效提取落葉松人工林信息。

1 ?研究區(qū)概況

本研究選取孟家崗林場(chǎng)作為研究區(qū)域，林場(chǎng)位于黑龍江省佳木斯市樺南縣東北部，地理坐標(biāo)為東經(jīng)130°32′42″—130°52′36″，北緯46°20′16″—46°30′50″，總面積約為14466.7hm2，屬東亞大陸性季風(fēng)氣候[22]。林場(chǎng)地處完達(dá)山西麓，年平均氣溫2.7℃，海拔168—575m。該林場(chǎng)是以經(jīng)營(yíng)針葉樹(shù)種為主的人工林用材基地，其中人工造林面積約為11095.9hm2，占林場(chǎng)總面積的76.7%。主要樹(shù)種有落葉松（Larix gmelini）、樟子松（Pinus sylvestris）、紅松（Pinus koraiensis）和云杉（Picea asperata）等[23]。

2 ?數(shù)據(jù)與數(shù)據(jù)處理

2.1 ?遙感影像數(shù)據(jù)及預(yù)處理

GF-1衛(wèi)星是由我國(guó)自行研制并發(fā)射的高分辨率對(duì)地觀測(cè)衛(wèi)星，其上搭載的PMS相機(jī)成像幅寬60km[24，25]。利用2017年7月6日GF-1衛(wèi)星影像進(jìn)行研究，包括2m分辨率的全色影像和8m分辨率的多光譜影像。輔助數(shù)據(jù)包括多時(shí)相高質(zhì)量Landsat 8 OLI遙感影像、無(wú)人機(jī)拍攝的0.5m分辨率CCD數(shù)據(jù)、2014年森林資源二類(lèi)調(diào)查數(shù)據(jù)和孟家崗林場(chǎng)地面調(diào)查樣地?cái)?shù)據(jù)。

Landsat 8 OLI遙感影像下載于中國(guó)科學(xué)院地理空間數(shù)據(jù)云平臺(tái)（http：//www.gscloud.cn/），因冬季孟家崗林場(chǎng)植被幾乎被積雪覆蓋，本文選擇春季、夏季和秋季的遙感影像用于獲取落葉松人工林季相信息。影像詳細(xì)信息如表1所示。為降低植被反射率受到大氣、光照等因素的影響[26-28]。采用ENVI5.3軟件平臺(tái)進(jìn)行輻射定標(biāo)、FLAASH大氣校正、幾何校正、RPC正射校正、Gram-schmidt圖像融合和拼接裁剪等影像預(yù)處理操作。

2.2 ?樣本數(shù)據(jù)

參考森林資源二類(lèi)調(diào)查數(shù)據(jù)提供的研究區(qū)植被分布信息，將林場(chǎng)內(nèi)土地覆蓋劃分為6種類(lèi)別，分別是落葉松、紅松、樟子松、云杉、闊葉樹(shù)及裸地。解譯空間分辨率為0.5m的CCD數(shù)據(jù)，并結(jié)合林場(chǎng)中各土地類(lèi)別所占面積權(quán)重布設(shè)樣地，共布設(shè)了420塊28.28m28.28m的樣地作為訓(xùn)練樣本。

采用地面調(diào)查樣點(diǎn)作為分類(lèi)驗(yàn)證樣本。2017年6月，以孟家崗林場(chǎng)為主要調(diào)查區(qū)域進(jìn)行外業(yè)調(diào)查。利用手持GPS獲取樣地中心點(diǎn)地理坐標(biāo)，記錄樹(shù)種組成、郁閉度和齡組等信息。經(jīng)實(shí)地調(diào)查，共獲取了395個(gè)有效的土地覆蓋類(lèi)型樣點(diǎn)。

3 ?研究方法

3.1 ?特征變量提取與分析

3.1.1 ?光譜信息

GF-1遙感影像包括藍(lán)光波段（450nm-520nm）、綠光波段（520nm-590nm）、紅光波段（630nm-690nm）和近紅外波段（770nm-890nm），能反映地物最基本的光譜信息[29]。研究選取預(yù)處理后影像的光譜信息作為特征變量。

3.1.2 ?紋理信息

灰度共生矩陣是一種基于像素灰度值統(tǒng)計(jì)的紋理信息提取方法，已成為最廣泛的紋理信息提取方法之一[30-32]。本文首先對(duì)預(yù)處理后2m分辨率的GF-1遙感影像進(jìn)行主成分分析（PCA），采用灰度共生矩陣方法，基于第一主成分不同窗口大小進(jìn)行紋理提取，考慮運(yùn)算時(shí)間和窗口面積，共設(shè)置3×3、5×5、7×7、9×9和11×11五種窗口大小進(jìn)行試驗(yàn)。通過(guò)訓(xùn)練樣本數(shù)據(jù)計(jì)算均方差值和J-M可分離度[33]，最終選擇窗口大小為9×9的8個(gè)紋理測(cè)度，包括均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩和相關(guān)性。

3.1.3 ?季相信息

落葉松林獨(dú)特的季相信息是區(qū)別其他針葉林的重要特征。植被指數(shù)時(shí)間序列特征能直觀地反映植被基本的季相信息[34]。本次試驗(yàn)利用預(yù)處理后的多時(shí)相Landsat 8 OLI遙感影像提取研究區(qū)內(nèi)不同森林類(lèi)型的歸一化植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）和增強(qiáng)型植被指數(shù)（EVI），構(gòu)建相應(yīng)的植被指數(shù)時(shí)間序列特征。

3.2 ?C5.0決策樹(shù)算法

C5.0決策樹(shù)算法是在C4.5的基礎(chǔ)上通過(guò)對(duì)運(yùn)行效率、內(nèi)存大小和分類(lèi)精度等方面進(jìn)行改進(jìn)得到的[35，36]。該算法將C4.5算法和Boosting算法相結(jié)合，通過(guò)計(jì)算比較每一個(gè)特征變量的信息增益率，選擇具有最大信息增益的特征變量進(jìn)行拆分節(jié)點(diǎn)，不斷重復(fù)該過(guò)程，從而確定最佳特征變量組合和最優(yōu)分割閾值[37]。該算法的核心是利用信息熵減少速度來(lái)選擇每一個(gè)分支上的特征變量。信息熵計(jì)算公式[35]如下：式中，表示信息，表示信息發(fā)生的概率。

C5.0算法在進(jìn)行節(jié)點(diǎn)拆分過(guò)程中，通過(guò)十折交叉法不斷檢驗(yàn)樣本數(shù)據(jù)，對(duì)節(jié)點(diǎn)進(jìn)行自下而上的逐層修剪與合并，以提高分類(lèi)精度[38-40]。當(dāng)遇到樣本數(shù)據(jù)過(guò)多或者不足時(shí)，算法會(huì)自動(dòng)進(jìn)行剔除和權(quán)重調(diào)整，從而得到一個(gè)最佳的決策樹(shù)模型。C5.0算法具有運(yùn)行速度快，占用內(nèi)存小，容錯(cuò)率高等優(yōu)點(diǎn)[41]。

3.3 ?C5.0決策規(guī)則建立

本研究是基于IBM SPSS Moder18.0軟件平臺(tái)建立的C5.0決策樹(shù)分類(lèi)規(guī)則。首先將光譜信息、紋理信息和4種植被指數(shù)時(shí)間序列特征進(jìn)行特征變量組合，通過(guò)訓(xùn)練樣本數(shù)據(jù)構(gòu)建一組具有多特征信息的訓(xùn)練樣本數(shù)據(jù)集。然后將該數(shù)據(jù)集導(dǎo)入IBM SPSS Moder18.0軟件中進(jìn)行C5.0決策分析，采用專(zhuān)家模式進(jìn)行全局修剪，剪枝程度為75%，子節(jié)點(diǎn)最小記錄數(shù)為2，Boosting試驗(yàn)數(shù)為10，最終生成10組C5.0決策分類(lèi)規(guī)則。根據(jù)決策分類(lèi)規(guī)則，在ENVI 5.3軟件平臺(tái)建立相應(yīng)的C5.0決策樹(shù)進(jìn)行分類(lèi)，最后將分類(lèi)結(jié)果進(jìn)行分類(lèi)后合并。通過(guò)對(duì)10組分類(lèi)圖進(jìn)行目視解譯和精度評(píng)價(jià)，選擇最佳決策分類(lèi)規(guī)則，并得到一個(gè)最優(yōu)的分類(lèi)決策樹(shù)。最優(yōu)分類(lèi)決策樹(shù)如圖1所示。

注：B13波段—6月16日NDVI，B18波段—4月28日NDVI，B19波段—6月16日DVI，B22波段—10月6日DVI，B25波段—6月16日RVI，B34波段—10月6日EVI，B35波段—10月22日EVI。

4 ?結(jié)果與分析

4.1 ?落葉松人工林提取結(jié)果與精度評(píng)價(jià)

為了準(zhǔn)確提取落葉松人工林信息，防止其他植被因混交造成錯(cuò)分、漏分等現(xiàn)象，影響落葉松人工林提取結(jié)果。本試驗(yàn)將分類(lèi)結(jié)果進(jìn)行合并，紅松、樟子松、云杉和闊葉樹(shù)合并成一類(lèi)，落葉松林為一類(lèi)，裸地為一類(lèi)。分類(lèi)結(jié)果如圖2所示。分類(lèi)結(jié)果與CCD數(shù)據(jù)表現(xiàn)出較好的一致性（圖3）。為驗(yàn)證該模型的適用性和落葉松人工林提取精度，采用混淆矩陣法進(jìn)行精度評(píng)價(jià)，分類(lèi)總精度為92.25%，Kappa系數(shù)為0.87?；煜仃嚲仍u(píng)價(jià)如表2所示。落葉松人工林用戶精度為97.06%，分類(lèi)精度較高，說(shuō)明其他類(lèi)型錯(cuò)分成落葉松人工林的像元較少。落葉松人工林制圖精度為83.73%，精度較差，說(shuō)明落葉松人工林錯(cuò)分到其他類(lèi)型的像元較多。為了進(jìn)一步驗(yàn)證提取的落葉松人工林信息，利用ArcGIS 10.1軟件對(duì)提取的落葉松人工林進(jìn)行面積計(jì)算。提取到的落葉松人工林面積為4888.57hm2，二類(lèi)調(diào)查數(shù)據(jù)中落葉松人工林統(tǒng)計(jì)面積為5268.63hm2，面積精度為92.79%。說(shuō)明基于C5.0決策樹(shù)算法的落葉人工林決策樹(shù)模型可以有效提取落葉松人工林信息。

4.2 ?錯(cuò)分、漏分現(xiàn)象分析

參考二類(lèi)調(diào)查數(shù)據(jù)和CCD數(shù)據(jù)，分析分類(lèi)結(jié)果圖可得，落葉松人工林錯(cuò)分點(diǎn)和漏分點(diǎn)主要分布在落葉松幼齡林區(qū)域和針葉林混交區(qū)域，如圖4所示，分析該圖可得：

（1）不同齡組提取效果不同，提取效果依次為：落葉松成熟林>落葉松中齡林>落葉松幼齡林。落葉松成熟林和中齡林提取效果較好，而落葉松幼齡林提取效果較差，出現(xiàn)錯(cuò)分點(diǎn)、漏分點(diǎn)較多（圖4（a））。成熟林和中齡林冠形較大且相鄰樹(shù)冠間互相交織，光譜反射率穩(wěn)定，季相信息明顯。落葉松幼齡林冠形小且相鄰樹(shù)冠間隙大，光譜反射率受土壤等因素影響較大，易出現(xiàn)錯(cuò)分漏分現(xiàn)象。

（2）在針葉林混交地帶，不同植被間的界限較為模糊，所以不易區(qū)分。對(duì)比不同針葉林與落葉松人工林混交區(qū)域發(fā)現(xiàn)，提取效果依次為：紅松>樟子松>云杉。在與紅松或者樟子松混交區(qū)域，可以將落葉松人工林較好的提取出來(lái)，錯(cuò)分、漏分現(xiàn)象較少。但在與云杉混交區(qū)域，錯(cuò)分、漏分現(xiàn)象比較嚴(yán)重，落葉松人工林和云杉難以區(qū)分，見(jiàn)圖4b所示。為探究發(fā)生原因，本文計(jì)算了研究區(qū)域4種針葉林的NDVI均值，構(gòu)建相應(yīng)的NDVI時(shí)間序列曲線，如圖6所示。分析該圖可得，4月末期，落葉松人工林的NDVI低于0.4，說(shuō)明春季落葉松人工林綠葉覆蓋度低，生物量小。隨著季節(jié)變化NDVI值逐漸增大，在6、7、8月份NDVI值均高于0.8，說(shuō)明夏季綠葉覆蓋度和生物量高，落葉松人工林長(zhǎng)勢(shì)好。而后逐漸衰減，10月下旬NDVI值降低至0.28。這與落葉松人工林的季相特征一致，落葉松屬落葉喬木，春季葉子逐漸發(fā)芽，綠葉覆蓋度逐漸升高;夏季葉子完全長(zhǎng)出，綠葉覆蓋度和生物量達(dá)到最高;秋季葉子逐漸掉落，綠葉覆蓋度降低，NDVI值也逐漸減小。紅松和樟子松的NDVI時(shí)間序列曲線與落葉松人工林差異較大，因紅松和樟子松屬常綠喬木，葉子不會(huì)隨季節(jié)變化而掉落，所以NDVI指數(shù)全年在0.7-0.9附近波動(dòng)。而云杉的NDVI時(shí)間序列曲線與落葉松人工林有些相似，春季NDVI值較低，而后逐漸增高;夏季NDVI值達(dá)到最高0.85，之后伴隨秋季到來(lái)逐漸降低。云杉雖然屬于常綠喬木，但隨著季節(jié)變化葉子會(huì)有部分脫落，所以春季和秋季云杉的綠葉覆蓋度和生物量減少。因相似的季相特征，導(dǎo)致落葉松人工林和云杉在混交區(qū)域難以區(qū)分。

5 ?結(jié)論

本研究利用GF-1遙感影像和Landsat 8 OLI影像，并結(jié)合多種特征信息，建立了一種基于C5.0決策樹(shù)算法的落葉松人工林決策樹(shù)模型，提取落葉松人工林信息。研究結(jié)論如下：

（1）C5.0決策樹(shù)算法可以充分利用遙感影像的光譜、紋理和季相等輔助信息進(jìn)行落葉松人工林提取，分類(lèi)總精度較高，提取效果良好。為快速獲取落葉松人工林空間位置分布提供了一種新的方法。

（2）C5.0決策樹(shù)算法可以自動(dòng)進(jìn)行特征變量選擇，并確定分割閾值，運(yùn)行速度較快，占用內(nèi)存較小等特點(diǎn)。

（3）不同齡組的落葉松，提取效果不同。提取效果依次為：落葉松成熟林>落葉松中齡林>落葉松幼齡林。出現(xiàn)這種情況原因是，齡組越小的落葉松，冠層小且相鄰樹(shù)冠間隙大，光譜反射率受土壤等因素影響越大。

（4）在針葉林混交地帶，落葉松人工林提取效果較差。尤其是云杉和落葉松人工林混交區(qū)域。出現(xiàn)該現(xiàn)象原因是，云杉屬于常綠針葉林，但隨著季節(jié)變化，葉子有部分脫落，導(dǎo)致與落葉松人工林NDVI時(shí)間序列曲線相似，使得混交區(qū)域難以區(qū)分。

今后需要進(jìn)一步研究在針葉林混交地帶，如何提高落葉松人工林提取精度，以便有效地提取落葉松人工林信息。

參考文獻(xiàn)：

[1] 李艷霞， 張含國(guó)， 張磊，等. 長(zhǎng)白落葉松紙漿材優(yōu)良家系多性狀聯(lián)合選擇研究[J]. 林業(yè)科學(xué)研究， 2012， 25（6）：712-718.

[2]趙國(guó)武. 日本落葉松（北海道種源）生長(zhǎng)規(guī)律及生長(zhǎng)優(yōu)勢(shì)的調(diào)查分析[J]. 遼寧林業(yè)科技， 1993（3）：25-27.

[3]金虎范. 林分密度對(duì)華北落葉松人工林凋落物分解影響的研究[D]. 北京林業(yè)大學(xué)， 2010.

[4] 任寶平. 興安落葉松人工林生長(zhǎng)過(guò)程及林分密度的調(diào)查研究[J]. 內(nèi)蒙古電大學(xué)刊， 2010（2）：73-75.

[5]施雙林， 薛偉. 落葉松人工林撫育間伐技術(shù)的研究[J]. 森林工程， 2009， 25（3）：53-56.

[6]王利東. 不同間伐撫育強(qiáng)度對(duì)華北落葉松人工林土壤物理性質(zhì)變化影響的研究[J]. 河北林果研究， 2012， 27（1）：6-9.

[7]唐偉東. 落葉松人工林撫育間伐技術(shù)的研究[J]. 林業(yè)勘查設(shè)計(jì)， 2016（2）：61-63.

[8]陳洪明， 陳立新， 王殿文. 落葉松人工林土壤酸度質(zhì)量與養(yǎng)分關(guān)系研究現(xiàn)狀及趨勢(shì)[J]. 防護(hù)林科技， 2004（5）：46-49.

[9]日本落葉松人工林林分結(jié)構(gòu)與生長(zhǎng)量預(yù)測(cè)研究[D]. 北京林業(yè)大學(xué)， 2007.

[10]基于決策樹(shù)方法的遙感影像分類(lèi)研究[D]. 內(nèi)蒙古師范大學(xué)， 2012.

[11]基于決策樹(shù)技術(shù)的遙感影像分類(lèi)研究[D]. 南京林業(yè)大學(xué)， 2006.

[12]張宇. 決策樹(shù)分類(lèi)及剪枝算法研究[D]. 哈爾濱理工大學(xué)， 2009.

[13] Suchenwirth L， F?rster M， Cierjacks A， et al. Knowledge-based classification of remote sensing data for the estimation of below and above-ground organic carbon stocks in riparian forests[J]. Wetlands Ecology & Management， 2012， 20（2）：151-163.

[14] 白秀蓮， 巴雅爾， 哈斯其其格. 基于C5.0的遙感影像決策樹(shù)分類(lèi)實(shí)驗(yàn)研究[J]. 遙感技術(shù)與應(yīng)用， 2014， 29（2）.

[15] 梁守真，陳勁松，吳炳方，陳工.應(yīng)用面向?qū)ο蟮臎Q策樹(shù)模型提取橡膠林信息[J].遙感學(xué)報(bào)，2015，19（03）：485-494.

[16] 王懷警， 譚炳香， 房秀鳳， et al. C5.0決策樹(shù)Hyperion影像森林類(lèi)型精細(xì)分類(lèi)方法[J]. 浙江農(nóng)林大學(xué)學(xué)報(bào)， 2018（4）.

[17] 魯楠，王新杰，汪錦，傅峰.依據(jù)季相特征GF-2影像的植被分類(lèi)[J].東北林業(yè)大學(xué)學(xué)報(bào)，2019，47（03）：62-67.

[18] 于泉洲， 王紹強(qiáng)， 黃昆，等. 基于Hyperion高光譜數(shù)據(jù)的溫帶森林不同冠層結(jié)構(gòu)的光譜特征分析[J]. 光譜學(xué)與光譜分析， 2015， 35（7）：001980-1985.

[19]田靜， 邢艷秋， 姚松濤，等. 基于元胞自動(dòng)機(jī)和BP神經(jīng)網(wǎng)絡(luò)算法的Landsat-TM遙感影像森林類(lèi)型分類(lèi)比較[J]. 林業(yè)科學(xué)， 2017， 53（2）：26-34.

[20]張智超， 范文義， 孫舒婷. 基于多種分類(lèi)器組合的森林類(lèi)型信息提取技術(shù)研究[J]. 森林工程， 2015， 31（3）：75-80.

[21]魏云敏. 利用遙感影像估測(cè)塔河地區(qū)森林可燃物載量的研究[D]. 東北林業(yè)大學(xué)， 2007.

[22] 陳琛，李濤.淺談楊樹(shù)速生豐產(chǎn)林營(yíng)造技術(shù)要點(diǎn)[J].農(nóng)民致富之友，2015（17）：99-99.

[23]黑龍江省孟家崗林場(chǎng)人工紅松枝條分布數(shù)量的研究[D]. 東北林業(yè)大學(xué)， 2016.

[24] 劉兆軍.“高分一號(hào)”遙感相機(jī)填補(bǔ)國(guó)內(nèi)高分辨對(duì)地觀測(cè)空白[J].航天返回與遙感， 2013（2）.

[25]王利民， 劉佳， 楊福剛，等. 基于GF-1衛(wèi)星遙感的冬小麥面積早期識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（11）：194-201.

[26]Wang P， Zhang J， Lan Y， et al. Radiometric calibration of low altitude multispectral remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（19）：199-206.

[27]Danaher T， Wu X， Campbell N. Bi-directional reflectance distribution function approaches to radiometric calibration of Landsat TM imagery[C]// IEEE International Geoscience & Remote Sensing Symposium. 2001.

[28] 馬東輝， 柯長(zhǎng)青. 南京冬季典型植被光譜特征分析[J]. 遙感技術(shù)與應(yīng)用， 2016， 31（4）：702-708.

[29] 賈玉秋， 李冰， 程永政， et al. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2015， 31（9）：173-179.

[30]Siqueira F R D， Schwartz W R， Pedrini H. Multi-scale gray level co-occurrence matrices for texture description[J]. Neurocomputing， 2013， 120（10）：336-345.

[31]楊德坤， 侯德文， 步亞?wèn)|. 灰度共生矩陣在紋理特征提取中的發(fā)展[J]. 信息系統(tǒng)工程， 2012（1）：136-136.

[32]Metzler V， Palm C， Lehmann T， et al. Texture classification of gray-level images by multiscale cross co-occurrence matrices[C]// International Conference on Pattern Recognition. 2007.

[33] Dabboor M， Howell S， Shokr M， et al. The Jeffries–Matusita distance for the case of complex Wishart distribution as a separability criterion for fully polarimetric SAR data[J]. International Journal of Remote Sensing， 2014， 35（19）：6859-6873.

[34] Zhang C S， Hui L I. Estimation of sub-pixel NDVI time series based on down-scaling technique[J]. Science of Surveying & Mapping， 2013， 8002（1）：44.

[35] Liu D， Yang F， Wei H， et al. Vegetation Classification Method Based on C5.0 Decision Tree of Multiple Classifiers[J]. Journal of Graphics， 2017.

[36]Meng W， Gao K， Wang L， et al. A Novel Hyperspectral Classification Method Based on C5.0 Decision Tree of Multiple Combined Classifiers[C]// Fourth International Conference on Computational & Information Sciences. 2012.

[37]Meng W， Gao K， Wang L， et al. A Novel Hyperspectral Classification Method Based on C5.0 Decision Tree of Multiple Combined Classifiers[C]// Fourth International Conference on Computational & Information Sciences. 2012.

[38]Gao K， Liu Y. A hyperspectral classification method based on experimental model of vegetation parameters and C5.0 decision tree of multiple combined classifiers[C]// International Conference on Optical Instruments & Technology. 2015.

[39]Defries R S， Chan J C W. Multiple criteria for evaluating machine learning algorithms for land cover classification from satellite data.[J]. Remote Sensing of Environment， 2000， 74（3）：503-515.

[40] Hong-Chao Q I， Yuan Q I， Zhen X U. The Study of the Northwest Arid Zone Land-Cover Classification Based on C5.0 Decision Tree Algorithm at Wuwei City，Gansu Province[J]. Remote Sensing Technology & Application， 2009.

[41] 劉丹， 楊風(fēng)暴， 衛(wèi)紅，等. 基于多分類(lèi)器的C5.0決策樹(shù)植被分類(lèi)方法[J]. 圖形學(xué)報(bào)， 2017， 38（05）：96-102.