基于時序Sentinel-2影像與激光雷達數(shù)據(jù)的黃山區(qū)森林分類

摘 要：【目的】森林精準分類對于估算森林生產(chǎn)力和評估生物多樣性等具有重要意義。本研究以黃山區(qū)為研究對象，旨在探討多源遙感數(shù)據(jù)在提高森林分類精度方面的效果。【方法】利用時序Sentinel-2數(shù)據(jù)提取光譜特征、紋理特征和植被指數(shù)，構(gòu)建多時相特征集合。同時，利用激光雷達數(shù)據(jù)提取高度和強度變量，構(gòu)建森林垂直結(jié)構(gòu)參數(shù)。將時序Sentinel-2信息引入基于激光雷達點云數(shù)據(jù)的森林分類，并采用隨機森林算法實現(xiàn)3種分類方案，評估不同分類方案的精度。【結(jié)果】1）采用單一雷達數(shù)據(jù)進行分類的總體精度為70.36%，Kappa系數(shù)為0.582。多源遙感數(shù)據(jù)協(xié)同分類在森林分類上顯著優(yōu)于單一點云數(shù)據(jù)的方法，總體精度提高了7.92%，Kappa系數(shù)為0.702。引入時序Sentinel-2數(shù)據(jù)進一步提高了8.21%的總體精度，且Kappa系數(shù)為0.794；2）在各個森林類型中，闊葉林和其他類別表現(xiàn)出較高的分類精度，其次是竹林和針葉林，而針闊混交林的分類精度較低；3）分類結(jié)果顯示，黃山區(qū)森林總面積為135 835.35 hm2，其中，闊葉林95 294.38 hm2，針葉林9 907.07 hm2，針闊混交林2 990.35 hm2，竹林16 499.95 hm2，灌木林11 143.60 hm2。【結(jié)論】單一數(shù)據(jù)源分類精度低于多源數(shù)據(jù)分類精度，加入時序數(shù)據(jù)的多源數(shù)據(jù)分類精度高于未加入時的分類精度，證明了多源遙感數(shù)據(jù)和時序信息的協(xié)同應(yīng)用能顯著提高森林分類的精度。

關(guān)鍵詞：時序Sentinel-2影像；激光雷達；森林分類；特征提取

中圖分類號：S757.2 文獻標志碼：A 文章編號：1673-923X（2025）02-0034-10

基金項目：國家自然科學(xué)基金項目（41401508）。

Forest classification in Huangshan district based on time series Sentinel-2 image and Lidar data

CHEN Wei1， MA Xiu1，2， FU Yu1， ZHANG Shu1， SUN Weitao1

（1. East China Inventory and Planning Institute of the State Administration of Forestry and Grassland， Hangzhou 310019， Zhejiang， China； 2. College of Forestry， Nanjing Forestry University， Nanjing 210037， Jiangsu， China）

Abstract：【Objective】The precise classification of forests was of great significance for estimating forest productivity and assessing biodiversity. The purpose of this study was to explore the effect of multi-source remote sensing data on improving the accuracy of forest classification in Huangshan district.【Method】Temporal data from Sentinel-2 were utilized to extract spectral features， texture features， and vegetation indices， thereby constructing a multi-temporal feature set. Concurrently， LiDAR data were employed to derive height and intensity variables， leading to the establishment of forest vertical structure parameters. Sentinel-2’s temporal information was introduced into the forest classification process based on LiDAR point cloud data， and three classification schemes were implemented using the random forest algorithm to assess the accuracy of the differing classification approaches.【Result】The overall accuracy of using a single radar data for classification is 70.36%， with a Kappa coefficient of 0.582. The collaborative classification of multi-source remote sensing data is significantly better than the method of single point cloud data in forest classification， with an overall accuracy improvement of 7.92% and a Kappa coefficient of 0.702. The introduction of Sentinel-2 temporal data further improved the overall accuracy by 8.21%， with a Kappa coefficient of 0.794； 2） Among various forest types， broad-leaved forests and other categories show higher classification accuracy， followed by bamboo forests and coniferous forests， while the classification accuracy of mixed coniferous and broad-leaved forests is lower； 3） The classification results show that the total forest area of Huangshan district is 135 835.35 hm2，including 95 294.38 hm2 of broad-leaved forests， 9 907.07 hm2 of coniferous forests， 2 990.35 hm2 of mixed coniferous and broad-leaved forests， 16 499.95 hm2 of bamboo forests， and 11 143.60 hm2 of shrubbery.【Conclusion】The classification accuracy of single data source is lower than that of multi-source data， and the classification accuracy of multi-source data with added temporal data is higher than that without added temporal data. This proves that the collaborative application of multi-source remote sensing data and temporal information can significantly improve the accuracy of forest classification.

Keywords： time-series Sentinel-2 imagery； LiDAR； forest type classification； feature extraction

森林是地球生態(tài)系統(tǒng)的關(guān)鍵組成部分，準確高效地了解森林的類型和分布對于生物多樣性監(jiān)測評價、森林資源經(jīng)營管理以及生態(tài)保護至關(guān)重要[1-2]。隨著遙感技術(shù)的飛速發(fā)展和衛(wèi)星數(shù)據(jù)的不斷更新，遙感數(shù)據(jù)在森林分類領(lǐng)域的應(yīng)用日益廣泛[3]。使用遙感數(shù)據(jù)進行森林分類，可以有效節(jié)約人力成本，提高工作效率[4-5]。

高分辨率遙感影像數(shù)據(jù)具有精細的空間分辨率，這對于區(qū)分不同森林類型至關(guān)重要。激光雷達點云數(shù)據(jù)可以提取高度和強度變量，從而描述樹冠在垂直結(jié)構(gòu)上的特征，彌補了高分辨率遙感影像數(shù)據(jù)的不足。許多研究者已經(jīng)展示了遙感數(shù)據(jù)在森林分類中的重要性和有效性，例如，Petrou等[6]的研究表明，利用高分辨率遙感影像數(shù)據(jù)可以準確地捕捉森林冠層的微觀結(jié)構(gòu)特征，通過提取樹冠形狀和紋理特征來實現(xiàn)樹種分類；郭慶華等[7]強調(diào)了激光雷達數(shù)據(jù)在提取樹木高度信息上的有效性；Luxia等[8]應(yīng)用高度百分位數(shù)和點高變化等點云特征，成功將城市區(qū)域的15種不同樹種進行分類。

對傳統(tǒng)光學(xué)遙感技術(shù)與新興激光雷達技術(shù)進行綜合運用與數(shù)據(jù)融合的做法已成為一種普遍且深入的研究方向。Dalponte等[9]的研究結(jié)合了激光雷達和高光譜數(shù)據(jù)，對波河平原的23個樹種進行分類，通過數(shù)據(jù)融合將精度從87.9%提高至89.0%，此研究凸顯了多源融合數(shù)據(jù)在樹種分類領(lǐng)域的潛力。另外，Holmgren等[10]基于激光雷達和多光譜數(shù)據(jù)研究瑞典南部的樹種分類，識別了該地區(qū)的挪威云杉、樟子松和落葉樹，總體分類精度為96%。然而，以上研究忽略了時間維度對于植被動態(tài)變化的重要性。時間序列影像數(shù)據(jù)具有豐富的時空信息，能夠捕捉植被的生長和季節(jié)性動態(tài)變化。牛海鵬等[11]利用MODIS與Landsat影像融合后對獲得的長時間序列NDVI數(shù)據(jù)進行水稻面積提取，總體分類精度可達91.12%。有研究表明采用時間序列影像數(shù)據(jù)進行樹種分類能夠提高分類精度。例如，You等[12]采用了卷積神經(jīng)網(wǎng)絡(luò)對時間序列Sentinel-2影像數(shù)據(jù)進行特征提取和分類，證明了時間序列數(shù)據(jù)在分類中的準確性和穩(wěn)定性。

綜上所述，本研究以黃山區(qū)為例，基于時序Sentinel-2遙感影像和激光雷達數(shù)據(jù)提取多維度特征，包括時間、光譜、紋理、高度和強度等，并采用隨機森林模型進行森林分類，探索多源數(shù)據(jù)和時序信息在森林分類上的應(yīng)用效果，以提高森林分類的精度和準確性。

1 材料與方法

1.1 研究區(qū)概況

黃山區(qū)位于安徽省南部（117°50′～118°21′E，30°00′～30°32′N），地勢南高北低，南部毗鄰黃山山脈，北部緊鄰九華山余脈。全區(qū)屬亞熱帶季風(fēng)濕潤氣候，四季分明，年平均降水量1 500～1 600 mm，多集中在春夏季。年平均日照時數(shù)為1 647.6 h，平均氣溫為15.4 ℃。全區(qū)林地總面積達到133 697.46 hm2，森林覆蓋率高達78.69%，毛竹林分布廣泛，占據(jù)了總林地面積的12.70%。全區(qū)森林資源儲備豐富，具有復(fù)雜的森林類型，如闊葉林、針葉林、針闊混交林、竹林和灌木林。樹種主要包括麻櫟Quercus acutissima、小葉櫟Quercus chenii、栓皮櫟Quercus variabilis、楓香Liquidambar formosana、檫木Sassafras tzumu、杉木Cunninghamia lanceolata、馬尾松Pinus massoniana、黃山松Pinus hwangshanensis和金錢松Pseudolarix amabilis等。

1.2 數(shù)據(jù)準備與處理

Sentinel-2是高分辨率多光譜成像衛(wèi)星，一顆衛(wèi)星的重訪周期為10 d，兩顆互補，重訪周期為5 d，并且擁有13個光譜波段，具有空間分辨率高、光譜成像能力強、重返周期短等優(yōu)點，且包含了3個植被紅邊波段，可用于反演大區(qū)域的森林植被覆蓋度和葉面積指數(shù)等。本研究區(qū)由2景Sentinel-2影像拼接而成，成像時間覆蓋2018年全年。為確保數(shù)據(jù)質(zhì)量，減小試驗結(jié)果誤差，選擇云量小于10%且云不在研究區(qū)范圍內(nèi)的原始影像（共20幅，表1）。時序影像涵蓋了不同時間段，以捕捉植被在不同季節(jié)和生長階段的動態(tài)變化。利用Sen2cor軟件對Sentinel-2影像數(shù)據(jù)進行輻射校正和大氣校正，在SNAP軟件中將影像空間分辨率統(tǒng)一到10 m。

激光雷達數(shù)據(jù)采集使用塞斯納208B型飛行器，搭載高性能、高度集成和精度校準的雙通道機載激光掃描儀系統(tǒng)RIEGL-VQ-1560i，以及高分辨率航攝儀A7R。RIEGL-VQ-1560i掃描儀進行激光雷達點云數(shù)據(jù)的采集，點云數(shù)據(jù)主要用于多類別變量參數(shù)提取。航攝儀A7R進行DOM影像采集，拼接得到的高空間分辨率RGB遙感圖像（分辨率為0.2 m），用于樣本地類目視解譯。為了盡可能獲取研究區(qū)域內(nèi)的森林信息，數(shù)據(jù)采集于2018年10月（植被生長茂盛的時期），數(shù)據(jù)采集歷時4 d。采集得到的點云數(shù)據(jù)經(jīng)過多重預(yù)處理步驟，包括去噪、濾波、地面點分類和歸一化處理等。

研究樣本基于最新的黃山區(qū)森林資源小班數(shù)據(jù)，遵循樣本類型均衡原則，初步選取一批小班作為分類樣地。為了確保地類無誤，本研究結(jié)合DOM影像進行目視解譯，修正錯誤的小班地類，然后外業(yè)核實，最終確定分類樣地1 021個（表2和圖2）。其中闊葉林201個、針葉林175個、竹林165個、灌木林150個、針闊混交林163個，其他167個。使用分層抽樣方法，每種類型隨機抽取70%的樣地組成訓(xùn)練集，剩余30%的樣地組成驗證集。

1.3 研究方法

1.3.1 時序Sentinel-2影像特征提取

本研究基于2018年Sentinel-2時序影像數(shù)據(jù)提取的特征主要有光譜因子、紋理因子和植被指數(shù)3類，共計20個特征變量（表3）。光譜因子主要選取紅光波段（SEN_R）、綠光波段（SEN_ G）、藍光波段（SEN_B）和近紅外波段（SEN_ NIR）。通過灰度共生矩陣構(gòu)建紋理特征來表達影像的空間特征[13]。

在提取特征之前，將每一時相的Sentinel-2影像與樣地匹配。首先利用ArcGIS 10.8中的空間分析工具，精確提取樣地對應(yīng)的衛(wèi)星影像。然后，針對每一個特征變量，利用“柵格聚合”工具將樣地覆蓋的多個像素進行聚合，得到一個代表樣地的綜合特征值。

接下來，需要從20個時相中找到特征差異最大的時相提取特征值，以提升分類精度。以特征變量NDVI為例，具體步驟如下：1）針對每一個時相，計算各類型樣地NDVI的均值，以代表各類型在該時相下的NDVI值；2）繪制各類型NDVI隨時間變化的時序圖（圖的數(shù)量過多，限于篇幅，不放入文中）；3）識別各類型NDVI差異最大的時相，選擇此時相下的影像作為數(shù)據(jù)源，提取樣地的NDVI值。

1.3.2 激光雷達數(shù)據(jù)特征提取

激光雷達點云數(shù)據(jù)在森林分類研究中不僅可以提取單木參數(shù)如樹木高度、冠幅和冠體積，還記錄了激光脈沖回波的高度和強度信息[14-15]。這些信息能夠有效地反映樹冠垂直方向上的特征，為研究提供了光譜數(shù)據(jù)所不具備的補充信息[16]。本研究提取了激光雷達數(shù)據(jù)的高度、強度變量以及葉面積指數(shù)作為分類特征。

使用ArcGIS 10.8軟件，根據(jù)樣本的邊界對點云數(shù)據(jù)進行區(qū)域分割，分割后的每個區(qū)塊包含一定數(shù)量的點云數(shù)據(jù)，利用這些數(shù)據(jù)提取對應(yīng)樣地的特征，總共24個特征變量（表4）。提取的高度特征包括高度平均絕對偏差、冠層起伏率、高度四分位間距、均值、標準差、方差、最小值、中位數(shù)、最大值、變異系數(shù)、偏度以及峰度共計12個變量。強度特征包括平均絕對偏差、均值、標準差、方差、最小值、中位數(shù)、最大值、變異系數(shù)、偏度、峰度、累計強度四分位間距共計11個變量。

1.3.3 分類方法及精度評價

隨機森林（RF）是一種集成學(xué)習(xí)算法，由多個決策樹構(gòu)成，旨在解決分類問題[17]，通過隨機抽樣和特征選擇來構(gòu)建每個決策樹，從而降低過擬合風(fēng)險，提升泛化性能。在森林分類領(lǐng)域，隨機森林方法能夠有效地匯集多個決策樹的分類結(jié)果，從而提高了模型的準確性和穩(wěn)定性，為森林分類研究提供了有力的工具[18]。本研究采用隨機森林算法進行森林分類研究，該算法在模型訓(xùn)練后能夠輸出各個特征的相對重要程度，這為特征優(yōu)選提供了有價值的參考[19]。

2 結(jié)果與分析

本研究通過3個對比試驗，探索不同數(shù)據(jù)源對森林分類精度的影響。試驗1采用單一激光雷達點云數(shù)據(jù)進行森林分類，旨在評估激光雷達點云數(shù)據(jù)在森林分類中的獨立有效性。試驗2采用激光雷達點云數(shù)據(jù)與單時相Sentinel-2數(shù)據(jù)相結(jié)合的方式進行森林分類，以評估兩者在森林分類中的協(xié)同作用。試驗3引入Sentinel-2時序數(shù)據(jù)，與激光雷達點云數(shù)據(jù)相結(jié)合進行森林分類，探索時序信息在提升森林分類性能方面的潛力。

2.1 隨機森林參數(shù)選取

隨機森林模型的構(gòu)建涉及2個關(guān)鍵參數(shù)，即決策樹的數(shù)量N和特征數(shù)量M。為了提高分類器的效率，需要對這些參數(shù)進行優(yōu)化。

2.2 特征變量篩選

本研究采用隨機森林OOB（Out-of-bag）方法對變量的重要性進行排序和篩選[20]，以平均下降精度（Mean decrease accuracy，MDA）和平均基尼系數(shù)衰減（Mean decrease Gini，MDG）作為主要指標來衡量變量的重要性。具體步驟是：先訓(xùn)練隨機森林模型，然后獲取特征重要性，最后基于這些重要性進行特征篩選。MDA表示該變量用隨機數(shù)替換后模型分類精度的下降情況，而MDG表示每個變量對分類樹每個節(jié)點上觀測值的異質(zhì)性的影響。這2個指標的數(shù)值越大，說明對分類的影響越大。通過OOB檢驗結(jié)果篩選掉重要性較低的變量，這將有助于提升分類精度、降低分類器運算量，同時減輕樣本的訓(xùn)練難度，直至得到符合精度要求的變量組合。3組變量的特征篩選結(jié)果如表5所示。其中，試驗1提取了10個變量；試驗2提取了11個變量，試驗3提取了13個變量。

由表5可以看出，在基于激光雷達數(shù)據(jù)提取的變量中，高度變量的重要性明顯高于強度變量。具體而言，回波高度平均數(shù)、累計高度50%分位數(shù)和回波高度50%分位數(shù)的重要性最高。這些回波高度的特征能夠有效地反映不同森林類型在垂直方向上的樹冠差異，因此在森林分類中具有較高的重要性。當同時使用激光雷達和Sentinel-2數(shù)據(jù)時，Sentinel-2數(shù)據(jù)提取的變量顯示出較高的重要性，這主要是因為植被的光譜特征能夠顯著反映冠層表面對不同波長電磁波的吸收和反射情況，進而揭示不同森林類型冠層理化性質(zhì)的差異。因此，這些光譜特征在整體變量的重要性中占據(jù)較高的比例。此外，利用單一時相Sentinel-2數(shù)據(jù)和時序Sentinel-2數(shù)據(jù)提取的變量在重要性上并沒有明顯差異。其中，EVI（增強型植被指數(shù)）和 NDVI（歸一化植被指數(shù)）這2個植被指數(shù)顯示出較高的重要性，能夠很好地反映植被在“紅光”和“近紅外”波段的特征，因此在整體的變量重要性中占據(jù)較高的位置。

2.3 分類結(jié)果評價

3個試驗的分類精度如表6所示：總體精度分別為70.36%、78.28%和86.49%，Kappa系數(shù)分別為0.582（中等一致）、0.702（高度一致）、0.794（高度一致）。對比3個試驗結(jié)果，發(fā)現(xiàn)多源遙感數(shù)據(jù)協(xié)同分類明顯優(yōu)于僅使用單一激光雷達數(shù)據(jù)的分類方法，總體精度提高了7.92%。這表明激光雷達數(shù)據(jù)與Sentinel-2數(shù)據(jù)的聯(lián)合應(yīng)用對提高森林分類性能具有重要作用。引入時序Sentinel-2數(shù)據(jù)顯著提高了分類性能，總體精度提高了8.21%。這凸顯了時序信息的重要性。

在各森林類型的生產(chǎn)者精度和用戶精度方面，闊葉林和其他類別呈現(xiàn)出較高的分類精度，其次是竹林和針葉林。然而，針闊混交林的分類精度相對較低，主要因為它與其他森林類型之間存在復(fù)雜的交叉現(xiàn)象，尤其是與闊葉林之間容易發(fā)生混淆。與之類似，灌木林的分類精度也面臨類似的問題，其中一部分原因是由于與其他類別，如耕地和草地等之間的交叉和誤分。

根據(jù)森林分類分布圖（圖4），可以觀察到黃山區(qū)的森林主要以闊葉林為主，而針葉林和竹林主要分布在該地區(qū)的西北、東南和中部的局部區(qū)域。灌木林中的大多數(shù)屬于經(jīng)濟林，主要分布在零散的區(qū)域，緊鄰耕地和山腳的平坦地帶（其他類別），相對較少的針闊混交林分布分散，主要出現(xiàn)在針葉林附近。由不同森林類型面積占比情況來看（圖5），黃山區(qū)森林總面積為135 835.35 hm2。其中，闊葉林95 294.38 hm2，約占70.15%；針葉林9 907.07 hm2，約占7.29%；針闊混交林2 990.35 hm2，約占2.20%；竹林16 499.95 hm2，約占12.15%；灌木林11 143.60 hm2，約占8.20%。

3 討 論

首先，激光雷達數(shù)據(jù)和Sentinel-2數(shù)據(jù)在分類中各有優(yōu)勢。激光雷達數(shù)據(jù)能夠準確提取森林的垂直結(jié)構(gòu)參數(shù)，如高度和強度變量，對于區(qū)分不同森林類型具有關(guān)鍵作用。而Sentinel-2數(shù)據(jù)則提供了豐富的光譜特征、紋理特征和植被指數(shù)，有助于捕捉森林的細微差異。在本研究中，通過協(xié)同應(yīng)用這2種數(shù)據(jù)，顯著提高了森林分類的準確度。具體來說，多源遙感數(shù)據(jù)協(xié)同分類的總體精度相比單一雷達數(shù)據(jù)提高了7.92%，而引入時序Sentinel-2數(shù)據(jù)后，分類精度進一步提升了8.21%。這表明激光雷達數(shù)據(jù)和Sentinel-2數(shù)據(jù)在森林分類中都具有不可或缺的作用。

其次，時序影像的引入為森林分類提供了更多的信息。時序數(shù)據(jù)能夠反映森林在不同季節(jié)和氣象條件下的變化特征，從而幫助分類算法更準確地識別森林類型。在本研究中，通過對比不同分類方案的精度發(fā)現(xiàn)時序信息的引入顯著提高了分類性能。這表明時序影像在森林分類中具有重要作用，原因在于其能反映森林的時序變化特征，方便研究者識別并利用最優(yōu)時相進行特征提取，從而提高了分類器的識別能力。

最后，在本研究的分類結(jié)果中，闊葉林和其他類別表現(xiàn)出較高的分類精度，而針闊混交林的分類精度相對較低。這可能是由于針闊混交林在光譜特征和空間結(jié)構(gòu)上的復(fù)雜性導(dǎo)致的。

本研究在驗證黃山區(qū)的森林分類時，依據(jù)了森林資源數(shù)據(jù)以及“2018年黃山區(qū)森林資源一張圖”數(shù)據(jù)。根據(jù)資料顯示，2018年黃山區(qū)林地面積約13.37萬hm2，喬木林面積約為10.69萬hm2，竹林面積約為1.63 hm2。這些數(shù)據(jù)與本研究的分類結(jié)果高度一致。

隨機森林方法在森林分類研究中被廣泛應(yīng)用，如董靈波等[21]基于隨機森林算法對大興安嶺翠崗林場的Landsat8時間序列數(shù)據(jù)進行森林（闊葉林、針葉林和針闊混交林）分類，分類總體精度為86.10%。在未來的研究中，可以進一步探索其他機器學(xué)習(xí)和深度學(xué)習(xí)方法，并結(jié)合更多時段的時序數(shù)據(jù)，以尋求更好的分類性能。同時，針對針闊混交林與其他森林類型間的混淆情況，我們將進一步探索優(yōu)化分類算法，提取更有效的特征，以提高分類的準確性和可靠性。

4 結(jié) 論

本研究以黃山區(qū)為例，探討了多源遙感數(shù)據(jù)在森林精準分類中的應(yīng)用效果。通過對比單一雷達數(shù)據(jù)和多源遙感數(shù)據(jù)協(xié)同分類的結(jié)果，發(fā)現(xiàn)多源數(shù)據(jù)的結(jié)合顯著提高了分類精度，引入時序Sentinel-2數(shù)據(jù)后，分類精度進一步提升至86.49%。研究證明了多源遙感數(shù)據(jù)協(xié)同應(yīng)用在森林分類中的重要作用，揭示了黃山區(qū)各類森林的分布特點，為森林資源管理和生態(tài)保護提供了有力支持，可為相關(guān)研究提供參考。

參考文獻：

[1] THOMPSON I D， MAHER S C， ROUILLARD D P， et al. Accuracy of forest inventory mapping： some implications for boreal forest management[J]. Forest Ecology and Management， 2007，252：208-221.

[2] 劉旭升，張曉麗.森林植被遙感分類研究進展與對策[J].林業(yè)資源管理，2004（1）：61-64. LIU X S， ZHANG X L. Research progress and strategies on forest vegetation remote sensing classification[J]. Forest Resources Management，2004（1）：61-64.

[3] 張驍，趙文武，劉源鑫.遙感技術(shù)在土壤侵蝕研究中的應(yīng)用述評[J].水土保持通報，2017，37（2）：228-238. ZHANG X， ZHAO W W， LIU Y X. Review on the application of remote sensing technology in soil erosion research[J]. Bulletin of Soil and Water Conservation，2017，37（2）：228-238.

[4] 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[J].應(yīng)用生態(tài)學(xué)報，2018，29（12）：3995-4003. CHEN L P， SUN Y J. Comparison of object-oriented remote sensing image classification in forested areas based on different decision trees[J]. Chinese Journal of Applied Ecology，2018， 29（12）：3995-4003.

[5] 劉浩然，范偉偉，徐永勝，等.基于無人機激光雷達點云數(shù)據(jù)的單木分割研究[J].中南林業(yè)科技大學(xué)學(xué)報，2022，42（1）： 45-53. LIU H R， FAN W W， XU Y S， et al. Research on single tree segmentation based on UAV LiDAR point cloud data[J]. Journal of Central South University of Forestry Technology，2022，42（1）： 45-53.

[6] PETROU Z I， MANAKOS I， STATHAK T. Remote sensing for biodiversity monitoring：a review of methods for biodiversity indicator extraction and assessment of progress towards international targets[J]. Biodiversity and Conservation，2015，24（10）： 2333-2363.

[7] 郭慶華，劉瑾，陶勝利，等.激光雷達在森林生態(tài)系統(tǒng)監(jiān)測模擬中的應(yīng)用現(xiàn)狀與展望[J].科學(xué)通報，2014，59（6）：459-478. GUO Q H， LIU J， TAO S L， et al. Perspectives and prospects of LiDAR in forest ecosystem monitoring and modeling[J]. Chinese Science Bulletin，2014，59（6）：459-478.

[8] LUXIA L， NICHOLAS C CS， NEAL W A， et al. Mapping urban tree species using integrated airborne hyperspectral and LiDAR remote sensing data[J]. Remote Sensing of Environment， 2017，200：170-182.

[9] DALPONTE M， BRUZZONE L， GIANELLE D. Fusion of hyperspectral and LIDAR remote sensing data for classification of complex forest areas[J]. IEEE Transactions on Geoscience and Remote Sensing，2008，46（5）：1416-1427.

[10] HOLMGREN J， PERSSON A， SOEDERMAN U. Species identification of individual trees by combining high resolution LiDAR data with multi-spectral images[J]. International Journal of Remote Sensing，2008，29（5）：1537-1552.

[11] 牛海鵬，王占奇，肖東洋.基于時空數(shù)據(jù)融合的縣域水稻種植面積提取[J].農(nóng)業(yè)機械學(xué)報，2020，51（4）：156-163. NIU H P， WANG Z Q， XIAO D Y. Extraction of county-level rice planting area based on spatiotemporal data fusion[J]. Transactions of the Chinese Society for Agricultural Machinery， 2020，51（4）：156-163.

[12] YOU H T， HUANG Y W， QIN Z G， et al. Forest tree species classification based on Sentinel-2 images and auxiliary data[J]. Forests，2022，13：1416.

[13] 李娜，李詠潔，趙慧潔，等.基于光譜與空間特征結(jié)合的改進高光譜數(shù)據(jù)分類算法[J].光譜學(xué)與光譜分析，2014，34（2）： 526-531. LI N， LI Y J， ZHAO H J， et al. Improved hyperspectral data classification algorithm based on spectral and spatial features integration[J]. Spectroscopy and Spectral Analysis，2014，34（2）：526-531.

[14] 黃露波，甄貞，趙穎慧.基于多源LiDAR的闊葉紅松林林分空間結(jié)構(gòu)特征分析[J].中南林業(yè)科技大學(xué)學(xué)報，2023，43（8）： 36-50. HUANG L B， ZHEN Z， ZHAO Y H. Stand spatial structure characterization of broad-leaved Pinus koraiensis forest based on multi-source LiDAR data[J]. Journal of Central South University of Forestry Technology，2023，43（8）：36-50.

[15] 王鑫運，黃楊，邢艷秋，等.基于無人機高密度LiDAR點云的人工針葉林單木分割算法[J].中南林業(yè)科技大學(xué)學(xué)報， 2022，42（8）：66-77. WANG X Y， HUANG Y， XING Y Q， et al. The single tree segmentation of UAV high-density LiDAR point cloud data based on coniferous plantations[J]. Journal of Central South University of Forestry Technology，2022，42（8）：66-77.

[16] 劉美爽，邢艷秋，李立存，等.基于星載激光雷達數(shù)據(jù)和支持向量分類機方法的森林類型識別[J].東北林業(yè)大學(xué)學(xué)報， 2014，42（2）：124-128. LIU M S， XING Y Q， LI L C， et al. Forest type recognition based on airborne LiDAR data and support vector machine[J]. Journal of Northeast Forestry University，2014，42（2）：124-128.

[17] BELGIU M， DRAGUT L. Random forest in remote sensing： a review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2016，114：24-31.

[18] 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. Research on dominant tree species classification in forests based on airborne PHI hyperspectral data[J]. Remote Sensing of Land and Resources，2017，29（2）：110-116.

[19] CHEN Y L， ZHAO S， XIE Z L， et al. Mapping multiple tree species classes using a hierarchical procedure with optimized node variables and thresholds based on high spatial resolution satellite data[J]. GIScience Remote Sensing，2020，57（4）：526-542.

[20] 楊劍鋒，喬佩蕊，李永梅，等.機器學(xué)習(xí)分類問題及算法研究綜述[J].統(tǒng)計與決策，2019，35（6）：36-40. YANG J F， QIAO P R， LI Y M， et al. Overview of machine learning classification problems and algorithms[J]. Statistics and Decision，2019，35（6）：36-40.

[21] 董靈波，梁凱富，張一帆，等.基于Landsat 8時間序列數(shù)據(jù)的翠崗林場森林類型劃分[J].應(yīng)用生態(tài)學(xué)報，2022，33（9）： 2339-2346. DONG L B， LIANG K F， ZHANG Y F， et al. Forest type classification of Cuigang forest farm based on Landsat 8 time series data[J]. Chinese Journal of Applied Ecology，2022，33（9）： 2339-2346.

[本文編校：吳 彬]