基于Landsat OLI和ETM+的杭州城市绿地地上生物量估算比较研究

邱布布,徐丽华*,张茂震,张结存,钱军朝,陆张维

(1.浙江农林大学 环境与资源学院，浙江 临安 311300；2.浙江省森林生态系统碳循环与固碳减排重点实验室，浙江 临安 311300；3.宁波远见旅游研究有限公司,浙江 宁波 315000)

城市作为碳排放的主体，其碳排放量占全球总量的71%[1]。而作为城市范围内唯一直接增汇、间接减排的要素，城市绿地不仅具有改变小气候、美化市容、观赏、休憩等功能，还能固碳减排[2]，科学准确地估算城市绿地系统生物量及碳储量，是评价绿地碳汇潜力、研究绿地生态系统碳循环、应对气候变化等方面的关键。城市绿地不仅包括位于城区范围内的森林、公园、绿化带、自然风景保护区，也包括位于城郊的农林生产绿地[3]。城市绿地具有类型多、类间差异大、人为干扰多等特点，因此城市绿地生物量估算适合采用遥感方法来获取。Landsat系列卫星数据自1972年服役以来，因宏观性、中尺度分辨率、免费性等优势，广泛应用于区域尺度范围内森林资源管理、调查以及生物量的实时、连续动态监测[4-7]。徐小军[4]等利用Landsat TM数据和雷竹林样地调查数据建立竹林地上生物量估算模型。井学辉[6]利用ETM+遥感数据和林分乔木生物量抽样调查数据，建立植被指数与乔木地上生物量的线性回归预测模型。杨伟志[7]等利用OLI遥感影像提取相关的遥感信息，运用逐步回归方法建立西宁市南北山森林生物量估算模型。

Landsat 5 TM于2011年退役，Landsat 7 ETM+自2003年以后出现条带问题，而Landsat 8 OLI的投入使用不仅延续了Landsat系列卫星的观测任务，而且丰富了Landsat系列卫星影像。Landsat 8 OLI传感器相比之前的TM及ETM+传感器在扫描方式、波段光谱范围、辐射分辨率等方面进行优化改进[8-10]。Landsat 8 OLI的优化调整必然使得其与ETM+传感器之间存在一定的差异。目前，国外一些学者通过分析OLI与ETM+影像的表观大气反射率、地面真实反射率、植被指数等方面差异发现，2种传感器的光谱信息之间存在较高的相关性，甚至可以通过建立ETM+与OLI之间的光谱信息回归模型进行数据之间的互补利用[11-13]。但对2种传感器影像在生物量估算方面的讨论研究比较匮乏。在利用Landsat系列卫星影像进行长时间段的区域生物量连续动态监测时，分析探讨2种传感器影像在生物量估算方面的差异显得尤为重要。

本研究选取2013年7月Landsat8 OLI遥感影像，基于逐步回归和随机森林模型，建立杭州城市绿地地上生物量估算模型，反演研究区绿地生物量，分析其生物量空间格局分布，并与同时期的Landsat 7 ETM+遥感影像估算结果进行对比分析，探讨分析2种传感器在生物量估算方面的差异及相关性，以期为在利用Landsat系列卫星对区域尺度范围内生物量进行连续动态监测时是否可选取不同传感器影像作为数据源提供一定参考。

1 材料与方法

1.1 研究区概况

杭州位于浙江省西北部，地理坐标118°21′-120°30′E，29°11′-30°33′N，年平均气温15.0～17.7℃，年平均降水量1 100～1 600 mm，总面积306.8 km2，研究区为杭州市辖区范围(图1)，植被类型属于亚热带常绿阔叶林，是典型的常绿阔叶林分布区，杭州城市绿地分布总体特点为城区绿地面积小、城郊地区分布广，城郊主要为天然林，而城区主要以人工绿地为主，且以块状(森林公园、生态片林)或带状(道路林带)分布，普遍为人工绿化地或者稀疏种植的林地，使杭州城市森林绿地具有与自然森林不同的特点，为生物量遥感估算增加了较多的复杂性[14]。

1.2 样地数据采样与生物量计算

根据遥感影像将杭州市辖区划分为天然林、人工绿地和其他3类，辅助Google地图，通过目视解译将天然林、人工绿地分别划分成不同密集度的林地：稀疏林(郁闭度≤0.30)、中等密集林(0.30<郁闭度≤0.70)、密集林(郁闭度>0.70)。在不同密集度的林地中选取具有代表性、林分密度均匀的林分样地，涵盖杭州主要林分类型：马尾松(Pinusmassoniana)、杉木(Cunninghamialanceolata)、毛竹(Phyllostachysedulis)、悬铃木(Platanusacerifolia)、石栎(Lithocarpusglaber)、广玉兰(Magnoliagrandiflora)、黄山栾树(Koelreuteriabipinnata)、无患子(Sapindussaponaria)、香樟(Cinnamomumcamphora)、杜英(Elaeocarpusdecipiens)、枫香(Liquidambarformosana)、木荷(Schimasuperba)、银杏(Ginkgobiloba)等(表1)。样地调查时间为2012年7-9月。本研究在杭州市辖区内设置30 m×30 m的样地213个。由于杭州中心城区人工绿地类型复杂，样点布设较多。记录每个样地的地理坐标和乔木的树种、胸径(D)、树高(H)、枝下高、冠幅及灌木、草地面积。剔除坐标异常、被云遮挡、被条带干扰的14个样地，共199个样地参与遥感建模，调查样地点见图1。

表1 不同林分样地信息

本研究区范围内有部分包含天然林地的绿地，因此样地生物量分别按天然林、人工绿地2种类型计算。天然林主要计算乔木生物量。根据杭州市辖区内天然林调查的样地数据，将天然林树种归纳为马尾松、杉木、毛竹、硬阔(石砾、木荷等)、软阔(枫香、无患子等)5类，分别选取具有代表性的相对生长模型和参数进行生物量计算。人工绿地按照乔木、灌木、草本分别进行计算，然后将乔、灌、草生物量相加，得到样地总生物量。人工绿地中香樟、悬铃木、杜英等树种所占比例较大，因此选用香樟、杜英、木莲及其他树种4类进行乔木计算(模型中树木与研究区内树木的生长环境与生长模式相似)；灌木生物量：以2010年温家石[15]求得的杭州市灌丛碳密度(0.74 Mg·hm-2)作为参考；草地生物量：根据全国草地单位面积地上生物量44.1 gC·m-2[16]和实测样地中草地面积，得到各样地草地生物量。乔木树种计算模型见表2。

图1 研究区域位置及样地位置示意

类别树种组模型表达式及参数天然林硬阔[17]W=0.108921D2×1.3+0.2791+1.7661D()-2.5[]{}0.901726软阔[17]W=0.097822D2×1.3+0.3063+1.6783D()-2.5[]{}0.893738马尾松[18]W=0.079577D2.45825杉木[19]W=0.086904D2×1.3+0.232467+2.362912D()-2.5[]{}0.81918毛竹[20]W(D,A)=747.787D2.7710.148A0.028+A()5.555+3.772人工绿地香樟[21]W=0.147D2.191杜英[22]W=1.422+0.028D2H悬铃木[23]W=0.0690×(D2H)0.9133其他:无患子、银杏等[24]W=0.094594(D2H)0.8666

注：W为生物量；D为胸径；H为树高；A为树龄。

1.3 遥感数据来源及预处理

Landsat 8于2013年可免费获取使用，为保证样地调查时间与影像成像时间处于同一季节内，选取2013年7月Landsat 8 OLI遥感影像，条带号为119/39。为分析不同遥感数据源之间的差异，同时选取处于同年同一季节内的Landsat7 ETM+遥感影像。将去除条带后的ETM+影像[25]和OLI影像进行几何校正、辐射校正、FLAASH大气校正以及去云处理，得到地表真实反射率值。几何校正精度控制在1个像元之内，重采样后像元大小为30 m×30 m。结合历史数据及杭州市森林分布图等辅助信息，采用支持向量机对所获的遥感影像进行解译分类，获取研究区绿地覆盖信息。

2 研究方法

2.1 模型变量

模型变量包括与地物光谱特征、类型高度相关的6个原始波段变量(B1、B2、B3、B4、B5、B7)、7个植被指数变量及3个波段组合的植被指数变量，植被指数公式见表3。为与ETM+的波段号表示一致，在研究中将Landsat 8 OLI波段重新进行组合，舍弃深蓝波段，即波段1均表示影像的蓝光波段。

表3 遥感植被指数计算公式

2.2 回归模型

逐步回归模型是生物量遥感估算最常用的手段。逐步回归是线性回归分析中重要的一种分析方法，它是将通过偏F统计检验的自变量一个个引入方程；同时，每引进新的变量，将对已选择的变量再次进行检验，不显著的变量将被剔除。最终得到只包含对因变量影响显著的自变量的最优回归方程。本研究选择逐步回归模型建立杭州市绿地系统生物量估算模型。

随机森林(RF)是由L.Breiman[26]于2001年提出来的一种基于决策树的分类和回归算法，该算法组合多棵树以提高单棵分类树或回归树的性能，具有参数少、无过拟合、训练速度快、抗噪音等特点。随机森林算法通过自助法(bootstrap)从原始样本中采集新数据集，一般来说，在1个bootstrap样本中大约用2/3的样本数据，剩下的1/3原始样本数据被留下来成为袋外数据，然后对每个bootstrap样本分别建立相对应的决策树模型，最后组合成多棵决策树预测，随机森林用于回归时，取所有决策树预测结果的均值作为最终的预测结果。随机森林算法涉及2个重要参数：ntree和mtry，ntree为决策树的数量，可通过ntree与回归误差的关系图来确定；mtry为随机特征的数量，通常默认为输入总量的1/3，当变量树<3时取1[27]；2个参数对模型的建立及预测具有重要的影响。

逐步回归模型采用最小信息准则(AIC)代替F统计检验进行变量筛选。本研究根据ntree与回归误差的关系图，最终确定随机森林算法的ntree为1 000，mtry为6。在研究区范围内199个地面样地中随机选择70%作为建模样本，剩余30%作为验证样本用于检验，并通过计算模型的决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)评价模型的精度。

(1)

(2)

(3)

3 结果与分析

3.1 自变量因子与样地生物量的相关系数对比分析

从Landsat 8 OLI数据源上提取16个自变量因子(6个原始波段变量、7个植被指数变量及3个波段组合的植被指数变量)，将提取出的16个变量与样地地上生物量进行Pearson's相关性分析。这些自变量与样地地上生物量的Pearson's相关系数的绝对值见图2。可以看出，除了B5、BD437与生物量的相关性<0.1外，其他14个变量与生物量的相关性均达到0.4以上，说明它们之间存在较好的线性关系。由于各变量之间存在一定的共线性，本研究选择自变量因子之间相关性小而与样地生物量相关性高的6个遥感变量(B1、B3、MSAVI、RVI、NLI、BD312457)作为最终建模候选变量。从Landsat OLI和ETM+影像提取的植被指数与生物量相关性比原始波段与生物量相关性高，一定程度上反映利用植被指数构建模型能提高生物量估算精度。总体上，Landsat 8 OLI影像提取的变量相关性与Landsat 7 ETM+影像提取的变量相关性差异并不大；Landsat 8 OLI影像提取的RVI植被指数与生物量相关性最高为0.733，Landsat 7 ETM+影像提取的NLI植被指数相关性最高为0.704；2种影像提取的变量相关性差异最大的为RVI，差值为0.044(OLI为0.689，ETM+为0.733)，差异最小的为B3，差值为0(OLI与ETM+均为0.59)，差值的平均值仅为0.017。

图2 自变量与样地地上生物量的Pearson's相关系数

3.2 模型精度评价

从表4可以看出，基于Landsat 8 OLI影像建立的随机森林模型的R2为0.643，逐步回归模型R2为0.541，2种模型的均方根误差(RMSE)和平均绝对误差(MAE)之间的差距不是很大。相对来看，随机森林模型的RMSE和MAE均较小，说明随机森林模型的估算精度更高。

表4 模型误差分析

3.3 估算结果

基于Landsat 8 OLI 遥感影像，利用随机森林模型估算研究区地上生物量分布图(图3a)，其像元大小为30 m×30 m。研究区绿地系统地上生物量最大为119.753 t·hm-2，最小为0.026 t·hm-2，平均值为32.520 t·hm-2，生物量主要集中在5～15、35～55 t·hm-2。其中，城区内人工绿地的生物量总体偏低，城区内人工绿地多以防护绿地和公园绿地为主，防护绿地主要分布在道路、河流两侧，虽有高大乔木，但很多区域内灌木所占比例较高，乔木林分密度较为稀疏，导致其生物量较低。公园主要以休憩、游玩为主，草地、水域、休憩地等占据公园内部较大比例，导致公园绿地生物量并不高。天然林生物量高于人工绿地，其主要分布在研究区西北部、南部、中部，西湖区天然公益林的生物量最高，南部和西北部主要以马尾松林为主。

图3 研究区地上生物量空间分布

3.4 不同遥感数据源的估计结果差异

基于Landsat 7 ETM+遥感影像提取相应的遥感变量，建立随机森林回归模型，并利用模型估算研究区地上生物量分布图(图3b)。从图3可以看出，2景影像生物量估算结果的高值、低值部分基本吻合，中间值略有波动。基于Landsat 7 ETM+影像的研究区地上生物量最大为115.822 t·hm-2，最小为0.079 t·hm-2，平均值为34.454 t·hm-2。2种影像估算结果值域范围相差3.984，值域差值为ETM+估算结果值域范围的3.442%，OLI估算结果值域范围的3.328%。2种影像生物量估算结果的最小值、最大值、平均值均较为接近；以ETM+影像估计结果为参照，OLI估算地上生物量平均值1.934 t·hm-2，生物量最大值3.931 t·hm-2，生物量最小值0.053 t·hm2，OLI估计的生物量值范围分布较宽，均值下移，下限下移，上线上移，能在一定程度上真实反映植被覆盖稀少地区及森林密集地区的生物量分布。

将2种影像估算结果进行像元水平上对应地理位置的地上生物量相减，得到OLI与ETM+影像估算生物量的差值图(图4)。差值图的值域范围为-81.038～88.130 t·hm-2，平均值为-1.934 t·hm-2，差值平均值为OLI影像估算结果平均值的5.947%，为ETM+估算结果平均值的5.613%，基本上以0为中心，说明总体上偏差不明显，但正负方向的极值差距较大，差距大的区域主要为森林密集、生长较好的区域。

图4 OLI与ETM+影像估算生物量差值

为系统全面分析2种影像的估算结果，在2种生物量估算结果分布图上提取以20个像元(600 m)为间隔的像元点值(图5，表5)，剔除无效值，进行线性回归分析。两者之间的相关系数为0.901 4，决定系数0.812 6，F检验结果显著性<0.001。说明2景影像的估算结果总体上差异较小，存在显著的相关性，可通过线性回归方程相互转换利用(表5)。

表5 回归方程描述

图5 OLI与ETM+预测结果关系

4 结论与讨论

本研究基于Landsat 8 OLI遥感影像，结合样地实测数据，建立杭州城市绿地地上生物量遥感估算模型，并与Landsat 7 ETM+影像的估算结果进行对比分析。城市绿地生物量主要集中在5～15、35～55 t·hm-2之间，研究区内生物量平均值为32.520 t·hm-2，人工绿地主要呈线状、块状分布在道路、河流两侧以及公园内，其生物量值偏低，天然林主要以公益林和马尾松林为主，其生物量值较高；基于Landsat 7 ETM+影像估算的生物量平均值为34.454 t·hm-2，2景影像估算结果的差值基本以0为中心，差值的平均值为-1.934 t·hm-2，估算结果的相关系数为0.901 4；总体上，OLI与ETM+传感器影像在生物量估算方面差异较小，2种传感器遥感估算结果可互相补充利用。

在提取遥感变量时仅选择了遥感影像的原始波段及植被指数信息，虽然植被指数之间会存在一定的相关性，但本研究选择的随机森林模型对变量之间的共线性并不敏感[26]。本研究基于OLI影像建立的生物量估算模型R2最高为0.643，徐婷[5]基于OLI影像建立的地上生物量模型R2最高为0.77，本研究的建模精度略低，可能是未充分利用影像的纹理信息，研究表明纹理特征信息结合波段值或植被指数来估算生物量，精度会进一步提高[29]。因此在后续研究中会进一步加强对影像纹理信息的提取。

不同研究学者建立OLI与ETM+地表真实反射率、植被指数回归模型的决定系数波动较大，C.E.Holden[11]等分析了OLI与ETM+地表真实反射率之间的相关性，R2在0.619～0.959之间，而植被指数之间的R2在0.892～0.972。D.P.Roy[12]等分析了OLI与ETM+地表真实反射率之间的回归模型R2在0.710～0.838之间，而NDVI之间回归模型R2>0.9。Y.Ke[28]等研究表明OLI与ETM+提取的NDVI之间平均误差在0.05以内，R2在0.84～0.98之间。本研究OLI与ETM+影像生物量估算结果线性回归模型的决定系数达到0.813，比前人的研究结果偏低，可能本研究比较的是生物量估算结果之间的相关性，相比地表真实反射率和植被指数，模型构建、样地匹配、精度误差等均会造成一定的影响。

随着Landsat 8 OLI传感器的成功发射并投入使用，利用Landsat系列卫星对区域尺度上森林资源进行长时间序列、连续动态监测的优势进一步得到提升。在受到云量及其他一些因素的影响下，2种传感器影像之间的相互利用能提供更为丰富的数据源。

[1] HUTYRA L R,YOON B,HEPINSTALL-CYMERMAN J,etal.Carbon consequences of land cover change and expansion of urban lands:a case study in the Seattle metropolitan region [J].Landscape and Urban Planning,2011,103(1):83-93.

[2] 苏泳娴,黄光庆,陈修治,等.城市绿地的生态环境效应研究进展[J].生态学报,2011,31(23):302-315.

SU Y X,HUANG G Q,CHEN X Z,etal.Research progress in the eco-environmental effects of urban green spaces[J].Acta Ecologica Sinica,2011,31(23):302-315.(in Chinese)

[3] 王志泰,王志杰,包玉,等.基于Quick Bird遥感影像的铜仁市城市绿地景观结构特征分析[J].西北林学院学报,2010,25(1):166-170.

WANG Z T,WANG Z J,BAO Y,etal.Urban greenland Landscape structure in tongren based on Quick Bird[J].Journal of Northwest Forestry University,2010,25(1):166-170.(in Chinese)

[4] 徐小军,周国模,杜华强,等.基于Landsat TM数据估算雷竹林地上生物量[J].林业科学,2011,47(9):1-6.

XU X J,ZHOU G M,DU H Q,etal.Estimation of aboveground biomass of phyllostachys praecox forest based on Landsat Thematic Mapper image [J].Scientia Silvae Sinicae,2011,47(9):1-6.(in Chinese)

[5] 徐婷,曹林,佘光辉.基于Landsat8 OLI的特征变量优化提取及森林生物量反演[J].遥感技术与应用,2015,30(2):226-234.

XU T,CAO L,SHE G H.Feature extraction and forest biomass estimation based on Landsat 8 OLI [J].Remote Sensing Technology and Application,2015,30(2):226-234.(in Chinese)

[6] 井学辉,曹磊,刘云生,等.阿尔泰山小东沟乔木生物量空间分布规律[J].干旱区研究,2016,33(3):511-518.

JING X H,GAO L,LIU Y S,etal.Spatial distribution pattern of biomass of arbor species in Xiaodonggou in the Altay mountains,China[J].Arid Zone Research,2016,33(3):511-518.(in Chinese)

[7] 杨伟志,赵鹏祥,薛大庆,等.基于Landsat-8影像的西宁市南北山森林生物量估测模型研究[J].西北林学院学报,2016,31(2):33-37.

YANG W Z,ZHAO P X,XUE D Q,etal.Estimation of forest biomass model of north and south mountains based on Landsat-8 remote sensing image data in Xining[J].Journal of Northwest Forestry University,2016,31(2):33-37.(in Chinese)

[8] EL-ASKARY H,ABD EL-MAWLA S H,LI J,etal.Change detection of coral reef habitat using Landsat-5 TM,Landsat 7 ETM+ and Landsat8 OLI data in the Red Sea (Hurghada,Egypt)[J].International Journal of Remote Sensing,2014,35(6),2327-2346.

[9] 姜高珍,韩冰,高应波,等.Landsat系列卫星对地观测40年回顾及LDCM前瞻[J].遥感学报,2013,17(5):1033-1048.

JIANG G Z,HAN B,GAO Y B,etal.Review of 40-year earth observation with Landsat series and prospects of LDCM[J].Journal of Remote Sensing,2013,17(5):1033-1048.(in Chinese)

[10] 徐涵秋,唐菲.新一代Landsat系列卫星:Landsat8遥感影像新增特征及其生态环境意义[J].生态学报,2013,33(11):3249-3257.

XU H Q,TANG F.Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance [J].Acta Ecologica Sinica,2013,33(11):3249-3257.(in Chinese)

[11] HOLDEN C E,WOODCOCK C E.An analysis of Landsat 7 and Landsat 8 underflight data and the implications for time series investigations [J].Remote Sensing of Environment,2016,185:16-36.

[12] ROY D P,KOVALSKYY V,ZHANG H K,etal.Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity [J].Remote Sensing of Environment,2016,185:57-70.

[13] DUBE T,MUTANGA O.Evaluating the utility of the medium-spatial resolution Landsat 8 multispectral sensor in quantifying aboveground biomass in Umgeni catchment,south Africa[J].Isprs Journal of Photogrammetry and Remote Sensing,2015,101:36-46.

[14] 徐飞,刘为华,任文玲,等.上海城市森林群落结构对固碳能力的影响[J].生态学杂志,2010,29(3):439-447.

XU F,LIU W H,REN W L,etal.Shanghai key laboratory of urbanization and ecological restoration of resource and environment science[J].Chinese Journal of Ecology,2010,29(3):439-447.(in Chinese)

[15] 温家石.城市化30对建成区植被碳吸收和碳储存的影响的研究[D].杭州:浙江大学,2010.

[16] 朴世龙,方精云,贺金生,等.中国草地植被生物量及其空间分布格局[J].植物生态学报,2004,28(4):491-498.

PIAO S L,FANG J Y,HE J S,etal.Spatial distribution of grassland biomass in China [J].Acta Phytoecologica Sinica,2004,28(4):491-498.(in Chinese)

[17] 沈楚楚.浙江省主要树种组生物量转换系数研究[D].临安：浙江农林大学,2013.

[18] 曾伟生,肖前辉,胡觉,等.中国南方马尾松立木生物量模型研建[J].中南林业科技大学学报:自然科学版,2010,30(5):50-56.

ZENG W S,XIAO Q H,HU J,etal.Establishment of single tree biomass equation forPinusmassonianain southern China[J].Journal of Central South University of Forestry & Technology,2010,30(5):50-56.(in Chinese)

[19] 朱汤军,沈楚楚,季碧勇,等.基于LULUCF温室气体清单编制的浙江省杉木林生物量换算因子[J].生态学报,2013,33(13):3925-3932.

ZHU T J,SHEN C C,JI B Y,etal.Research on biomass expansion factor of chinese fir forest in Zhejiang Province based on LULUCF greenhouse gas inventory [J].Acta Ecologica Sinica,2013,33(13) :3925-3932.(in Chinese)

[20] 周国模.毛竹林生态系统中碳储量、固定及其分配与分布的研究[D].杭州：浙江大学,2006.

[21] 孟超.城市香樟(CinamomumCamphora)地上生物量研究[D].北京:北京林业大学,2011.

[22] 贺红早,黄丽华,段旭,等.贵阳二环林带主要树种生物量研究[J].贵州科学,2007,25(3):33-39.

HE H Z,HUANG L H,DUAN X,etal.Study on biomass in main afforestation tree species of the second ring forest-belt of Guiyang[J].Guizhou Science,2007,25(3):33-39.(in Chinese)

[23] HOPPE J M,WITSCHORECK R,SCHUMACHER M V.Estimate of biomass inPlatanus× acerifolia (Aiton) Willd.established in dom Feliciano,RS [J].Ciencia Florestal,2006,16(4):463-471.

[24] 刘其霞,常杰,江波,等.浙江省常绿阔叶生态公益林生物量[J].生态学报,2005,25(9):2139-2144.

LIU Q X,CHANG J,JIANG B,etal.The biomass of the evergreen broad-leaved ecological public-welfare forests in Zhejiang,east China [J].Acta Ecologica Sinica,2005,25(9):2139-2144.(in Chinese)

[25] WULDER M A,ORTLEPP S M,WHITE J C,etal.Evaluation of Landsat-7 SLC-off image products for forest change detection[J].Canadian Journal of Remote Sensing,2008,34(2):93-99.

[26] BREIMAN L.Random forests[J].Machine Learning,2001,45(1):5-32.

[27] 李欣海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报,2013,50(4):1190-1197.

LI X H.Using “random forest” for classification and regression [J].Chinese Journal of Applied Entomology,2013,50(4):1990-1197.(in Chinese)

[28] KE Y,IM J,LEE J,etal.Characteristics of Landsat 8 OLI-derivedNDVIby comparison with multiple satellite sensors and in-situ observations[J].Remote Sensing of Environment,2015,164:298-313.

[29] LU D S,MAUSEL P,BRONDZID E,etal.Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin[J].Forest Ecology & Management,2004,198(1):149-167.