基于Sentinel-2A 數(shù)據(jù)的森林覆蓋變化研究

楊振興 ，文 哲 ，張 貴 ，周 璀 ，盧海燕

（1. 中南林業(yè)科技大學(xué) 林學(xué)院，湖南 長沙 410004；2. 湖南壺瓶山國家級自然保護(hù)區(qū)管理局，湖南 常德 415300；3. 湖南應(yīng)用技術(shù)學(xué)院 農(nóng)林科技學(xué)院，湖南 常德 415000）

森林不僅為人類提供豐富的資源，同時作為生態(tài)環(huán)境的重要組成部分，對世界的發(fā)展意義重大[1]。隨著人類活動和社會發(fā)展，森林資源大幅減少，快速準(zhǔn)確地獲取森林覆蓋變化信息十分重要。對比耗時費力的傳統(tǒng)人工調(diào)查方法，遙感技術(shù)因快速、高效、范圍廣的優(yōu)勢在森林覆蓋變化監(jiān)測領(lǐng)域越來越被人們所重視[2-3]。

目前已經(jīng)有不少學(xué)者運用遙感技術(shù)對地物分類和森林覆蓋變化進(jìn)行了研究。李世波等[4]利用PCA 算法對高光譜數(shù)據(jù)進(jìn)行降維后，運用不同分類方法對東洞庭湖濕地植被進(jìn)行分類識別。謝敏等[5]利用高分一號和資源三號衛(wèi)星影像作為研究數(shù)據(jù)源，對陜西省鎮(zhèn)巴縣進(jìn)行林地資源動態(tài)變化研究。李和順等[6]、代玉麗[7]采用NDVI 差值法對森林覆蓋變化進(jìn)行監(jiān)測。Derose 等[8]、張連華等[9]采用對遙感影像構(gòu)建擾動指數(shù)的方法來監(jiān)測森林變化。韓婷婷等[10]、劉丹等[11]采用決策樹分類的方法進(jìn)行森林地物分類識別。這些研究都取得了較好的結(jié)果，充分體現(xiàn)了遙感技術(shù)在地物分類和森林覆蓋變化監(jiān)測方面的優(yōu)勢。但在某些地形復(fù)雜的區(qū)域，僅依靠光譜特征進(jìn)行地物分類無法達(dá)到滿意的效果，需要結(jié)合地物的紋理特征來提高分類精度[12-13]。岳俊等[14]利用不同分辨率的GF-1 影像，采用光譜與紋理特征結(jié)合的方法對果樹進(jìn)行分類，精度較高。邵曉敏等[15]、郝劍南等[16]通過對遙感影像的紋理特征提取地物信息，結(jié)合光譜特征進(jìn)行地物分類，結(jié)果證明光譜特征和紋理特征結(jié)合能有效提高遙感影像分類精度。目前針對Sentinel 數(shù)據(jù)，不少學(xué)者開展了研究，郭文婷等[17]、何云等[18]利用Sentinel-2 數(shù)據(jù)分別采用時序多特征和隨機(jī)森林的方法對植被和森林土地覆蓋進(jìn)行了分類研究，取得了較好的成果。Sentinel-2A 影像數(shù)據(jù)因同時具有較高分辨率和豐富的波段信息，并且衛(wèi)星重訪周期較短，對提取地物的紋理信息有較大的幫助[19]。

本研究以沅江市為研究區(qū)域，以Sentinel-2A影像作為數(shù)據(jù)源，結(jié)合實地調(diào)查數(shù)據(jù)選取地物樣本，通過對各地物的光譜指數(shù)特征和紋理特征進(jìn)行分析，建立決策樹模型進(jìn)行地物分類。通過對比沅江市兩個時期的森林覆蓋區(qū)域，對森林覆蓋變化進(jìn)行研究。

1 材料與方法

1.1 研究區(qū)概況

沅江市位于湖南省東北部，地處洞庭湖流域，坐 標(biāo) 為 112°14′ ～ 112°56′E，28°42′ ～ 29°11′N，總面積達(dá)2 177 km2，東臨岳陽市，西連漢壽縣，南與益陽市相接，北與大通湖區(qū)相望。沅江市地勢西高東低，北部為開闊的平原，東南部為南洞庭水域，東北部多為濕地沼澤區(qū)。沅江市屬亞熱帶濕潤季風(fēng)氣候，降水豐富，光照充足。沅江市作為生態(tài)旅游城市，森林植被主要以喬木林、灌木林、竹林為主，濕地中多為蘆葦。沅江市地理位置如圖1 所示。

1.2 研究數(shù)據(jù)概述

歐空局在2014 年推出哥白尼地球環(huán)境監(jiān)測項目，項目中的核心部分便是哨兵（Sentinel）系列衛(wèi) 星。Sentinel-2 包 含 Sentinel-2A 和 Sentinel-2B 2 顆衛(wèi)星，Sentinel-2A 在 2015 年 6 月發(fā)射并使用。Sentinel-2A 光學(xué)衛(wèi)星的地面重訪周期為10 d，安裝的多光譜成像儀有13 個通道，包含空間分辨率為10 m 的波段4 個、空間分辨率為20 m 的波段6 個和空間分辨率為60 m 的波段3 個。選取沅江市2016—2017 年的兩景Sentinel-2A 影像，產(chǎn)品等級為L1C 級，成像時間分別為2016 年8 月1 日和2017 年 5 月 18 日。

1.3 研究方法

以Sentinel-2A 遙感影像為研究數(shù)據(jù)源，通過實地調(diào)查和歷史統(tǒng)計數(shù)據(jù)結(jié)合選取地物樣本點，根據(jù)不同地物的光譜指數(shù)特征和紋理特征構(gòu)建決策樹并進(jìn)行地物分類，提取不同時期森林覆蓋區(qū)域，分析森林覆蓋變化情況。

圖1 沅江市地理位置Fig. 1 Geographic map of Yuanjiang city

1.3.1 光譜指數(shù)

在遙感應(yīng)用領(lǐng)域，光譜指數(shù)越來越多地運用于分析和提取地物信息。根據(jù)不同地物的光譜特性，將遙感影像的不同波段分別進(jìn)行組合計算，形成不同的光譜指數(shù)。光譜指數(shù)能對地物信息進(jìn)行精確、有效的度量，在土地利用、植被分類、生物量監(jiān)測和環(huán)境變化監(jiān)測等方面有著重要意義[20]。

利用不同地物自身具有特殊光譜指數(shù)特征作為地物分類的重要依據(jù)，是當(dāng)前地物分類的主要手段[21]。歸一化差分植被指數(shù)（NDVI）較為準(zhǔn)確地表示出植被的覆蓋情況和生長狀態(tài)，同時也能反映出水體、建筑和裸土等地表覆蓋物，是地物分類中應(yīng)用最為廣泛的光譜指數(shù)[22]。歸一化差分水體指數(shù)（NDWI）能有效提取影像中的水體信息，準(zhǔn)確區(qū)分水體與其他地物，提升分類精度，是水體研究的重要指數(shù)[23]。在沅江市地物較為復(fù)雜的區(qū)域，歸一化差分植被指數(shù)無法精確地反映建筑特征，結(jié)合歸一化建筑指數(shù)（NDBI）進(jìn)行分析，可準(zhǔn)確提取建筑信息。光譜反射曲線表示了地物在不同波段下的反射率，根據(jù)不同地物的反射率差異，能有效區(qū)分地物類型，因此，將地物光譜反射曲線結(jié)合NDVI、NDWI 和NDBI 指數(shù)進(jìn)行研究，能進(jìn)一步提升地物分類的準(zhǔn)確度。

1）NDVI

NDVI（Normalized difference vegetation index）歸一化差分植被指數(shù)，廣泛應(yīng)用于植被生長、分類識別和覆蓋度的監(jiān)測。NDVI 用于監(jiān)測植被和區(qū)分其他地物時，-1 ≤NDVI ≤1，負(fù)值表示地表為云、水、雪等；0 表示地表為裸土，NIR 和R近似相等；正值則表示地表有植被，并且植被覆蓋度越大，NDVI 值越大。NDVI 公式如下：

式（1）中，NIR 為近紅外波段，R為紅波段。

2）NDWI

NDWI（Normalized diあerence water index）歸一化差分水體指數(shù)，表示為綠波段與近紅外波段的歸一化比值指數(shù)，與NDVI 相比，它能更好地監(jiān)測水體信息，有利于對旱情的監(jiān)測。NDWI 公式如下：

式（2）中，G為綠波段。

3）NDBI

NDBI（Normalized building index）歸一化建筑指數(shù)，NDBI 指數(shù)相比于NDVI 指數(shù)能夠更好地監(jiān)測建筑區(qū)域的特征，與NDVI 相結(jié)合，能有更佳的監(jiān)測效果。NDBI 公式如下：

式（3）中，SWIR 為短波紅外波段。

4）光譜反射曲線

地物的光譜反射曲線反映了地物反射率的變化。不同地物的光譜反射曲線各不相同，在某些波段下的反射率更是相差較大，因此，分析不同地物的光譜反射曲線可以得到對應(yīng)地物的識別規(guī)律。因此各地物在不同波段下的反射率有明顯差異，從而能以此進(jìn)行地物分類識別。

1.3.2 紋理特征

紋理特征是對物體表面的全局反映，它能充分展示物體的圖像信息，因此，它在分類識別、圖像分割等方面有重要意義。紋理特征與光譜信息不同，它需要在特定范圍內(nèi)對像元點進(jìn)行計算，分析其不同的特性，來反映地物的空間差異。隨著遙感影像分辨率和影像質(zhì)量的提升，紋理特征逐漸成為遙感影像地物分類的重要依據(jù)。

紋理將遙感影像的信息進(jìn)行量化，不同的紋理反映了遙感影像不同的特征信息，也表現(xiàn)了各地物間的差異[24]。本研究選用常用的ENVI 中基于二階概率統(tǒng)計（Co-occurrence measures）工具，它是基于二階矩陣的8 個參數(shù)紋理進(jìn)行特征分析，分別是均值（Mean）、同質(zhì)性（Homogeneity）、相異性（Dissimilarity）、方差（Variance）、二階矩（Second moment）、相關(guān)性（Correlation）、對比度（Contrast）和信息熵（Entropy）。其中，均值可表示影像的亮度，方差代表了影像的周期，信息熵則表示影像信息量和紋理的復(fù)雜程度，對比度表示影像中紋理的深淺程度和清晰度。不同影像中各紋理特征對地物分類的影響不同，所以在利用紋理探究各地物分類規(guī)則之前，還需利用累計差指標(biāo)進(jìn)一步分析各紋理在地物分類中的區(qū)分度，篩選適合本影像的紋理去研究。

1.3.3 決策樹分類模型

決策樹是一種二叉樹結(jié)構(gòu)的分類器，分為根節(jié)點和子節(jié)點，根節(jié)點中存放規(guī)則表達(dá)式，對像元進(jìn)行計算，子節(jié)點中存放計算得到的結(jié)果，通過不斷對像元進(jìn)行特定規(guī)則的計算，最終在子節(jié)點上得到像元的分類結(jié)果。決策樹分類不僅具有分類速度快的優(yōu)點，而且能充分利用有效信息，讓地物分類結(jié)果更加精確、科學(xué)?；趯＜抑R的決策樹是在遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)的基礎(chǔ)上，結(jié)合專家經(jīng)驗進(jìn)行分析總結(jié)，從而獲取分類規(guī)則并以此進(jìn)行遙感分類的方法，該分類方法的優(yōu)點在于合理利用多源數(shù)據(jù)進(jìn)行分類，分類過程也較為符合人的認(rèn)知過程且分類規(guī)則易于理解[25]。

1.4 數(shù)據(jù)預(yù)處理

本研究運用歐空局提供的SNAP 專屬插件Sen2Cor 對影像進(jìn)行大氣校正和輻射定標(biāo)，使用ENVI 軟件將20 m 分辨率的6 個波段運用3 次卷積法進(jìn)行重采樣，得到6 個10 m 的分辨率波段，與原有的4 個10 m 分辨率波段進(jìn)行堆棧處理，生成具有10 個10 m 分辨率波段的Sentinel-2A 影像數(shù)據(jù)。通過分析研究區(qū)2017 年5 月18 日的Sentinel-2A 影像數(shù)據(jù)，結(jié)合歷史數(shù)據(jù)和實地調(diào)查情況，可知沅江市濕地沼澤較多，蘆葦作為當(dāng)?shù)靥厣?jīng)濟(jì)作物，遍布各處濕地沼澤，形成特有的蘆葦?shù)?。因此將沅江市地物分為森林、耕地、建設(shè)用地、水體和蘆葦?shù)?。選取建設(shè)用地訓(xùn)練樣本150 個、水體訓(xùn)練樣本150 個、耕地訓(xùn)練樣本200個、森林訓(xùn)練樣本200 個和蘆葦?shù)赜?xùn)練樣本100 個，總共800 個訓(xùn)練樣本。2/3 的訓(xùn)練樣本用于建立決策樹分類規(guī)則，1/3 的訓(xùn)練樣本用于精度檢驗。

2 結(jié)果與分析

2.1 光譜指數(shù)

對各地物訓(xùn)練樣本進(jìn)行光譜指數(shù)研究，計算各地物的NDVI、NDWI、NDBI 值和光譜反射曲線，比較各地物在不同光譜特征下的差異。研究區(qū)各地物的NDVI、NDWI、NDBI 指數(shù)和光譜反射曲線分別如圖2 和圖3 所示。

圖2 沅江市各地物的 NDVI、NDWI、NDBI 指數(shù)Fig. 2 NDVI, NDWI and NDBI indexes of ground object in Yuanjiang city

2.2 紋理特征

利用ENVI 的基于二階概率統(tǒng)計工具來提取紋理特征，選擇合適的滑動窗口大小是分析紋理特征的關(guān)鍵步驟。為了選擇合適的特征窗口大小，用代表地物區(qū)分度的累計差作為衡量指標(biāo)，即計算不同窗口下的各地物的紋理特征值，將8 個紋理特征下的不同地物特征值的均值做累計差，累計差越大，說明區(qū)分度越高[26]。選擇3×3、5×5、7×7、9×9、11×11、13×13、15×15 的窗口大小計算累計差，得到結(jié)果如圖4 所示，可知累計差隨著窗口大小的增大逐漸變大，在窗口大小為9×9 時達(dá)到最大值，之后累計差逐漸變小，所以選用9×9 大小窗口為紋理特征提取窗口。在滑動窗口為9×9 的情況下，計算各地物在8 個紋理特征下的累計差。圖5 為9×9 滑動窗口下紋理特征的累計差，可以看出均值的累計差最高，其次為方差、信息熵和對比度，最后同質(zhì)性、相異性、二階矩和相關(guān)性的累計差比較低，因此選擇均值、方差、信息熵和對比度這4 個紋理特征來研究。

圖3 沅江市各地物光譜反射曲線Fig. 3 Spectral reflection curve of ground object in Yuanjiang city

圖4 不同滑動窗口下的累計差Fig. 4 Accumulative difference under different sliding windows

圖5 9×9 滑動窗口下的紋理特征累計差Fig. 5 Accumulative difference of texture features under 9 × 9 sliding window

在9×9 的滑動窗口下提取4 種紋理特征值，對5 類地物提取的200 個特征值進(jìn)行整理，研究各地物在不同波段下的單個特征值差異。經(jīng)過分析計算得到不同波段下各地物的均值、方差、信息熵和對比度變化情況，結(jié)果如圖6 所示。

2.3 決策樹規(guī)則的建立

對得到的光譜特征和紋理特征分別進(jìn)行分析，探討各地物在不同特征下的判別方式。經(jīng)過對特征差異整理可知，NDVI 值大于0.3、NDBI 值小于-0.3 的為植被，其余為非植被。非植被中，NDWI 值大于0.2、Band 9 反射率小于0.15 的為水體，其余為建設(shè)用地。植被中，Band 6、Band 7、Band 8 的 反射率大于 0.32 且 Band 6、Band 7、Band 8 的均值大于12 的為蘆葦?shù)兀珺and 7 的方差小于1.5 且Band 6、Band 8 的信息熵小于1.7、Band 7 的對比度小于1.5 的為森林，其余為耕地。決策樹分類模型如圖7 所示。

2.4 分類結(jié)果與精度評價

利用建立的決策樹規(guī)則，在ENVI 決策樹工具中新建決策樹，輸入節(jié)點名與表達(dá)式，對表達(dá)式中的各字段指定數(shù)據(jù)源，與對應(yīng)波段建立聯(lián)系。通過決策樹模型得到的沅江市地物分類結(jié)果如圖8所示，與傳統(tǒng)監(jiān)督分類方法作比較，運用最大似然法進(jìn)行分類，結(jié)果如圖9 所示。

利用驗證樣本對分類結(jié)果進(jìn)行精度評價，2種分類方法的結(jié)果精度對比如表1 所示。從表1可知，決策樹分類方法的地物總體分類精度達(dá)到83.62%，Kappa 系數(shù)為0.825 7，森林錯分誤差為17.57%，森林漏分誤差為15.72%，森林制圖精度為84.28%，森林用戶精度為82.43%；最大似然法分類方法的地物總體分類精度達(dá)到72.35%，Kappa 系數(shù)為0.692 7，森林錯分誤差為27.15，森林漏分誤差為26.31，森林制圖精度為73.69，森林用戶精度為72.85。決策樹分類方法比傳統(tǒng)的最大似然法分類方法的地物總體分類精度提升了11.27%，Kappa 系數(shù)提高了0.133，森林制圖精度提高了10.59%，森林用戶精度提高了9.58%。由此可知，結(jié)合光譜特征和紋理特征，運用決策樹分類的分類方法在總體分類精度、Kappa 系數(shù)和森林的分類精度方面比傳統(tǒng)的分類方法都有較大的提高，通過對各地物的多種特征指數(shù)分析能更準(zhǔn)確、客觀地進(jìn)行地物分類并提取森林覆蓋信息。

圖6 各地物在不同波段下的均值、方差、信息熵、對比度的變化Fig. 6 Changes in the mean, variance, entropy, and contrast of ground object in different bands

圖7 決策樹分類模型Fig. 7 Decision tree classification model

2.5 森林覆蓋變化

2.5.1 沅江市各地物覆蓋面積

將沅江市2016 年8 月1 日的Sentienl-2A 數(shù)據(jù)按上述方法選取地物訓(xùn)練樣本后，運用決策樹分類方法，結(jié)合光譜指數(shù)特征和紋理特征進(jìn)行地物分類，得到的結(jié)果如圖10 所示。

圖8 決策樹分類結(jié)果Fig. 8 Result of decision tree classification

圖9 最大似然法分類結(jié)果Fig. 9 Result of maximum likelihood classification

表1 決策樹分類與最大似然法分類的結(jié)果精度對比Table 1 Comparison table of result accuracy between decision tree classification and maximum likelihood classification

圖10 沅江市2016 年8 月1 日地物分類結(jié)果Fig.10 Result of ground object classification of Yuanjiang city on August 1, 2016

根據(jù)沅江市 2016 年 8 月 1 日和 2017 年 5 月18 日兩個時期的地物分類結(jié)果，計算兩個時期各地物類型的面積，得到統(tǒng)計結(jié)果如表2 所示，從表2 中可以看出森林面積減少了771 hm2。

2.5.2 沅江市森林覆蓋變化分析

利用ArcGIS 軟件，在沅江市兩個時期的地物分類結(jié)果中將森林覆蓋區(qū)域的數(shù)據(jù)提取出來，得到沅江市2016 年8 月1 日森林覆蓋結(jié)果和沅江市2017 年5 月18 日森林覆蓋結(jié)果，分別如圖11 和圖12 所示。

提取沅江市 2016 年 8 月 1 日與 2017 年 5 月18 日森林覆蓋發(fā)生了變化的區(qū)域，得到的結(jié)果如圖13 所示。從圖13 中可以看出，森林主要伴隨著耕地區(qū)域發(fā)生交替變化，在東北角的蘆葦?shù)貐^(qū)域，也存在較明顯的森林變化現(xiàn)象，西南部岡陵地區(qū)的森林有所增加，在西北部岡陵地區(qū)和南部水體附近的森林變化較少。

表2 沅江市各地物面積統(tǒng)計Table 2 Statistics of the area of ground object in Yuanjiang city

圖11 沅江市2016 年8 月1 日森林覆蓋結(jié)果Fig.11 Results of forest cover in Yuanjiang city on August 1, 2016

圖12 沅江市2017 年5 月18 日森林覆蓋結(jié)果Fig.12 Results of forest cover in Yuanjiang city on May 18, 2017

圖13 沅江市 2016 年 8 月 1 日與 2017 年 5 月 18 日森林覆蓋變化Fig.13 Results of forest cover change in Yuanjiang city on August 1, 2016 and May 18, 2017

將沅江市 2016 年 8 月 1 日與 2017 年 5 月 18日森林覆蓋變化數(shù)據(jù)與同時期的地物分類結(jié)果做對比，將森林與各地物間的變化面積進(jìn)行統(tǒng)計，結(jié)果如表3 所示。從表3 中可以看出，沅江市在這兩個時期內(nèi)森林主要轉(zhuǎn)化為耕地，其次是蘆葦?shù)睾徒ㄔO(shè)用地，少部分轉(zhuǎn)化為水體，面積依次是854、589、412 和 105 hm2。轉(zhuǎn)化為森林的其他地物主要以耕地為主，蘆葦?shù)睾徒ㄔO(shè)用地各占20%，水體較少，轉(zhuǎn)化面積依次是636、257、243和53 hm2。

表3 沅江市 2016 年 8 月 1 日與 2017 年 5 月 18 日森林與其他地物面積變化統(tǒng)計Table 3 Statistics of changes in forest and other ground object in Yuanjiang city on August 1, 2016 and May 18, 2017

3 結(jié)論與討論

3.1 結(jié) 論

本研究選取湖南省沅江市為研究區(qū)域，基于Sentinel-2A 光學(xué)遙感數(shù)據(jù)和實際調(diào)查數(shù)據(jù)，選取地物訓(xùn)練樣本，采用決策樹分類方法，利用各地物在Sentinel-2A光學(xué)遙感影像下的光譜指數(shù)特征、紋理特征的差異，建立區(qū)分各地物的決策樹分類模型，得到的地物分類結(jié)果與傳統(tǒng)的最大似然法的地物分類結(jié)果做精度比較。選取沅江市2016 年8 月 1 日 和 2017 年 5 月 18 日 的 兩 期 Sentinel-2A影像進(jìn)行地物分類，分別提取其森林覆蓋區(qū)域，分析不同時期森林覆蓋變化情況。

主要的結(jié)論如下：

1）利用Sentinel-2A 數(shù)據(jù)，結(jié)合地物的光譜指數(shù)特征和紋理特征能更加精確有效地對沅江市進(jìn)行地物分類和森林覆蓋變化的監(jiān)測。選取地物訓(xùn)練樣本，提取各地物的光譜指數(shù)特征和紋理特征，充分挖掘信息，分析各地物間的區(qū)分規(guī)則，構(gòu)建決策樹模型，對研究區(qū)地物類型進(jìn)行精確分類。分類結(jié)果精度與傳統(tǒng)最大似然法分類結(jié)果精度比較可知：結(jié)合光譜指數(shù)特征和紋理特征的決策樹分類結(jié)果較最大似然法分類結(jié)果，地物總體分類精度提升了11.27%，Kappa 系數(shù)提高了0.133，森林制圖精度提高了10.59%，森林用戶精度提高了9.58%。

2）沅江市總面積217 700 hm2，在2016 年8月1 日到2017 年5 月18 日這段時間內(nèi)，森林面積占全市總面積的21%。在此期間，森林面積減少771 hm2，沅江市森林覆蓋變化情況是854 hm2森林變?yōu)楦兀?89 hm2森林變?yōu)樘J葦?shù)兀?12 hm2森林變?yōu)榻ㄔO(shè)用地，105 hm2森林變?yōu)樗w，另外，有636 hm2耕地、257 hm2蘆葦?shù)亍?43 hm2建設(shè)用地和53 hm2水體變?yōu)樯帧?/p>

3.2 討 論

1）本研究選用Sentinel-2A 數(shù)據(jù)作為研究數(shù)據(jù)源，借助其波段信息較多的特點，結(jié)合地物的光譜指數(shù)特征和紋理特征，提高了地物分類精度。這與岳俊等[14]、邵曉敏等[15]、郝劍南等[16]的研究結(jié)論一致，即加入紋理特征研究確實能有效提高地物分類精度。本研究的分類結(jié)果精度較大多數(shù)運用單一光譜指數(shù)的分類結(jié)果精度有所提升。對比岳俊等[14]基于GF-1 影像的2、8、16 m 分辨率數(shù)據(jù)，結(jié)合光譜和紋理特征對果樹進(jìn)行分類識別，本研究決策樹分類方法的總體分類精度分別提升了6.71%、16.16%和22.39%。對比郭文婷等[17]基于多個時間的Sentinel-2 數(shù)據(jù)，運用NDVI 時序加光譜指數(shù)特征的分類結(jié)果精度，本研究決策樹分類方法的總體分類精度提升了10.59%，Kappa系數(shù)提升0.155 7，但其結(jié)合紋理特征進(jìn)行分類后，總體分類精度更高。本研究決策樹分類方法在森林制圖精度和森林用戶精度方面，對比邵曉敏等[15]在烏蘭布和沙漠地區(qū)某些樹種的制圖精度和用戶精度有所提升。

2）參考其他學(xué)者的研究，本研究結(jié)合光譜指數(shù)特征和紋理特征的決策樹分類方法還可進(jìn)一步提升分類精度。郝劍南等[16]在利用高分影像對耕地進(jìn)行提取時，通過紋理增強(qiáng)提升精度。在進(jìn)行較長時間間隔的森林覆蓋變化研究時，也可如郭文婷等[17]采用時間序列的方法，利用森林不同時間的物候信息，使分類結(jié)果更加準(zhǔn)確、科學(xué)。本研究中所用到的光譜指數(shù)特征和紋理特征有限，可在之后研究中繼續(xù)探究其他特征對分類精度的影響，何云等[18]對Sentinel-2A 影像進(jìn)行特征優(yōu)選的研究對此有參考價值。

3）在對森林覆蓋變化的分析中，本研究分析了森林與其他地物之間的相互變化，在之后的研究中可加入樹種信息、地形信息等，進(jìn)一步深入探究森林覆蓋變化與樹種、地形等因素的關(guān)系。另外，本研究只探究了沅江市2016 年8 月1 日到2017 年5 月18 日之間的森林覆蓋變化，時間間隔較短，不利于總結(jié)變化規(guī)律，下一步研究中可加大時序間隔進(jìn)一步分析，探究森林覆蓋變化規(guī)律。