摘 要：機載高光譜數(shù)據(jù)能夠反映樹種光譜特征，可以對森林樹種進行精確分類。應用不同機器學習分類算法對無人機高光譜影像進行樹種分類研究。首先利用無人機完成黑龍江省帽兒山實驗林場研究區(qū)的高光譜數(shù)據(jù)采集，對獲取數(shù)據(jù)進行一系列預處理；然后分別利用基于高斯核的支持向量機、隨機森林、K-近鄰3種不同機器學習分類算法建立基于全波段高光譜數(shù)據(jù)的樹種分類模型，并基于不同波段選擇方法（連續(xù)投影算法、競爭性自適應重加權法以及無信息變量消除法）對全波段高光譜數(shù)據(jù)降維后再進行樹種分類模型構建；最后聯(lián)合不同波段選擇方法與高光譜圖像紋理特征構建樹種分類模型，并對不同處理方法結果進行比較。研究表明，對于全波段高光譜數(shù)據(jù)的樹種分類模型中，基于高斯核的支持向量機分類準確率最高（87.55%）。不同波段選擇后，隨機森林穩(wěn)定性是3種分類算法中最好的，準確率較高，而基于高斯核的支持向量機分類準確率隨著特征維度的增加而提升?；诨叶裙采仃囂崛〖y理特征后結合波段選擇建立的樹種分類模型準確率高于單一的波段選擇建立的模型，尤其是K-近鄰分類算法的提升最大，說明具有明顯劃分的特征進行其建?？蛇_到較好分類效果。該研究利用不同特征選擇方式結合3種不同的機器學習分類算法實現(xiàn)了基于高光譜數(shù)據(jù)的優(yōu)勢樹種分類，為波段選擇方式與機器學習算法結合提供了技術參考，也對基于無人機高光譜數(shù)據(jù)的森林生物量反演和碳儲量估測研究具有重要意義。

關鍵詞：無人機； 高光譜； 特征提?。?機器學習； 樹種分類

中圖分類號：S771.8 文獻標識碼：A DOI：10.7525/j.issn.1006-8023.2024.04.011

Tree Species Classification in UAV Hyperspectral Images Based on Different Machine Learning Algorithms

LIU Kangkang， ZHONG Hao， LIN Wenshu*

（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract： Airborne hyperspectral data can reflect the spectral characteristics of tree species， which can be used for precise classification of forest tree species. This study applies dKL/uu+zd/LCa6YoSD7amSW74unUIOXi9+OvLN/1qxWk=ifferent machine-learning classification algorithms to classify tree species in hyperspectral images of unmanned aerial vehicles （UAV）. Firstly， a UAV was used to collect hyperspectral data from the Maor Mountain Experimental Forest Farm in Heilongjiang Province， and a series of preprocessing was completed for the obtained data. Then， three different machine learning classification algorithms， namely， support vector machine （SVM） based on Gaussian kernel， random forest （RF）， and K-nearest neighbor （KNN）， were used to establish the tree species classification models， respectively， based on the full-band hyperspectral data. Meanwhile， tree species classification models were constructed based on the dimension-reduced full-band hyperspectral data using different band selection methods （successive projections algorithm， competitive adaptive reweighted sampling method and uninformative variable elimination method）. Finally， the tree species classification model was constructed by combining different band selection methods and hyperspectral image texture features， and the results of different processing methods were compared. Research shows， the kernel SVM had the highest classification accuracy （87.55%） among the tree species classification models with full-band hyperspectral data. After selecting different bands， the stability of RF is the best among the three classification algorithms， and the accuracy rate was high， while the classification accuracy of the support vector machine based on the Gaussian kernel improved with the increase of feature dimension. The accuracy of the tree species classification model established by extracting texture features based on a grayscale co-occurrence matrix combined with band selection was higher than that of the model established by a single band selection. In particular， the K-nearest neighbor classification algorithm has the greatest improvement， which indicated that modeling with clearly partitioned features can achieve good classification results. This study used different feature selection methods combined with three different machine learning classification algorithms to achieve dominant tree species classification based on hyperspectral data， which provides technical reference for the combination of band selection methods and machine learning algorithms， and it is also of great significance for forest biomass retrieval and carbon storage estimation based on UAV hyperspectral data.

Keywords： UAV； hyperspectral image； feature extraction； machine learning； tree species classification

0 引言

精確的樹種分類，對于森林資源監(jiān)測、生物多樣性評價和生物量反演等研究有重要意義。目前，傳統(tǒng)的樹種調(diào)查方式通常需要設置樣地進行人工調(diào)查，存在作業(yè)工作強度大、成本高以及周期長等問題［1］。而利用遙感技術采集森林資源信息具有速度快、效率高、時間成本低和可反映地表作物動態(tài)變化等特點，因此基于遙感技術可實現(xiàn)森林樹種的快速和準確的分類。

高光譜遙感（Hyperspectral remote sensing）作為一種被動遙感技術，具有光譜分辨率高、對地物細微差別分辨能力強等優(yōu)點，已經(jīng)應用于樹種分類與樹種多樣性研究［2］。在對高光譜數(shù)據(jù)進行處理并實現(xiàn)樹種識別的研究中，機器學習算法一直占有重要地位。Koukal等［3］通過對研究區(qū)不同角度拍攝獲取無人機高光譜森林影像數(shù)據(jù)，并利用隨機森林算法進行樹種分類，分類精度為92%。Dalponte等［4］利用支持向量機、隨機森林和最大似然法等算法對歐洲北部針葉林樹種進行精細分類，結果顯示支持向量機的樹種分類效果最佳，Kappa系數(shù)為0.8。趙慶展等［5］利用三北防護林研究區(qū)內(nèi)無人機高光譜數(shù)據(jù)提取特征后，分別采用最大似然法、支持向量機和隨機森林進行防護林優(yōu)勢樹種分類，精度都達到88%以上。Ballanti等［6］基于獲取的復雜林分條件下機載高光譜數(shù)據(jù)，利用最小噪聲分離變換進行降維，對保留下的27個波段數(shù)據(jù)分別利用支持向量機和隨機森林算法進行樹種分類，總體準確率都高于90%。樊雪等［7］獲取湖北省荊門市東寶區(qū)的研究區(qū)無人機高光譜數(shù)據(jù)進行降噪降維提取特征等處理之后，利用支持向量機完成優(yōu)勢樹種分類，分類精度到80.7%。苗宇宏等［8］對青島某研究區(qū)無人機高光譜數(shù)據(jù)進行數(shù)據(jù)降維并提取特征后，利用支持向量機進行植被分類，分類準確率達96%以上。Zhong等［9］對無人機高光譜數(shù)據(jù)進行分割并獲取單木信息，經(jīng)過特征提取后采用支持向量機完成了研究區(qū)主要優(yōu)勢樹種類型的識別。陸嘉輝［10］研究發(fā)現(xiàn)，利用機器學習算法基于光譜和紋理信息進行樹種分類，分類精度高于單一信息的機器學習建模分類精度。Liu等［11］獲取廣東省丹霞山附近研究區(qū)的無人機高光譜數(shù)據(jù)，結合光譜特征和紋理特征，并基于支持向量機對樹種進行分類，達到較好效果。

目前，在利用高光譜數(shù)據(jù)結合機器學習算法進行樹種分類的研究中，部分研究者是經(jīng)過數(shù)據(jù)預處理之后直接對全波段進行樹種分類，分類數(shù)據(jù)信息量大，繁雜且多冗余，易造成“數(shù)據(jù)災難”；由于不同的機器學習算法對樹種分類的精度也不同，需要對不同機器學習算法的分類效果進行系統(tǒng)研究，從而找到最優(yōu)的分類算法。另外，僅通過對高光譜數(shù)據(jù)降維后利用不同波段信息進行樹種分類，沒有結合其他的有效信息，如紋理特征等，可能導致分類精度不高。為解決上述問題，本研究基于無人機獲取的高光譜影像數(shù)據(jù)分別利用連續(xù)投影法（Successive Projections Algorithm，SPA）、競爭性自適應重加權法（Competitive Adaptive Reweighted Sampling，CARS）以及無信息變量去除法（Uninformative Variables Elimination，UVE）進行數(shù)據(jù)降維，并對全波段和降維后的數(shù)據(jù)采用隨機森林（Random Forests，RF）、支持向量機（Support Vector Machines，SVM）與K-近鄰（K-Nearest Neighbor，KNN）3種不同的機器學習算法進行樹種分類，最后加入主成分分析（Principal Component Analysis，PCA）變換降維后基于光譜特征變換的紋理特征提取方式提取紋理特征，再次進行樹種分類，從而探究高光譜數(shù)據(jù)降維處理、不同機器學習算法以及紋理特征加入對復雜林分下樹種分類的影響，為無人機高光譜遙感數(shù)據(jù)在森林資源調(diào)查中的應用提供參考。

1 數(shù)據(jù)與方法

1.1 研究區(qū)與數(shù)據(jù)源

1.1.1 研究區(qū)

研究區(qū)位于黑龍江省哈爾濱市帽兒山地區(qū)，具體位置如圖1所示，年平均氣溫為3.0 ℃，年平均降水量為723.8 mm［12］。研究區(qū)內(nèi)覆蓋天然混交林和人工林，樹種以落葉松（Larix gmelinii）、胡桃楸（Juglans mandshurica）、紫椴（Tilia amurensis）、蒙古櫟（Quercus mongolica）和榆樹（Ulmus pumila）等為主。在該研究區(qū)選擇樹種長勢較好且分布相對均勻的樣地，樣地面積東西長50 m，南北長70 m。

1.1.2 數(shù)據(jù)獲取

2021年8月，在天氣晴朗的情況下，運用大疆無人機M300RTK搭載高光譜成像傳感器Pika L在研究區(qū)上空進行數(shù)據(jù)采集，無人機飛行的高度和速度分別為100 m和4.5 m/s［9］。獲取的高光譜數(shù)據(jù)具體參數(shù)見表1。

2021年9月，進行實地數(shù)據(jù)調(diào)查。根據(jù)調(diào)查結果，利用ArcGIS 10.7軟件結合目視解譯方法獲取高光譜數(shù)據(jù)中詳細樹種數(shù)據(jù)分布，利用ENVI 5.3軟件對高光譜數(shù)據(jù)進行裁剪，選取150 像素×200像素的數(shù)據(jù)進行試驗。試驗樣地的優(yōu)勢樹種類型見表2。

1.2 研究方法

本研究首先對原始無人機高光譜影像數(shù)據(jù)進行預處理，之后使用3種方法對預處理后高光譜影像進行壓縮降維并提取紋理特征，借助3種機器學習算法對原始數(shù)據(jù)、處理后數(shù)據(jù)以及其不同處理方法組合等進行樹種識別，并進行結果分析和算法對比。具體的研究技術路線圖如圖2所示。

1.2.1 數(shù)據(jù)預處理

對于獲取的高光譜數(shù)據(jù)利用ENVI 5.3軟件進行拼接、輻射定標、幾何校正和大氣校正等預處理之后，并根據(jù)低通濾波算法進行降噪。

1.2.2 波段選擇與紋理特征提取

由于高光譜數(shù)據(jù)量龐大且數(shù)據(jù)之間有明顯的共線性，不僅出現(xiàn)大量冗余信息，而且嚴重影響模型的運算效率［13］，因此本研究采用3種波段選擇方法（SPA、CARS、UVE）對高光譜數(shù)據(jù)進行波段選擇，并利用機器學習算法完成樹種分類精度對比，從而得到最優(yōu)的波段選擇方法。

1）SPA通過前向搜索法［14］搜索出光譜波段集合中共線性最小、信息冗余量最低的最優(yōu)變量子集。SPA方法通過預先設置所選擇的變量數(shù)范圍為2～50，最后選擇的變量數(shù)在預設范圍內(nèi)的均方根誤差為最?。?5］。

2）CARS是一種基于回歸系數(shù)為變量重要性評價指標的變量選擇算法。CARS通過自適應重加權采樣技術并結合指數(shù)衰減函數(shù)選出偏最小二乘回歸（Partial Least Squares Regression，PLSR）系數(shù)絕對值大的變量點，利用交叉驗證選出N個PLSR子集模型中交叉驗證均方根誤差最小的子集作為 最優(yōu)變量子集［15-16］。本研究中，CARS運算交叉 驗證對折次數(shù)設置為20，蒙特卡羅采樣次數(shù)為50，每次運行程序選擇的訓練集和測試集樣本比例為4∶1。

3）UVE的建立基于偏最小二乘法（Partial Least Squares，PLS）。該算法目的是減少偏PLSR模型中包含的變量數(shù)，降低模型復雜性，改善PLSR模型 ［17］。UVE運算并利用PLSR建模過程中設置最佳因子為10，留一法次數(shù)為30 000。

高光譜影像不同樹種之間不僅存在光譜差異，其紋理特征也會不同，無人機高光譜影像擁有較高的空間分辨率，因此將紋理特征用于樹種間分類是有必要的。使用灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM）提取的紋理特征，能夠反映影像不同區(qū)域的粗糙程度［18］，因此本研究使用GLCM對高光譜影像進行紋理特征提取。

1.2.3 樹種分類模型建立與評價

采用RF算法、SVM算法以及KNN算法建立樹種分類模型。其中，RF是以Bagging為框架的基于CART決策樹的一種集成算法，具有一定的抗過擬合能力；SVM采用高斯核函數(shù)進行試驗，能夠有效避免樣本空間的維數(shù)災難；KNN是一種適用性較高的算法，通過測量不同特征值之間的距離來實現(xiàn)分類［19］。本研究通過圖像分類的方法，以整幅高光譜圖像為輸入量，通過對比3個模型分類效果，討論模型性能。

本研究的模型評價指標采用分類準確率［15］，計算如式（1）所示。

A_cc=（T_P+T_N）/（T_P+T_N+F_P+F_N ）×100%。 （1）

式中：A_cc為準確率；T_P為正確識別為正樣本像素點的數(shù)量；T_N為正確識別為負樣本像素點的數(shù)量；F_P為錯誤識別為正樣本像素點的數(shù)量；F_N為錯誤識別為負樣本像素點的數(shù)量。

本研究使用的數(shù)據(jù)處理平臺為ENVI 5.3、ArcGIS10.7、Matlab2014a、Python3.8等數(shù)據(jù)處理以及編程軟件。

2 結果與分析

2.1 波段選擇結果

2.1.1 SPA波段選擇結果

經(jīng)過SPA波段選擇之后共篩選出2個特征波段。圖3為利用SPA提取樹種高光譜數(shù)據(jù)全部特征波段的運算結果。對300個波段變量建立了偏最小二乘回歸提取波長后的多元線性回歸模型，由圖3（a）可以看出，隨著采樣次數(shù)增加，波段數(shù)由最初的300個，最終選擇波段個數(shù)為2個，此時的均方根誤差（Root mean squared error，RMSE）值最小，RMSE達到最小值1.208，此時的模型預測精度已達到最高，由圖3（b）可以看出，選出來的波段變量是第166和174波段。

2.1.2 CARS波段選擇結果

經(jīng)過CARS波段選擇后共篩選出48個特征波段。圖4為利用CARS提取樹種高光譜數(shù)據(jù)全部特征波段變量的運算結果。

由圖4可以看出，隨著蒙特卡羅迭代次數(shù)的增加，被選擇的波長數(shù)量不斷下降，當蒙特卡羅迭代次數(shù)為18時，交叉驗證均方差（Root mean square error of cross validation，RMSECV） 的值最小，此時自適應加權采樣選擇的特征波長建立的偏最小二乘回歸的預測效果最好，選擇出的48個波段變量為最優(yōu)變量組合。

2.1.3 UVE波段選擇結果

本研究中經(jīng)過UVE處理后保留了206個特征波段，如圖5所示。

圖5中橫坐標正中的300波段處的豎直線為變量分割線，分割線左右兩側(cè)分別為原始矩陣300個光譜變量和加入噪聲后矩陣的300個隨機變量的穩(wěn)定性（C）的分布曲線，2條水平線分別為UVE變量篩選出的上下閾值線。由圖5可以看出，94條閾值線以內(nèi)的無用信息變量被剔除，206條變量穩(wěn)定值C內(nèi)的閾值線以外的有用信息變量被保留下來進行分類試驗。

2.2 分類結果與精度

分別采用SPA、CARS和UVE算法對預處理 后的高光譜數(shù)據(jù)進行了波段選擇，對選擇后的 波段分別采用RF、SVM、KNN算法進行了樹種分類，樹種分類結果如圖6所示，相應的分類準確率見表3。

由圖6和表3可以看出，3種分類算法對于全波段和經(jīng)過3種波段選擇后的數(shù)據(jù)都可以實現(xiàn)分類，但分類準確率有所不同?；谌ǘ螖?shù)據(jù)，分類準確率從高到低分別為支持向量機、RF算法以及KNN算法，除了KNN算法，其他2種算法的分類準確率都在80%以上；當利用SPA、CARS以及UVE波段選擇后，波段保留數(shù)依次為2、48、206。使用RF、SVM和KNN算法的分類準確率平均值分別為79.05%、78.81%以及54.73%?；谌ǘ蔚臋C器學習分類運行時間最長，除了UVE的波段選擇，基于SPA和CARS進行波段選擇后的樹種分類準確率有一定程度的下降，但是運行效率相對來說比較高，尤其是KNN算法的運行時間最快。基于機器學習算法對降維后的高光譜數(shù)據(jù)進行樹種分類的精度高于全波段，這與藏卓［20］研究結果一致。

對全波段數(shù)據(jù)進行PCA變換之后，選取前3個PCA變換分量進行GLCM紋理特征提取，共提取到24個紋理特征，當加入GLCM紋理特征之后，結合不同的降維方法和機器學習算法對研究區(qū)的樹種分類結果如圖7所示，相應的分類準確率見表4。

由圖7與表4可以看出，與單一波段信息相比，紋理特征的加入能夠不同程度地提高樹種分類準確率，這與江萍［21］的研究結果是一致的。雖然運行時間也隨之增加，但小于基于全波段的機器學習分類的運行時間。本研究利用基于光譜特征變換的遙感影像紋理特征提取，采用PCA降低數(shù)據(jù)維度，有效地保留了紋理特征的關鍵信息，同時適當?shù)馗纳屏诉\行效率［22］。紋理特征的提取主要是基于GLCM得到，GLCM可以提供影像像元間排列、方向等變化信息，通過對紋理信息的統(tǒng)計，可獲取一系列描述影像紋理的特征［2］。本研究利用局部平穩(wěn)、對比度、非相似性、熵、均值、變化量、能量以及相關等8個方面的紋理特征來分析各樹種間紋理特征差異，并通過光譜與紋理特征的組合數(shù)據(jù)，使其在特征空間達到各樹種間的可分性最大，進而提高分類精度［23-24］?？傊?，紋理特征的加入提高了數(shù)據(jù)特征的顯著性，使得數(shù)據(jù)特征劃分具有明顯的特征分類，分類準確率顯著提高。

3 討論與結論

3.1 討論

本研究分別采用CARS、SPA、UVE方法對高光譜數(shù)據(jù)進行波段選擇實現(xiàn)數(shù)據(jù)降維，并基于SVM、RF、KNN 3種機器學習算法進行樹種分類，最后加入基于GLCM提取到的紋理特征提升樹種分類精度。研究結果可以為基于高光譜數(shù)據(jù)的樹種分類研究中波段選擇方式和分類算法選擇提供一定的技術參考，促進無人機高光譜數(shù)據(jù)在森林資源調(diào)查中廣泛應用。

通過采用SPA、CARS以及UVE 3種波段選擇方法實現(xiàn)了高光譜數(shù)據(jù)的降維。SPA方法通過在向量空間投影捕獲最小共線性變量子集［25］，選擇了2個最優(yōu)波段信息，極大減少了數(shù)據(jù)量，提高了運算效率，但是由于原始數(shù)據(jù)的大量減少，一些有用信息也可能被去掉，導致總體分類精度較低；CARS是基于蒙特卡羅采樣和偏小二乘回歸模型中回歸系數(shù)的一種特征波段選擇方法［15］，優(yōu)選出了48個波段信息，基于機器學習算法進行樹種分類的CARS波段選擇總體高于SPA波段選擇方法，但低于UVE波段選擇方法；UVE方法在光譜矩陣中加入隨機產(chǎn)生的噪聲矩陣，波段變化對結果影響較?。?6］，在本研究中選擇波段數(shù)最多（206個波段），基于機器學習算法對UVE波段選擇后的數(shù)據(jù)進行樹種分類得到的準確率最高?？傮w來看，使用SPA、CARS與UVE方法降維后的數(shù)據(jù)能夠?qū)崿F(xiàn)對研究區(qū)優(yōu)勢樹種的分類，SPA、CARS 2種方法與全波段數(shù)據(jù)分類結果相比，波段經(jīng)篩選后樹種分類準確率出現(xiàn)不同程度的下降，準確率影響較大，但是運行效率非常高；而UVE方法降維后數(shù)據(jù)分類結果高于全波段數(shù)據(jù)，運行效率也較高。3種波段篩選方法的數(shù)據(jù)降維能力不同，數(shù)據(jù)降維能力由大到小依次為SPA、CARS、UVE。

通過對降維后的高光譜數(shù)據(jù)采用RF、SVM和KNN 3種機器學習算法進行樹種分類，發(fā)現(xiàn)RF算法的分類穩(wěn)定性較好，說明RF算法可以處理不同維度數(shù)據(jù)的分類計算；高斯核的SVM算法適合于特征數(shù)量較多情況下的數(shù)據(jù)分類，較少的特征數(shù)據(jù)分類效果相對較差；KNN算法對小樣本數(shù)據(jù)集分類實現(xiàn)較快，然而總體分類效果較低，上述研究結果與姜玉峰等［27］、于航等［28］、徐新良等［29］研究結果一致。因此，在高光譜數(shù)據(jù)特征維度較高的情況下適合用SVM算法進行數(shù)據(jù)分類，而要提高效果穩(wěn)定性則可以選擇使用RF算法，但是在滿足小樣本數(shù)據(jù)集運算效率的同時，數(shù)據(jù)特征具有明顯的區(qū)分情況下，KNN算法則可以用來進行高光譜數(shù)據(jù)優(yōu)勢樹種分類。

基于灰度共生矩陣提取紋理特征后結合波段選擇建立的樹種分類模型準確率高于單一的波段選擇建立的模型，運行效率也相對較高。李軍玲［30］對無人機高光譜數(shù)據(jù)進行波段選擇之后利用機器學習進行樹種分類，分類精度達到90%以上，之后利用基于光譜特征變換的遙感影像紋理特征提取方式提取紋理特征，結合波段選擇后數(shù)據(jù)進行機器學習樹種分類，分類精度可達96%。因此，紋理特征的加入有利于樹種分類精度的提高。同時隨著樣本數(shù)據(jù)特征的增加，基于高斯核的支持向量機分類算法優(yōu)勢明顯高于其他2種分類算法。

雖然本研究基于無人機高光譜數(shù)據(jù)實現(xiàn)了樹種的分類，但是本研究也存在一定的局限性，如研究區(qū)面積和樹種數(shù)量有限，在數(shù)據(jù)降維方法和機器學習算法的分類選擇上，需要進一步研究或采用新的分類算法。最后，可嘗試采用多源遙感數(shù)據(jù)來進行復雜林分條件下優(yōu)勢樹種的分類。

3.2 結論

本研究基于無人機高光譜影像數(shù)據(jù)對黑龍江省帽兒山實驗林場所選研究區(qū)主要優(yōu)勢樹種進行分類，對預處理后的高光譜數(shù)據(jù)分別利用CARS、SPA、UVE方法進行了有效的降維，極大地縮減了高光譜波段數(shù)量，減少了信息冗余量和數(shù)據(jù)繁雜度，提升了數(shù)據(jù)的運行效率；然后利用RF、SVM、KNN 3種不同機器學習算法對全波段數(shù)據(jù)和波段選擇之后數(shù)據(jù)進行樹種分類得出，機器學習算法能實現(xiàn)優(yōu)勢樹種的分類，但不同算法的分類精確性有一定的差異，需要結合具體的數(shù)據(jù)來選擇不同分類算法；最后將降維后數(shù)據(jù)結合基于GLCM提取的紋理特征再次進行數(shù)據(jù)分類，樹種的分類效果都得到了一定的提高，說明加入紋理特征后比單一波段特征進行樹種識別分類精度更高。

【參 考 文 獻】

［1］ 鐘浩，劉浩然，林文樹.激光雷達和高光譜遙感技術在樹種識別中的應用［J］.世界林業(yè)研究，2021，34（4）：41-45.

ZHONG H，LIU H R，LIN W S.Application of lidar and hyperspectral remote sensing technology to tree species identification［J］.World Forestry Research，2021，34（4）：41-45.

［2］ 吳倩.基于機載高光譜遙感數(shù)據(jù)的森林喬木樹種多樣性研究［D］.合肥：安徽農(nóng)業(yè)大學，2018.

WU Q.Research on vegetation diversity of forest Arbor species based on airborne hyperspectral remote sensing data［D］.Hefei：Anhui Agricultural University，2018

［3］ KOUKAL T，ATZBERGER C，SCHNEIDER W.Evaluation of semi-empirical BRDF models inverted against multi-angle data from a digital airborne frame camera for enhancing forest type classification［J］.Remote Sensing of Environment，2014（151）：27-43.

［4］ DALPONTE M，?RKA H O，GOBAKKEN T，et al.Tree species classification in boreal forests with hyperspectral data［J］.IEEE Transactions on Geoscience and Remote Sensing，2021，51（5）：2632-2645.

［5］ 趙慶展，江萍，王學文，等.基于無人機高光譜遙感影像的防護林樹種分類［J］.農(nóng)業(yè)機械學報，2021，52（11）：190-199.

ZHAO Q Z，JIANG P，WANG X W，et al.Classification of protection forest tree species based on UAV hyperspectral data［J］.Transactions of the Chinese Society for Agricultural Machinery，2021，52（11）：190-199.

［6］ BALLANTI L，BLESIUS L，HINES E，et al.Tree species classification using hyperspectral imagery：a comparison of two classifiers［J］.Remote Sensing，2016，8（6）：445.

［7］ 樊雪，劉清旺，譚炳香.基于機載PHI高光譜數(shù)據(jù)的森林優(yōu)勢樹種分類研究［J］.國土資源遙感，2017，29（2）：110-116.

FAN X，LIU Q W，TAN B X.Classification of forest species using airborne PHI hyperspectral data［J］.Remote Sensing for Land and Resources，2017，29（2）：110-116

［8］ 苗宇宏，楊敏，吳國俊.基于高光譜影像多維特征的植被精細分類［J］.大氣與環(huán)境光學學報，2020，15（2）：117-124.

MIAO Y H，YANG M，WU G J.Sophisticated vegetation classification based on multi-dimensional features of hyperspectral image［J］.Journal of Atmospheric and Environmental Optics，2020，15（2）：117-124.

［9］ ZHONG H，LIN W S，LIU H R，et al.Identification of tree species based on the fusion of UAV hyperspectral image and LiDAR data in a coniferous and broad-leaved mixed forest in Northeast China［J］.Frontier in Plant Science，2022，13：964769.

［10］ 陸嘉輝.基于林冠高光譜影像的樹種分類研究［D］.上海：華東師范大學，2020.

LU J H.Tree species classification based on canopy hyperspectral images［D］.Shanghai：East China Normal University，2020.

［11］ LIU C，AI M，CHEN Z，et al.Detection of Firmiana danxiaensis canopies by a customized imaging system mounted on an UAV platform［J］.Journal of Sensors，2018（9）：1-12

［12］ 陳瑩，董靈波，劉兆剛.帽兒山天然次生林主要林分類型最優(yōu)樹種組成［J］.北京林業(yè)大學學報，2019，41（5）：118-126.

CHEN Y，DONG L B，LIU Z G.Optimal tree species composition of main stand types in Maoershan natural secondary forest［J］.Journal of Beijing Forestry University，2019，41（5）：118-126.

［13］ 林海軍.塔里木河下游主要荒漠植物高光譜特征分析［D］.烏魯木齊：新疆農(nóng)業(yè)大學，2014.

LIN H J.Analysis of spectral features of main desert plants in the lower reaches of Tarim River［D］.Urumqi：Xinjiang Agricultural University，2014.

［14］ 劉明博，唐延林，李曉利，等.水稻葉片氮含量光譜監(jiān)測中使用連續(xù)投影算法的可行性 ［J］.紅外與工程，2014，43（4）：1265-1271.

LIU M B，TANG Y L，LI X L，et al.Feasibility of using successive projections algorithm in spectral monitoring of rice leaves nitrogen contents［J］.Infrared and Laser Engineering，2014，43（4）：1265-1271.

［15］ 胡逸磊，姜洪喆，周宏平，等.高光譜成像技術檢測油茶果成熟度［J］.食品科學，2022，43（16）：324-331.

HU Y L，JIANG H Z，ZHOU H P，et al.Maturity detection of Camellia oleifera by hyperspectral imaging［J］.Food Science，2022，43（16）：324-331.

［16］ 周宏平，胡逸磊，姜洪喆，等.基于高光譜成像的油茶籽含油率檢測方法研究［J］.農(nóng)業(yè)機械學報，2021，52（5）：308-315.

ZHOU H P，HU Y L，JIANG H Z，et al.Detection method of oil content of Camellia oleifera seed based on hyperspectral imaging［J］.Transactions of the Chinese Society for Agricultural Machinery，2021，52（5）：308-315.

［17］ 陳媛媛，王志斌，王召巴.基于無信息變量消除法與嶺極限學習機的新型變量選擇方法：以CO氣體濃度反演為例（英文）［J］.光譜學與光譜分析，2017，37（1）：299-305.

CHEN Y Y，WANG Z B，WANG Z B.Novel variable selection method based on uninformative variable elimination and ridge extreme learning machine：CO gas concentration retrieval trial［J］.Spectroscopy and Spectral Analysis，2017，37（1）：299-305.

［18］ 李麗.基于ELM的高光譜遙感影像土地利用覆蓋分類優(yōu)化方法研究［D］.成都：電子科技大學，2018.

LI L.Research on land use cover classification optimization methods for hyperspectral remote sensing image based on ELM［D］.Chengdu：University of Electronic Science and Technology of China，2018.

［19］ 孔嘉鑫.基于無人機遙感影像的亞熱帶常綠落葉闊葉混交林樹種分類與識別［D］.上海：華東師范大學，2020.

KONG J X.Object-based tree species classification and identification using Unmanned Aerial Vehicle remote sensing imageries in a subtropical evergreen deciduous broad-leaved mixed forest［D］.Shanghai：East China Normal University，2020.

［20］ 臧卓.南方主要喬木樹種高光譜數(shù)據(jù)降維組合分類算法研究［D］.長沙：中南大學，2015.

ZANG Z.Combination and comparison of dimensional reduction and classification algorithms for classifying main tree species of Southern China base on hyperspectral data［D］.Changsha：Central South University，2015.

［21］ 江萍.基于無人機高光譜影像的防護林樹種分類研究［D］.石河子：石河子大學，2022.

JIANG P.Research on tree species classification of shelterbelt based on UAV hyperspectral image［D］.Shihezi：Shihezi University，2022.

［22］ 劉友山，呂成文，祝鳳霞，等.基于PCA和多尺度紋理特征提取的高分辨率遙感影像分類［J］.遙感技術與應用，2012，27（5）：706-711.

LIU Y S，Lü C W，ZHU F X，et al.Extraction of high spatial resolution remote sensing image classification based on PCA and multi-scale texture feature［J］.Remote Sensing Technology and Application，2012，27（5）：706-711.

［23］ 袁晶賢.紅樹林優(yōu)勢種高光譜遙感識別方法研究——以廣東省典型區(qū)為例［D］.青島：中國石油大學（華東），2021.

YUAN J X.Study on hyperspectral remote sensing identification method of dominant mangrove species——taking a typical area in Guangdong Province as an example［D］.Qingdao：China University of Petroleum（East China），2021.

［24］ 崔林麗.遙感影像解譯特征的綜合分析與評價［D］.北京：中國科學院研究生院（遙感應用研究所），2005.

CUI L L.Integrative analysis and evaluation of the interpretation features in remote sensing image［D］.Beijing：Graduate School of Chinese Academy of Sciences（Institute of Remote Sensing Applications），2005.

［25］ 周竹，尹建新，周素茵，等.基于近紅外光譜與連續(xù)投影算法的針葉材表面節(jié)子缺陷識別［J］.激光與光電子學進展，2017，54（2）：311-319.

ZHOU Z，YIN J X，ZHOU S Y，et al.Knot defection on coniferous wood surface near infrared spectroscopy and successive projections algorithm［J］.Laser & Optoelectronics Progress，2017，54（2）：311-319.

［26］ 孫葳.基于高光譜成像技術的南瓜種子質(zhì)量快速無損檢測研究［D］.昆明：云南農(nóng)業(yè)大學，2022.

SUN W.Rapid nondestructive testing of Pumpkin seed quality based on hyperspectral imaging technology［D］.Kunming：Yunnan Agricultural University，2022.

［27］ 姜玉峰，齊建國，陳博偉，等.基于無人機高光譜影像和機器學習的紅樹林樹種精細分類［J］.遙感技術與應用，2021，36（6）：1416-1424.

JIANG Y F，QI J G，CHEN B W，et al.Classification of mangrove species with UAV hyperspectral imagery and machine learning methods［J］.Remote Sensing Technology and Application，2021，36（6）：1416-1424.

［28］ 于航，譚炳香，沈明潭，等.基于機器學習算法的機載高光譜圖像優(yōu)勢樹種識別［J］.自然資源遙感：1-10［2023-12-11］.

YU H，TAN B X，SHEN M T，et al.Research on identification of dominant tree species using airborne hyperspectral images based on machine learning algorithm［J］.Remote Sensing for Natural Resources：1-10［2023-12-11］.

［29］ 徐新良，曹明奎.森林生物量遙感估算與應用分析［J］.地球信息科學，2006（4）：122-128.

XU X L，CAO M K.An analysis of the applications of remote sensing method to the forest biomass estimation［J］.Geo-information Science，2006（4）：122-128.

［30］ 李軍玲.機載高光譜影像溫帶人工林樹種分類［D］.北京：中國林業(yè)科學研究院，2019.

LI J L.Species classification of temperate plantation using airborne hyperspectral images［D］.Beijing：Chinese Academy of Forestry，2019.