融合哨兵2號(hào)時(shí)序特征與連續(xù)變化檢測(cè)分類(lèi)算法的優(yōu)勢(shì)樹(shù)種識(shí)別

關(guān)鍵詞：優(yōu)勢(shì)樹(shù)種識(shí)別；GEE；時(shí)序軌跡特征；歸一化退化指數(shù)；CCDC算法；時(shí)間諧波分析中圖分類(lèi)號(hào)：S771.8 文獻(xiàn)標(biāo)識(shí)碼：A DOI： 10.7525/j.issn.1006-8023.2025.03.00

Abstract：Theidentificationof dominant tree species isanimportant partofforestry resource surveys.Improving the accuracy of dominant tree species identification has significant practical implications for conducting forest resource surveys andrelated research.Using the Google Earth Engine（GEE）cloud platform，we obtained Sentinel-2 time series images forthe Huodong mining areafrom January to December 2O23.Theannual growth trajectory featuresof dominant tree species wereconstructed basedonthe CCDC algorithmand the NDFIindex.Adominant tree species hierarchical identification method combining \"trajectory features + spectral features + texture features\" of long-time series remote sensing images was proposed. A control group of \"spectral features + texture features\"was setup，and hierarchical classification andrandom forest clasificationalgorithms were used to identify7dominant treespecies （Pinus tabuliformis，Quercus wutaishansea，Betulaplayphylla，Lrixprincipis-rupprechtii，Platycladusorientalis，Populus davidiana，andpoplars spp.）inthe Huodong mining area.Theresultsshowed that：1）The NDFIindex can efectively distinguish between deciduous forests and evergreen forests；2）The dominant tree species identification based on \"trajectory features + spectral features + texture features\" performed well，with an overallclassification accuracy of 79.6%and a Kappa coeffcient of 0.742 in the study area，which was 7. 3 % higher than the control group.

Keywords：Dominant tree species identification；GEE；temporal trajectory features；normalized disturbance index; CCDC algorithm；time series harmonic analysis

0 引言

樹(shù)種信息在森林資源動(dòng)態(tài)監(jiān)測(cè)、生物多樣性評(píng)估以及森林生物量和碳儲(chǔ)量估算中發(fā)揮著至關(guān)重要的作用[1]。但如何克服不同樹(shù)種間的\"同物異譜\"\"異物同譜'現(xiàn)象，快速、準(zhǔn)確地獲取森林優(yōu)勢(shì)樹(shù)種信息和空間分布是亟待解決的熱點(diǎn)問(wèn)題[2-3]。傳統(tǒng)的樹(shù)種調(diào)查以人工實(shí)地調(diào)查為主，輔以簡(jiǎn)單的測(cè)量和記錄工具，這種方法不僅耗時(shí)耗力且無(wú)法及時(shí)有效地更新森林資源信息。而遙感技術(shù)能夠在較短的時(shí)間內(nèi)獲取大范圍、多種類(lèi)型的地表信息，為準(zhǔn)確而高效的植被分類(lèi)和優(yōu)勢(shì)樹(shù)種識(shí)別提供技術(shù)支持[4-7]。已有研究表明綜合運(yùn)用光譜特征、紋理特征和時(shí)間特征能有效提高優(yōu)勢(shì)樹(shù)種識(shí)別精度[8-10]。

光譜特征主要指影像的波段光譜特征及植被指數(shù)。不同植被因結(jié)構(gòu)特征、色素含量和含水量等不同造成光譜曲線差異[11-12]，梁爽等[13]研究了不同植被在不同季節(jié)的平均地表反射率，結(jié)果表明不同波段特征對(duì)植被提取的貢獻(xiàn)度不同。植被指數(shù)反映植被的生長(zhǎng)狀況和生物量，目前在植被分類(lèi)、優(yōu)勢(shì)樹(shù)種識(shí)別中應(yīng)用最為廣泛的植被指數(shù)是：歸一化植被指數(shù)（normalizeddifference vegetation index，NDVI）[14-16]，但NDVI在低植被密度區(qū)域，例如落葉時(shí)期可能受到陰影和土壤背景的影響[17]，而歸一化退化指數(shù)（normalizeddifferencefractionindex，NDFI）[i8]充分顧及森林冠層陰影分量和王壤分量，恰好有效彌補(bǔ)NDVI對(duì)非植被區(qū)域敏感的問(wèn)題。由于不同植被間的影像光譜特征存在一定程度的相似性，僅利用光譜特征往往無(wú)法很好地實(shí)現(xiàn)目標(biāo)識(shí)別，因此在信息提取的過(guò)程中通過(guò)引人紋理特征增強(qiáng)影像識(shí)別的可靠性。帥爽等[19通過(guò)加入紋理特征發(fā)現(xiàn)目標(biāo)樹(shù)種與背景地物、其他類(lèi)型植被混分的現(xiàn)象得到了緩解，優(yōu)勢(shì)樹(shù)種識(shí)別精度得到提升。但特征輸入過(guò)多會(huì)導(dǎo)致植被分類(lèi)的過(guò)程產(chǎn)生斯效應(yīng)（Hughesphenomenon），從而影響圖像分類(lèi)精度，通過(guò)特征優(yōu)選降低特征空間維數(shù)可以提高分類(lèi)精度及效率。廖超明等[20]通過(guò)特征優(yōu)選將特征維數(shù)由33個(gè)降低至23個(gè)，分類(lèi)精度達(dá)到了最高，同時(shí)降低了模型復(fù)雜度，提高了運(yùn)算效率。

由于不同植被類(lèi)型的生長(zhǎng)過(guò)程存在一定差異，且可通過(guò)植被指數(shù)得以體現(xiàn)，因此通過(guò)構(gòu)建時(shí)間序列植被指數(shù)進(jìn)行信息提取成為遙感研究的重要方向[21-23]。P u 等[24]基于5個(gè)不同時(shí)期的高分辨率圖像探究多季相特征對(duì)于增強(qiáng)城市樹(shù)種的可分離性的潛力，結(jié)果表明多季節(jié)特征的綜合使用可有效提高優(yōu)勢(shì)樹(shù)種識(shí)別精度；劉靈等[25]基于Sentinel-1和Sentinel-2時(shí)間序列影像構(gòu)建植被的NDVI和增強(qiáng)型植被指數(shù)（enhanced veg-etationindex，EVI）時(shí)序特征，采用2種分類(lèi)算法相結(jié)合的方式實(shí)現(xiàn)對(duì)研究區(qū)4種優(yōu)勢(shì)樹(shù)種進(jìn)行精細(xì)識(shí)別。上述基于時(shí)序遙感影像進(jìn)行優(yōu)勢(shì)樹(shù)種識(shí)別的研究所使用的特征多為一個(gè)或多個(gè)單一靜態(tài)時(shí)間節(jié)點(diǎn)的遙感指數(shù)，忽略了樹(shù)種時(shí)序生長(zhǎng)軌跡光譜信息的整體動(dòng)態(tài)變化特征，而徐凱健等[26]通過(guò)探究設(shè)置不同時(shí)間尺度，探究連續(xù)時(shí)間長(zhǎng)度對(duì)有效獲取林分樹(shù)種不同物候期生長(zhǎng)特性及其冠層光譜動(dòng)態(tài)信息的差異性，研究結(jié)果表明更密集的樹(shù)種時(shí)序生長(zhǎng)軌跡光譜信息有利于提高優(yōu)勢(shì)樹(shù)種識(shí)別的精度。

現(xiàn)有研究表明，充分考慮植被生長(zhǎng)過(guò)程的多特征結(jié)合的優(yōu)勢(shì)樹(shù)種識(shí)別方法能在一定程度上提高優(yōu)勢(shì)樹(shù)種識(shí)別的精度，“軌跡特征”通過(guò)分析植被指數(shù)在密集時(shí)間序列中的變化軌跡，能夠更全面地反映植物生長(zhǎng)的物候特性，進(jìn)而提升對(duì)不同樹(shù)種的識(shí)別能力。本研究以山西省霍東礦區(qū)為例，通過(guò)GEE（googleearth en-gine）平臺(tái)獲取研究區(qū)2023年1＼～12月所有可用原始哨兵2號(hào)（Sentinel-2）地表反射率影像數(shù)據(jù)，提出一種結(jié)合\"軌跡特征 + 光譜特征 + 紋理特征\"的長(zhǎng)時(shí)序遙感影像的優(yōu)勢(shì)樹(shù)種識(shí)別方法，并設(shè)置對(duì)照組（\"光譜特征 + 紋理特征”），采用分層分類(lèi)和隨機(jī)森林的方法進(jìn)行優(yōu)勢(shì)樹(shù)種識(shí)別，同時(shí)根據(jù)精度評(píng)價(jià)結(jié)果，驗(yàn)證時(shí)序軌跡特征對(duì)優(yōu)勢(shì)樹(shù)種識(shí)別的有效性，以期為基于長(zhǎng)時(shí)序遙感影像進(jìn)行森林優(yōu)勢(shì)樹(shù)種信息提取提供方法參考。

1 研究區(qū)和數(shù)據(jù)

1.1 研究區(qū)概況

霍東礦區(qū) 位于山西省中南部的沁水煤田西緣，地處南北交界地帶，屬暖溫帶大陸季風(fēng)性氣候，雨量適中且光照充足，適宜植物生長(zhǎng)，林地面積為 ，占礦區(qū)總面積的6 5 . 3 7 % 。其中常綠林的優(yōu)勢(shì)種以油松、白皮松、側(cè)柏為主；落葉林以櫟類(lèi)為主，其中遼東櫟在研究區(qū)內(nèi)分布最廣。研究區(qū)位置及實(shí)測(cè)樣本點(diǎn)分布，如圖1所示。

1. 2 數(shù)據(jù)及預(yù)處理

通過(guò)GEE（https：//code. earthengine.google.com/）平臺(tái)獲取霍東礦區(qū)2023年1＼～12月共計(jì)84景原始Sentinel-2地表反射率影像數(shù)據(jù)，空間分辨率為 1 0 m ，時(shí)間分辨率為5d，處理級(jí)別為Collection2Level-2，產(chǎn)品已經(jīng)過(guò)幾何校正、輻射校正和大氣校正等基本預(yù)處理，并按照研究區(qū)范圍對(duì)影像裁剪（clip算法）。

樣本數(shù)據(jù)源于已有森林清查數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù)，實(shí)地調(diào)查分為2022年8月和2023年4、7月3次進(jìn)行，采集 3 0 m×3 0 m 的樣地共計(jì)138塊，根據(jù)研究區(qū)樹(shù)

Fig.1 Image of the Huodong mining area and distribution of measured sample plots種分布狀況，結(jié)合目視解譯，將霍東礦區(qū)優(yōu)勢(shì)樹(shù)種分為7類(lèi)（側(cè)柏（Platycladusorientalis）、遼東櫟（Quercuswutaishanica）、白樺（Betulaplatyphylla）、油松（Pinustabuliformis）華北落葉松（Larix principis-rupprechtii）、山楊（Populusdavidiana）以及其他楊樹(shù)（Populusspp.），其中， 70 % 用于訓(xùn)練樣本， 3 0 % 用于精度驗(yàn)證，本研究野外調(diào)查情況見(jiàn)表1。

2 研究方法

本研究以霍東礦區(qū)的7種優(yōu)勢(shì)樹(shù)種為研究目標(biāo)，首先基于GEE平臺(tái)計(jì)算樹(shù)種的歸一化退化指數(shù)（nor-malizeddifferencefractionindex，NDFI的年內(nèi)變化趨勢(shì)，并采用時(shí)間序列諧波分析法（harmonicanalysisoftimeseries，HATS）重構(gòu)NDFI時(shí)序軌跡曲線，消除異常值，獲得連續(xù)數(shù)據(jù)；然后基于NDFI指數(shù)年內(nèi)變化趨勢(shì)構(gòu)建樹(shù)種軌跡特征，并與光譜特征、紋理特征結(jié)合進(jìn)行樹(shù)種的分層提取，具體技術(shù)路線如圖2所示。圖2中：Mean為均值；Mode為眾數(shù)；Quantile為分位數(shù)；Standarddeviation為標(biāo)準(zhǔn)差;GLCMHomogeneity為同質(zhì)性；GLCMContrast為對(duì)比度;GLDVEntropy為；GLDVMean為灰度差分向量均值;CCDC（continuous changedetectionangclassification）為連續(xù)變化檢測(cè)和分類(lèi)算法;INTP（intercept，截距）和SLP（slope，斜率）是用于擬合時(shí)間序列模型的線性回歸參數(shù)；COS和SIN是表示曲線年內(nèi)變化系數(shù)；C0S2和SIN2是表示曲線年內(nèi)雙峰變化系數(shù)；COS3和SIN3是表示曲線年內(nèi)三峰變化系數(shù)。

2.1 歸一化退化指數(shù)

基于GEE平臺(tái)計(jì)算樹(shù)種的NDFI生長(zhǎng)曲線，NDFI[18]（式中記為 用來(lái)表示植被的退化和健康狀況，在研究中用于區(qū)分落葉林與常綠林，其計(jì)算公式為

式中： 為陰影部分時(shí)總植被指數(shù)的影響; 為綠色植被分量，表示可進(jìn)行光合作用的植被比例； 為陰影分量，表示森林冠層陰影分量； 為非光合植被分量，表示不能進(jìn)行光合作用的植被或衰老植被的比例； 為土壤分量。NDFI指數(shù)的取值范圍為-1到1，植被茂盛時(shí)NDFI值接近于1，植被落葉或受到擾動(dòng)時(shí)NDFI值隨之降低，當(dāng)森林完全消失NDFI值接近于-1。

2.2 時(shí)間諧波分析法

傳感器獲取遙感數(shù)據(jù)的過(guò)程容易受到云、氣溶膠、太陽(yáng)高度角和地物雙向性反射等一系列不良因素的影響，導(dǎo)致遙感器獲取的遙感數(shù)據(jù)中包含了一定量的噪聲數(shù)據(jù)，使得計(jì)算得出的樹(shù)種NDFI原始值曲線粗糙、不平滑、不連續(xù)，且存在突然下降或增長(zhǎng)的異常值[27]。時(shí)間序列諧波分析法能夠準(zhǔn)確描述時(shí)間序列數(shù)據(jù)的變化規(guī)律，是進(jìn)行定量監(jiān)測(cè)植被生長(zhǎng)過(guò)程動(dòng)態(tài)變化的分析方法。諧波分析通過(guò)得到每一個(gè)像元對(duì)應(yīng)地表NDFI隨時(shí)間變化的離散波信號(hào)，基于最小二乘方法的迭代擬合剔除原始數(shù)據(jù)中受云污染影響較大和偏離閥值最大點(diǎn)，借助傅里葉變換將時(shí)間域的波形變化到頻率域?qū)崿F(xiàn)曲線的分解和重構(gòu)，用一系列正弦波來(lái)表示NDFI波動(dòng)[28-29]。其計(jì)算公式為

式中： 為第 i 個(gè)時(shí)間點(diǎn)的NDFI擬合值； 是諧波余項(xiàng)； 是諧波振幅； 是諧波頻率； i 是 y 的時(shí)間標(biāo)記； N 是時(shí)間序列長(zhǎng)度； 是諧波初相位； m 是諧波個(gè)數(shù) ; j 是諧波標(biāo)記。

2. 3 CCDC算法分類(lèi)特征

為探究不同樹(shù)種生長(zhǎng)軌跡的動(dòng)態(tài)變化特征，本研究利用CCDC算法[30]構(gòu)建不同樹(shù)種在年內(nèi)生長(zhǎng)過(guò)程的監(jiān)測(cè)模型，獲取不同樹(shù)種的年內(nèi)動(dòng)態(tài)過(guò)程。CCDC算法使用穩(wěn)健的遞歸迭代重加權(quán)最小二乘法（recursive

IRLS，RIRLS）以迭代方式將時(shí)序影像觀測(cè)值擬合到不同樹(shù)種動(dòng)態(tài)時(shí)間序列模型中，通過(guò)識(shí)別時(shí)間序列預(yù)測(cè)模型中的斷點(diǎn)和變化趨勢(shì)，監(jiān)測(cè)樹(shù)種的落葉及返青變綠的物候過(guò)程，對(duì)諧波項(xiàng)和趨勢(shì)項(xiàng)（即斜率）進(jìn)行分析，可以精細(xì)提取不同樹(shù)種變化的時(shí)間、頻率、幅度以及隨時(shí)間變化的趨勢(shì)[31]。其計(jì)算公式為

式中 為擬合的儒略日日期 x 的第 i 個(gè)波段的預(yù)測(cè)值； i 為第 i 個(gè)波段; T 為每年的天數(shù)； 為第 i 個(gè)波段反射率的總體值； 為波段 i 反射率的年內(nèi)變化項(xiàng)的系數(shù)； 為波段 i 反射率的年內(nèi)變化項(xiàng)的系數(shù)（即斜率）。

本研究通過(guò)分析CCDC時(shí)間序列模型中不同樹(shù)種NDFI指數(shù)的INTP、SLP、COS、SIN、COS2、SIN2、COS3、SIN3共計(jì)8個(gè)軌跡特征揭示不同樹(shù)種的時(shí)序變化趨勢(shì)、特征和周期性變化，各參數(shù)意義如下。

INTP：截距是線性回歸模型中的參數(shù)，表示在時(shí)間序列模型中的初始狀態(tài)或基準(zhǔn)狀態(tài)，反映了時(shí)間序列的起始值或基準(zhǔn)值。

SLP：斜率是線性回歸模型中的參數(shù)，表示時(shí)間序列隨時(shí)間變化的速率或趨勢(shì)，反映了時(shí)間序列的變化趨勢(shì)或增長(zhǎng)速度。

COS、SIN、COS2、SIN2、COS3、SIN3：這些參數(shù)用于描述時(shí)間序列模型的周期性變化。

2.4 多尺度分割

不同于傳統(tǒng)的基于像元的分類(lèi)方法，面向?qū)ο蟮姆诸?lèi)方法通過(guò)尺度分割處理獲取影像處理對(duì)象。分層提取樹(shù)種信息需要充分考慮分類(lèi)目標(biāo)的形狀、分布狀況和覆蓋面積大小等情況，研究結(jié)果表明，分割尺度為150，形狀因子、緊致度分別為0.5和0.8是第1層分割的最優(yōu)參數(shù)值。通過(guò)第1層分割分別得到研究區(qū)內(nèi)常綠林和落葉林的范圍，在此基礎(chǔ)上進(jìn)行第2層的分割，形狀因子和緊致度保持不變。常綠林樹(shù)種研究區(qū)內(nèi)分布相對(duì)分散，因此設(shè)置較小分割尺度（60）可以將零星分布的常綠樹(shù)種分割出來(lái)，而落葉林樹(shù)種類(lèi)型在研究區(qū)較為豐富，以大片的遼東櫟林為主，通過(guò)試驗(yàn)發(fā)現(xiàn)在80分割尺度下可以很好地將落葉樹(shù)種分割出來(lái)。具體分割參數(shù)見(jiàn)表2。

2.5 特征優(yōu)選

優(yōu)勢(shì)樹(shù)種的精確識(shí)別依賴于多特征的綜合使用，除去上述8個(gè)軌跡特征，本研究還針對(duì)84景Sentinel-2時(shí)間序列數(shù)據(jù)的B1＼～B5波段選取了Mean、Mode、Quan-tile、Standarddeviation、Max.dff共計(jì)5個(gè)光譜特征；GLCM Homogeneity、GLCM Contrast、GLDV Entropy、GLDVMean，共計(jì)4個(gè)紋理特征共同參與優(yōu)勢(shì)樹(shù)種識(shí)別。為避免特征量過(guò)多造成數(shù)據(jù)冗余，根據(jù)eCogni-tion9.O提供的特征空間優(yōu)化工具（featurespaceoptimi-zation），選擇最適合霍東礦區(qū)優(yōu)勢(shì)樹(shù)種識(shí)別的特征組合。表3中Dimension表示的是最優(yōu)特征組合的特征數(shù)量，BestSeparationDistance為樣本之間的最優(yōu)分隔距離，本研究在13維空間特征下樹(shù)種間的分離度最好，所選的光譜、紋理特征重要性排序見(jiàn)表3，其中，GLCMContrastLayer2表示B2波段通過(guò)灰度共生矩陣計(jì)算得到的紋理對(duì)比度值;GLDVEntropyLayer1表示通過(guò)灰度差異向量計(jì)算得到的紋理熵值；StandardDe-viationLayer6表示B6波段的標(biāo)準(zhǔn)差；Max.diff（maxi-mumdifference）為最大差異值。

2.6 隨機(jī)森林分類(lèi)

隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類(lèi)器，首先通過(guò)對(duì)輸入數(shù)據(jù)建立隨機(jī)向量，然后通過(guò)隨機(jī)向量建立多決策樹(shù)，最后形成組合決策樹(shù)，該過(guò)程可以快速處理大量輸入變量，同時(shí)平衡誤差，在遙感分類(lèi)方面得到廣泛應(yīng)用[32-33]

已有研究發(fā)現(xiàn)當(dāng)決策樹(shù)的數(shù)量為80以上時(shí)分類(lèi)效果較好，因此本研究設(shè)置決策樹(shù)起始數(shù)量為80，設(shè)置終止數(shù)量為200，以10為步長(zhǎng)執(zhí)行循環(huán)迭代，研究結(jié)果表明，110棵時(shí)分類(lèi)精度達(dá)到最大值，因此決策樹(shù)最優(yōu)值設(shè)置為110棵，其他參數(shù)均為默認(rèn)值。

2. 7 精度驗(yàn)證

精度驗(yàn)證可分別從總體精度（overallaccuracy，OA， 式中記為 ）和kappa系數(shù)（kappacoefficient，式中記為 ）用戶精度（user'saccuracy，UA，式中記為 和生 產(chǎn)者精度（producer'saccuracy，PA，式中記為 對(duì)優(yōu)勢(shì) 樹(shù)種識(shí)別結(jié)果進(jìn)行評(píng)價(jià)。各參數(shù)計(jì)算公式為

式中： 為第 i 類(lèi)的分類(lèi)正確樣本數(shù)； 為第 i 類(lèi)的分類(lèi)像元總數(shù)； 為第 i 類(lèi)的真實(shí)像元總數(shù)； N 為分類(lèi)像元總數(shù)。

3 結(jié)果與分析

3.1優(yōu)勢(shì)樹(shù)種NDFI年內(nèi)變化趨勢(shì)分析

通過(guò)分析常綠林、落葉林優(yōu)勢(shì)樹(shù)種的NDFI年內(nèi)變化趨勢(shì)（圖3）可以發(fā)現(xiàn)，常綠林和落葉林優(yōu)勢(shì)樹(shù)種在年內(nèi)呈現(xiàn)明顯不同的變化形態(tài)。常綠林優(yōu)勢(shì)樹(shù)種的特點(diǎn)是沒(méi)有明顯的落葉休眠期，綠色程度和光合活躍度都比落葉樹(shù)種更強(qiáng)，因此NDFI值整體比落葉林優(yōu)勢(shì)樹(shù)種更高且在年內(nèi)均為正值，而落葉林優(yōu)勢(shì)樹(shù)種的NDFI存在明顯的季節(jié)性波動(dòng)，其在初始階段（1＼～109d）處于一個(gè)較低水平，后呈現(xiàn)出先升高（110＼～300d）再降低（300＼～358d）的特征，2個(gè)低值階段是落葉林優(yōu)勢(shì)樹(shù)種在落葉時(shí)期的光合作用能力較差，落葉的原因使得樹(shù)木冠層陰影分量降低，從而導(dǎo)致NDFI值較低均為負(fù)值，這與樹(shù)木落葉和發(fā)新葉的生物節(jié)律相匹配。因此，通過(guò)NDFI時(shí)序年內(nèi)變化趨勢(shì)的差異可以很好地將落葉林和常綠林區(qū)分開(kāi)來(lái)。

3.2優(yōu)勢(shì)樹(shù)種年內(nèi)時(shí)序軌跡特征差異分析

3.2.1 常綠林

常綠林優(yōu)勢(shì)樹(shù)種的NDFI值較為穩(wěn)定，沒(méi)有明顯的大幅波動(dòng)，表現(xiàn)出較平緩的變化趨勢(shì)，這反映了常綠林樹(shù)種生理特性的穩(wěn)定性，但仍存在一定的季節(jié)性波動(dòng)，反映了常綠樹(shù)種對(duì)環(huán)境變化的響應(yīng)。油松和側(cè)柏雖同為常綠樹(shù)種，但在COS特征上呈現(xiàn)出明顯的差異，油松的COS特征在年內(nèi)先為正值后為負(fù)值；而側(cè)柏在全年均為負(fù)值，且與油松的COS值差異顯著，這為區(qū)分這2種常綠樹(shù)種提供了有效的軌跡特征依據(jù)，如圖4所示。

3.2.2 落葉林

不同落葉樹(shù)種的生長(zhǎng)高峰時(shí)間、變化趨勢(shì)都存在一定差異，通過(guò)分析不同落葉林優(yōu)勢(shì)樹(shù)種時(shí)序軌跡特征（圖5）可以發(fā)現(xiàn)，在C0S2特征上各樹(shù)種的年內(nèi)值均為正值，但其中山楊的COS2值遠(yuǎn)大于其他落葉林樹(shù)種，表明該特征可作為區(qū)分山楊與其他落葉林樹(shù)種的顯著軌跡特征；除山楊外其余4種落葉林樹(shù)種在COS3上呈現(xiàn)不同變化特征，其中遼東櫟與其他楊樹(shù)均為正值，但兩者數(shù)值接近；而華北落葉松與白樺則均為負(fù)值，且兩者數(shù)值差距較大，因此將COS3作為區(qū)分白樺與其他樹(shù)種的軌跡特征；按照逐層提取的思想，通過(guò)研究發(fā)現(xiàn)，其他楊樹(shù)、華北落葉松與遼東櫟在年內(nèi)的SLP特征上存在顯著差異，華北落葉松為明顯的負(fù)值，其余2個(gè)樹(shù)種均為正值，可利用該特征區(qū)分華北落葉松與其他落葉林樹(shù)種；其他楊樹(shù)與遼東櫟在其他軌跡特征上均差異不顯著，僅在SIN3特征上存在一定差異，考慮將SIN3作為增強(qiáng)遼東櫟與其他楊樹(shù)可分離度的軌跡特征。

3.3特征優(yōu)選結(jié)果

通過(guò)特征優(yōu)選本研究選取光譜和紋理特征量13個(gè)，逐層提取分析各優(yōu)勢(shì)樹(shù)種時(shí)序軌跡特征的差異，并結(jié)合光譜特征和紋理特征的優(yōu)選結(jié)果，針對(duì)霍東礦區(qū)的優(yōu)勢(shì)樹(shù)種，總結(jié)出以下樹(shù)種分類(lèi)特征，見(jiàn)表4。

3.4優(yōu)勢(shì)樹(shù)種識(shí)別結(jié)果

通過(guò)分析表5和圖6可知，本研究通過(guò)構(gòu)建“軌跡特征 + 光譜紋理 + 紋理特征\"分類(lèi)特征對(duì)霍東礦區(qū)進(jìn)行優(yōu)勢(shì)樹(shù)種識(shí)別獲得了較好的分類(lèi)精度，總體分類(lèi)精度達(dá)到 7 9 . 6 % ，比僅利用“光譜特征 + 紋理特征”總體精度高出 7 . 3 % 。油松和側(cè)柏是研究區(qū)主要的常綠林優(yōu)勢(shì)樹(shù)種，樹(shù)種間光譜和紋理特征差異較小，但由于二者的時(shí)序軌跡特征差異顯著，因此在引入COS特征后均獲得了較好的識(shí)別精度，比僅利用“光譜特征 + 紋理特征”特征時(shí)精度分別提高了 1 1 . 6 % 和 7 . 1 % ，其中油松的生產(chǎn)者精度達(dá)到 8 2 . 7 % ，從優(yōu)勢(shì)樹(shù)種識(shí)別結(jié)果圖來(lái)看油松多集中分布在太岳山，在其他地區(qū)也有零星分布；落葉林優(yōu)勢(shì)樹(shù)種中白樺和山楊的識(shí)別精度最高，白樺的分類(lèi)精度達(dá)到了 8 4 . 1 % ，比對(duì)照組精度提升了 8 . 6 % ，這與白樺具有明顯的COS3、SIN2特征有關(guān)；識(shí)別精度最低的樹(shù)種是其他楊樹(shù)，由于其他楊樹(shù)包含多種樹(shù)種類(lèi)型，光譜和紋理特征與其他落葉林樹(shù)種相似高，且軌跡特征不明顯，因此在引人軌跡特征后精度提升不明顯，仍存在較為明顯的錯(cuò)分、漏分現(xiàn)象。

4討論

本研究通過(guò)加入時(shí)序軌跡特征提高優(yōu)勢(shì)樹(shù)種的識(shí)別精度，克服樹(shù)種間的“異物同譜”現(xiàn)象，這與濕地植被分類(lèi)、農(nóng)作物信息提取方面的研究結(jié)論一致[34-36]。樹(shù)種的軌跡特征可以更好地捕捉不同樹(shù)種生長(zhǎng)過(guò)程的物候特征差異，特別是對(duì)于常綠樹(shù)種的識(shí)別。油松和側(cè)柏全年保持綠色且在樹(shù)冠形態(tài)上具有相似性，NDFI指數(shù)呈現(xiàn)較為相似的變化趨勢(shì)，但通過(guò)對(duì)油松和側(cè)柏的NDFI指數(shù)諧波項(xiàng)和趨勢(shì)項(xiàng)進(jìn)行定量分析可以發(fā)現(xiàn)2種樹(shù)種在COS、INTP、SLP特征上差異顯著，通過(guò)引入軌跡特征可顯著增強(qiáng)兩常綠樹(shù)種間的可分離性。本研究提出的軌跡特征對(duì)增強(qiáng)落葉林樹(shù)種間的可分離性同樣有效，特別是對(duì)山楊、白樺和華北落葉松，在引入軌跡特征后精度提升均超過(guò) 8 % 。

森林植被類(lèi)型多樣性以及遙感影像受地形等因素的影響，導(dǎo)致提取樹(shù)種信息更加困難。本研究提出的結(jié)合樹(shù)種\"軌跡特征 + 光譜特征 + 紋理特征\"的長(zhǎng)時(shí)序遙感影像的優(yōu)勢(shì)樹(shù)種分層識(shí)別方法能有效提取樹(shù)種信息，但仍存在的部分錯(cuò)分和誤分現(xiàn)象，原因如下。

1）結(jié)合面向?qū)ο笈c特征選擇的分類(lèi)方法受影像分割尺度與特征選擇的影響較大，研究區(qū)內(nèi)遼東櫟和其他楊樹(shù)生長(zhǎng)鄰近或交錯(cuò)，特征相似度較高，分割產(chǎn)生的混合像元較多導(dǎo)致分類(lèi)精度的降低。此外由于不同其他楊樹(shù)樹(shù)種間的光譜相似度較高，因此誤分現(xiàn)象較為嚴(yán)重。

2）較大區(qū)域的森林優(yōu)勢(shì)樹(shù)種識(shí)別精度往往會(huì)受到樣本集的影響。在本研究中華北落葉松的樣本相對(duì)其他樹(shù)種類(lèi)型較少，且存在分布不均勻的情況，今后可以完善訓(xùn)練樣本采集。此外，不同樹(shù)種間“同物異譜，異物同譜”的現(xiàn)象十分常見(jiàn)，僅依靠遙感影像來(lái)進(jìn)行優(yōu)勢(shì)樹(shù)種識(shí)別的方法也會(huì)有很大的局限性，地形、氣象等輔助信息的加入可以提高優(yōu)勢(shì)樹(shù)種識(shí)別的精度。

5結(jié)論

本研究基于GEE平臺(tái)獲取霍東礦區(qū)2023年Senti-nel-2影像數(shù)據(jù)，采用時(shí)間諧波分析法重構(gòu)落葉林、常綠林樹(shù)種年內(nèi)NDFI指數(shù)，基于NDFI指數(shù)的年內(nèi)變化趨勢(shì)采用CCDC算法構(gòu)建優(yōu)勢(shì)樹(shù)種識(shí)別的軌跡特征，并設(shè)置對(duì)照組驗(yàn)證樹(shù)種軌跡特征對(duì)優(yōu)勢(shì)樹(shù)種識(shí)別的有效性。本研究的結(jié)論如下。

1）NDFI指數(shù)可以有效指示落葉林和常綠林優(yōu)勢(shì)樹(shù)種在年內(nèi)呈現(xiàn)的明顯不同的變化形態(tài)，通過(guò)NDFI指數(shù)可以很好地將落葉林和常綠林區(qū)分開(kāi)來(lái)。

2）利用樹(shù)種的時(shí)序軌跡特征差異可以有效增強(qiáng)樹(shù)種間的可分離度，本研究提出的“軌跡特征 + 光譜特征 + 紋理特征”總體精度達(dá)到了 7 9 . 6 % ，Kappa系數(shù)為0.742，比僅利用“光譜特征 + 紋理特征”總體精度高出7 . 3 % ，軌跡特征差異顯著的樹(shù)種（油松、側(cè)柏、白樺）在引入軌跡特征后優(yōu)勢(shì)樹(shù)種識(shí)別精度提升均在 7 % 以上，說(shuō)明利用樹(shù)種的時(shí)序軌跡特征可以有效提取優(yōu)勢(shì)樹(shù)種信息，在較大區(qū)域的樹(shù)種信息提取上具有很大潛力。

參考文獻(xiàn)

[1]萬(wàn)杰，汪長(zhǎng)城，朱建軍，等.層析SAR三維成像方法與森 林參數(shù)反演研究進(jìn)展[J].遙感學(xué)報(bào)，2024，28（3）： 576-590. WAN J， WANG C C，ZHU J J. Research progress on tomographic SAR three-dimensional imaging methods and forest parameter inversion[J]. National Remote Sensing Bulletin，2024，28（3）：576-590.

[2]梁錦濤，陳超，孫偉偉，等.長(zhǎng)時(shí)序Landsat和GEE云平 臺(tái)的杭州灣土地利用/覆被變化時(shí)空格局演變[J].遙感 學(xué)報(bào)，2023，27（6）：1480-1495. LIANGJT，CHENC，SUNWW，et al. Spatio-temporal land use/cover change dynamics in Hangzhou Bay，China，using long-term Landsat time series and GEE platform [J]. NationalRemote Sensing Bulletin，2023，27（6）：1480-1495.

[3］王璐，范文義.基于高光譜遙感數(shù)據(jù)的森林優(yōu)勢(shì)樹(shù)種組 識(shí)別[J].東北林業(yè)大學(xué)學(xué)報(bào)，2015，43（5）：134-137. WANG L，F(xiàn)AN W Y. Hyperspectral remote sensing data for identifying dominant forest tree species group[J]. Journal of Northeast ForestryUniversity，2015，43（5）： 134-137.

[4]梁順林，白瑞，陳曉娜，等.2019年中國(guó)陸表定量遙感發(fā) 展綜述[J].遙感學(xué)報(bào)，2020，24（6）：618-671. LIANG S L，BAI R，CHEN XN，et al. Review of China’s land surface quantitative remote sensing development in 2019[J].National Remote Sensing Bulletin，2020，24（6）： 618-671.

[5]ECKE S，STEHR F，F(xiàn)REY J. Towards operational UAVbased forest health monitoring： Species identification and crown condition assessment by means of deep learning[J]. Computers and Electronics in Agriculture，2024，219： 108785.

[6]于航，譚炳香，沈明潭，等.基于機(jī)器學(xué)習(xí)算法的機(jī)載高 光譜圖像優(yōu)勢(shì)樹(shù)種識(shí)別[J].自然資源遙感，2024，36 （1）：118-127. YU H，TAN B X，SHEN M T，et al. Identifying predominant tree species based on airborne hyperspectral images using machine learning algorithms[J]. Remote Sensing for Natural Resources，2024，36（1） ：118-127.

[7] CHEN D，F(xiàn)EI X Y，WANG Z. Classifying vegetation types in mountainous areas with fused high spatial resolution images：The case of Huaguo Mountain，Jiangsu，China[J]. Sustainability，2022，14（20）：13390.

[8]岳巍.李世明.李增元.等.基干多時(shí)相Sentinel-2影像

和SNIC分割算法的優(yōu)勢(shì)樹(shù)種識(shí)別[J].林業(yè)科學(xué)，2022， 58（9）：60-69. YUEW，LISM，LIZY，etal.Identification of dominant tree species based on multi-temporal Sentinel-2 images and SNIC segmentation algorithm[Jl.Scientia Silvae Sinicae，2022，58（9）：60-69.

[9] THAPA B，DARLING L，CHOI D，et al. Application of multi-temporal satellite imagery for urban tree species identification[J].Urban Forestryamp;Urban Greening，2024， 98：128409.

[10]肖慶琳，張加龍，曹軍，等．耦合多特征多時(shí)相的普洱 市優(yōu)勢(shì)樹(shù)種分類(lèi)研究[J].森林工程，2024，40（2）： 117-126. XIAO Q L，ZHANG JL，CAO J. Research on the classification of dominant tree species in Pu'er city by coupling multiple characteristics and multiple phases [J].Forest Engineering，2024，40（2）：117-126.

[11]鄭奕，王瑤，劉艷.基于高光譜數(shù)據(jù)季相特征的山地草 甸植被分類(lèi)識(shí)別[J].光譜學(xué)與光譜分析，2022，42（6）： 1939-1947. ZHENG Y， WANG Y，LIU Y. Study on classification and recognition of mountain meadow vegetation based on seasonal characteristicsofhyperspectral data[Jl.Spectroscopy and Spectral Analysis，2022，42（6） ：1939-1947.

[12]李晶，閆星光，閆蕭蕭，等.基于GEE云平臺(tái)的黃河流 域植被覆蓋度時(shí)空變化特征[J].煤炭學(xué)報(bào)，2021，46 （5） ：1439-1450. LIJ，YANXG，YANXX，etal.Temporal andspatial variation characteristic of vegetation coverage in the YellowRiverBasinbasedonGEE cloud platform[Jl. Journal of China Coal Society，2021，46（5）：1439-1450.

[13]梁爽，宮兆寧，趙文吉，等.基于多季相Sentinel-2影像 的白洋淀濕地信息提取[J].遙感技術(shù)與應(yīng)用，2021，36 （4） ：777-790. LIANG S，GONGZN，ZHAO WJ，et al. Information extraction of Baiyangdian Wetland based on multi-season Sentinel-2 images[Jl.Remote Sensing Technology and Application，2021，36（4） ：777-790.

[14]邵春晨，楊剛，孫偉偉，等.基于高光譜衛(wèi)星影像的生 長(zhǎng)期互花米草指數(shù)構(gòu)建[J].遙感學(xué)報(bào)，2024，28（3）： 635-648. SHAOCC，YANG G，SUN W W，et al.Construction method ofa Spartinaalterniflora indexbased on hyperspectral satelite images [Jl. National Remote Sensing Bulletin，2024，28（3） ：635-648.

[15]張旭輝，玉素甫江·如素力，仇忠麗，等.基于Sentinel2時(shí)序數(shù)據(jù)的新疆焉耆盆地農(nóng)作物遙感識(shí)別與評(píng)估 [J].干旱區(qū)地理，2024，47（4）：672-683. ZHANGXH，RUSULIYSFJ，QIUZL，etal.Remote sensing identification and assessment of crops in the Yanqi Basin，Xinjiang，China based on Sentinel-2 time series data[J].Arid Land Geography，2024，47（4）： 672-683.

[16]劉暢，王巖，王朝，等.Sentinel-1與Sentinel-2影像聯(lián)合 的黃河三角洲濕地信息提取[J].海洋科學(xué)，2023，47 （5） ：2-14. LIUC，WANGY，WANGZ，etal.Extractionofwetland information from Sentinel-1 and Sentinel-2 images in the YellowRiver Delta[J].Marine Sciences，2023，47（5）： 2-14.

[17]劉嘯添，周蕾，石浩，等.基于多種遙感植被指數(shù)、葉綠 素?zé)晒馀c 通量數(shù)據(jù)的溫帶針闊混交林物候特征對(duì) 比分析[J].生態(tài)學(xué)報(bào)，2018，38（10）：3482-3494. LIU XT，ZHOU L，SHI H，et al.Phenological characteristics of temperate coniferous and broad-leaved mixed forests based on multiple remote sensing vegetation indices， chlorophyll fluorescence and CO flux data[J]. Acta Ecologica Sinica，2018，38（10）：3482-3494.

[18] SOUZA C M，ROBERTS D A，COCHRANE M A.Com bining spectral and spatialinformation tomapcanopy damage from selective logging and forest fires[J]. Remote Sensing of Environment，2005，98（2/3） ：329-343.

[19]帥爽，張志，張?zhí)?，?結(jié)合ZY-102D光譜與紋理特征 的干旱區(qū)植被類(lèi)型遙感分類(lèi)[J].農(nóng)業(yè)工程學(xué)報(bào)，2021， 37（21）：199-207. SHUAIS，ZHANGZ，ZHANGT，etal.Methodforclassifying vegetation types in arid areas combining spectral and textural features of ZY-1O2D[J]. Transactions of the Chinese Society of Agricultural Engineering，2021，37 （21）：199-207.

[20]廖超明，云子恒，羅恒，等.基于特征優(yōu)選的喀斯特地 區(qū)覆被信息提取及精度分析[J].測(cè)繪通報(bào)，2024（2）： 45-50. LIAO C M，YUN Z H，LUO H，et al. Cover information extraction and precision analysis in Karst area based on feature optimization[J]. Bulletin of Surveying and Mapping， 2024（2） ：45-50.

[21]李佳芪，那曉東.基于多季相特征組合的南甕河濕地 信息提取[J].濕地科學(xué)與管理，2022，18（6）：16-20. LI J Q，NA X D. Information extraction from Nanweng River wetland based on combination of multi-seasonal features[J].Wetland Science and Management，2022，18 （6） ：16-20.

[22]劉瑞清，李加林，孫超，等.基于Sentinel-2遙感時(shí)間序 列植被物候特征的鹽城濱海濕地植被分類(lèi)[J].地理學(xué) 報(bào)，2021，76（7） ：1680-1692. LIU R Q，LI JL，SUN C，et al. Classfication of Yancheng coastal wetland vegetation based on vegetation phenological characteristics derived from Sentinel-2 time-series [J]. Acta Geographica Sinica，2021，76（7）：1680-1692.

[23]劉曉亮，王志華，楊曉梅，等.面向自然場(chǎng)景土地覆被 分類(lèi)的遙感物候模式分區(qū)[J].地理學(xué)報(bào)，2024，79（9）： 2206-2229. LIUXL，WANG ZH，YANG X M，et al.Remotelysensed phenology pattern regionalization for land cover classification of natural scenes ： A case study in China[J]. Acta Geographica Sinica，2024，79（9）：2206-2229.

[24] PU R，LANDRY S，YU Q.Assessing the potential of multi-seasonal high resolution Pleiades satelite imagery for mapping urban tree species[J]. International Journal of Applied Earth Observation and Geoinformation，2018， 71：144-158.

[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(shù)種識(shí)別研究[J].森林工程，2023，39（1）： 63-72，81. LIU L，ZHANGJL，HAN XL，et al.Dominant species classification based on google earth engine and sentinel time-series data[J].Forest Engineering，2023，39（1）： 63-72，81.

[26]徐凱健，田慶久，徐念旭，等.基于時(shí)序NDVI與光譜微 分變換的森林優(yōu)勢(shì)樹(shù)種識(shí)別[J].光譜學(xué)與光譜分析， 2019，39（12） ：3794-3800. XU KJ，TIAN QJ，XU NX，et al. Classifying forest dominant trees species based on high dimensional time-series NDVI data and diffrential transform methods [Jl. Spectroscopy and Spectral Analysis，2019，39（12） ：3794-3800.

[27]宋潔，劉學(xué)錄.基于多源遙感數(shù)據(jù)提高山地森林識(shí)別 精度——以祁連山國(guó)家公園肅南縣段為例[J].草業(yè)學(xué) 報(bào)，2021，30（10）：1-14. SONGJ，LIU XL. Improving the accuracy of forest identification in mountainous areas from multi-source remote sensing data-the Sunan County section of Qilian Mountains National Park as an example[Jl.Acta Prataculturae Sinica，2021，30（10） ：1-14.

[28]王寧，田家，田慶久.基于MODIS日地表反射率產(chǎn)品的 長(zhǎng)時(shí)序日分辨率EVI重建方法[J].遙感學(xué)報(bào)，2024，28 （4） ：969-980. WANG N，TIAN J，TIAN Q J. A method for reconstructing long-term daily resolution EVIs based on MODIS daily surface reflectance products [J].National Remote Sensing Bulletin，2024，28（4） ：969-980.

[29]呂林，易文彬，崔丹丹，等.基于GoogleEarth Engine遙 感大數(shù)據(jù)云平臺(tái)的鹽城鹽沼植被精細(xì)分類(lèi)研究[J].海 洋通報(bào).2024.43（1）·114-126. LYUL，YIWB，CUIDD，etal.Fineclassificationofsaltmarsh vegetation based on Google Earth Engine in Yancheng，China[Jl.Marine ScienceBulletin，2O24，43 （1）：114-126.

[30] ZHU Z，GALLANT L A，WOODCOCK E C，et al. Optimizingselectionof trainingand auxiliarydata foroperationalland coverclassification for theLCMAPinitiative [J].ISPRS Journal of Photogrammetry and Remote Sensing，2016，122：206-221.

[31]藍(lán)斐蕪.基于時(shí)序遙感的沼澤植被-水文變化監(jiān)測(cè)及 其時(shí)空耦合關(guān)系研究[D].桂林：桂林理工大學(xué)，2022. LANFW.Monitoring marsh vegetation-hydrology changes based on time-series remote sensing and their spatio-temporal coupling relationship[D]. Guilin：Guilin University of Technology，2022.

[32]張炳華，張鏡鋰，谷昌軍，等．基于隨機(jī)森林與特征選 擇的藏東南土地覆被分類(lèi)方法及精度評(píng)價(jià)[J].地理科 學(xué)，2023，43（3）：388-397. ZHANGBH，ZHANGYL，GUCJ，etal.Landcover classification based on random forest and feature optimismintheSoutheastQinghai-TibetPlateau[J].Scientia GeographicaSinica，2023，43（3）：388-397.

[33]WANGY，JINS，DARDANELLIG.Vegetationclassification and evaluation of Yancheng coastal wetlands based onrandom forest algorithm from Sentinel-2 images[J]. RemoteSensing，2024，16（7）：1124.

[34]薛朝輝，錢(qián)思羽.融合Landsat8與Sentinel-2數(shù)據(jù)的紅 樹(shù)林物候信息提取與分類(lèi)[J].遙感學(xué)報(bào)，2022，26（6）： 1121-1142. XUEZH，QIANSY.Fusion ofLandsat8and Sentinel-2 data for mangrove phenology information extraction and classification [J]. National Remote Sensing Bulletin， 2022，26（6）：1121-1142.

[35]孟鳳，朱慶偉，董士偉，等.基于多季相分形特征的 Landsat8OLI影像耕地信息提取方法[J].農(nóng)業(yè)機(jī)械學(xué) 報(bào)，2024，55（6）：168-177. MENGF，ZHUQW，DONGSW，etal.Croplandinformation extraction method ofLandsat8OLIimagesbased on multi-seasonal fractal features[J].Transactions of the Chinese Society for Agricultural Machinery，2O24，55（6） ： 168-177.

[36]吳喜芳，化仕浩，張莎，等.基于多物候特征指數(shù)的冬 小麥分布信息提取[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（12）： 207-216. WUXF，HUASH，ZHANGS，etal.Extractionof winter wheat distribution informationbased on multi-phenologicalfeature indices derived from Sentinel-2 data [J]. Transactions of the Chinese Society for Agricultural Machinery，2023，54（12）：207-216.