基于多特征优选的Sentinel-2遥感影像林分类型分类

闫国东 左雪漫 陈瑾 胡喜生 周成军 巫志龙

摘 要：為探究Sentinel-2遥感影像林分类型分类的优选特征组合，实现对阔叶林、马尾松林、杉木林和竹林的分类及其效果评价，选取福建省长汀县为研究区，利用Sentinel-2影像提取10个原始波段（O），计算9个光谱指数（S）、7个红边光谱指数（R）和8个纹理特征（Te），以及基于数字高程数据计算2个地形特征指数（To），共计36个特征；利用随机森林算法分析不同特征在林分类型分类中的重要性，并利用袋外样本（Out of Band，OOB）数据与平均不纯度减少方法优选特征组合（Optimum Individuality Combination ，OIC）；对6种不同试验方案（O、O+To、O+To+S、O+To+S+R、O+To+S+R+Te和OIC）进行林分类型分类，并利用混淆矩阵评价分类结果。结果表明，参与林分类型分类的36个特征的重要性为2.11%～5.43%，其中，海拔因子的重要性最高，红边波段、红边光谱指数、纹理特征中均值与相关性也具有较高的重要性；单独使用原始波段对林分类型进行分类，分类精度不高，总体精度为73.26%，Kappa系数为0.64；以原始波段为基础引入其他特征，除原始波段外，其他特征均可以提高分类精度；优选特征组合（OIC）为重要性前27个特征，包含海拔、8个原始波段、7个红边光谱指数和3个纹理特征，分类精度最高，总体精度为83.13%，Kappa系数为0.77，比其余5种试验方案的总体分类精度提高了0.82%～9.87%。以Sentinel-2影像为数据源，随机森林算法优选的特征组合综合多类型特征中对林分类型分类有重要贡献的特征，从而提高了分类精度。研究结果可为GEE平台Sentinel-2影像在森林资源调查中林分类型信息的提取提供参考。

关键词：Sentinel-2;红边光谱指数；随机森林算法；优选特征组合

中图分类号：S758;P237 文献标识码：A 文章编号：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

基金项目：国家自然科学基金项目（31971639）；福建省自然科学基金项目（2019J01406）；福建省工程索道工程技术研究中心开放课题基金项目（ptjh16006）

第一作者简介：闫国东，硕士研究生。研究方向为森林资源监测与评价。E-mail： 2686192023@qq.com

*通信作者：巫志龙，博士，高级实验师。研究方向为森林工程。E-mail： 81698187@qq.com

0 引言

林分类型分类在森林资源调查中至关重要，及时准确地获取林分类型信息与空间格局，有助于森林资源管理、生物多样性评估及碳循环与能源估算等，对区域生态保护以及经济发展具有重要意义[1]。目前通过实地调查各林分类型以及测量各林分的分布面积仍存在较多困难，如需耗费大量人力、物力以及财力，只适用于小范围调查等[2]。遥感识别是当前大尺度范围林分分布调查的主流方法，遥感数据源多为多光谱、高光谱、激光雷达（Light Detection and Ranging，LiDAR）以及合成孔径雷达（Synthetic Aperture Radar，SAR）等[3]。利用机载高光谱数据虽然能够获得高精度的林分分布信息，但是机载高光谱数据获取成本高昂；卫星遥感数据更适合大空间尺度的林分类型分类[4]。许多研究使用较低空间分辨率的卫星遥感影像对森林资源进行监测，但对特定林分监测使用中高空间分辨率的影像能够有效地减少混合像元，提高各林分类型的细节表达[5]。而使用Sentinel-2卫星可自由获取中高分辨率的多光谱影像，提高林分类型分类精度[6]。

在进行林分类型分类中，除了利用普通的光谱特征进行分类外，增加由红边波段计算的红边光谱指数、地形和纹理等其他特征进行分类，有助于提高分类精度。Immitzer等[7]利用不同光谱特征对林分类型进行分类，评估了不同光谱特征对林分类型分类的重要性，并且发现了红边波段以及红边光谱指数在林分类型分类中发挥重要作用。对于冠形不同的树种，纹理特征起着显著的作用；而地形对不同空间分布林分的区分具有很大的潜力，这有利于林分类型的分类[8]。多特征融合的方法可以避免光谱的混淆，提供丰富的遥感数据信息量。事实上，对于光谱特征差异不大的林分，基于光谱的方法无法获得理想的分类结果。虽然已有一些研究尝试利用遥感技术去提高林分类型分类的准确性，但深入分析影像林分类型分类的主导因素尚属罕见[9-10]。此外，分类方法也是影响林分类型分类的重要因素，其中随机森林算法应用最为普遍。随机森林算法参数设置简单，对高维数据和大数据量的影像处理效率高，在林分类型分类中被广泛地应用[11]。近年来有大部分的学者将深度学习应用到林分类型分类中，如杨丹等[12]利用U-Net模型实现了林分类型分类，但该方法需要大量的样本数据、复杂的参数设置以及长时间的训练才能得到较高的分类精度，不适合大尺度的林分类型分类，而随机森林算法仅使用较少的样本训练就能获得高精度的分类结果[3]。

由于福建省长汀县是我国典型的花岗岩红壤侵蚀区，随着生态治理逐步加强，林分信息与空间格局在治理水土流失与生态修复中的重要性备受关注[13]。以往的研究仅仅使用单一或少量的特征组合，而较多的特征组合会造成数据的冗余。为此，以福建省长汀县为研究区域，基于GEE云平台，提取Sentinel-2原始波段、地形特征指数、光谱指数、红边光谱指数和纹理特征等构建分类特征集，运用随机森林算法优选的特征组合并综合多类型特征中对林分类型分类有重要贡献的特征，以提高分类精度，为GEE平台Sentient-2影像在森林资源调查中林分类型信息的提取提供参考。

1 研究区概况

研究区选取福建省龙岩市长汀县（116°00′45″～116°39′20″E ，25°18′40″～26°02′05″N），属中亚热带湿润季风气候，年均气温18.3 ℃，年均降水量约1 700 mm；地形为南方山地丘陵，地势自北向南倾斜，东、西、北三面高，中、南面低；行政区域包括了11个镇和7个乡，总面积3 104.16 km2；林地面积17.87万hm2，森林覆盖率达74%，林木蓄积量228.53万m3，森林类型主要为针叶林、阔叶林与竹林等。

2 研究方法

2.1 数据来源与预处理

研究所用的是GEE数据库中Sentinel-2数据的Level-2A产品，空间分辨率为10 m。选用经过几何校正、数字高程模型校正、辐射校正和大气校正的地表反射率图像（Surface Reflectance，SR），包含13个无符号整型波段和3个质量评价（Quality Assessment， QA）波段[14]。影像获取时间为2021年12月2日，并将B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段影像融合。高程数据来源于航天飞机雷达地形任务（Shuttle Radar Topography Mission，SRTM），SRTM90_V4為数字高程数据版本4（https：//srtm.csi.cgiar.org）；通过GEE中重采样函数 （reproject），将高程数据转换为空间分辨率为10 m，并按长汀县行政边界进行裁剪。森林资源二类调查数据来源于国家林业和草原局林草资源图。

2.2 林分类型分类系统建立与样本获取

长汀县主要优势树种为杉木（Cunninghamia lanceolata）、马尾松（Pinus massoniana）、樟树（Cinnamomum camphora）、木荷（Schima superba）、桉树（Eucalyptus robusta）、毛竹（Phyllostachys heterocycle）、绿竹（Dendrocalamopsis oldhami）以及其他阔叶树种[15]。由于主要研究对象为林分类型，因此将其他地类如农田、裸地、道路等统称为其他类别，并通过结合长汀县2019年森林资源二类调查数据中优势树种类型与树种组成，最终将研究区地物类别分为阔叶林、马尾松林、杉木林、竹林和其他类别5类。通过自动提取森林资源二类调查矢量数据小班中心点坐标，以及2021年下半年手持GPS仪野外采集100个分布点坐标信息，共获得3 976个坐标信息；再利用Google Earth多时相米级高分辨率影像以及国家森林资源智慧管理平台中亚米级遥感影像（http：//www.stgz.org.cn），通过目视解译的方法对小班周边的样点进行提取，最终共选取训练样本和验证样本4 970个，其中训练样本3 976个，占比80%，剩余20%作为验证样本（表1和图1）。

2.3 林分类型特征提取

在GEE平台上，基于数字高程数据，提取海拔（Elevation）和坡度（Slope）2个地形特征；提取Sentinel-2影像3个红边波段B5、B6、B7以及其余7个波段B2、B3、B4、B8、B8A、B11和B12为原始波段光谱特征；利用expression函数对波段进行运算，计算9个光谱指数和7个红边光谱指数，利用灰度共生矩阵提取Sentinel-2影像的8个纹理特征，见表2。在遥感影像中，植被的纹理没有明显的方向性，故在参数设置时，选取移动方向0o、45o、90o、135o这4个方向的平均值，经反复试验对比分析，得出窗口大小设置为7×7像元，步长设置为2的分类效果最佳。在影像纹理特征提取时，为避免计算量过大且产生信息冗余，对参与分类的10个原始波段进行主成分分析（Principal Component Analysis，PCA），选用占据90.16%特征贡献率的第一主成分影像蓝波段B2提取纹理因子。

2.4 分类方法与特征优选

运用随机森林（Random Forest，RF）算法进行Sentinel-2影像林分类型分类，按照“原始波段光谱特征（O）、原始波段光谱特征+地形特征（To，O+To）、原始波段光谱特征+地形特征+光谱指数（S，O+To+S）、原始波段光谱特征+地形特征+光谱指数+红边光谱指数（R，O+To+S+R），以及原始波段光谱特征+地形特征+光谱指数+红边光谱指数+纹理特征（Te，O+To+S+R+Te）”5种试验方案，对每个特征进行迭代运算，并依据每个特征的得分进行重要性排序，探讨Sentinel-2影像地形因子、光谱指数、红边光谱指数和纹理特征在林分类型分类中的作用。通过利用袋外样本（out-of-bag，OOB）数据并采用随机森林（Random Forest，RF）算法中的平均不纯度减少方法，将特征得分由高到低进行组合，评价分类精度，优选特征组合作为第6种试验方案（OIC）。决策树的数量设置为100，每个节点的特征数使用特征总数的平方根。

通过使用混淆矩阵中的总体精度（Overall accuracy，OA，式中为OA）、生产者精度（Producer's accuracy，PA，式中为PA）、Kappa系数、用户精度（User's accuracy，UA，式中为UA） 以及PA和UA的调和平均值（F1）对林分类型分类结果进行评价；其中OA、Kappa系数与UA的计算公式参考文献[18]。F1的取值范围为[0，1]，若值越大，分类效果越好；若值越小，分类效果越不理想[19]。

3 结果与分析

3.1 不同特征在林分类型分类中的重要性

Sentinel-2影像特征在林分类型分类中的重要性评估结果，如图2所示。从Sentinel-2影像提取的36个特征在林分类型分类中的重要性范围为2.11%～5.43%，海拔居首位，重要性最高为5.43%，而近红外波段光谱特征B8重要性最低为2.11%；其中，红边波段光谱特征中B5、B6和B7的重要性分别为3.05%、2.88%和2.69%，红边光谱指数中NDVIRE1、NDVIRE2、NDRE1和NDRE2的重要性分别为3.38%、3.17%、3.01%和2.96%，光谱指数中NDWI和CI的重要性分别为3.15%和2.94%，纹理特征中均值和相关性的重要性分别为2.72%与2.59%，这些特征在林分类型分类中均有较大贡献，发挥着重要作用。

根据参与林分类型分类的特征重要性排序，由高到低进行特征组合，评估分类精度，如图3所示。从图3中可以看出，随着分类特征数量的增加，分类精度呈先增大后降低的变化规律；当分类特征数量为重要性前27个时，分类精度达到最高，故选用重要性前27个特征作优选特征组合（OIC），包括地形特征（Elevation）、原始波段光谱特征（B11、B2、B5、B6、B12、B7、B3和B4）、红边光谱指数（NDVIRE1、NDVIRE2、NDVIRE3、NDRE1、NDRE2、RVIRE和CIRE）、光谱指数（NDWI、NDVI、CI、BSI、IBI、RVI、EVI和DVI）和纹理指数（Mean、Correlation和Second moment）。

3.2 不同林分类型在灰度值和纹理特征的可分离性分析

分别提取阔叶林、杉木林、马尾松林和竹林在不同波段上的灰度值（图4），以及在纹理特征上的特征值（图5）。4种类型的林地都有一定的可分离性。从不同林分类型灰度值上看，阔叶林在B2、B7波段上明显优于其他3类，且在B4波段也较为突出；杉木林在B8、B6波段区分度较高，在B4波段的区分度最低；对于马尾松林，在B5与B11波段中表现突出，而在B3与B8中有一定的可分性；而竹林的灰度值则在B4与B6中最大，在B8波段中最小；总的来说，各波段可作为各林分类型分类的有效特征。从纹理特征看，阔叶林在Correlation中可分离性高；杉木林在Mean中的可分离性最高；Mean、Correlation特征上的区分度大于Second moment。总的来说，不同林分在不同波段的灰度值以及纹理特征的特征值上均有一定的可分性。

3.3 不同试验方案林分类型分类结果

长汀县林分类型分类结果，如图6所示。仅使用原始波段光谱特征（O）的分类结果（图6（a）），4类林分以及其他产生的“椒盐现象”很严重；增加地形特征（O+To）的分类结果（图6（b）），各类林分在不同海拔的分布有一定的差异，马尾松林主要分布在中海拔地区，能更明显地与其他树种进行区分；增加光谱指数（O+To+S）、红边光谱指数（O+To+S+R）和纹理特征（O+To+S+R+Te）的分類结果（图6（c）—图6（e）），阔叶林与竹林和杉木林能更明显区分；采用优选特征组合（OIC）的分类结果（图6（f）），与前5种分类结果相比，各类林分的图斑破碎度都有所降低，“椒盐现象”得到明显改善，且大量被混分的林分被区分；4类森林类型的结果更为规整，马尾松林在各类树种中所占的面积最大，竹林主要集中分布在西北部，杉木林与马尾松林在各类树种中所占面积较少且呈镶嵌分布，阔叶林主要分布在长汀县西南角与东部山脉地区。

各类林分类型分类的混淆矩阵，如图7所示。仅使用原始波段光谱特征进行分类时，阔叶林与马尾松林和竹林出现了大面积混淆，杉木林有大部分混淆为其他林分（图7（a））；当增加地形特征时，马尾松林、竹林与其他林分的混淆程度，以及阔叶林与杉木林的混淆程度都降低（图7（b））；当增加光谱指数和红边光谱指数时，马尾松林与竹林和杉木林的混淆程度，以及杉木林与竹林的混淆程度都出现较明显降低（图7（c）和图7（d））；当增加纹理特征时，竹林与其他树种的混淆程度降低（图7（e））；与前5种分类的混淆矩阵相比，采用优选特征组合进行分类时，各类林分的混淆程度都明显降低（图7（f））。

3.4 不同试验方案林分类型分类精度

林分类型分类的精度见表3，总体精度（OA）与Kappa系数如图8所示。仅用原始波段光谱特征进行分类时，杉木林与阔叶林的PA不足0.60，F1分别仅为0.556与0.598，OA为73.26%，Kappa系数为0.64。当增加地形特征时，马尾松林和竹林与其他林分的混淆程度明显降低，PA分别提升了0.08与0.03，阔叶林与杉木林的混淆也有了小幅度的降低，阔叶林和马尾松林的F1增幅最大，分别增加了0.11与0.10。总体的分类精度增加了5.05%，为78.31%，Kappa系数为0.71。当加入光谱指数时，所有的林分在分类精度上得到了提升，竹林F1提升的精度最高，提升了0.03。总体精度为79.06%，Kappa系数为0.72。加入红边光谱指数时， 各林分的混淆程度明显地减小，马尾松林与竹林以及杉木林的混淆程度大幅减小，杉木林与竹林的混淆程度也出现了明显的减小，各林分的分类精度也得到了提高；总体精度提升了2.36%，Kappa系数提升了0.03。在加入纹理特征后，由于竹林的分布比较集中，在均值与相关性的作用下，竹林其他树种的混淆程度减小，F1达到0.865，PA为0.918，纹理特征对竹林的识别作出极大的贡献，总体精度为82.31%，Kappa系数为0.76。采用特征优选算法后，每一类林分在分类精度上都达到了最高值，7个红边光谱指数的贡献率较高，在植被的监测中发挥了重要的作用，采用特征优选算法后的分类总体精度达到83.13%，Kappa系数为0.77。

将优选特征组合应用于长汀县林分类型分类中，并与森林资源二类调查结果比较，见表4。由表4可知，各林分遥感影像的分类面积与二类调查林地面积较为接近，尤其是马尾松林，与二类调查的林地面积基本上一致；说明运用GEE云平台，基于多特征优选的Sentinel-2遥感影像进行长汀县林分类型分类的效果好。

4 讨论与结论

4.1 讨论

本研究使用RF算法中的平均不纯度减少方法并结合Sentinel-2光学影像中丰富的光谱特征以及纹理特征并加入红边光谱指数与地形特征，对长汀县的林分类型进行分类。在使用RF算法选出的27个特征中，证实了短波红外波段（B11、B12）、红边波段（B6、B7和B8A）以及红边光谱指数在森林分类中贡献度非常高，这与Sothe等[19]和Immitzer等[7]在基于Sentinel-2A中进行森林类型分类中得出的结论一致。许多学者也证实了红边波段对植被的敏感度非常高，常常用来对植被的健康状况进行监测，如任枫等[20]使用红边波段以及红边波段计算的光谱指数在针叶林和竹林中的重要性。此外，红波段在森林分类中也体现出较高的价值，这可能是因为红波段对叶绿素的吸收能力比较强，如刘文雅等[21]研究证明红波段对区分马尾松林贡献较为突出。在特征组合方面，何云等[22]和黄翀等[5]对光谱特征与纹理特征组合以及光谱特征、纹理特征与红边光谱指数进行特征组合，使森林分类的椒盐现象有了很大的改善，并且提高了分类精度。本研究中，在加入红边光谱指数的组合时，林分类型分类的精度明显提高，红边光谱可有效地解决其他特征组合带来的分类误差。将参加分类的5种因子相结合，得到的分类精度仅次于特征优选后得到的结果，说明在对Sentinel-2影像林分类型分类中均发挥着重要的作用，每一个因子的加入都对一类林分有着积极的影响。

由于长汀县森林类型的特殊性，以马尾松林为主（占整个树种的50%以上），导致其他树种易和马尾松林出现大面积的混淆，所以在遥感影像分类中可以加入雷达影像以及采用LiDAR获取树种的结构参数特征，例如胸径和树高等，用来参与训练，获得更高精度的分类结果。在本研究中只进行乔木林树种组的分类提取，目前只是从树种的大类进行分类识别，对于树种繁多的阔叶树等没有进行精细分类，今后还应对特定树种进行精细分类识别。

4.2 结论

基于GEE云平台，在Sentinel-2 影像参与分类的36个光谱特征中，海拔的重要性最高，红边波段B5、B6、B7和红边光谱指数以及纹理特征中均值与相关性的重要性也较高，对林分类型分类起着重要作用；与单独使用原始波段相比，其他特征的引入均可以提高分类的精度；重要性前27个特征优选组合（OIC）林分类型分类效果最优，其中3个红边波段以及7个红边光谱指数均在最优特征中，且马尾松林与竹林的F1精度都达到0.80以上，竹林的F1最高，达到0.879；OA和Kappa系数均最高，分别为83.13%和0.77，比其余5种试验方案的OA提高了0.82%～9.87%。因此，运用GEE云平台，以Sentinel-2 影像为数据源，多特征优选应用于长汀县林分类型分类效果最好，可为GEE平台Sentinel-2影像在森林资源调查中林分类型信息的提取提供參考。

【参 考 文 献】

[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]温小乐，钟奥，胡秀娟.基于随机森林特征选择的城市绿化乔木树种分类[J].地球信息科学学报，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]黄翀，张晨晨，刘庆生，等.结合光学与雷达影像多特征的热带典型人工林树种精细识别[J].林业科学，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，李崇贵，刘思涵，等.应用哨兵2A多时相遥感影像对树种的识别[J].东北林业大学学报，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，李崇贵，李斌.基于U-Net模型的多时相Sentinel-2A/B影像林分类型分类[J].林业科学研究，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]师吉红，项佳，刘健，等.南方红壤典型水土流失区马尾松林地上林木碳储量的遥感监测：以长汀县河田镇为例[J].生态学报，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，张淼，吴炳方，等.Google Earth Engine支持下的江苏省夏收作物遥感提取[J].地球信息科学学报，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]池毓锋，赖日文，余莉莉，等.基于Landsat8OLI数据的树种类型分布提取[J].自然资源学报，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，杨佳，等.基于高分六号卫星红边波段的森林蓄积量遥感反演：以西宁市针叶林为例[J].中国农业气象，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]刘文雅，潘洁.基于神经网络的马尾松叶绿素含量高光谱估算模型[J].应用生态学报，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，黄翀，李贺，等.基于Sentinel-2A影像特征优选的随机森林土地覆盖分类[J].资源科学，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.