陳媛媛 雷鳴 王澤遠(yuǎn) 楊舒潔

摘 要：為研究光學(xué)遙感和微波遙感數(shù)據(jù)在城市森林信息提取中的互補(bǔ)性，該文采用Sentinel-1A雷達(dá)影像與Sentinel-2A光學(xué)影像，基于面向?qū)ο鬀Q策樹的方法和不同的特征組合策略（①Sentinel-2A的7個(gè)可見光波段;②Sentinel-2A的7個(gè)可見光波段加入5、6、7紅邊波段;③方案2中10個(gè)波段加入Sentinel-1A的VV、VH后向散射系數(shù);④方案3中所有波段加上紋理特征、植被指數(shù)等共34個(gè)波段）對(duì)浙江省麗水市蓮都區(qū)進(jìn)行土地利用分類和比較。結(jié)果發(fā)現(xiàn)，Sentinel-2A的紅邊波段引入后森林的用戶精度提高了15.32%，雷達(dá)后向散射信息使總體精度提高4.55%，但對(duì)森林的提取并無影響;當(dāng)融合紅邊指數(shù)、后向散射、紋理特征和植被指數(shù)進(jìn)行分類時(shí)，研究區(qū)域總體分類精度與單個(gè)地類的分類精度均有明顯提高，總體精度達(dá)到90.06%，Kappa系數(shù)達(dá)到0.820 7。文中實(shí)驗(yàn)證明了融合Sentinel-1A與Sentinel-2A多源數(shù)據(jù)對(duì)森林覆蓋度高的區(qū)域進(jìn)行分類和信息提取是較為可靠的思路。

關(guān)鍵詞：城市森林;Sentinel-1A;Sentinel-2A;多源數(shù)據(jù);特征組合

中圖分類號(hào)：S771.8??? 文獻(xiàn)標(biāo)識(shí)碼：A?? 文章編號(hào)：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(tài)環(huán)境建設(shè)中具有重要地位，具有改善城市居住環(huán)境、調(diào)節(jié)城市溫度和濕度等作用，因此加強(qiáng)對(duì)城市森林的監(jiān)測(cè)對(duì)于相關(guān)部門管理與保護(hù)城市生態(tài)環(huán)境具有重大意義。目前，森林資源調(diào)查與監(jiān)測(cè)主要依賴多光譜數(shù)據(jù)，并從森林分布的水平結(jié)構(gòu)進(jìn)行研究。光學(xué)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(qū)別森林類型。但光學(xué)遙感穿透力較弱，無法進(jìn)行全天候監(jiān)測(cè)，且圖像存在“同物異譜”和“同譜異物”現(xiàn)象，導(dǎo)致部分地類信息無法準(zhǔn)確提取。合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）可全天候、全天時(shí)成像，且穿透力較強(qiáng)，影像質(zhì)量較高，有效數(shù)據(jù)較多。因此，綜合多光譜遙感與合成孔徑雷達(dá)是解決城市森林信息準(zhǔn)確提取的有效途徑。

分類方法的選擇對(duì)于森林植被信息提取十分關(guān)鍵。遙感圖像分類方法大體上可分為人工目視解譯和計(jì)算機(jī)解譯2類。早期傳統(tǒng)的目視解譯方法精度較高，但費(fèi)時(shí)費(fèi)力，很難在大范圍的森林制圖中推廣應(yīng)用。隨著計(jì)算機(jī)技術(shù)的發(fā)展，目前計(jì)算機(jī)解譯已經(jīng)取代大部分人工解譯的工作。遙感圖像計(jì)算機(jī)分類方法根據(jù)劃分標(biāo)準(zhǔn)不同而不同：根據(jù)分類過程中是否需要訓(xùn)練樣本，可分為監(jiān)督分類和非監(jiān)督分類;根據(jù)分類最小單元的不同，可分為基于像元的分類和基于對(duì)象的分類;根據(jù)是否要求數(shù)據(jù)服從正態(tài)分布，可分為參數(shù)化分類和非參數(shù)化分類。隨著人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)方法逐漸被用于遙感圖像分類領(lǐng)域。決策樹算法是一種經(jīng)典的機(jī)器學(xué)習(xí)算法，近些年經(jīng)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(qū)為研究區(qū)域，以Sentinel-1A和Sentinel-2A數(shù)據(jù)為數(shù)據(jù)源，設(shè)置4種不同的特征組合策略，基于面向?qū)ο蟮臎Q策樹方法進(jìn)行分類和精度評(píng)價(jià)，從而分析Sentinel-2A的紅邊波段、雷達(dá)后向散射、紋理特征和植被指數(shù)等在城市土地利用類型提取中的影響，探究多源數(shù)據(jù)融合較單一數(shù)據(jù)源在城市信息提取中的優(yōu)勢(shì)。

1 研究區(qū)域與數(shù)據(jù)

麗水市位于長(zhǎng)江三角洲浙閩隆起區(qū)域，屬于武夷山脈，是浙江省西南部陸地面積最大的地級(jí)市，地理坐標(biāo)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(yù)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(qū)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(fēng)氣候特征。2種氣候的疊加為麗水市創(chuàng)造了優(yōu)越的氣候環(huán)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(yù)為中國(guó)的氣候養(yǎng)生之鄉(xiāng)。本文以浙江省麗水市蓮都區(qū)為典型研究區(qū)域，探討集成多源遙感數(shù)據(jù)的森林信息提取。

本文實(shí)驗(yàn)采用的合成孔徑雷達(dá)數(shù)據(jù)為歐空局網(wǎng)站下載的C波段IW模式Sentinel-1A數(shù)據(jù)。采用的光學(xué)數(shù)據(jù)為Sentinel-2A影像，該影像包含13個(gè)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(shù)據(jù)在紅邊范圍內(nèi)包含3個(gè)波段，因此對(duì)植被監(jiān)測(cè)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(wǎng)站免費(fèi)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(shù)據(jù)源。本文選取2020年8月浙江省麗水市蓮都區(qū)Sentinel-1A和Sentinel-2A遙感影像各一景，并重投影到CGCS 2000坐標(biāo)系下。Sentinel-1A有VV和VH 2種極化方式，數(shù)據(jù)格式為GRD格式，首先對(duì)Sentinel-1A進(jìn)行多視處理、空間濾波、輻射定標(biāo)、地理編碼和重采樣等預(yù)處理操作，數(shù)據(jù)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(duì)Sentinel-2A數(shù)據(jù)進(jìn)行輻射定標(biāo)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(shí)驗(yàn)用到重采樣后的2、3、4、8、8a、11、12波段以及3個(gè)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?qū)ο蠓指詈蜎Q策樹分類3部分，技術(shù)路線如圖2所示，在對(duì)圖像做過預(yù)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(gè)可見光波段（2、3、4、8、8a、11和12波段）;方案2：方案1中7個(gè)波段加入3個(gè)5、6、7紅邊波段;方案3：方案2中10個(gè)波段加入Sentinel-1A的VV、VH后向散射系數(shù);方案4：方案3中所有波段加上紋理特征、植被指數(shù)等共34個(gè)波段，并采用面向?qū)ο蠖喑叨确指罘椒▽?duì)不同組合圖像進(jìn)行分割，然后基于CART決策樹算法進(jìn)行分類和精度評(píng)價(jià)。

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(duì)象內(nèi)部的特征，需要基于對(duì)象尺度進(jìn)行計(jì)算。紋理特征通常通過一些特征指標(biāo)來描述，紋理提取有灰度共生矩陣、灰度差分統(tǒng)計(jì)和局部灰度統(tǒng)計(jì)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(jì)算出的方差、對(duì)比度、熵、角二階距和相關(guān)度這5個(gè)特征來表征紋理，見表1，其中，Pi，j表示對(duì)灰度分別為i和j （i， j=0， 1，2 3，…， N）的像素對(duì)同時(shí)出現(xiàn)的頻率，即灰度共生矩陣，進(jìn)行歸一化處理的結(jié)果。

本文分別對(duì)Sentinel-1A影像和Sentinel-2A影像提取紋理特征。對(duì)于Sentinel-1A數(shù)據(jù)，分別提取VV和VH圖像的5個(gè)紋理特征值;對(duì)于Sentinel-2A圖像，先對(duì)4個(gè)10 m空間分辨率的波段（2、3、4和8波段）進(jìn)行主成分分析，選擇前2個(gè)主成分波段來計(jì)算紋理，也可得到10個(gè)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(shù)特征

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

NDVI=B8-B4B8+B4? 。 （1）

式中：B8為Sentinel-2A數(shù)據(jù)的近紅外波段;B4為Sentinel-2A數(shù)據(jù)的紅波段。

歸一化植被指數(shù)可以區(qū)分出植被與非植被區(qū)域，因此被廣泛用于植被信息的提取中。

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

S2REP=705+35×（0.5B7+B4-B5）/（B6-B5）。

（2）

2.2 面向?qū)ο蠓指?/p>

面向?qū)ο蠓指钜砸粋€(gè)個(gè)獨(dú)立的對(duì)象，即同質(zhì)性像元的集合作為基本處理單元。對(duì)象比單個(gè)像元含有更加豐富的信息，能在更多維數(shù)組特征下表征其類別屬性，并通過特征計(jì)算及組合達(dá)到信息提取的目的。且在面向?qū)ο蟮姆指钸^程中，可綜合考慮均質(zhì)區(qū)域的光譜、紋理和幾何形狀等信息，得到與真實(shí)地物邊界更加接近的分割多邊形。后續(xù)的分類在分割得到的均質(zhì)多邊形的基礎(chǔ)上進(jìn)行，因此分類速度更快，分類結(jié)果與真實(shí)地表更加接近。

影像分割是面向?qū)ο蠓诸惖那疤?，也是分類中最重要的步驟，將對(duì)分類結(jié)果產(chǎn)生至關(guān)重要的影響。本文選用面向?qū)ο蠖喑叨确指畹姆椒ㄟM(jìn)行影像分割。面向?qū)ο蠖喑叨确指畈捎玫氖且环N自下而上的區(qū)域合并算法。首先基于像元按異質(zhì)性最小的原則合并成較小的對(duì)象;然后再根據(jù)小對(duì)象間的異質(zhì)性合并成較大的對(duì)象;最后在給定的分割尺度下，達(dá)到設(shè)置的最小異質(zhì)性時(shí)即完成分割。因此，多尺度分割是一種逐級(jí)合并的過程。分割結(jié)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(huì)導(dǎo)致很多細(xì)節(jié)信息丟失。而在面向?qū)ο蠓指钪?，分割尺度、顏色因子、形狀因子、光滑度和緊致度等參數(shù)共同決定分割的效果。本文通過多次實(shí)驗(yàn)，結(jié)合目視解譯的方法來確定最佳的參數(shù)設(shè)置，最終確定本次實(shí)驗(yàn)所采用的參數(shù)為：最佳分割尺度為24，形狀因子設(shè)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(gè)空間分辨率為10 m的波段上進(jìn)行，即將2、3、4、8的波段權(quán)重設(shè)為1，其余波段設(shè)為0。

2.3 決策樹分類及精度評(píng)估

用決策樹方法進(jìn)行分類的本質(zhì)是從訓(xùn)練數(shù)據(jù)集中歸納出一組能對(duì)訓(xùn)練樣本進(jìn)行正確分類的規(guī)則。在選擇決策樹時(shí)，應(yīng)選擇與訓(xùn)練樣本矛盾小、泛化能力強(qiáng)的決策樹;而且選擇的條件概率模型應(yīng)該不僅對(duì)訓(xùn)練樣本有很好的擬合，還對(duì)未知數(shù)據(jù)有很好的預(yù)測(cè)。

CART決策樹的基本原理是通過對(duì)訓(xùn)練樣本集的循環(huán)分析形成二叉樹。CART決策樹算法在分支結(jié)點(diǎn)上進(jìn)行布爾運(yùn)算，判斷條件為真，則在節(jié)點(diǎn)的左分支，否則在右分支，通過運(yùn)算最后得到二叉決策樹。當(dāng)決策樹的層數(shù)達(dá)到預(yù)先設(shè)置的最大值，或所有葉結(jié)點(diǎn)中的樣本屬于同一個(gè)類別或樣本數(shù)為1時(shí)，CART決策樹算法建樹停止生長(zhǎng)，完成分類器的訓(xùn)練。CART決策樹選擇使子節(jié)點(diǎn)的GINI指數(shù)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(guī)則的客觀性，隨機(jī)生成若干個(gè)矢量樣本點(diǎn)，分別對(duì)其進(jìn)行類別賦值，再將矢量數(shù)據(jù)轉(zhuǎn)換為樣本，用于決策樹分類。本文結(jié)合高分辨率Google Earth影像和實(shí)地調(diào)研資料在Arcgis中隨機(jī)生成1 500個(gè)隨機(jī)樣本點(diǎn)，其中987個(gè)作為訓(xùn)練樣本，余下的為驗(yàn)證樣本。為了減少監(jiān)督分類中樣本對(duì)分類結(jié)果的影響，本實(shí)驗(yàn)中選取同一組訓(xùn)練樣本對(duì)不同的特征組合進(jìn)行分類，并利用同一組驗(yàn)證樣本計(jì)算每個(gè)分類結(jié)果中的總體精度（OA）、用戶精度（UA）、生產(chǎn)者精度（PA）和 Kappa 系數(shù)，從而對(duì)分類結(jié)果進(jìn)行定量評(píng)價(jià)。

3 結(jié)果與分析

通過計(jì)算不同方案分類結(jié)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(shù)分別為0.722 6、0.754 3、0.799 1和0.820 7。由此可見，當(dāng)逐漸增加特征參與分類時(shí)，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(shù)最高，表明當(dāng)融合Sentinel-1A雷達(dá)影像與Sentinel-2A多光譜影像，且加入紋理、紅邊指數(shù)和植被指數(shù)時(shí)可顯著提高研究區(qū)域地物的分類精度。由表2還可看出，在本實(shí)驗(yàn)的4種方案中，水體的分類精度相對(duì)于其他地類都是最高的，這也與實(shí)際情況較吻合，水體在整個(gè)光譜范圍內(nèi)都呈現(xiàn)出較弱的反射率，因此相對(duì)于其他地物更易于區(qū)分，這一點(diǎn)從4種方案的分類結(jié)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(jìn)行分類得到的結(jié)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?yàn)椴糠纸ㄖ徒煌ㄓ玫卦谝曈X上較為相似，在光譜圖像上也會(huì)存在“同譜異物”和“同物異譜”的現(xiàn)象，因此僅僅利用光譜信息很難將二者有效區(qū)分。加入了紅邊波段之后（方案2），總體精度提高4.4%，Kappa系數(shù)提高0.037 1，建筑和交通用地分類效果稍有改善，建筑區(qū)的生產(chǎn)者和用戶精度分別提高了2.5%和0.51%，交通用地的生產(chǎn)者精度和用戶精度分別提高了0.14%和1.84%，但在密集區(qū)錯(cuò)分現(xiàn)象依然明顯，說明紅邊波段的加入對(duì)于光譜相似的地物區(qū)分效果不明顯。對(duì)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(duì)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(qū)域的整體分類精度。

方案3加入了VV和VH 2個(gè)后向散射系數(shù)，其他變量保持一致，可以看出加入雷達(dá)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(shù)提高0.044 8。對(duì)于交通用地和建筑分類精度明顯提高，建筑的生產(chǎn)者精度和用戶精度分別提高了16.4%和6.13%，可以看出雷達(dá)波段對(duì)于建筑和交通用地的提取有明顯促進(jìn)作用，這與實(shí)際情況較為符合，因?yàn)榻ㄖ锱c地面之間構(gòu)成的二面角具有較強(qiáng)的后向散射回波信號(hào)，在雷達(dá)圖像上呈現(xiàn)高亮色調(diào)，易于區(qū)分。但通過觀察林地分類結(jié)果并無明顯變化，生產(chǎn)者精度和用戶精度也無明顯波動(dòng)，說明雷達(dá)后向散射系數(shù)的引入對(duì)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(shí)雷達(dá)波段有利于植被覆蓋度較大區(qū)域地物類型的區(qū)分。

方案4中加入了紋理特征和2個(gè)植被指數(shù)，其余變量保持一致，從分類結(jié)果可知，建筑用地與交通用地的混淆現(xiàn)象大大降低，兩者的用戶精度和生產(chǎn)者精度均有大幅提高，建筑用地用戶精度提高到89.25%，生產(chǎn)者精度提高到91.16%，對(duì)于交通用地，2個(gè)指標(biāo)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(chǎn)者精度和用戶精度分別提高4.11%和8.01%，這與植被指數(shù)與紅邊指數(shù)的引入有關(guān)，進(jìn)一步表明歸一化植被指數(shù)和Sentinel-2A的紅邊指數(shù)對(duì)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(shí)驗(yàn)方案中最高的，總體達(dá)到90.06%，Kappa系數(shù)達(dá)到0.820 7。結(jié)果表明將Sentinel-1A數(shù)據(jù)和Sentinel-2A數(shù)據(jù)集成，結(jié)合提取的植被指數(shù)、紋理特征與雷達(dá)后向散射特征和Sentinel-2A紅邊信息用于植被高覆蓋區(qū)域的分類中可以大大提高分類效果。

4 結(jié)論

本文利用Sentinel-1A與Sentinel-2A數(shù)據(jù)，并融合紋理特性、植被指數(shù)等多源特征，基于面向?qū)ο鬀Q策樹分類的方法，進(jìn)行浙江省麗水市土地利用類型的提取，通過實(shí)驗(yàn)對(duì)比可得到結(jié)論如下。

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

（2）光學(xué)影像數(shù)據(jù)與雷達(dá)影像數(shù)據(jù)特征融合，雖然對(duì)城市林地的分類提取沒有明顯改善，但相對(duì)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(qū)域的總體精度。

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

本文通過不同數(shù)據(jù)方案組合，證實(shí)了集成雷達(dá)數(shù)據(jù)與多光譜數(shù)據(jù)在城市土地利用類型分類上的優(yōu)勢(shì)，為高植被覆蓋度區(qū)域的信息提取提供了一定的參考。

【參 考 文 獻(xiàn)】

陶吉興，季碧勇.浙江森林資源一體化監(jiān)測(cè)理論與實(shí)踐.北京：中國(guó)林業(yè)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(shí)相Landsat-8的森林生態(tài)系統(tǒng)樹種精細(xì)分類.測(cè)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(shí)別方法研究.西安：西安科技大學(xué)，2013.

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

王長(zhǎng)青，李貝貝，朱瑞飛，等.哨兵一號(hào)協(xié)同吉林一號(hào)影像的樹種識(shí)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(fā)展現(xiàn)狀與未來展望.遙感學(xué)報(bào)，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(jiān)督分類與非監(jiān)督分類的比較.河南大學(xué)學(xué)報(bào)（自然科學(xué)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?qū)ο蠛鸵?guī)則的遙感影像分類研究.武漢大學(xué)學(xué)報(bào)·信息科學(xué)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(jìn)展與對(duì)策.林業(yè)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(jī)器學(xué)習(xí)分類問題及算法研究綜述.統(tǒng)計(jì)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(hào)洞庭湖區(qū)濕地分類方法.測(cè)繪通報(bào)，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(shù)據(jù)的杉木林地上生物量估算. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)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?qū)ο罅謪^(qū)遙感影像分類比較.應(yīng)用生態(tài)學(xué)報(bào)，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(yōu)化的林區(qū)道路圖像檢測(cè)方法.林業(yè)機(jī)械與木工設(shè)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(qū)劃自動(dòng)識(shí)別技術(shù).自動(dòng)化技術(shù)與應(yīng)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(yōu)尺度選取方法綜述.測(cè)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(shù)方法的黑河地區(qū)森林地上生物量估算及時(shí)空格局.林業(yè)科技情報(bào)，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(shù)據(jù)的森林蓄積量估測(cè).西部林業(yè)科學(xué)，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(xué)剛，陳文曲，魏晶昱，等.分割尺度對(duì)面向?qū)ο髽浞N分類的影響及評(píng)價(jià).林業(yè)科學(xué)，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(xué)剛，竹亮，劉怡彤，等.高空間分辨率影像與SAR數(shù)據(jù)協(xié)同特征面向?qū)ο罅址诸愋妥R(shí)別.林業(yè)科學(xué)，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.