基于多特征優(yōu)選的Sentinel-2遙感影像林分類(lèi)型分類(lèi)

閆國(guó)東 左雪漫 陳瑾 胡喜生 周成軍 巫志龍

摘 要：為探究Sentinel-2遙感影像林分類(lèi)型分類(lèi)的優(yōu)選特征組合，實(shí)現(xiàn)對(duì)闊葉林、馬尾松林、杉木林和竹林的分類(lèi)及其效果評(píng)價(jià)，選取福建省長(zhǎng)汀縣為研究區(qū)，利用Sentinel-2影像提取10個(gè)原始波段（O），計(jì)算9個(gè)光譜指數(shù)（S）、7個(gè)紅邊光譜指數(shù)（R）和8個(gè)紋理特征（Te），以及基于數(shù)字高程數(shù)據(jù)計(jì)算2個(gè)地形特征指數(shù)（To），共計(jì)36個(gè)特征；利用隨機(jī)森林算法分析不同特征在林分類(lèi)型分類(lèi)中的重要性，并利用袋外樣本（Out of Band，OOB）數(shù)據(jù)與平均不純度減少方法優(yōu)選特征組合（Optimum Individuality Combination ，OIC）；對(duì)6種不同試驗(yàn)方案（O、O+To、O+To+S、O+To+S+R、O+To+S+R+Te和OIC）進(jìn)行林分類(lèi)型分類(lèi)，并利用混淆矩陣評(píng)價(jià)分類(lèi)結(jié)果。結(jié)果表明，參與林分類(lèi)型分類(lèi)的36個(gè)特征的重要性為2.11%～5.43%，其中，海拔因子的重要性最高，紅邊波段、紅邊光譜指數(shù)、紋理特征中均值與相關(guān)性也具有較高的重要性；單獨(dú)使用原始波段對(duì)林分類(lèi)型進(jìn)行分類(lèi)，分類(lèi)精度不高，總體精度為73.26%，Kappa系數(shù)為0.64；以原始波段為基礎(chǔ)引入其他特征，除原始波段外，其他特征均可以提高分類(lèi)精度；優(yōu)選特征組合（OIC）為重要性前27個(gè)特征，包含海拔、8個(gè)原始波段、7個(gè)紅邊光譜指數(shù)和3個(gè)紋理特征，分類(lèi)精度最高，總體精度為83.13%，Kappa系數(shù)為0.77，比其余5種試驗(yàn)方案的總體分類(lèi)精度提高了0.82%～9.87%。以Sentinel-2影像為數(shù)據(jù)源，隨機(jī)森林算法優(yōu)選的特征組合綜合多類(lèi)型特征中對(duì)林分類(lèi)型分類(lèi)有重要貢獻(xiàn)的特征，從而提高了分類(lèi)精度。研究結(jié)果可為GEE平臺(tái)Sentinel-2影像在森林資源調(diào)查中林分類(lèi)型信息的提取提供參考。

關(guān)鍵詞：Sentinel-2;紅邊光譜指數(shù)；隨機(jī)森林算法；優(yōu)選特征組合

中圖分類(lèi)號(hào)：S758;P237 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8023（2023）03-0012-09

Abstract：In order to explore the optimal feature combination of Sentinel-2 remote sensing image stand type classification， the classification and effect evaluation of broad-leaved forest， masson pine forest， fir forest and bamboo forest were realized. Selecting Changting County， Fujian Province as the study area， 10 original bands （O） were extracted from Sentinel-2 images， and 9 spectral indices （S）， 7 red-edge spectral indices （R）， 8 texture features （Te） were calculated， and 2 terrain feature indices （To） based on digital elevation data were calculated， for a total of 36 features. Using random forest algorithm to analyze the importance of different features in stand type classification， using out of band （OOB） data and average impurity reduction method to optimum individuality combination （OIC）. 6 different experimental protocols （O， O+To， O+To+S， O+To+S+R， O+To+S+R+Te， and OIC） were classified into stand types and the results were evaluated by confusion matrix. The results showed that the importance of the 36 features involved in the classification of stand types was 2.11%-5.43%， the altitude factor was the most important， and the mean and correlation of the red edge band， red edge spectral index， and texture features were also of high importance. Using the original band alone to classify the stand types， the classification accuracy was not high， the overall accuracy was 73.26%， and the Kappa coefficient was 0.64. Based on the original band， other features were introduced. Except the original band， other features can improve the classification accuracy. The optimum individuality combination （OIC） was the top 27 features of importance， including altitude， 8 original bands， 7 red-edge spectral indices， and 3 texture features， the classification accuracy was the highest， the overall accuracy was 83.13%， and the Kappa coefficient was 0.77， which was 0.82%-9.87% higher than the overall classification accuracy of the other five experimental schemes. Using Sentinel-2 images as the data source， the feature combination optimized by the random forest algorithm integrated the features that had an important contribution to the classification of stand types among the multi-type features， thereby improving the classification accuracy. The research results can provide reference for GEE platform Sentinel-2 image extraction of stand type information in forest resource survey.

Keywords：Sentinel-2; red-edge spectral index; random forest algorithm; optimal feature combination

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（31971639）；福建省自然科學(xué)基金項(xiàng)目（2019J01406）；福建省工程索道工程技術(shù)研究中心開(kāi)放課題基金項(xiàng)目（ptjh16006）

第一作者簡(jiǎn)介：閆國(guó)東，碩士研究生。研究方向?yàn)樯仲Y源監(jiān)測(cè)與評(píng)價(jià)。E-mail： 2686192023@qq.com

*通信作者：巫志龍，博士，高級(jí)實(shí)驗(yàn)師。研究方向?yàn)樯止こ?。E-mail： 81698187@qq.com

0 引言

林分類(lèi)型分類(lèi)在森林資源調(diào)查中至關(guān)重要，及時(shí)準(zhǔn)確地獲取林分類(lèi)型信息與空間格局，有助于森林資源管理、生物多樣性評(píng)估及碳循環(huán)與能源估算等，對(duì)區(qū)域生態(tài)保護(hù)以及經(jīng)濟(jì)發(fā)展具有重要意義[1]。目前通過(guò)實(shí)地調(diào)查各林分類(lèi)型以及測(cè)量各林分的分布面積仍存在較多困難，如需耗費(fèi)大量人力、物力以及財(cái)力，只適用于小范圍調(diào)查等[2]。遙感識(shí)別是當(dāng)前大尺度范圍林分分布調(diào)查的主流方法，遙感數(shù)據(jù)源多為多光譜、高光譜、激光雷達(dá)（Light Detection and Ranging，LiDAR）以及合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）等[3]。利用機(jī)載高光譜數(shù)據(jù)雖然能夠獲得高精度的林分分布信息，但是機(jī)載高光譜數(shù)據(jù)獲取成本高昂；衛(wèi)星遙感數(shù)據(jù)更適合大空間尺度的林分類(lèi)型分類(lèi)[4]。許多研究使用較低空間分辨率的衛(wèi)星遙感影像對(duì)森林資源進(jìn)行監(jiān)測(cè)，但對(duì)特定林分監(jiān)測(cè)使用中高空間分辨率的影像能夠有效地減少混合像元，提高各林分類(lèi)型的細(xì)節(jié)表達(dá)[5]。而使用Sentinel-2衛(wèi)星可自由獲取中高分辨率的多光譜影像，提高林分類(lèi)型分類(lèi)精度[6]。

在進(jìn)行林分類(lèi)型分類(lèi)中，除了利用普通的光譜特征進(jìn)行分類(lèi)外，增加由紅邊波段計(jì)算的紅邊光譜指數(shù)、地形和紋理等其他特征進(jìn)行分類(lèi)，有助于提高分類(lèi)精度。Immitzer等[7]利用不同光譜特征對(duì)林分類(lèi)型進(jìn)行分類(lèi)，評(píng)估了不同光譜特征對(duì)林分類(lèi)型分類(lèi)的重要性，并且發(fā)現(xiàn)了紅邊波段以及紅邊光譜指數(shù)在林分類(lèi)型分類(lèi)中發(fā)揮重要作用。對(duì)于冠形不同的樹(shù)種，紋理特征起著顯著的作用；而地形對(duì)不同空間分布林分的區(qū)分具有很大的潛力，這有利于林分類(lèi)型的分類(lèi)[8]。多特征融合的方法可以避免光譜的混淆，提供豐富的遙感數(shù)據(jù)信息量。事實(shí)上，對(duì)于光譜特征差異不大的林分，基于光譜的方法無(wú)法獲得理想的分類(lèi)結(jié)果。雖然已有一些研究嘗試?yán)眠b感技術(shù)去提高林分類(lèi)型分類(lèi)的準(zhǔn)確性，但深入分析影像林分類(lèi)型分類(lèi)的主導(dǎo)因素尚屬罕見(jiàn)[9-10]。此外，分類(lèi)方法也是影響林分類(lèi)型分類(lèi)的重要因素，其中隨機(jī)森林算法應(yīng)用最為普遍。隨機(jī)森林算法參數(shù)設(shè)置簡(jiǎn)單，對(duì)高維數(shù)據(jù)和大數(shù)據(jù)量的影像處理效率高，在林分類(lèi)型分類(lèi)中被廣泛地應(yīng)用[11]。近年來(lái)有大部分的學(xué)者將深度學(xué)習(xí)應(yīng)用到林分類(lèi)型分類(lèi)中，如楊丹等[12]利用U-Net模型實(shí)現(xiàn)了林分類(lèi)型分類(lèi)，但該方法需要大量的樣本數(shù)據(jù)、復(fù)雜的參數(shù)設(shè)置以及長(zhǎng)時(shí)間的訓(xùn)練才能得到較高的分類(lèi)精度，不適合大尺度的林分類(lèi)型分類(lèi)，而隨機(jī)森林算法僅使用較少的樣本訓(xùn)練就能獲得高精度的分類(lèi)結(jié)果[3]。

由于福建省長(zhǎng)汀縣是我國(guó)典型的花崗巖紅壤侵蝕區(qū)，隨著生態(tài)治理逐步加強(qiáng)，林分信息與空間格局在治理水土流失與生態(tài)修復(fù)中的重要性備受關(guān)注[13]。以往的研究?jī)H僅使用單一或少量的特征組合，而較多的特征組合會(huì)造成數(shù)據(jù)的冗余。為此，以福建省長(zhǎng)汀縣為研究區(qū)域，基于GEE云平臺(tái)，提取Sentinel-2原始波段、地形特征指數(shù)、光譜指數(shù)、紅邊光譜指數(shù)和紋理特征等構(gòu)建分類(lèi)特征集，運(yùn)用隨機(jī)森林算法優(yōu)選的特征組合并綜合多類(lèi)型特征中對(duì)林分類(lèi)型分類(lèi)有重要貢獻(xiàn)的特征，以提高分類(lèi)精度，為GEE平臺(tái)Sentient-2影像在森林資源調(diào)查中林分類(lèi)型信息的提取提供參考。

1 研究區(qū)概況

研究區(qū)選取福建省龍巖市長(zhǎng)汀縣（116°00′45″～116°39′20″E ，25°18′40″～26°02′05″N），屬中亞熱帶濕潤(rùn)季風(fēng)氣候，年均氣溫18.3 ℃，年均降水量約1 700 mm；地形為南方山地丘陵，地勢(shì)自北向南傾斜，東、西、北三面高，中、南面低；行政區(qū)域包括了11個(gè)鎮(zhèn)和7個(gè)鄉(xiāng)，總面積3 104.16 km2；林地面積17.87萬(wàn)hm2，森林覆蓋率達(dá)74%，林木蓄積量228.53萬(wàn)m3，森林類(lèi)型主要為針葉林、闊葉林與竹林等。

2 研究方法

2.1 數(shù)據(jù)來(lái)源與預(yù)處理

研究所用的是GEE數(shù)據(jù)庫(kù)中Sentinel-2數(shù)據(jù)的Level-2A產(chǎn)品，空間分辨率為10 m。選用經(jīng)過(guò)幾何校正、數(shù)字高程模型校正、輻射校正和大氣校正的地表反射率圖像（Surface Reflectance，SR），包含13個(gè)無(wú)符號(hào)整型波段和3個(gè)質(zhì)量評(píng)價(jià)（Quality Assessment， QA）波段[14]。影像獲取時(shí)間為2021年12月2日，并將B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段影像融合。高程數(shù)據(jù)來(lái)源于航天飛機(jī)雷達(dá)地形任務(wù)（Shuttle Radar Topography Mission，SRTM），SRTM90_V4為數(shù)字高程數(shù)據(jù)版本4（https：//srtm.csi.cgiar.org）；通過(guò)GEE中重采樣函數(shù) （reproject），將高程數(shù)據(jù)轉(zhuǎn)換為空間分辨率為10 m，并按長(zhǎng)汀縣行政邊界進(jìn)行裁剪。森林資源二類(lèi)調(diào)查數(shù)據(jù)來(lái)源于國(guó)家林業(yè)和草原局林草資源圖。

2.2 林分類(lèi)型分類(lèi)系統(tǒng)建立與樣本獲取

長(zhǎng)汀縣主要優(yōu)勢(shì)樹(shù)種為杉木（Cunninghamia lanceolata）、馬尾松（Pinus massoniana）、樟樹(shù)（Cinnamomum camphora）、木荷（Schima superba）、桉樹(shù)（Eucalyptus robusta）、毛竹（Phyllostachys heterocycle）、綠竹（Dendrocalamopsis oldhami）以及其他闊葉樹(shù)種[15]。由于主要研究對(duì)象為林分類(lèi)型，因此將其他地類(lèi)如農(nóng)田、裸地、道路等統(tǒng)稱(chēng)為其他類(lèi)別，并通過(guò)結(jié)合長(zhǎng)汀縣2019年森林資源二類(lèi)調(diào)查數(shù)據(jù)中優(yōu)勢(shì)樹(shù)種類(lèi)型與樹(shù)種組成，最終將研究區(qū)地物類(lèi)別分為闊葉林、馬尾松林、杉木林、竹林和其他類(lèi)別5類(lèi)。通過(guò)自動(dòng)提取森林資源二類(lèi)調(diào)查矢量數(shù)據(jù)小班中心點(diǎn)坐標(biāo)，以及2021年下半年手持GPS儀野外采集100個(gè)分布點(diǎn)坐標(biāo)信息，共獲得3 976個(gè)坐標(biāo)信息；再利用Google Earth多時(shí)相米級(jí)高分辨率影像以及國(guó)家森林資源智慧管理平臺(tái)中亞米級(jí)遙感影像（http：//www.stgz.org.cn），通過(guò)目視解譯的方法對(duì)小班周邊的樣點(diǎn)進(jìn)行提取，最終共選取訓(xùn)練樣本和驗(yàn)證樣本4 970個(gè)，其中訓(xùn)練樣本3 976個(gè)，占比80%，剩余20%作為驗(yàn)證樣本（表1和圖1）。

2.3 林分類(lèi)型特征提取

在GEE平臺(tái)上，基于數(shù)字高程數(shù)據(jù)，提取海拔（Elevation）和坡度（Slope）2個(gè)地形特征；提取Sentinel-2影像3個(gè)紅邊波段B5、B6、B7以及其余7個(gè)波段B2、B3、B4、B8、B8A、B11和B12為原始波段光譜特征；利用expression函數(shù)對(duì)波段進(jìn)行運(yùn)算，計(jì)算9個(gè)光譜指數(shù)和7個(gè)紅邊光譜指數(shù)，利用灰度共生矩陣提取Sentinel-2影像的8個(gè)紋理特征，見(jiàn)表2。在遙感影像中，植被的紋理沒(méi)有明顯的方向性，故在參數(shù)設(shè)置時(shí)，選取移動(dòng)方向0o、45o、90o、135o這4個(gè)方向的平均值，經(jīng)反復(fù)試驗(yàn)對(duì)比分析，得出窗口大小設(shè)置為7×7像元，步長(zhǎng)設(shè)置為2的分類(lèi)效果最佳。在影像紋理特征提取時(shí)，為避免計(jì)算量過(guò)大且產(chǎn)生信息冗余，對(duì)參與分類(lèi)的10個(gè)原始波段進(jìn)行主成分分析（Principal Component Analysis，PCA），選用占據(jù)90.16%特征貢獻(xiàn)率的第一主成分影像藍(lán)波段B2提取紋理因子。

2.4 分類(lèi)方法與特征優(yōu)選

運(yùn)用隨機(jī)森林（Random Forest，RF）算法進(jìn)行Sentinel-2影像林分類(lèi)型分類(lèi)，按照“原始波段光譜特征（O）、原始波段光譜特征+地形特征（To，O+To）、原始波段光譜特征+地形特征+光譜指數(shù)（S，O+To+S）、原始波段光譜特征+地形特征+光譜指數(shù)+紅邊光譜指數(shù)（R，O+To+S+R），以及原始波段光譜特征+地形特征+光譜指數(shù)+紅邊光譜指數(shù)+紋理特征（Te，O+To+S+R+Te）”5種試驗(yàn)方案，對(duì)每個(gè)特征進(jìn)行迭代運(yùn)算，并依據(jù)每個(gè)特征的得分進(jìn)行重要性排序，探討Sentinel-2影像地形因子、光譜指數(shù)、紅邊光譜指數(shù)和紋理特征在林分類(lèi)型分類(lèi)中的作用。通過(guò)利用袋外樣本（out-of-bag，OOB）數(shù)據(jù)并采用隨機(jī)森林（Random Forest，RF）算法中的平均不純度減少方法，將特征得分由高到低進(jìn)行組合，評(píng)價(jià)分類(lèi)精度，優(yōu)選特征組合作為第6種試驗(yàn)方案（OIC）。決策樹(shù)的數(shù)量設(shè)置為100，每個(gè)節(jié)點(diǎn)的特征數(shù)使用特征總數(shù)的平方根。

通過(guò)使用混淆矩陣中的總體精度（Overall accuracy，OA，式中為OA）、生產(chǎn)者精度（Producer's accuracy，PA，式中為PA）、Kappa系數(shù)、用戶(hù)精度（User's accuracy，UA，式中為UA） 以及PA和UA的調(diào)和平均值（F1）對(duì)林分類(lèi)型分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)；其中OA、Kappa系數(shù)與UA的計(jì)算公式參考文獻(xiàn)[18]。F1的取值范圍為[0，1]，若值越大，分類(lèi)效果越好；若值越小，分類(lèi)效果越不理想[19]。

3 結(jié)果與分析

3.1 不同特征在林分類(lèi)型分類(lèi)中的重要性

Sentinel-2影像特征在林分類(lèi)型分類(lèi)中的重要性評(píng)估結(jié)果，如圖2所示。從Sentinel-2影像提取的36個(gè)特征在林分類(lèi)型分類(lèi)中的重要性范圍為2.11%～5.43%，海拔居首位，重要性最高為5.43%，而近紅外波段光譜特征B8重要性最低為2.11%；其中，紅邊波段光譜特征中B5、B6和B7的重要性分別為3.05%、2.88%和2.69%，紅邊光譜指數(shù)中NDVIRE1、NDVIRE2、NDRE1和NDRE2的重要性分別為3.38%、3.17%、3.01%和2.96%，光譜指數(shù)中NDWI和CI的重要性分別為3.15%和2.94%，紋理特征中均值和相關(guān)性的重要性分別為2.72%與2.59%，這些特征在林分類(lèi)型分類(lèi)中均有較大貢獻(xiàn)，發(fā)揮著重要作用。

根據(jù)參與林分類(lèi)型分類(lèi)的特征重要性排序，由高到低進(jìn)行特征組合，評(píng)估分類(lèi)精度，如圖3所示。從圖3中可以看出，隨著分類(lèi)特征數(shù)量的增加，分類(lèi)精度呈先增大后降低的變化規(guī)律；當(dāng)分類(lèi)特征數(shù)量為重要性前27個(gè)時(shí)，分類(lèi)精度達(dá)到最高，故選用重要性前27個(gè)特征作優(yōu)選特征組合（OIC），包括地形特征（Elevation）、原始波段光譜特征（B11、B2、B5、B6、B12、B7、B3和B4）、紅邊光譜指數(shù)（NDVIRE1、NDVIRE2、NDVIRE3、NDRE1、NDRE2、RVIRE和CIRE）、光譜指數(shù)（NDWI、NDVI、CI、BSI、IBI、RVI、EVI和DVI）和紋理指數(shù)（Mean、Correlation和Second moment）。

3.2 不同林分類(lèi)型在灰度值和紋理特征的可分離性分析

分別提取闊葉林、杉木林、馬尾松林和竹林在不同波段上的灰度值（圖4），以及在紋理特征上的特征值（圖5）。4種類(lèi)型的林地都有一定的可分離性。從不同林分類(lèi)型灰度值上看，闊葉林在B2、B7波段上明顯優(yōu)于其他3類(lèi)，且在B4波段也較為突出；杉木林在B8、B6波段區(qū)分度較高，在B4波段的區(qū)分度最低；對(duì)于馬尾松林，在B5與B11波段中表現(xiàn)突出，而在B3與B8中有一定的可分性；而竹林的灰度值則在B4與B6中最大，在B8波段中最小；總的來(lái)說(shuō)，各波段可作為各林分類(lèi)型分類(lèi)的有效特征。從紋理特征看，闊葉林在Correlation中可分離性高；杉木林在Mean中的可分離性最高；Mean、Correlation特征上的區(qū)分度大于Second moment。總的來(lái)說(shuō)，不同林分在不同波段的灰度值以及紋理特征的特征值上均有一定的可分性。

3.3 不同試驗(yàn)方案林分類(lèi)型分類(lèi)結(jié)果

長(zhǎng)汀縣林分類(lèi)型分類(lèi)結(jié)果，如圖6所示。僅使用原始波段光譜特征（O）的分類(lèi)結(jié)果（圖6（a）），4類(lèi)林分以及其他產(chǎn)生的“椒鹽現(xiàn)象”很?chē)?yán)重；增加地形特征（O+To）的分類(lèi)結(jié)果（圖6（b）），各類(lèi)林分在不同海拔的分布有一定的差異，馬尾松林主要分布在中海拔地區(qū)，能更明顯地與其他樹(shù)種進(jìn)行區(qū)分；增加光譜指數(shù)（O+To+S）、紅邊光譜指數(shù)（O+To+S+R）和紋理特征（O+To+S+R+Te）的分類(lèi)結(jié)果（圖6（c）—圖6（e）），闊葉林與竹林和杉木林能更明顯區(qū)分；采用優(yōu)選特征組合（OIC）的分類(lèi)結(jié)果（圖6（f）），與前5種分類(lèi)結(jié)果相比，各類(lèi)林分的圖斑破碎度都有所降低，“椒鹽現(xiàn)象”得到明顯改善，且大量被混分的林分被區(qū)分；4類(lèi)森林類(lèi)型的結(jié)果更為規(guī)整，馬尾松林在各類(lèi)樹(shù)種中所占的面積最大，竹林主要集中分布在西北部，杉木林與馬尾松林在各類(lèi)樹(shù)種中所占面積較少且呈鑲嵌分布，闊葉林主要分布在長(zhǎng)汀縣西南角與東部山脈地區(qū)。

各類(lèi)林分類(lèi)型分類(lèi)的混淆矩陣，如圖7所示。僅使用原始波段光譜特征進(jìn)行分類(lèi)時(shí)，闊葉林與馬尾松林和竹林出現(xiàn)了大面積混淆，杉木林有大部分混淆為其他林分（圖7（a））；當(dāng)增加地形特征時(shí)，馬尾松林、竹林與其他林分的混淆程度，以及闊葉林與杉木林的混淆程度都降低（圖7（b））；當(dāng)增加光譜指數(shù)和紅邊光譜指數(shù)時(shí)，馬尾松林與竹林和杉木林的混淆程度，以及杉木林與竹林的混淆程度都出現(xiàn)較明顯降低（圖7（c）和圖7（d））；當(dāng)增加紋理特征時(shí)，竹林與其他樹(shù)種的混淆程度降低（圖7（e））；與前5種分類(lèi)的混淆矩陣相比，采用優(yōu)選特征組合進(jìn)行分類(lèi)時(shí)，各類(lèi)林分的混淆程度都明顯降低（圖7（f））。

3.4 不同試驗(yàn)方案林分類(lèi)型分類(lèi)精度

林分類(lèi)型分類(lèi)的精度見(jiàn)表3，總體精度（OA）與Kappa系數(shù)如圖8所示。僅用原始波段光譜特征進(jìn)行分類(lèi)時(shí)，杉木林與闊葉林的PA不足0.60，F(xiàn)1分別僅為0.556與0.598，OA為73.26%，Kappa系數(shù)為0.64。當(dāng)增加地形特征時(shí)，馬尾松林和竹林與其他林分的混淆程度明顯降低，PA分別提升了0.08與0.03，闊葉林與杉木林的混淆也有了小幅度的降低，闊葉林和馬尾松林的F1增幅最大，分別增加了0.11與0.10?？傮w的分類(lèi)精度增加了5.05%，為78.31%，Kappa系數(shù)為0.71。當(dāng)加入光譜指數(shù)時(shí)，所有的林分在分類(lèi)精度上得到了提升，竹林F1提升的精度最高，提升了0.03?？傮w精度為79.06%，Kappa系數(shù)為0.72。加入紅邊光譜指數(shù)時(shí)， 各林分的混淆程度明顯地減小，馬尾松林與竹林以及杉木林的混淆程度大幅減小，杉木林與竹林的混淆程度也出現(xiàn)了明顯的減小，各林分的分類(lèi)精度也得到了提高；總體精度提升了2.36%，Kappa系數(shù)提升了0.03。在加入紋理特征后，由于竹林的分布比較集中，在均值與相關(guān)性的作用下，竹林其他樹(shù)種的混淆程度減小，F(xiàn)1達(dá)到0.865，PA為0.918，紋理特征對(duì)竹林的識(shí)別作出極大的貢獻(xiàn)，總體精度為82.31%，Kappa系數(shù)為0.76。采用特征優(yōu)選算法后，每一類(lèi)林分在分類(lèi)精度上都達(dá)到了最高值，7個(gè)紅邊光譜指數(shù)的貢獻(xiàn)率較高，在植被的監(jiān)測(cè)中發(fā)揮了重要的作用，采用特征優(yōu)選算法后的分類(lèi)總體精度達(dá)到83.13%，Kappa系數(shù)為0.77。

將優(yōu)選特征組合應(yīng)用于長(zhǎng)汀縣林分類(lèi)型分類(lèi)中，并與森林資源二類(lèi)調(diào)查結(jié)果比較，見(jiàn)表4。由表4可知，各林分遙感影像的分類(lèi)面積與二類(lèi)調(diào)查林地面積較為接近，尤其是馬尾松林，與二類(lèi)調(diào)查的林地面積基本上一致；說(shuō)明運(yùn)用GEE云平臺(tái)，基于多特征優(yōu)選的Sentinel-2遙感影像進(jìn)行長(zhǎng)汀縣林分類(lèi)型分類(lèi)的效果好。

4 討論與結(jié)論

4.1 討論

本研究使用RF算法中的平均不純度減少方法并結(jié)合Sentinel-2光學(xué)影像中豐富的光譜特征以及紋理特征并加入紅邊光譜指數(shù)與地形特征，對(duì)長(zhǎng)汀縣的林分類(lèi)型進(jìn)行分類(lèi)。在使用RF算法選出的27個(gè)特征中，證實(shí)了短波紅外波段（B11、B12）、紅邊波段（B6、B7和B8A）以及紅邊光譜指數(shù)在森林分類(lèi)中貢獻(xiàn)度非常高，這與Sothe等[19]和Immitzer等[7]在基于Sentinel-2A中進(jìn)行森林類(lèi)型分類(lèi)中得出的結(jié)論一致。許多學(xué)者也證實(shí)了紅邊波段對(duì)植被的敏感度非常高，常常用來(lái)對(duì)植被的健康狀況進(jìn)行監(jiān)測(cè)，如任楓等[20]使用紅邊波段以及紅邊波段計(jì)算的光譜指數(shù)在針葉林和竹林中的重要性。此外，紅波段在森林分類(lèi)中也體現(xiàn)出較高的價(jià)值，這可能是因?yàn)榧t波段對(duì)葉綠素的吸收能力比較強(qiáng)，如劉文雅等[21]研究證明紅波段對(duì)區(qū)分馬尾松林貢獻(xiàn)較為突出。在特征組合方面，何云等[22]和黃翀等[5]對(duì)光譜特征與紋理特征組合以及光譜特征、紋理特征與紅邊光譜指數(shù)進(jìn)行特征組合，使森林分類(lèi)的椒鹽現(xiàn)象有了很大的改善，并且提高了分類(lèi)精度。本研究中，在加入紅邊光譜指數(shù)的組合時(shí)，林分類(lèi)型分類(lèi)的精度明顯提高，紅邊光譜可有效地解決其他特征組合帶來(lái)的分類(lèi)誤差。將參加分類(lèi)的5種因子相結(jié)合，得到的分類(lèi)精度僅次于特征優(yōu)選后得到的結(jié)果，說(shuō)明在對(duì)Sentinel-2影像林分類(lèi)型分類(lèi)中均發(fā)揮著重要的作用，每一個(gè)因子的加入都對(duì)一類(lèi)林分有著積極的影響。

由于長(zhǎng)汀縣森林類(lèi)型的特殊性，以馬尾松林為主（占整個(gè)樹(shù)種的50%以上），導(dǎo)致其他樹(shù)種易和馬尾松林出現(xiàn)大面積的混淆，所以在遙感影像分類(lèi)中可以加入雷達(dá)影像以及采用LiDAR獲取樹(shù)種的結(jié)構(gòu)參數(shù)特征，例如胸徑和樹(shù)高等，用來(lái)參與訓(xùn)練，獲得更高精度的分類(lèi)結(jié)果。在本研究中只進(jìn)行喬木林樹(shù)種組的分類(lèi)提取，目前只是從樹(shù)種的大類(lèi)進(jìn)行分類(lèi)識(shí)別，對(duì)于樹(shù)種繁多的闊葉樹(shù)等沒(méi)有進(jìn)行精細(xì)分類(lèi)，今后還應(yīng)對(duì)特定樹(shù)種進(jìn)行精細(xì)分類(lèi)識(shí)別。

4.2 結(jié)論

基于GEE云平臺(tái)，在Sentinel-2 影像參與分類(lèi)的36個(gè)光譜特征中，海拔的重要性最高，紅邊波段B5、B6、B7和紅邊光譜指數(shù)以及紋理特征中均值與相關(guān)性的重要性也較高，對(duì)林分類(lèi)型分類(lèi)起著重要作用；與單獨(dú)使用原始波段相比，其他特征的引入均可以提高分類(lèi)的精度；重要性前27個(gè)特征優(yōu)選組合（OIC）林分類(lèi)型分類(lèi)效果最優(yōu)，其中3個(gè)紅邊波段以及7個(gè)紅邊光譜指數(shù)均在最優(yōu)特征中，且馬尾松林與竹林的F1精度都達(dá)到0.80以上，竹林的F1最高，達(dá)到0.879；OA和Kappa系數(shù)均最高，分別為83.13%和0.77，比其余5種試驗(yàn)方案的OA提高了0.82%～9.87%。因此，運(yùn)用GEE云平臺(tái)，以Sentinel-2 影像為數(shù)據(jù)源，多特征優(yōu)選應(yīng)用于長(zhǎng)汀縣林分類(lèi)型分類(lèi)效果最好，可為GEE平臺(tái)Sentinel-2影像在森林資源調(diào)查中林分類(lèi)型信息的提取提供參考。

【參 考 文 獻(xiàn)】

[1]FASSNACHT F E， LATIFI H， STERENCZAK K， et al. Review of studies on tree species classification from remotely sensed data[J]. Remote Sensing of Environment， 2016， 186： 64-87.

[2]GRABSKA E， HOSTERT P， PFLUGMACHER D， et al. Forest stand species mapping using the sentinel-2 time series[J]. Remote Sensing， 2019， 11（10）： 1197.

[3]溫小樂(lè)，鐘奧，胡秀娟.基于隨機(jī)森林特征選擇的城市綠化喬木樹(shù)種分類(lèi)[J].地球信息科學(xué)學(xué)報(bào)，2018，20（12）：1777-1786.

WEN X L， ZHONG A， HU X J. The classification of urban greening tree species based on feature selection of random forest[J]. Journal of Geo-Information Science， 2018， 20（12）： 1777-1786.

[4]FERET J B， ASNER G P. Tree species discrimination in tropical forests using airborne imaging spectroscopy[J]. IEEE Transactions on Geoscience and Remote Sensing， 2013， 51（1）： 73-84.

[5]黃翀，張晨晨，劉慶生，等.結(jié)合光學(xué)與雷達(dá)影像多特征的熱帶典型人工林樹(shù)種精細(xì)識(shí)別[J].林業(yè)科學(xué)，2021，57（7）：80-91.

HUANG C， ZHANG C C， LIU Q S， et al. Multi-feature classification of optical and SAR remote sensing images for typical tropical plantation species[J]. Scientia Silvae Sinicae， 2021， 57（7）： 80-91.

[6]李煜，李崇貴，劉思涵，等.應(yīng)用哨兵2A多時(shí)相遙感影像對(duì)樹(shù)種的識(shí)別[J].東北林業(yè)大學(xué)學(xué)報(bào)，2021，49（3）：44-47，51.

LI Y， LI C G， LIU S H， et al. Tree species recognition with sentinel-2A multitemporal remote sensing image[J]. Journal of Northeast Forestry University， 2021， 49（3）： 44-47， 51.

[7]IMMITZER M， ATZBERGER C， KOUKAL T. Tree species classification with random forest using very high spatial resolution 8-band WorldView-2 satellite data[J]. Remote Sensing， 2012， 4（9）： 2661-2693.

[8]XIE Z L， CHEN Y L， LU D S， et al. Classification of land cover， forest， and tree species classes with ZiYuan-3 multispectral and stereo data[J]. Remote Sensing， 2019， 11（2）： 164.

[9]DIAN Y Y， LI Z Y， PANG Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery[J]. Journal of the Indian Society of Remote Sensing， 2015， 43（1）： 101-107.

[10]LIM J， KIM K M， KIM E H， et al. Machine learning for tree species classification using sentinel-2 spectral information， crown texture， and environmental variables[J]. Remote Sensing， 2020， 12（12）： 2049.

[11]MASCHLER J， ATZBERGER C， IMMITZER M. Individual tree crown segmentation and classification of 13 tree species using airborne hyperspectral data[J]. Remote Sensing， 2018， 10（8）： 1218.

[12]楊丹，李崇貴，李斌.基于U-Net模型的多時(shí)相Sentinel-2A/B影像林分類(lèi)型分類(lèi)[J].林業(yè)科學(xué)研究，2022，35（4）：103-111.

YANG D， LI C G， LI B. Forest type classification based on multi-temporal sentinel-2A/B imagery using U-net model[J]. Forest Research， 2022， 35（4）： 103-111.

[13]師吉紅，項(xiàng)佳，劉健，等.南方紅壤典型水土流失區(qū)馬尾松林地上林木碳儲(chǔ)量的遙感監(jiān)測(cè)：以長(zhǎng)汀縣河田鎮(zhèn)為例[J].生態(tài)學(xué)報(bào)，2021，41（6）：2151-2160.

SHI J H， XIANG J， LIU J， et al. Remote sensing monitoring of aboveground carbon storage of Pinus massoniana forests in a typical red soil erosion area in Southern China： Hetian， Changting County of Fujian Province[J]. Acta Ecologica Sinica， 2021， 41（6）： 2151-2160.

[14]何昭欣，張淼，吳炳方，等.Google Earth Engine支持下的江蘇省夏收作物遙感提取[J].地球信息科學(xué)學(xué)報(bào)，2019，21（5）：752-766.

HE Z X， ZHANG M， WU B F， et al. Extraction of summer crop in Jiangsu based on Google Earth Engine[J]. Journal of Geo-Information Science， 2019， 21（5）： 752-766.

[15]池毓鋒，賴(lài)日文，余莉莉，等.基于Landsat8OLI數(shù)據(jù)的樹(shù)種類(lèi)型分布提取[J].自然資源學(xué)報(bào)，2017，32（7）：1193-1203.

CHI Y F， LAI R W， YU L L， et al. Extracting tree species distribution with Landsat 8 OLI data[J]. Journal of Natural Resources， 2017， 32（7）： 1193-1203.

[16]CLEVERS J， GITELSON A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3[J]. International Journal of Applied Earth Observation and Geoinformation， 2013， 23： 344-351.

[17]SHAFI U， MUMTAZ R， HAQ I U， et al. Wheat yellow rust disease infection type classification using texture features[J]. Sensors （Basel， Switzerland）， 2021， 22（1）： 146.

[18]BAUMANN M， OZDOGAN M， KUEMMERLE T， et al. Using the Landsat record to detect forest-cover changes during and after the collapse of the Soviet Union in the temperate zone of European Russia[J]. Remote Sensing of Environment， 2012， 124： 174-184.

[19]SOTHE C， DE ALMEIDA C M， LIESENBERG V， et al. Evaluating sentinel-2 and landsat-8 data to map sucessional forest stages in a subtropical forest in southern Brazil[J]. Remote Sensing， 2017， 9（8）： 838.

[20]任楓，王琦，楊佳，等.基于高分六號(hào)衛(wèi)星紅邊波段的森林蓄積量遙感反演：以西寧市針葉林為例[J].中國(guó)農(nóng)業(yè)氣象，2022，43（5）：408-420.

REN F， WANG Q， YANG J， et al. Retrieving of the forest stock volume based on the red edge bands of GF-6 remote sensing satellite： a case study of coniferous forest in Xining city[J]. Chinese Journal of Agrometeorology， 2022， 43（5）： 408-420.

[21]劉文雅，潘潔.基于神經(jīng)網(wǎng)絡(luò)的馬尾松葉綠素含量高光譜估算模型[J].應(yīng)用生態(tài)學(xué)報(bào)，2017，28（4）：1128-1136.

LIU W Y， PAN J. A hyperspectral assessment model for leaf chlorophyll content of Pinus massoniana based on neural network[J]. Chinese Journal of Applied Ecology， 2017， 28（4）： 1128-1136.

[22]何云，黃翀，李賀，等.基于Sentinel-2A影像特征優(yōu)選的隨機(jī)森林土地覆蓋分類(lèi)[J].資源科學(xué)，2019，41（5）：992-1001.

HE Y， HUANG C， LI H， et al. Land-cover classification of random forest based on Sentinel-2A image feature optimization[J]. Resources Science， 2019， 41（5）： 992-1001.