基于主成分分析下貝葉斯優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型人工林樹種識(shí)別的研究

摘 要：為探究基于主成分分析（Principal Component Analysis，PCA）下貝葉斯優(yōu)化（Bayesian Optimization，BO）卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）算法（PCA-BO-CNN）模型對(duì)人工林樹種識(shí)別的方法，以提高遙感技術(shù)在人工林樹種識(shí)別中的準(zhǔn)確率和魯棒性。以塞罕壩機(jī)械林場為研究區(qū)域，利用Sentinel-1遙感數(shù)據(jù)、Sentinel-2遙感數(shù)據(jù)、數(shù)字高程模型（digitalElevation Model，DEM）數(shù)據(jù)及森林資源二類調(diào)查數(shù)據(jù)和PCA-BO-CNN算法模型結(jié)合，并與其他不同算法模型對(duì)比分析，以提高人工林樹種識(shí)別的準(zhǔn)確性。結(jié)果表明，1）相比PCA算法處理前，PCA算法處理后多源數(shù)據(jù)特征的PCA1—PCA39共計(jì)39個(gè)特征的標(biāo)準(zhǔn)差和特征間的區(qū)分性明顯提升。因此，PCA算法處理有利于提升對(duì)華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優(yōu)勢(shì)樹種及非林地的識(shí)別精度；2）在PCA算法處理前，BO-隨機(jī)森林（random forest，RF）算法模型對(duì)主要優(yōu)勢(shì)樹種及非林地識(shí)別的總體準(zhǔn)確度（OA）和Kappa系數(shù)精度，分別為81. 87%，0. 754 5。在PCA算法處理后，PCA-BO-CNN算法模型對(duì)主要優(yōu)勢(shì)樹種及非林地識(shí)別的OA和Kappa系數(shù)精度相對(duì)提高，分別為83. 10%，0. 770 3；3）相比PCA算法處理前的BO-RF算法模型，PCA算法處理后的PCA-BO-CNN算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地識(shí)別的調(diào)和平均數(shù)（F1）、OA和Kappa系數(shù)的整體精度相對(duì)較高。具體，相比BO-RF算法模型PCA-BO-CNN算法模型的OA提升了1. 24%，且相比PCA算法處理前PCA-BO-CNN 算法模型OA提升了3. 71%。與其他算法模型相比，基于PCA-BO-CNN算法模型的人工林樹種識(shí)別方法具有很強(qiáng)的準(zhǔn)確性和魯棒性，為掌握塞罕壩林場人工林的樹種分布，進(jìn)而了解森林碳儲(chǔ)量、森林對(duì)氣候變化的響應(yīng)、制定碳減排政策以及推動(dòng)森林可持續(xù)發(fā)展提供重要的理論依據(jù)。

關(guān)鍵詞：PCA-BO-CNN模型； 塞罕壩林場； 人工林； 遙感技術(shù)； 樹種識(shí)別

中圖分類號(hào)：S771. 8 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 7525/j. issn. 1006-8023. 2025. 02. 009

0 引言

森林作為陸地生態(tài)系統(tǒng)的重要組成部分，擁有巨大的碳儲(chǔ)能力［1-3］。人工林在森林中扮演著重要角色，特別是我國人工林面積居全球首位，對(duì)于維持森林碳循環(huán)、緩解全球氣候變化具有深遠(yuǎn)意義［4］。因此，了解人工林碳儲(chǔ)量對(duì)于掌握我國森林碳匯儲(chǔ)量、應(yīng)對(duì)氣候變化、制定碳減排政策以及推動(dòng)森林可持續(xù)發(fā)展至關(guān)重要［5］。然而，人工林碳儲(chǔ)量的估算與森林樹種類型息息相關(guān)。不同森林樹種類型之間的儲(chǔ)碳能力存在明顯差異，僅靠統(tǒng)一森林含碳率估算無法提供準(zhǔn)確的人工林碳儲(chǔ)量信息［6］。因此，準(zhǔn)確的人工林樹種識(shí)別變得越來越重要，成為獲取可靠森林碳儲(chǔ)量信息的關(guān)鍵。

目前，人工林樹種識(shí)別的方法主要包括樣地清查法和基于遙感技術(shù)的樹種識(shí)別方法［7］。相比傳統(tǒng)人工對(duì)森林樹種識(shí)別的樣地清查法，基于遙感技術(shù)的樹種識(shí)別方法因遙感數(shù)據(jù)和計(jì)算機(jī)圖像解譯算法的不斷發(fā)展，逐漸成為人工林樹種識(shí)別的首選途徑［8］。特別是圖像解譯深度學(xué)習(xí)算法的發(fā)展，如卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型作為一種深度學(xué)習(xí)的圖像處理和識(shí)別方法，在基于遙感技術(shù)的林分、樹種結(jié)構(gòu)圖像識(shí)別領(lǐng)域取得了顯著成果［9-10］。而在人工林樹種識(shí)別方面，CNN模型仍有很大的提升空間。此外，與以往的基于遙感技術(shù)的樹種識(shí)別方法相比，CNN模型不再需要人工對(duì)遙感數(shù)據(jù)進(jìn)行深層參數(shù)特征的提?。?1］，而是通過卷積運(yùn)算自主學(xué)習(xí)到遙感數(shù)據(jù)的參數(shù)特征，從而提高人工林樹種識(shí)別的效率和準(zhǔn)確性。然而，CNN模型作為人工林樹種識(shí)別模型具有不易調(diào)整的模型超參數(shù)，且僅靠人工經(jīng)驗(yàn)進(jìn)行模型超參數(shù)調(diào)整存在很大的局限性［12］。為此，引入貝葉斯優(yōu)化超參數(shù)（Bayesian optimization，BO）算法對(duì)CNN人工林樹種識(shí)別模型的超參數(shù)進(jìn)行調(diào)整。相比其他模型超參數(shù)的優(yōu)化算法，BO算法是一種全局優(yōu)化的手段，在超參數(shù)調(diào)整、機(jī)器學(xué)習(xí)模型選擇和神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索等方面表現(xiàn)出色［13］，在一定程度上能夠提高樹種識(shí)別的準(zhǔn)確率和魯棒性。此外，多源數(shù)據(jù)特征的特征選擇是樹種識(shí)別中面臨的又一難題，為了解決這一難題，引入了主成分分析算法對(duì)遙感數(shù)據(jù)進(jìn)行特征優(yōu)選，從而提高樹種識(shí)別的準(zhǔn)確率。因此，通過主成分分析算法對(duì)多源數(shù)據(jù)特征進(jìn)行優(yōu)選，利用BO算法對(duì)CNN模型的超參數(shù)進(jìn)行優(yōu)化是提高CNN模型人工林樹種識(shí)別性能和準(zhǔn)確度的基礎(chǔ)［14］。

塞罕壩機(jī)械林場（以下簡稱為塞罕壩林場）作為我國典型的人工林國有林場之一［15］，是京津冀乃至華北地區(qū)重要的森林碳庫。為了準(zhǔn)確估算該林場的森林碳儲(chǔ)量，亟須提高人工林樹種識(shí)別的準(zhǔn)確率和魯棒性。因此，本研究選擇了塞罕壩林場作為研究區(qū)域，旨在探究一種基于主成分分析下的貝葉斯優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)（PCA-BO-CNN）算法模型的人工林樹種識(shí)別方法，以提高其實(shí)用性和準(zhǔn)確性。PCA-BO-CNN算法模型將主成分分析算法、貝葉斯優(yōu)化算法與CNN算法相結(jié)合，通過自動(dòng)篩選多源數(shù)據(jù)特征并調(diào)整CNN模型的超參數(shù)，從而提高人工林樹種識(shí)別的效率和準(zhǔn)確性，該方法不僅為局地區(qū)域人工林樹種識(shí)別提供了高效和準(zhǔn)確的方法，還為掌握森林碳儲(chǔ)量、了解氣候變化的影響、制定碳減排政策以及推動(dòng)森林可持續(xù)發(fā)展提供了重要的理論依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)

1. 1 研究區(qū)概況

塞罕壩林場位于河北省承德市最北部，地處冀蒙邊界，地理位置為：116°51′～117°39′ E，41°02′～42°36′ N，如圖1所示。林場南北向長為58. 6 km，東西向?qū)挒?5. 6 km，林場總面積92 634. 7 hm2。地勢(shì)中部高，東南、西北低，由中部分別向東南、西北傾斜，海拔1 010～1 940 m，平均坡度在20°。年均降水日數(shù)134 d，年均降水量452 mm，主要集中在6—8月，占全年降水量的67. 6%。林場屬于寒溫帶大陸性季風(fēng)氣候區(qū)，冬、春季較長，氣溫低且多風(fēng)；夏季短，日照強(qiáng)，溫差大。林場擁有豐富的土壤類型和復(fù)雜的氣候條件，孕育了多種多樣的植物種群，有森林、草原、草甸和灌叢等。其中，森林覆蓋率達(dá)80% 以上，主要優(yōu)勢(shì)樹種包括：華北落葉松（Larixgmelinii var. principis-rupprechtii）、白樺（Betula platy?phylla）、樟子松（Pinus sylvestris var. mongholica）、蒙古櫟（Quercus mongolica） 和云杉（Picea aspe?rata）等。

1. 2 數(shù)據(jù)與預(yù)處理

1. 2. 1 Sentinel-1/2和數(shù)字高程模型數(shù)據(jù)

Sentinel 系列衛(wèi)星是歐洲航天局（Europeanspace agency，ESA）哥白尼計(jì)劃發(fā)射的衛(wèi)星，主要提供Sentinel-1合成孔徑雷達(dá)遙感數(shù)據(jù)（synthetic apertureradar，SAR）和Sentinel-2 光學(xué)多光譜遙感數(shù)據(jù)（multi-spectral imagery，MSI）等。其中，Sentinel-1遙感衛(wèi)星是由A和B雙星組成，同時(shí)搭載C波段SAR傳感器［16］，具有條帶模式、干涉寬幅模式、超寬幅模式和波浪模式4種成像模式，能夠全天候作業(yè)、不受氣候條件的限制，支持交叉極化（VH）和垂直極化（VV）兩種常見的極化方式，Sentinel-1遙感數(shù)據(jù)具體的參數(shù)見表1。

Sentinel-2遙感衛(wèi)星同樣由A和B雙星組成，雙星的重訪周期為5 d，搭載MSI成像儀［17］，提供可見光、紅外和近紅外波段在內(nèi)的13個(gè)光譜波段，空間分辨率從10、20 m到60 m，Sentinel-2遙感數(shù)據(jù)具體的參數(shù)見表2。根據(jù)ESA 官方網(wǎng)站公布的相關(guān)信息，Sentinel-2遙感數(shù)據(jù)包括2A和1C 2種等級(jí)，其中2A級(jí)數(shù)據(jù)是經(jīng)過大氣校正的遙感數(shù)據(jù)能夠直接用于試驗(yàn)，1C 級(jí)數(shù)據(jù)是需要采用官方網(wǎng)站提供的Sen2Cor插件進(jìn)行大氣校正后得到2A級(jí)數(shù)據(jù)用于試驗(yàn)［18］。本研究使用的Sentinel-1_IW（IW為干涉寬幅模式數(shù)據(jù)）和Sentinel-2_MSIL2A（MSIL2A為多光譜影像）遙感數(shù)據(jù)均是通過ESA哥白尼哨兵科學(xué)數(shù)據(jù)中心（https：//browser. dataspace. copernicus. eu/）進(jìn)行免費(fèi)下載，并且采集時(shí)間與地面調(diào)查的森林資源二類調(diào)查數(shù)據(jù)相接近，云含量小于5% 的2020年的6月、8月、10月遙感數(shù)據(jù)，且每期數(shù)據(jù)包括1景Sentinel-1_IW 數(shù)據(jù)和3 景Sentinel-2_MSIL2A 遙感數(shù)據(jù)。此外，數(shù)字高程模型（digital elevation model，DEM）數(shù)據(jù)即DEM數(shù)據(jù)是一種常用于反映地表森林植被等地貌特征的數(shù)據(jù)。DEM數(shù)據(jù)是從地理空間數(shù)據(jù)云官方網(wǎng)站（https：//www. gscloud. cn/）進(jìn)行2020年數(shù)據(jù)的免費(fèi)下載，并按照6月、8月、10月分成同樣的3份DEM數(shù)據(jù)。

數(shù)據(jù)預(yù)處理包括：1）Sentinel-1遙感數(shù)據(jù)，由于SAR數(shù)據(jù)受地形起伏和斑點(diǎn)噪聲影響引起幾何和輻射畸變，為此利用ESA的開源SNAP軟件對(duì)其進(jìn)行軌道校正、輻射定標(biāo)、熱噪聲去除、Deburst處理、多視處理、濾波處理、地理編碼和按照塞罕壩林場邊界進(jìn)行裁剪，獲得后向散射系數(shù)（Sigma0_VV_db、Sigma0_VH_db）雷達(dá)特征。2）Sentinel-2遙感數(shù)據(jù)，通過SNAP軟件的Sen2Cor大氣校正處理器進(jìn)行大氣校正得到2A級(jí)遙感數(shù)據(jù)，以及輻射定標(biāo)、拼接、重采樣和按照塞罕壩林場邊界進(jìn)行裁剪，獲得13個(gè)波段遙感數(shù)據(jù)（B1，B2，…B8，B8A，B9，…B12）。在此基礎(chǔ)上，去除3個(gè)用于監(jiān)測大氣的B1、B9和B10波段，剩下的10個(gè)波段，即B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段均能用于反映森林資源參數(shù)的特征。因此，本研究選取Sentine1-2遙感數(shù)據(jù)的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段光譜特征用于樹種識(shí)別。3）DEM數(shù)據(jù)，利用ArcGIS軟件對(duì)其重投影、重采樣、坡度、坡向分析和塞罕壩林場區(qū)域裁剪，提取高程（Elevation）、坡向（Aspect）和坡度（Slope）地形特征。為了便于后續(xù)塞罕壩林場的主要優(yōu)勢(shì)樹種及非林地的分類識(shí)別，將Sentinel-1、Sentinel-2和DEM全部數(shù)據(jù)的空間分辨率均重采樣為統(tǒng)一像元大小20 m的柵格數(shù)據(jù)。塞罕壩林場提取的多源數(shù)據(jù)特征見表3。

1. 2. 2 地面調(diào)查數(shù)據(jù)

根據(jù)2020年完成的森林資源二類調(diào)查矢量數(shù)據(jù)（以下簡稱為二調(diào)數(shù)據(jù)），塞罕壩林場的華北落葉松（HBLYS）、白樺（BH）、樟子松（ZZS）、蒙古櫟（MGL）和云杉（YS）主要優(yōu)勢(shì)樹種及非林地（FLD）在塞罕壩林場二類調(diào)查矢量數(shù)據(jù)的具體空間分布情況，如圖2所示。

根據(jù)圖2的塞罕壩林場主要優(yōu)勢(shì)樹種及非林地的空間分布狀況，使用ArcGIS軟件采集主要優(yōu)勢(shì)樹種及其非林地的分類識(shí)別樣本。為了獲取準(zhǔn)確的分類識(shí)別樣本，通過Google Earth提供的高分辨率數(shù)據(jù)進(jìn)行分類識(shí)別樣本相對(duì)位置的驗(yàn)證，以確保分類識(shí)別樣本的數(shù)量和精度。塞罕壩林場的主要優(yōu)勢(shì)樹種及其非林地分類識(shí)別樣本的空間分布，如圖3所示。

塞罕壩林場主要優(yōu)勢(shì)樹種及非林地有效的分類識(shí)別樣本總計(jì)有7 278個(gè)。其中，華北落葉松樣本數(shù)最多為3 088個(gè)，云杉樣本數(shù)最少為263個(gè)。為保證樣本數(shù)的充足性，以樣點(diǎn)最多的華北落葉松為基準(zhǔn)數(shù)，將其他類別的分類識(shí)別樣本進(jìn)行袋內(nèi)重復(fù)采樣至3 088個(gè)，使各樹種的分類識(shí)別樣本具有相似的權(quán)重。塞罕壩林場主要優(yōu)勢(shì)樹種及非林地分類識(shí)別樣本的具體數(shù)量見表4。

2 研究方法

2. 1 主成分分析特征選擇

主成分分析算法（principal component analysis，PCA）是一種常用的特征降維算法，在實(shí)踐中廣泛地應(yīng)用于遙感數(shù)據(jù)的特征優(yōu)選［19］，尤其是高光譜、多光譜遙感數(shù)據(jù)。其中，多光譜遙感數(shù)據(jù)含多個(gè)波段，利用PCA算法，可以對(duì)其進(jìn)行多維正交線性轉(zhuǎn)換，使原始重復(fù)冗余的數(shù)據(jù)生成新的組分不相關(guān)的數(shù)據(jù)，降低了數(shù)據(jù)的重復(fù)和冗余程度，因此PCA算法對(duì)遙感數(shù)據(jù)具有分離信息、減少相關(guān)、突出不同地物特征的作用。本研究使用PCA算法對(duì)多源數(shù)據(jù)特征（表3）進(jìn)行特征優(yōu)選。其中，PCA算法的具體計(jì)算為

Y = AX。（1）

式中：Y 為主成分變換后的遙感數(shù)據(jù)；A 為將X 轉(zhuǎn)換到Y(jié) 的變換矩陣；X 為主成分變換前的遙感數(shù)據(jù)。

2. 2 貝葉斯優(yōu)化算法

常見的算法模型中超參數(shù)優(yōu)化的方法有粒子群優(yōu)化算法、遺傳優(yōu)化算法和貝葉斯優(yōu)化算法（Bayesian optimization algorithm，BO）等。其中，BO算法是一種以概率貝葉斯原理為基礎(chǔ)的全局優(yōu)化算法，其在對(duì)一組超參數(shù)進(jìn)行運(yùn)算的同時(shí)，也考慮了先前的超參數(shù)集合，以此得到模型的最優(yōu)超參數(shù)組合。BO算法相較于其他超參數(shù)優(yōu)化算法，能夠在較短的迭代計(jì)算時(shí)間內(nèi)獲得最優(yōu)超參數(shù)組合［20］。貝葉斯定理公式為

式中：f為含超參數(shù)的黑箱函數(shù)；t為觀測集合總數(shù)；D1：t為已觀測點(diǎn)集合；xt為決策向量；yt為觀測值；εt為觀測誤差；P（D1：t| f）為y的似然函數(shù)分布；P（f）為目標(biāo)函數(shù)f 的先驗(yàn)函數(shù)分布；P（D1：t| f）為f 的邊際似然函數(shù)分布，用來優(yōu)化可變參數(shù)；P（f | D1：t ）為f 的后驗(yàn)函數(shù)分布，表示修正先驗(yàn)函數(shù)分布后未知目標(biāo)函數(shù)的置信度。此外，BO算法由先驗(yàn)函數(shù)與采集函數(shù)2個(gè)重要部分組成［21］。本研究以高斯過程（Gaussian Process）先驗(yàn)函數(shù)和改進(jìn)概率函數(shù)采集函數(shù)提高樹種識(shí)別模型的泛化能力。BO算法的具體流程如圖4所示。

2. 3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是一種典型深度學(xué)習(xí)算法模型，具有多層網(wǎng)絡(luò)結(jié)構(gòu)，在圖像識(shí)別領(lǐng)域得到廣泛的應(yīng)用［22］。CNN模型包括特征提取和特征映射兩層主要結(jié)構(gòu)，根據(jù)功能又可分為輸入層、卷積層、池化層、展平層、全連接層和輸出層［23］，如圖5所示。本研究CNN算法模型是2D CNN算法，其輸入層是獲取柵格數(shù)據(jù)特征并將圖像的像素值轉(zhuǎn)換成對(duì)應(yīng)的像素二維矩陣，傳遞給卷積層；卷積層是利用卷積核對(duì)像素二維矩陣進(jìn)行卷積操作，得到一個(gè)新的像素二維矩陣即特征圖像；池化層是對(duì)特征圖像進(jìn)行特征掃描，將其最具代表性的特征提取出來，起到減少模型參數(shù)數(shù)量的同時(shí)，保留了原圖像的重要特征、有效防止過擬合；全連接層是將提取的所有像素二維矩陣特征圖進(jìn)行“展平”處理，變?yōu)橐痪S特征向量，為輸出層提供基礎(chǔ)數(shù)據(jù)；輸出層是將全連接層得到的一維向量經(jīng)過線性或非線性的計(jì)算得到不同類別的識(shí)別概率，這概率一般是在每一種分類位置都會(huì)得到一個(gè)概率值，取最大的概率值，得到最終樹種的識(shí)別結(jié)果。

2. 4 PCA-BO-CNN樹種識(shí)別模型

PCA 特征優(yōu)選下貝葉斯優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)（PCA Bayesian optimization convolutional neural network，PCA-BO-CNN）是一種通過PCA算法對(duì)多源數(shù)據(jù)特征進(jìn)行優(yōu)選和BO 算法優(yōu)化CNN 超參數(shù)的方法。本研究PCA-BO-CNN 樹種識(shí)別模型的具體流程：數(shù)據(jù)預(yù)處理即對(duì)Sentinel-1遙感數(shù)據(jù)、Sentinel-2遙感數(shù)據(jù)、DEM數(shù)據(jù)和二調(diào)數(shù)據(jù)進(jìn)行預(yù)處理，得到多源數(shù)據(jù)的特征組合并進(jìn)行歸一化與識(shí)別樣本數(shù)據(jù)的像元行列數(shù)相同；同時(shí)，將樹種識(shí)別樣本數(shù)據(jù)隨機(jī)劃分成70%的訓(xùn)練集和30%的測試集，用于識(shí)別模型的訓(xùn)練和精度評(píng)估；PCA算法對(duì)多源數(shù)據(jù)特征進(jìn)行優(yōu)選，BO算法在超參數(shù)搜索空間中迭代選擇配置超參數(shù)，并在訓(xùn)練集上進(jìn)行訓(xùn)練。然后根據(jù)測試集的性能評(píng)估結(jié)果，更新模型的先驗(yàn)知識(shí)，收斂到更好的模型超參數(shù)組合，完成塞罕壩林場優(yōu)勢(shì)樹種的識(shí)別任務(wù)，如圖6所示。同時(shí)，與貝葉斯優(yōu)化隨機(jī)森林算法（BO-RF）、貝葉斯優(yōu)化人工神經(jīng)網(wǎng)絡(luò)算法（BO-ANN）和經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)算法（AlexNet、GoogLeNet 和VGGNet）對(duì)比分析，以驗(yàn)證PCA-BOCNN算法對(duì)樹種識(shí)別的準(zhǔn)確性和魯棒性。

2. 5 樹種分類識(shí)別后精度評(píng)價(jià)

為了定量評(píng)估PCA-BO-CNN 等不同算法模型對(duì)樹種識(shí)別中的表現(xiàn)性能，本研究采用混淆矩陣法進(jìn)行樹種識(shí)別精度的評(píng)價(jià)。其中，評(píng)價(jià)指標(biāo)主要包括制圖精度（producer accuracy，PA，式中記為PA）、用戶精度（user accuracy，UA，式中記為UA）、總體精度（overall accuracy，OA）和Kappa 系數(shù)（Kappa）［24］。而在實(shí)際分類中，PA和UA又相互制衡，不能準(zhǔn)確判斷分類的優(yōu)劣，所以引入PA 和UA 的調(diào)和平均值（F1）評(píng)價(jià)分類效果［25］。其中，F(xiàn)1的計(jì)算公式為

式中：F1的取值范圍是［0，1］。

3 結(jié)果與分析

3. 1 多源數(shù)據(jù)特征優(yōu)選及可分性分析

通過ArcGIS軟件波段組合工具將塞罕壩林場6月、8 月和10 月的Sigma0_VV_db、Sigma0_VH_db、B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12、Elevation、Aspect和Slope多源數(shù)據(jù)特征進(jìn)行組合成一張柵格數(shù)據(jù)，如圖7（a）所示；通過ArcGIS 軟件多值提取至點(diǎn)的工具，按照華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優(yōu)勢(shì)樹種及非林地分類識(shí)別樣本將6月、8月和10月多源數(shù)據(jù)特征的像元值提取至各分類識(shí)別樣本點(diǎn)，并經(jīng)過歸一化處理后繪制優(yōu)勢(shì)樹種及非林地的多源數(shù)據(jù)特征分布及標(biāo)準(zhǔn)差曲線，結(jié)果如圖7（b）和如圖7（c）所示。此外，通過PCA 算法，對(duì)塞罕壩林場6 月、8 月和10 月的多源數(shù)據(jù)特征進(jìn)行特征優(yōu)選處理（累積貢獻(xiàn)率達(dá)100%），如圖8 所示，并篩選出PCA1—PCA39 共計(jì)39個(gè)特征，結(jié)果如圖8（a）所示；同理，按照華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優(yōu)勢(shì)樹種及非林地分類識(shí)別樣本將PCA算法處理后的多源數(shù)據(jù)特征的像元值提取至各主要優(yōu)勢(shì)樹種及非林地的分類識(shí)別樣本點(diǎn)，并經(jīng)過歸一化后繪制不同樹種的多源數(shù)據(jù)特征分布及標(biāo)準(zhǔn)差曲線，結(jié)果如圖8（b）和如圖8（c）所示。

根據(jù)圖7和圖8可知，相比PCA算法處理前6月、8 月和10 月多源數(shù)據(jù)特征，PCA 算法處理后6 月、8月和10月多源數(shù)據(jù)特征的PCA1—PCA39標(biāo)準(zhǔn)差明顯高于PCA算法處理前的多源數(shù)據(jù)特征的標(biāo)準(zhǔn)差，同時(shí)，PCA算法處理后多源數(shù)據(jù)特征的區(qū)分性相對(duì)較大。即塞罕壩林場的華北落葉松、白樺、樟子松、蒙古櫟和云杉優(yōu)勢(shì)樹種及非林地能夠更好地通過PCA算法處理后6月、8月和10月多源數(shù)據(jù)的PCA1—PCA39進(jìn)行主要優(yōu)勢(shì)樹種及非林地的區(qū)分識(shí)別。因此，通過PCA算法處理多源數(shù)據(jù)特征有利于提升對(duì)華北落葉松、白樺、樟子松、蒙古櫟和云杉主優(yōu)勢(shì)樹種及非林地的識(shí)別精度。

3. 2 多源數(shù)據(jù)特征樹種識(shí)別及精度分析

通過BO-RF、BO-ANN、BO-CNN、AlexNet、Goog-LeNet和VGGNet不同算法模型，對(duì)塞罕壩林場PCA處理前的多源數(shù)據(jù)特征進(jìn)行華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優(yōu)勢(shì)樹種及非林地的識(shí)別，不同算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地的識(shí)別結(jié)果，如圖9 所示。同時(shí)，通過Arc‐GIS 軟件創(chuàng)建隨機(jī)點(diǎn)工具隨機(jī)生成2 184 個(gè)隨機(jī)測試樣本點(diǎn)用于主要優(yōu)勢(shì)樹種及非林地識(shí)別精度的評(píng)價(jià)。即隨機(jī)生成總分類識(shí)別樣本數(shù)的30%的隨機(jī)樣本，用于不同算法模型對(duì)塞罕壩林場PCA處理前多源數(shù)據(jù)特征主要優(yōu)勢(shì)樹種及非林地的識(shí)別結(jié)果進(jìn)行混淆矩陣的計(jì)算，并基于此混淆矩陣進(jìn)行F1、OA 和Kappa 系數(shù)指標(biāo)的計(jì)算，結(jié)果見表5。

根據(jù)圖9和表5可知，在經(jīng)過PCA算法處理前6月、8月和10月多源數(shù)據(jù)特征進(jìn)行華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優(yōu)勢(shì)樹種及非林地的識(shí)別中，BO-RF算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地的識(shí)別的OA精度相對(duì)較高，其次是AlexNet、BO-ANN、BO-CNN、VGGNet和GoogLeNet。

此外，通過BO-RF、BO-ANN、BO-CNN、AlexNet、GoogLeNet和VGGNet不同算法模型，對(duì)塞罕壩林場PCA算法處理后的多源數(shù)據(jù)特征PCA1—PCA39進(jìn)行主要優(yōu)勢(shì)樹種及非林地的識(shí)別，不同算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地的識(shí)別結(jié)果，如圖10所示。同樣，通過上述隨機(jī)生成的2 184個(gè)隨機(jī)測試樣本點(diǎn)用于PCA算法處理后多源數(shù)據(jù)特征主要優(yōu)勢(shì)樹種及非林地的識(shí)別結(jié)果進(jìn)行混淆矩陣的計(jì)算進(jìn)而對(duì)F1、OA和Kappa系數(shù)指標(biāo)的計(jì)算，結(jié)果見表6。

根據(jù)圖10和表6可知，相比經(jīng)過PCA算法處理前6 月、8 月和10 月多源數(shù)據(jù)特征的BO-RF、BOANN、BO-CNN、AlexNet、GoogLeNet 和VGGNet 不同算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地識(shí)別的F1、OA和Kappa系數(shù)的精度，經(jīng)過PCA算法處理后的多源組合數(shù)據(jù)的不同算法使主要優(yōu)勢(shì)樹種及非林地識(shí)別的F1、OA和Kappa系數(shù)的精度得到了提升。此外，在經(jīng)過PCA算法處理后多源數(shù)據(jù)特征的PCA1—PCA39樹種識(shí)別中，BO-CNN算法對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地的識(shí)別的OA精度相對(duì)較高，即PCA-BO-CNN 算法模型OA 精度相對(duì)較高，其次是AlexNet、BO-RF、GoogLeNet、VGGNet 和BO-ANN。

3. 3 多源數(shù)據(jù)特征PCA前后最優(yōu)模型對(duì)比分析

通過將在PCA算法處理前多源數(shù)據(jù)特征的不同算法模型在塞罕壩林場主要優(yōu)勢(shì)樹種及非林地識(shí)別中，精度最高的BO-RF算法模型以及將在PCA算法處理后多源數(shù)據(jù)特征PCA1—PCA39的不同算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地識(shí)別中，精度最高的BO-CNN 算法模型（PCA-BO-CNN）的F1、OA和Kappa系數(shù)的精度繪制成圖，結(jié)果如圖11所示。

根據(jù)圖11可知，相比在經(jīng)過PCA算法處理前多源數(shù)據(jù)特征的BO-RF算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地的識(shí)別精度，經(jīng)過PCA算法處理后多源數(shù)據(jù)PCA1—PCA39的PCA-BO-CNN 算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地的識(shí)別的F1、OA和Kappa系數(shù)的整體精度相對(duì)較高。具體，相比BO-RF算法模型PCA-BO-CNN算法模型的OA提升了1. 24%，且相比PCA 算法處理前PCA-BOCNN算法模型OA提升了3. 71%。

4 結(jié)論與討論

基于Sentinel-1 遙感數(shù)據(jù)、Sentinel-2 遙感數(shù)據(jù)和DEM數(shù)據(jù)的共計(jì)有45個(gè)多源數(shù)據(jù)特征以及二調(diào)數(shù)據(jù)的主要優(yōu)勢(shì)樹種分類識(shí)別樣本特征，通過使用BO-RF、BO-ANN、BO-CNN、AlexNet、GoogLeNet 和VGGNet不同算法模型對(duì)PCA算法處理前后的多源數(shù)據(jù)特征進(jìn)行主要優(yōu)勢(shì)樹種的識(shí)別及精度評(píng)價(jià)，以此驗(yàn)證PCA-BO-CNN 算法模型對(duì)主要優(yōu)勢(shì)樹種識(shí)別的準(zhǔn)確性和魯棒性。主要結(jié)論：1）相比PCA算法處理前，PCA 算法處理后多源數(shù)據(jù)特征的PCA1—PCA39的標(biāo)準(zhǔn)差和特征間的區(qū)分性明顯提升。因此，通過PCA算法處理多源數(shù)據(jù)特征有利于提升對(duì)華北落葉松、白樺、樟子松、蒙古櫟和云杉主優(yōu)勢(shì)樹種及非林地的識(shí)別精度；2）在PCA算法處理前，BO-RF算法模型對(duì)主要優(yōu)勢(shì)樹種及非林地識(shí)別的OA和Kappa系數(shù)精度相對(duì)較高，分別為81. 87%，0. 754 5。在PCA算法處理后，PCA-BO-CNN算法模型對(duì)主要優(yōu)勢(shì)樹種及非林地識(shí)別的OA和Kappa系數(shù)精度相對(duì)較高，分別為83. 10%，0. 770 3；3）相比PCA算法處理前的BO-RF算法模型，經(jīng)過PCA算法處理后的PCA-BO-CNN算法模型對(duì)塞罕壩林場主要優(yōu)勢(shì)樹種及非林地識(shí)別的F1、OA和Kappa系數(shù)的整體精度相對(duì)較高。具體，相比BO-RF算法模型PCA-BO-CNN算法模型的OA提升了1. 24%，且相比PCA算法處理前PCA-BO-CNN算法模型OA提升了3. 71%。

塞罕壩林場是非常典型的人工林區(qū)域之一［26］，在一定程度上加強(qiáng)了PCA-BO-CNN 算法模型的泛化能力和實(shí)用性，但本研究在進(jìn)行泛化能力驗(yàn)證時(shí)，受客觀條件限制，只選取了Sentinel系列數(shù)據(jù)和DEM數(shù)據(jù)，可能不夠充分，為此可以再選取其他不同人工林研究區(qū)、不同分辨率、不同時(shí)相的遙感數(shù)據(jù)，進(jìn)行豐富的泛化能力測試驗(yàn)證試驗(yàn)。此外，訓(xùn)練數(shù)據(jù)集存在樣本不平衡的情況，樣本不平衡會(huì)使得PCA-BO-CNN算法模型偏向樣本較多的類別，導(dǎo)致模型對(duì)于樣本較少的類別分類精度不高，日后可以嘗試一些其他方式，如遷移學(xué)習(xí)，以期在新的遙感數(shù)據(jù)中獲得更佳的人工林樹種識(shí)別效果。此外，可以探索將PCA-BO-CNN 算法模型應(yīng)用于其他領(lǐng)域，如森林健康監(jiān)測、樹木生長狀況評(píng)估等諸多方面的研究應(yīng)用。

【參 考 文 獻(xiàn)】

［1］ 馬學(xué)威，熊康寧，張俞，等. 森林生態(tài)系統(tǒng)碳儲(chǔ)量研究進(jìn)展與展望［J］. 西北林學(xué)院學(xué)報(bào)，2019，34（5）：62-72.

MA X W，XIONG K N，ZHANG Y，et al. Research progressesand prospects of carbon storage in forest ecosystems［J］. Journal of Northwest Forestry University，2019，34（5）：62-72.

［2］ 張穎，孟娜，姜逸菲. 中國森林碳匯與林業(yè)經(jīng)濟(jì)發(fā)展耦合及長期變化特征分析［J］. 北京林業(yè)大學(xué)學(xué)報(bào)，2022，44（10）：129-141.

ZHANG Y，MENG N，JIANG Y F. Coupling and long-termchange characteristics analysis of forest carbon sequestrationand forestry economic development in China［J］. Journalof Beijing Forestry University，2022，44（10）：129-141.

［3］ ZHANG D N，ZHAO Y H，WU J S. Assessment of carbonbalance attribution and carbon storage potential in China′sterrestrial ecosystem［J］. Resources，Conservation and Recycling，2023，189（2）：106748.

［4］ 梅夢(mèng)媛，雷一東. 我國人工林新時(shí)代發(fā)展形勢(shì)分析［J］.世界林業(yè)研究，2019，32（3）：73-77.

MEI M Y，LEI Y D. Analysis on development trend ofChina′s plantation in new era［J］. World Forestry Research，2019，32（3）：73-77.

［5］ 劉曉曼，王超，高吉喜，等. 服務(wù)雙碳目標(biāo)的中國人工林生態(tài)系統(tǒng)碳增匯途徑［J］. 生態(tài)學(xué)報(bào)，2023，43（14）：5662-5673.

LIU X M，WANG C，GAO J X，et al. Approaches to carbonsequestration enhancement in China′s plantation ecosystemfor carbon peaking and carbon neutrality goals［J］.Acta Ecologica Sinica，2023，43（14）：5662-5673.

［6］ 涂宏濤，周紅斌，馬國強(qiáng)，等. 基于第九次森林資源清查的云南森林碳儲(chǔ)量特征研究［J］. 西北林學(xué)院學(xué)報(bào)，2023，38（3）：185-193.

TU H T，ZHOU H B，MA G Q，et al. Characteristics of forestcarbon storage in Yunnan based on the ninth forest inventorydata［J］. Journal of Northwest Forestry University，2023，38（3）：185-193.

［7］ 陳永富，陳巧，劉華. 基于遙感圖像的林況因子提取研究進(jìn)展［J］. 世界林業(yè)研究，2022，35（2）：53-58.

CHEN Y F，CHEN Q，LIU H. Research progress in forestcondition factors extraction based on remote sensing images［J］. World Forestry Research，2022，35（2）：53-58.

［8］ 李華玉，陳永富，陳巧，等. 基于遙感技術(shù)的森林樹種識(shí)別研究進(jìn)展［J］. 西北林學(xué)院學(xué)報(bào)，2021，36（6）：220-229.

LI H Y，CHEN Y F，CHEN Q，et al. Research progress offorest tree species identification based on remote sensingtechnology［J］. Journal of Northwest Forestry University，2021，36（6）：220-229.

［9］ 江濤，王新杰. 基于卷積神經(jīng)網(wǎng)絡(luò)的高分二號(hào)影像林分類型分類［J］. 北京林業(yè)大學(xué)學(xué)報(bào)，2019，41（9）：20-29.

JIANG T，WANG X J. Convolutional neural network forGF-2 image stand type classification［J］. Journal of BeijingForestry University，2019，41（9）：20-29.

［10］ 劉嘉政，王雪峰，王甜. 基于多特征融合和CNN模型的樹種圖像識(shí)別研究［J］. 北京林業(yè)大學(xué)學(xué)報(bào)，2019，41（11）：76-86.

LIU J Z，WANG X F，WANG T. Image recognition of treespecies based on multi feature fusion and CNN model［J］.Journal of Beijing Forestry University，2019，41（11）：76-86.

［11］ 周維勛. 基于深度學(xué)習(xí)特征的遙感影像檢索研究［J］.測繪學(xué)報(bào)，2023，52（1）：167-179.

ZHOU W X. Research on remote sensing image retrievalbased on deep learning features［J］. Acta Geodaetica etCartographica Sinica，2023，52（1）：167-179.

［12］ 李紅宇，黃志鵬，張廣玲，等. 動(dòng)態(tài)權(quán)重證據(jù)推理規(guī)則的CNN 超參數(shù)質(zhì)量評(píng)估［J］. 小型微型計(jì)算機(jī)系統(tǒng)，2021，42（5）：1015-1021.

LI H Y，HUANG Z P，ZHANG G L，et al. Quality assessmentof CNN hyper-parameters based on dynamic weightevidential reasoning rule［J］. Journal of Chinese ComputerSystems，2021，42（5）：1015-1021.

［13］ 崔佳旭，楊博. 貝葉斯優(yōu)化方法和應(yīng)用綜述［J］. 軟件學(xué)報(bào)，2018，29（10）：3068-3090.

CUI J X，YANG B. Survey on Bayesian optimization methodologyand applications［J］. Journal of Software，2018，29（10）：3068-3090.

［14］ 鄧帥. 基于改進(jìn)貝葉斯優(yōu)化算法的CNN超參數(shù)優(yōu)化方法［J］. 計(jì)算機(jī)應(yīng)用研究，2019，36（7）：1984-1987.

DENG S. Hyper-parameter optimization of CNN based onimproved Bayesian optimization algorithm［J］. ApplicationResearch of Computers，2019，36（7）：1984-1987.

［15］ 常偉強(qiáng). 塞罕壩機(jī)械林場森林資源動(dòng)態(tài)變化分析［J］.林業(yè)資源管理，2018，1（6）：13-17.

CHANG W Q. Analysis on dynamic changes of the forestresources in Saihanba Mechanized Forest Farm［J］. ForestResources Management，2018，1（6）：13-17.

［16］ TORRES R，SNOEIJ P，GEUDTNER D，et al. GMES Sentinel-1 mission［J］. Remote Sensing of Environment，2012，120（5）：9-24.

［17］ DRUSCH M，DEL BELLO U，CARLIER S，et al. Sentinel-2： ESA′s optical high-resolution mission for GMES operationalservices［J］. Remote Sensing of Environment，2012，120（5）：25-36.

［18］ SU W，ZHANG M Z，JIANG K P，et al. Atmospheric correctionmethod for Sentinel-2 satellite imagery［J］. ActaOptica Sinica，2018，38（1）：0128001.

［19］ BARSHAN E，GHODSI A，AZIMIFAR Z，et al. Supervisedprincipal component analysis： Visualization，classificationand regression on subspaces and submanifolds［J］. Pattern Recognition，2011，44（7）：1357-1371.

［20］ 周旭，王認(rèn)卓，代亞勛，等. 基于BO-XGBoost的煤自燃分級(jí)預(yù)警研究［J］. 煤炭工程，2022，54（8）：108-114.

ZHOU X，WANG R Z，DAI Y X，et al. Classified earlywarning of coal spontaneous combustion based on BO-XGBoost［J］. Coal Engineering，2022，54（8）：108-114.

［21］ 王媛彬，李媛媛，韓騫，等. 基于PCA-BO-XGBoost的礦井回采工作面瓦斯涌出量預(yù)測［J］. 西安科技大學(xué)學(xué)報(bào)，2022，42（2）：371-379.

WANG Y B，LI Y Y，HAN Q，et al. Gas emission predictionof the stope in coal mine based on PCA-BO-XGBoost［J］. Journal of Xi′an University of Science and Technology，2022，42（2）：371-379.

［22］ 范迎迎，張姍姍. 基于深度主動(dòng)學(xué)習(xí)的高光譜遙感圖像分類方法［J］. 東北師大學(xué)報(bào)（自然科學(xué)版），2022，54（4）：64-70.

FAN Y Y，ZHANG S S. Hyperspectral remote sensingimage classification method based on deep active learning［J］. Journal of Northeast Normal University （Natural ScienceEdition），2022，54（4）：64-70.

［23］ 胡越，羅東陽，花奎，等. 關(guān)于深度學(xué)習(xí)的綜述與討論［J］. 智能系統(tǒng)學(xué)報(bào)，2019，14（1）：1-19.

HU Y，LUO D Y，HUA K，et al. Overview on deep learning［J］. CAAI Transactions on Intelligent Systems，2019，14（1）：1-19.

［24］ 張開放，蘇華友，竇勇. 一種基于混淆矩陣的多分類任務(wù)準(zhǔn)確率評(píng)估新方法［J］. 計(jì)算機(jī)工程與科學(xué)，2021，43（11）：1910-1919.

ZHANG K F，SU H Y，DOU Y. A new multi-classificationtask accuracy evaluation method based on confusionmatrix［J］. Computer Engineering amp; Science，2021，43（11）：1910-1919.

［25］ 劉靈，張加龍，韓雪蓮，等. 基于GEE和Sentinel時(shí)序影像的優(yōu)勢(shì)樹種識(shí)別研究［J］. 森林工程，2023，39（1）：63-72.

LIU L，ZHANG J L，HAN X L，et al. Dominant speciesclassification based on Google Earth Engine and Sentineltime-series data［J］. Forest Engineering，2023，39（1）：63-72.

［26］ 李斌，李崇貴，李煜. 基于Sentinel-2數(shù)據(jù)的塞罕壩機(jī)械林場落葉松人工林提?。跩］. 林業(yè)資源管理，2021，1（2）：117-123.

LI B，LI C G，LI Y. Research on larch extraction in SaihanbaMechanical Forest Farm based on Sentinel-2 data［J］. Forest Resource Management，2021，1（2）：117-123.

基金項(xiàng)目：中央引導(dǎo)地方科技發(fā)展資金項(xiàng)目（246Z5901G）；河北省自然科學(xué)基金青年基金（D2019209322；2019209317）；唐山市科技局應(yīng)用基礎(chǔ)研究計(jì)劃（20130202b）；華北理工大學(xué)博士專項(xiàng)經(jīng)費(fèi)（BS201818）。