基于Sentinel-2A影像的森林類型提取研究

鄭振燦，陳文惠，2*，林莉平，劉育圳

（1.福建師范大學 地理科學學院，福建 福州 350007；2.濕潤亞熱帶山地生態(tài)國家重點實驗室培育基地，福建 福州 350007）

森林被譽為“地球之肺”能夠凈化空氣，同時也是天然的“綠色水庫”和“天然氧吧”，具有涵養(yǎng)水源、保持水土、調節(jié)氣候等生態(tài)功能，不僅是野生動植物的良好棲息地，還為人類提供大量的木材、藥材、松脂等林產品[1-2]。我國森林資源雖然豐富，但由于我國是人口大國，森林資源仍處于資源總量相對不足、質量不高、分布不均的狀況[3]。因此，及時、高效、準確地獲取森林資源現(xiàn)狀信息對促進森林相關產業(yè)的可持續(xù)性發(fā)展以及更加科學地管理森林資源具有重要意義。

我國獲取森林資源信息的傳統(tǒng)方式主要以地面調查為主。地面調查不僅需要消耗大量的人力、物力和財力，而且調查持續(xù)時間比較長，在這個過程中林地面積可能產生變化[4]；同時，有些樣地在深山老林、高寒地帶或者懸崖峭壁上，受地形地貌的影響，樣地可達性大打折扣，無法進行實地調查，會使最終的估測結果產生誤差。

遙感技術以其探測范圍廣、獲取信息速度快、周期短、手段多、且受地面條件限制少等技術優(yōu)勢，已被廣泛應用于林業(yè)、農業(yè)、水文、測繪、氣象等眾多領域[5]。中低分辨率遙感影像（如Landsat TMETM+OLI、MODIS）由于受空間分辨率和光譜分辨率的限制，整體分類精度和估測精度往往不盡如人意。高空間分辨率遙感影像能帶來強烈的視覺體驗，同時空間分辨率的提高也使不同森林類型異質性增強，表觀類型增多，引起“同物異譜”和“同譜異物”現(xiàn)象，給遙感影像分類帶來挑戰(zhàn)。Sentinel-2A 遙感影像具有較高的空間分辨率（最高為10 m）和較豐富的光譜分辨率（0.443～2.190 μm），使得地物的紋理特征和結構信息更加豐富，具有提高森林類型分類精度的潛力；數(shù)據(jù)處理簡單且免費使用，在土地覆蓋一類調查中已被廣泛應用，而用于森林類型精細分類方面的研究還比較少。

因此，本研究充分利用Sentinel-2A遙感影像豐富的光譜信息以及較高空間分辨率的產品優(yōu)勢，提取影像的光譜特征、指數(shù)特征和紋理特征，結合森林二類調查數(shù)據(jù)、野外調查數(shù)據(jù)和DEM數(shù)據(jù)等輔助數(shù)據(jù)，在對所選特征進行森林類型可分離性分析的基礎上，確定最佳的特征參與森林類型分類，利用支持向量機、決策樹、隨機森林以及組合分類器的分類方法，依次逐層提取研究區(qū)的地表覆蓋以及森林樹種信息，以期利用遙感影像的多元特征以及組合分類器的優(yōu)勢提高研究區(qū)森林類型提取精度，為Sentinel-2A遙感影像在森林類型信息提取方面的應用提供參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

本研究以福建省三明市尤溪縣為研究區(qū)，地理坐標處于25°50'N—26°26'N、117°48'E—118°40'E 之間，如圖1所示。尤溪縣東鄰閩清縣和永泰縣，南接德化縣，西連大田縣和沙縣，北毗鄰南平市。全縣總面積為3 463 km2，總人口為45余萬人，地貌以低山、丘陵和盆地為主，地勢東西高、中部低，平均海拔1 472 m，屬于亞熱帶季風性濕潤氣候，溫暖濕潤，四季分明，年平均氣溫19.2 ℃，年平均降水量1 650 mm，土壤以沙黃壤和沙紅壤為主。

圖1 研究區(qū)地理位置及其標準假彩色影像（黃色點為野外樣本點）Figure 1 The geographic location of the study area and its standard false colour image(the yellow dots are the sample points in the field)

尤溪縣森林資源豐富，林業(yè)用地面積達2 840.17 km2，占全縣國土面積的83.0%，森林覆蓋率達到76.94%。森林類型主要以針葉林和針闊混交林為主。物種資源豐富，林木生長旺盛，林相整齊[6]。

1.2 數(shù)據(jù)來源與處理

1.2.1 遙感影像數(shù)據(jù)

Sentinel-2A衛(wèi)星攜帶有一臺光譜成像儀（MSI），衛(wèi)星高度為786 km，覆蓋有13個波段，分別為空間分辨率為10 m的3個可見光波段和1個NIR波段、空間分辨率為20 m的4個Red-edge波段和2個SWIR波段以及空間分辨率為60 m的海岸、水汽和卷積云波段，主要用于陸地植被、土壤和水資源等方面的全球陸地觀測并且可用于緊急救援服務等。本研究選取天氣晴朗、無云、覆蓋研究區(qū)范圍的4景Sentinel-2A影像數(shù)據(jù)，影像獲取時間均為2018年4月19日。由于該數(shù)據(jù)為已經過正射校正和幾何精校正的大氣表觀反射率數(shù)據(jù)，因此采用Sen2cor軟件對其進行大氣校正，轉化為地表反射率數(shù)據(jù)，再將其空間分辨率為20 m的波段重采樣成空間分辨率為10 m，與可見光和NIR波段進行波段疊加，得到研究區(qū)10 m空間分辨率的10個波段的Sentinel-2A數(shù)據(jù)。

1.2.2 輔助數(shù)據(jù)

輔助數(shù)據(jù)主要有森林二類調查數(shù)據(jù)、DEM和Google Earth 0.5 m影像。森林二類調查數(shù)據(jù)來源于林業(yè)部門調查數(shù)據(jù)，野外樣本點大多沿道路分布。為使樣本點分布較為均勻，選取部分森林二類調查點作為訓練樣本和精度驗證樣本。Google Earth 0.5 m影像主要用于對野外調查和森林二類調查數(shù)據(jù)點的篩選提供高空間分辨率影像。DEM主要用于地形因子的提?。ㄈ缙露?、坡向等），其數(shù)據(jù)來源于中國科學院計算機網絡信息中心地理空間數(shù)據(jù)云平臺（http://www.gscloud.cn）。

2 影像分割與分類

2.1 影像分割

目前，面向對象分割算法大致可以分為三類：基于閾值分割算法、基于邊緣檢測分割算法和基于區(qū)域生長分割算法[7]。本研究采用eCognition 軟件提供的多尺度分割算法，該方法是一種自上而下的區(qū)域合并算法，屬于區(qū)域生長分割算法范疇。采取實驗法探索不同地物類型的最優(yōu)分割參數(shù)。

首先，通過控制變量法的原理，隨意選一個分割尺度為30，保持形狀因子不變，分析不同緊致度因子對不同地物樣本的分割效果，尋找最優(yōu)的緊致度因子。同理，依次按照該方法尋找最優(yōu)的形狀因子，最后保持形狀因子和緊致度因子不變，設置起始分割尺度為10，間隔為5，從下往上依次分割至分割尺度為100。不同分割尺度的分割結果如圖2所示，采用視覺檢驗法對分割效果進行評價。

從圖2中可以看出，當分割尺度為100時，大面積的林地雖被分割開來，但林地與其它地物類型不同程度地混合在一起，處于欠分割的狀態(tài)，對象內部的同質性和不同對象間的異質性均不能達到分類的要求；當分割尺度為50時，道路兩邊和城市區(qū)內的林地還存在欠分割現(xiàn)象，不能達到分類提取的需求；當分割尺度為30時，大面積的林地、道路兩邊的林地以及城區(qū)內部和水域附近的林地分割邊界比較清晰，對象內部同質性較好，為最佳的分割尺度；當分割尺度為10時，各個地物類型的邊界雖然很清晰，但是分割對象過于破碎化，處于過分割的狀態(tài)，導致相同地物類型對應的特征值不均一，不利于地物的提取。通過不同地物的對比分析，最終確定最佳分割參數(shù)形狀因子為0.2（光譜因子為0.8）、光滑度因子為0.5（緊致度因子為0.2），耕地、建設用地、水域等一級類分割尺度為30，杉木、馬尾松、竹林和其他林地分割尺度為35。

圖2 形狀因子為0.2，緊致度因子為0.5下不同尺度分割結果Figure 2 The segmentation results of different scales with shape index as 0.2 and compactness as 0.5

其次，探索分割特征組合對分割效果的影響。在面向對象分割方法中，不同分割波段組合具有不同的分割效果，主成分變換盡可能集中影像所有波段的優(yōu)勢，在減少數(shù)據(jù)冗余的同時增強影像分割所需的信息[8]。為研究主成分變換對影像多尺度分割效果的影響，本研究在最佳分割尺度參數(shù)的基礎上，對原始光譜波段加入主成分變換的前三個分量參與分割，分割結果如圖3所示。

圖3 不同方案分割結果對比Figure 3 Comparison of segmentation results of different schemes

從圖3中可以看出，相比于原始光譜波段，加入主成分前三個分量對于城市區(qū)域的小面積林地、林地邊界、裸土邊界以及小區(qū)域林地邊界有更好的分割結果，說明主成分變換的前三個分量的加入對于林地與其它地物類型有更好的分割結果，有利于本研究中林地的提取。最終得到最佳分割參數(shù)組合如表1所示。

表1 最佳分割參數(shù)組合Table 1 The best segmentation parameters

2.2 特征分析

2.2.1 光譜特征光譜特征是多光譜遙感影像進行樹種識別的最基本的特征之一?；赟entinel-2A影像上典型地類和主要森林類型的光譜特征，分析各地物類別在影像光譜上的差異和光譜區(qū)域的可分性。圖4（a）、（b）分別為Sentinel-2A影像上典型地類光譜曲線和主要森林類型光譜曲線。

由圖4（a）可見，Sentinel-2A影像上耕地和林地在Green波段（Band 2）和Red波段（Band 3）表現(xiàn)出明顯的植被光譜響應“峰谷”特征。然而由于時相的原因耕地和林地在各個波段上的光譜特征表現(xiàn)出一致性，特別是在前4個波段的光譜特征值比較接近，在后6個波段的值域范圍相差比較大，僅僅依賴影像光譜特征難以區(qū)分，需要加入其它的特征。而水體和建設用地與耕地和林地的光譜曲線的變化趨勢的差異比較明顯，水體在前3個波段與林地值域范圍比較接近，其它波段范圍的值域范圍相差比較大，建設用地在各個波段內值域范圍相差比較大。由圖4（b）可見，Sentinel-2A影像上馬尾松、杉木、竹林和其它林地表現(xiàn)出明顯的植被光譜響應“峰谷”特征。杉木林和馬尾松林都為針葉林，在Blue波段（Band 3）、Red波段（Band 3）、Red-edge 1波段（Band 4）以及SWIR 1波段（Band 9）和SWIR 2波段（Band 10）光譜響應幾乎完全重疊，在Red-edge 2波段（Band 5）、Red-edge 3波段（Band 6）、Red-edge 4波段（Band 8）以及NIR波段（Band 7）值域范圍有所差異，但并不能滿足森林類型精細化提取的要求，若能加入其它顯著特征（如植被指數(shù)、紋理及其它數(shù)據(jù)等）則有可能使得兩類完全分開；竹林在SWIR兩個波段（Band 9、Band 10）上具有明顯特征，可能是竹林本身的生物學特征使其隨著季節(jié)的變化而發(fā)生顯著的變化；其它林地在Red-edge 2波段（Band 5）、Red-edge 3波段（Band 6）、Red-edge 4波段（Band 8）以及NIR波段（Band 7）上值域范圍與杉木林、馬尾松林和竹林上有所差異。

圖4 不同地物類型光譜曲線Figure 4 Spectral curves of different features

圖5 反映以Sentinel-2A 影像外業(yè)調查獲取的馬尾松、杉木、竹林以及其它林地樣點在各個波段上的像素值分布。由圖5可知，不管在Sentinel-2A影像哪個波段上，杉木和馬尾松的特征值的混淆程度都比較高，單單依靠影像光譜特征很難將其完全區(qū)分開來；從圖5（b）、（d）、（e）、（f）、（g）、（h）中可以看出，在Green（Band 2）、Red-edge 1（Band 4）、Red-edge 2（Band 5）、Red-edge 3（Band 6）、NIR（Band 7）、Red-edge 4（Band 8）波段其它林地與竹林的特征值混淆比較嚴重，但與杉木、馬尾松的特征值具有一定的差異，雖存在不同程度的混淆，加入其它特征可使其完全區(qū)分開來；從圖5（i）和（j）中可以看出，在SWIR 1（Band 9）、SWIR 2（Band 10）兩個波段上竹林與馬尾松林、杉木林和其它林地特征值有顯著的差異；相比SWIR 1波段，SWIR 2波段中竹林更不易與其它林地的特征值混淆，更有利于竹林的提取。

此外，除了影像波段均值（Mean）外，還選取標準差（Standard Deviation）、亮度（Brightness）和貢獻率（Ratio）作為Sentinel-2A影像主要森林類型的光譜特征參與森林類型分類。

2.2.2 指數(shù)特征

結合植被指數(shù)和水體指數(shù)進行分類可在一定程度上改善影像分類精度[9]。本研究通過對常用的NDVI、RVI、DVI、MNDWI、LSWI、ARVI、SAVI、NDI45、MCARI、S2REP、IRECI、PSSRa、NDVIre1、NDVIre2、NDVIre2等15個指數(shù)在Sentinel-2A影像外業(yè)調查獲取的馬尾松、杉木、竹林以及其它林地樣點在各個指數(shù)上的像素值分布進行研究，經過反復測試，最終選取NDVI、RVI、DVI、LSWI、MNDWI 等5 個常用指數(shù)以及MCARI、NDI45、PSSRa等3個紅邊波段光譜指數(shù)作為有效特征參數(shù)參與森林類型分類。

圖6反映了MNDWI和LSWI指數(shù)在杉木、馬尾松、竹林和其它林地等森林類型在各個指數(shù)上的像素值分布。從圖6（a）、（b）中可以看出，指數(shù)特征的加入使得杉木、馬尾松、竹林和其它林地的特征值峰值出現(xiàn)差異，特別是LSWI指數(shù)使杉木、竹林和馬尾松的峰值差異比較明顯。從圖5（g）、（i）中可以看出，雖然杉木、馬尾松在這兩個波段各自的像元值分布并沒有明顯的區(qū)分性，但是在NIR波段中杉木像元值相比于馬尾松像元值大，而在SWIR 波段中正好相反，經過LSWI 指數(shù)計算后反而拉大了二者之間的像元值差距，因而使杉木、馬尾松的峰值差異比較明顯。但是單單依靠指數(shù)光譜特征很難將杉木、馬尾松、竹林和其它林地完全區(qū)分開來，還需加入其它有用的特征進行區(qū)分。相比影像波段光譜特征，波段之間的某種線性或者非線性的組合使得其杉木和馬尾松之間更具有區(qū)分性。

圖5 Sentinel-2A影像森林類型光譜值分布Figure 5 Spectral value distribution of forest types of Sentinel-2A image

圖6 森林類型指數(shù)特征值分布Figure 6 Index feature value distribution of forest types

2.2.3 紋理特征

紋理特征描述了圖像或者圖像區(qū)域所對應目標的表面性質，對于具有規(guī)則變化結果的地物的提取是一個非常重要的特征（如茶園、果園、人工培育的杉木林等）[10]。紋理特征可用灰度共生矩陣進行表達?；赟entinel-2A影像豐富的波段信息，通過對比不同紋理特征在影像樣本點紋理特征上的差異，經過反復測試，選取均值（Mean）、相異度（DIS）、同質性（HOM）、熵（ENT）、相關性（COR）、對比度（CON）等6個顯著的紋理特征參與影像分類，選取的窗口大小為9×9，選取的方向為135°。

圖7反映了利用Sentinel-2A影像NIR（Band 7）波段和SWIR 1（Band 9）波段分別提取的均值（Mean）和相異度（DIS）紋理特征在各地類樣本點的像素分布。由圖7可知，均值（Mean）紋理特征參量的引入有利于建設用地、水體、耕地和林地之間具有更好的區(qū)分性，而相異度（DIS）紋理特征的引入能夠使得建設用地與其它土地覆蓋類型具有明顯的差異。

圖7 地類紋理特征值分布Figure 7 Texture feature value distribution of land

利用Sentinel-2A影像Red-edge 1（Band 4）波段和SWIR 2（Band 10）波段提取的均值（Mean）以及NIR波段提取的同質性（HOM）、相異度（DIS）紋理特征在各森林類型樣本點的像素分布如圖8所示。圖8（a）表明Sentinel-2A 影像Red-edge 1（Band 4）波段所提取的均值（Mean）紋理特征的引入使得竹林、其它林地與杉木、馬尾松之間有較為明顯的可區(qū)分性，而杉木和馬尾松表現(xiàn)出相同的紋理特征值，難以區(qū)分。圖8（b）表明，Sentinel-2A影像SWIR 2（Band 10）波段所提取的均值（Mean）紋理特征與光譜特征一樣，也在提取竹林中表現(xiàn)出明顯的可區(qū)分性，驗證了短波紅外波段是提取竹林的有利波段。圖8（c）、（d）表明，Sentinel-2A影像NIR（Band 7）波段提取的同質性（HOM）、相異度（DIS）紋理特征在其它林地與杉木、馬尾松和竹林之間有明顯的可區(qū)分性。

圖8 森林類型紋理特征值分布Figure 8 Texture feature value distribution of forest types

2.2.4 地形因子

地形因子特征主要包括坡度和高程。在山地地區(qū)，由于坡度、坡向和高程的原因造成影像傳感器太陽入射角不同，使得傳感器所獲取的太陽輻射能量有很大的差別[11]。研究區(qū)高程差異比較大，優(yōu)勢樹種的生物光學特性、群落分布與地形因子的相關性比較強。同時，通過查閱相關文獻資料和實地野外調查發(fā)現(xiàn)，研究區(qū)的耕地大多數(shù)分布于道路兩邊以及坡度比較小的區(qū)域，坡度是提取耕地中比較有用的特征之一[12]。因此，本研究利用獲取的DEM數(shù)據(jù)計算坡度數(shù)據(jù)，將計算得到的坡度數(shù)據(jù)作為研究區(qū)地物類型提取的有效輔助特征，以期進一步提高森林類型分類精度。

2.3 分類策略

通過查閱相關研究區(qū)森林類型文獻資料，參考《國家森林資源連續(xù)清查技術規(guī)定》[13]中土地類型劃分標準、植被類型劃分標準和《森林資源規(guī)劃設計調查主要技術規(guī)定》[14]中林地分類系統(tǒng)，結合研究區(qū)森林植被特點及Sentinel-2A影像森林類型區(qū)分能力，建立研究區(qū)森林類型分類系統(tǒng)，如表2所示。

表2 研究區(qū)森林類型分類系統(tǒng)Table 2 Classification system of forest types of study area

鑒于研究區(qū)植被覆蓋狀況和Sentinel-2A影像特點，在充分分析Sentinel-2A影像所提取特征的森林類型可分離性以及特征組合對影像分割與分類的效果基礎上，本研究總體上采取層次化信息提取的策略，由易到難逐層提取各類型信息，使層與層之間的誤差以及不確定性降到最低，確保每層信息類型的分類精度，整體層次化分類技術流程圖如圖9所示。

圖9 分類流程圖Figure 9 Flow chart of classification

首先，對建設用地、水體、耕地等3類進行信息提取。對Sentinel-2A影像采用建設用地、水體和耕地3類地物的最佳分割參數(shù)進行影像分割，利用歸一化植被指數(shù)NDVI＜0.56提取非林地的建設用地和水體，結合研究區(qū)實際狀況和野外調查結果，通過設定坡度Slope＜10°提取耕地，避免耕地與森林類型發(fā)生混淆，將其與建設用地和水體合并作為Layer 1。在分析地物類型光譜特征可分離性的基礎上，選取的窗口大小為9×9，選取的方向為135°，引入對建設用地具有很好區(qū)分性的Mean、DIS、HOM、ENT、COR、CON 紋理特征。針對1ayer1影像上三種地物類別采用在小樣本中具有獨特優(yōu)勢的支持向量機（SVM）分類方法[15]。

其次，對杉木、馬尾松、竹林以及其它林地4類森林類型進行信息提取。對Sentinel-2A影像上非Layer 1區(qū)域進行合并，將其作為Layer 2，采用杉木、馬尾松、竹林和其它林地的最佳分割參數(shù)進行影像分割。引入Mean、DIS、HOM、ENT、COR、CON 等紋理特征，NDVI、RVI、DVI、LSWI、MNDWI、MCARI、NDI45、PSSRa 等指數(shù)特征以及坡度地形因子特征，采用決策樹和隨機森林分類器分別進行森林類型分類。組合分類器能夠實現(xiàn)各個分類器優(yōu)勢互補，具有取得比單個分類器算法更好的、精度更高的分類結果的可能[16，17]。采用改進的基于先驗知識的投票法組合分類，即在進行分類之前，利用精度評價的混淆矩陣中的用戶精度和制圖精度的平均值作為投票的加權值，使用多數(shù)投票法對不同分類器的輸出結果進行組合決策并輸出分類結果。采用計算混淆矩陣的方法計算分類結果的生產者精度（Producer's Accuracy）、用戶精度（User's Accuracy）、總體精度（Overall Accuracy）以及Kappa系數(shù)對分類結果進行精度評價[18]。

2.4 結果分析

利用上述面向對象的分層次森林類型分類方法得到研究區(qū)的森林類型分布。利用上述森林類型驗證點對分別采用決策樹、隨機森林和組合分類器得到的森林類型分類結果進行精度驗證，得到研究區(qū)森林類型精度的混淆矩陣，如表3 所示。從表3 中可以看出，組合分類器具有最高的分類精度，總體分類精度達79.80%，Kappa 系數(shù)達0.725；其次是隨機森林，總體分類精度達77.67%，Kappa 系數(shù)達0.696；決策樹分類器分類精度最低，總體分類精度為76.48%，Kappa系數(shù)為0.678。對于決策樹分類模型來說，造成總體分類精度較低的原因主要是杉木和其它林地的錯分，由于決策樹模型較為簡單，而杉木和馬尾松都屬于針葉林樹種，其像元值和特征都比較接近，所以難以區(qū)分；而其它林地與杉木類型的錯分也比較多，其它林地類型種類多且復雜，與杉木林影像特征較為接近，容易錯分。雖然同樣的錯分現(xiàn)象也出現(xiàn)在隨機森林和組合分類模型中，但是相比于決策樹分類模型，隨機森林模型比較復雜，在馬尾松和竹林的分類精度有所提高，但是在杉木和其它林地的分類精度有所降低；組合分類器總體分類精度最高，其中杉木、馬尾松、竹林的生產精度分別達到79.60%、73.86%、96.00%，用戶精度分別達到80.67%、76.47%、88.07%，充分發(fā)揮了決策樹和隨機森林二者的優(yōu)勢，取長補短，總體分類精度分別提高了3.32%和2.13%。

表3 森林類型分類結果精度驗證Table 3 Accuracy validation of forest types classification results

3 結論

本研究以Sentinel-2A影像為主要數(shù)據(jù)源，結合森林二類調查數(shù)據(jù)、野外調查數(shù)據(jù)和DEM 等輔助數(shù)據(jù)，探索基于面向對象的Sentinel-2A影像森林類型層次化提取方法。結果表明，運用多尺度分割算法建立分層多尺度的不同地類分割參數(shù)，逐層次提取地物類型有利于避免非林地地物類型對于森林類型信息提取的干擾，提高分類精度。主成分變換前三個分量的加入有利于提高地類的分割效果和森林類型的分類精度。通過建立分層多尺度提取規(guī)則，采用決策樹和隨機森林算法對研究區(qū)主要森林類型進行提取，總體分類精度分別為76.48%和77.67%，Kappa系數(shù)分別為0.678和0.696?；诜诸惥然煜仃囍械纳a精度和用戶精度平均值進行決策樹和隨機森林兩種分類器的決策級投票融合，組合分類器的總體分類精度達79.80%，Kappa系數(shù)為0.725。相比于單一的決策樹或隨機森林分類器，組合分類器總體分類精度分別提高了3.32%和2.13%。

本研究通過對Sentinel-2A影像多元特征進行綜合分析，探索符合Sentinel-2A影像特點和內在規(guī)律的森林類型信息提取方法，取得了較好的研究成果，對于Sentinel-2A影像在森林資源調查中的應用具有一定參考價值。但本研究也存在一些不足，以下兩方面還有待進一步研究。

（1）分類精度的提高。本研究針對研究區(qū)杉木、馬尾松和竹林的特點，采用分層提取的策略，其中竹林的生產精度和用戶精度比較高，能滿足林業(yè)應用的需求，但是杉木和馬尾松存在一定的混淆，分類精度比較低，不能滿足森林類型精細化提取的要求。因此，在今后的研究中可通過引進杉木和馬尾松具有較高區(qū)分度的數(shù)據(jù)或者對不同數(shù)據(jù)源進行融合對其進行森林類型信息提取，同時對該提取方法是否具有遷移性進行研究。

（2）森林類型信息提取的進一步精細化。本研究旨在對研究區(qū)的杉木、馬尾松和竹林進行信息提取，對于其它林地并未能進行更加精細化的劃分，還達不到當今精細化的林業(yè)應用需求，在今后的研究中可適當對闊葉林樹種或者經濟林樹種進行劃分，做到更加精細化的分類。