基于集成学习和Sentinel-2的落叶松毛虫虫害区识别

姜星宇 徐华东 陈文静

摘 要：为实现快速、高效地监测落叶松毛虫（Dendrolimus superans）虫害爆发状况，以黑龙江省乡南经营所林场8林班为研究区，以2018年Sentinel-2遥感影像为数据源，对该林班的落叶松毛虫虫害区进行识别。提取预处理后影像的原始光谱特征（8个）、光谱指数特征（12个）与纹理特征（8个），基于方差分析（Analysis of Variance，ANOVA）与极度梯度提升（eXtreme Gradient Boosting，XGBoost）分类器对上述特征降维并按重要性排序，通过集成学习分类算法（随机森林分类器和XGBoost分类器）进行虫害区识别和精度比较。研究结果表明，1）应用重要性前14位特征的XGBoost模型对虫害区识别的表现最为理想，总体分类精度为95%（Kappa系数为86%），高于随机森林分类器的93%（应用重要性前10的特征）；2）重要性前14的特征名称由大到小为EVI1、Mean、MTCI、GNDVI、Variance、B4、B2、Homogeneity、B3、CRI1、EVI2、B8、B5和CRE。研究结果可实现落叶松毛虫虫害区的高效识别，为东北林区的虫害防治决策制定提供依据。

关键词：落叶松毛虫；集成学习；Sentinel-2；遥感；XGBoost

中图分类号：S763；S763.42+1 文献标识码：A 文章编号：1006-8023（2023）06-0147-09

Dendrolimus Superans Infected Area Identification Based on Ensemble Learning Model and Sentinel-2 Data

JIANG Xingyu， XU Huadong， CHEN Wenjing

（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：In order to quickly and efficiently monitor the outbreaks of Dendrolimus superans， the 8th forest compartment of South Management Office Forest Farm in Heilongjiang Province was taken as the research area， while the Sentinel-2 remote sensing image in 2018 was used as data source to identify the Dendrolimus superans infestation area in the forest compartment. The original spectral features （8）， spectral index features （12） and the texture features （8） were extracted from the preprocessed image. Based on ANOVA and XGBoost classifiers， all features were dimensionally reduced and sorted by importance. The ensemble learning classification algorithm （Random Forest classifier and XGBoost classifier） was used to identify pest areas and compare their accuracy. The results showed that： （1） the XGBoost model with the top 14 important features was the most ideal for the identification of pest areas， and the overall accuracy reached to 95% （Kappa coefficient = 86%）， which were higher than the 93% of Random Forest （the top 10 features in order of importance）; （2） the top 14 feature names were： EVI1， Mean， MTCI， GNDVI， Variance， B4， B2， Homogeneity， B3， CRI1， EVI2， B8， B5 and CRE. This method can achieve efficient identification of Dendrolimus superans infestation areas， which can provide a basis for decision-making on pest control in northeast forest.

Keywords：Dendrolimus superans; ensemble learning; Sentinel-2; remote sensing; XGBoost

收稿日期：2022-12-24

基金項目：国家自然科学基金项目（31870537）。

第一作者简介：姜星宇，硕士研究生。研究方向为林业遥感与信息化。E-mail： 2905168025@qq.com

*通信作者：徐华东，博士，教授。研究方向为森林工程、林业遥感与信息化。E-mail： xhd-8215@163.com

引文格式：姜星宇，徐华东，陈文静.基于集成学习和Sentinel-2的落叶松毛虫虫害区识别[J].森林工程， 2023， 39（6）：147-155.

JIANG X Y， XU H D， CHEN W J. Dendrolimus Superans infected area identification based on ensemble learning model and Sentinel-2 data[J]. Forest Engineering， 2023， 39（6）：147-155.

0 引言

落叶松毛虫（Dendrolimus superans （Butler））是我国东北地区主要森林食叶害虫之一，影响林木生长发育并阻碍林产品质量提高。森林作为陆地生态系统中最大的碳库，其结构组成与固碳能力遭到破坏，将产生巨大的经济和生态损失 。因此，如何高效识别虫害区域成为亟待解决的问题。

现有虫害监测方法中，传统地面监测的观测尺度有限、物资消耗严重，不及遥感监测的覆盖范围广、检测效率高 ，后者一般借助光学遥感（多光谱、高光谱）和微波遥感（合成孔径雷达与激光雷达）。高光谱数据难获取、难处理，合成孔径雷达数据对植被敏感度低、虫害监测应用比较少见，激光雷达设备造价高昂、使用难度大，而多光谱遥感技术成熟、处理流程简单且计算量较小，如高时间分辨率的中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer，MODIS）、高空间分辨率的WorldView-2、具有红边波段的Sentinel-2等均在植被监测中表现出优势。其中，Sentinel-2影像重访周期高（双星组合约3～5 d），数据开源易获取，并具有3个对植被变化敏感的红边波段（Red Edge）。此外，有研究使用多源遥感数据（Landsat TM/ETM+/OLI）进行虫害监测和制图，Sentinel-2数据的光谱分辨率（13个波段）、空间分辨率（10 m分辨率）均较Landsat系列数据（7～11个波段、30 m空间分辨率）更优，故选择其作为落叶松毛虫虫害区识别研究的遥感数据源。

虫害区域的遥感识别依赖于特征空间的构建。亓兴兰等应用SPOT-5的纹理特征与原始光谱波段实现了马尾松毛虫虫害危害等级分类；黄晓君应用高光谱与Sentinel-2的光谱指数、光谱导数特征，对西伯利亚松毛虫与雅氏落叶松尺蠖分别建立模型进行识别。特征冗余或导致精度下降，故一般基于统计方法或基于模型进行特征降维，其中基于决策树的集成学习分类模型既可降维，也可进行虫害区的识别：随机森林（Random Forest，RF）与极度梯度提升（eXtreme Gradient Boosting，XGBoost）等基于决策树的集成学习算法继承了决策树的优点，性能更稳定，预测能力更强。许章华等 利用Landsat-7影像的特征组合对马尾松毛虫虫害程度进行识别，RF的检测效果优于Fisher判别；张超等 提取时序光谱与植被特征识别作物， 发现XGBoost算法的精度高于RF算法。在目标虫害上，落叶松毛虫与马尾松毛虫习性类似，在算法精度上，未有研究对XGBoost与RF在虫害区上的识别做比较，因此拟选择上述算法作虫害区识别，以期获取更高的识别精度。

综上，本研究拟以乡南经营所林场8林班为研究区，基于Sentinel-2遥感影像，选择原始波段、光谱指数与纹理特征，应用统计方法（方差分析）和模型方法（XGBoost）對分类特征进行降维及重要性排序，对比集成学习算法（RF与XGBoost），分析研究区识别精度（总体识别精度OA与Kappa系数），本研究旨在获取东北地区落叶松毛虫虫害区识别的分类特征与集成学习算法的最佳组合模型，为东北地区落叶松毛虫害乃至其他森林虫害的高效监测提供依据。

1 试验区概况及数据处理

1.1 研究区概况

研究区为黑龙江省乡南经营所林场8林班，位于伊春市铁力市朗乡镇，经营面积约为3.96 km，气候为大陆性季风气候。该林班林分组成为落叶松（Larix gmelinii）人工林纯林，落叶松毛虫常周期性爆发。2018年，朗乡林业局病防站通过线路踏查方式，监测到8林班遭受严重的落叶松毛虫虫害，且未发现其他病虫迹象。

1.2 数据收集

Sentinel-2遥感数据来源为欧空局网站（https：//scihub.copernicus.eu/），采用2A卫星的多光谱成像仪（MSI）数据，成像时间为2018年8月6日，数据编号为S2A_MSIL1C_20180806T021601_N0206_R003_T52TDT_20180806T041543。为避免低分辨率波段对分类任务的影响，舍弃Sentinel-2数据中的空间分辨率为60 m的水气、卷云以及可见光中的气溶胶波段，选取的波段分别为空间分辨率10 m的B2、B3、B4、B8和20 m的B5、B6、B7、B8A、B11、B12。

样本数据来源为固定标准地监测和线路踏查方式获得的调查数据，包括2018年6月7日（发现虫情）至2018年8月15日（虫害不再大幅扩散）8林班内的虫害变化、虫害样区与健康样区的坐标范围。根据上述数据绘制虫害区、健康区（针对性选取）和居民区（目视解译）3块矢量区域作为感兴趣区。

1.3 数据处理

运用易智瑞（ESRI）公司的ENVI软件（版本5.5）对Sentinel-2数据预处理（辐射定标、大气校正）：利用辐射定标扩展工具Radiance Sentinel-2 L1C对10 m和20 m波段做辐射定标，在此基础上，運用FLAASH模块进行大气校正后提取波段。为防止重采样后与真实值误差过大，将10 m的波段数据B2、B3、B4、B8，通过ENVI的最近邻方法重采样为20 m分辨率，并与20 m分辨率的B5、B6、B7、B8A波段组合为新影像。

3块感兴趣区包含1 011个像元样本数据（虫害区192个像元，健康区119个像元和居民区700个像元）。分类时设置训练样本40%，验证样本占比60%，将整个8林班作为测试样本，研究区真彩色影像图与样本感兴趣区域分布如图1所示。

2 研究方法

2.1 特征提取

原始光谱特征、光谱指数特征和纹理特征是分析遥感图像的基本要素，可反映植被生理健康变化，现对上述特征进行定性分析，如图2所示。

原始光谱特征中B2、B3和B4波段组合图像反映与目视一致的真彩色图像；红边波段（B5、B6、B7）是反射率在近红外波段与红光交界处（670～760 nm）快速变化的区域，常用以描述植物理化参数与健康状况；B8（近红外）与B8A（短波红外）波段是研究植被时常用的波段。对上述原始波段进行1—8的编号，分别对3个感兴趣区的平均光谱反射率曲线图进行分析，对比虫害区和健康区，2条曲线保持相同的趋势，但数值上存在明显的差异，而居民区无论趋势与数值均明显不同。光谱指数特征是结构简明、易于计算且物理意义明确的原始光谱运算组合，基于图2（a）分析结果和已有文献，利用波段光谱反射率值和不同波段数据组合而来的光谱指数特征作为识别虫害区域的特征数据，对于识别虫害区域具有科学依据。对于原始光谱特征，共选取上述8个波段；同时分别选取能够反映植物中色素含量、含水率和失叶率等的光谱指数共20个。光谱特征名称及计算公式见表1。

故在Sentinel-2数据中共选取上述36个分类特征用于虫害区识别，其中原始光谱特征8个，光谱指数特征20个，纹理特征8个。

纹理特征可描述林木冠层粗糙度。首先应用主成分分析法获取波段信息占比最高的第一主成分，利用5×5的移动窗口，使用灰度共生矩阵法提取纹理信息。纹理特征选取8个：同质性（Homogeneity，HOM）、均值（Mean，MEAN）、二阶矩（Second moment，SEC）、方差（Variance，VAR）、非相似性（dissimilarity，DIS）、对比度（Contrast，CON）、熵（Entropy，ENT）和相关性（Correlation，COR） 。为保证特征可在一张图中显示，将MEAN的均值缩小10倍。根据图2（b）分析可知，居民区与林区（健康区与虫害区）在MEAN、VAR、CON、DIS和ENT这5个特征上均表现出明显的差异，健康区和虫害区在VAR、CON、DIS、ENT和SEC上均表现出明显的差异，故利用纹理特征作为识别虫害区域的特征数据具有科学依据。

2.2 特征降维

结合统计学与模型2种方法进行特征降维。1）基于统计学方法——方差分析方法（Analysis of Variance，ANOVA），筛选特征。ANOVA通过计算检验统计量P与F来描述样本变异状况；2）基于模型方法——XGBoost分类器，进行特征重要性排序。按照模型默认参数，将决策树棵树设为100，最大深度设为6，得到特征重要性分数分布直方图并进行降序排列。

2.3 分类器对比与精度评价

由于RF分类器未引入正则项，训练过程中创建过多决策树将使模型产生过拟合现象，故决定将其决策树棵树设置为20；而XGBoost分类器中引入了控制模型复杂度的正则化项，故将其决策树棵树（子模型数量）仍设置为100。为保持其他变量一致，将树的最大深度均设置为6。应用优化后的分类特征，训练RF和XGBoost分类器，得到识别精度曲线。

3 结果与讨论

3.1 特征筛选与降维

在ANONA筛选特征时，将P> 0.05（ARI1、ARI2、BAI、IRECI、MCARI、NDRE和REP）与F< 100（B6、CRI2、NDI45、PSRI和Correlation）的不敏感特征（共12个）进行排除，剩余24个特征，见表2。

应用XGBoost进行特征重要性排序时，输入方差分析筛选后剩余的24个特征，输出仅返回20个，即其中4个对分类器没有贡献。20个特征按降序排列分别对应：f9（EVI1）、f17（Mean）、f13（MTCI）、f11（GNDVI）、f18（Variance）、f2（B4）、f0（B2）、f19（Homogeneity）、f1（B3）、f7（CRI1）、f10（EVI2）、f5（B8）、f3（B5）、f8（CRE）、f22（Entropy）、f20（Contrast）、f6（B8A）、f21（Dissimilarity）、f4（B7）、f23（Second Moment）。依据方差分析与特征重要性排序，选择这20个特征进行虫害区识别，降低特征冗余对于识别精度的负面影响，如图3所示。

3.2 基于特征选择的不同分类器精度评价

为定量分析分类器的性能，按特征重要性降序排列顺序，依次取出对应特征训练RF和XGBoost分类器，识别研究区内虫害区、健康区和居民区3种类别，记录识别精度，如图4所示。

从峰值的角度来分析，在应用重要性前10的特征时，RF分类器总体识别精度达到最高值93%。此时，XGBoost分类器总体识别精度未达到峰值，已高于RF分类器。在应用重要性前14的特征时，XGBoost分类器总体识别精度达到95%，后续仍有并不显著的小幅精度提升，但是将花费更多特征节点计算量与计算时间；从模型稳定性与整体趋势来分析，在各个特征数目节点上，XGBoost分类器总体识别精度均高于RF分类器。随着特征个数的增加，XGBoost分类器识别精度逐渐平稳增加，而RF分类器部分识别精度时有下降，整体趋势呈现不稳定状态。

RF的分类效果不及XGBoost的主要原因是二者创建决策树的策略不同。前者的训练样本不固定，分裂节点特征选择也具有随机性，故RF分类器创建决策树分类时，会存在随机特征的干扰，若随机特征不敏感，则分类精度下降；后者的训练样本是固定的，分裂节点特征的选择是遍历所有特征后选择使模型内部代价函数减小最快的特征，所以每次分类都会更接近真实结果。因此，XGBoost分类器在进行识别时具有更好的稳定性，对虫害区域识别具有更好效果。

3.3 基于分区的不同分类器精度评价

为确定不同分类器、特征数以及感兴趣区的识别精度与相互关系，选取具有代表性的特征数量（精度达到稳定的最优特征个数、降维后剩余特征个数与未降维的全部特征个数）进行分析。应用RF分类器（特征个数：10、20、36）与XGBoost分类器（特征个数：14、20、36）对虫害区、健康区、居民区进行识别精度评价，见表3。

从各区域识别精度分析，XGBoost分类器的总体识别精度与各区域识别精度均显著高于RF分类器。所有区域中，居民区识别精度更高，其在特征值上与植被区域差异较大，更易找到区分阈值；对于虫害区与健康区，XGBoost在36个特征取得最高总体识别精度时，Kappa系数不升反降，低于14、20个特征时的86%，说明36个特征的识别模型的识别结果混淆矩阵更不平衡，具有偏向性。对于20个特征与14个特征的识别模型，前者增加了6个特征的计算量，却并未有总体识别精度的提升，且后者对于虫害区的识别精度更高，故应用14个特征的XGBoost模型更适用于本研究试图实现虫害区识别的研究目的。从识别精度与特征数角度分析，RF分类器在特征数为20、36时，与特征数为10时相比，其总体分类精度降低，说明无关特征对正确分类存在干扰，冗余特征会影响分类精度，分类特征不是越多越好。Kappa系数与总体识别精度规律相似。对于XGBoost分类器，随着特征个数增加，其识别精度一直在小幅提升，但计算量也会随之增加，从而影响分类效率（图4与表3）。综上，本研究确定的综合识别精度最高的落叶松毛虫虫害识别模型为基于特征重要性前14个特征的XGBoost分类器虫害区识别模型。

3.4 识别结果比较

图5是应用选定的识别模型对研究区的识别结果。整体来看，XGBoost分类器应用不同特征个数（14、20、36）的识别结果保持高度一致，说明减少不敏感的分类特征对识别结果不会产生较大影响。与图1不同区域感兴趣区分布图对比，不存在明显错分区域，說明使用Sentinel-2影像对研究区内虫害区、健康区和居民区进行识别具有很好的效果。XGBoost分类器应用特征重要性前14个特征得到，8林班具有虫害像元2 647个（约1.06 km），健康区像元6 094个（约2.44 km），居民区像元1 149个（约0.46 km），合计9 890个像元（约3.96 km），识别总面积与研究区概况保持一致。

4 结论和局限性

本研究以黑龙江省乡南经营所林场8林班为研究区，以Sentinel-2多光谱遥感数据为数据源，结合方差分析筛选与XGBoost特征重要性排序得到的20个分类特征，对比分析XGBoost分类器与RF分类器识别结果，获得一种落叶松毛虫虫害区的遥感识别模型并得到该虫害区的模型精度评价与识别结果分布图，为及时掌握当地落叶松毛虫虫害胁迫的区域定位与空间分布，进而加强虫害动态管理和灾后定损提供技术依据。

1）按照特征重要性降序排列的20个特征分别对应：EVI1、Mean、MTCI、GNDVI、Variance、B4、B2、Homogeneity、B3、CRI1、EVI2、B8、B5、CRE、Entropy、Contrast、B8A、Dissimilarity、B7和Second Moment。

2）采用重要性排序前10位的特征，RF分类器总体识别精度达到峰值93%，XGBoost分类器的精度与其一致，但未达到峰值；采用重要性排序前14个特征，XGBoost分类器总体识别精度达到95%，Kappa系数最高（86%），此时模型趋于稳定，增加特征数对精度提升影响较小。

3）通过对比稳定性、特征数与识别精度，将XGBoost分类器结合重要性排序前14个分类特征的识别模型，作为本研究的落叶松毛虫虫害区识别模型。

4）本研究的识别精度较好，但仍存在不足。在特征选择上，关注于虫害影响植株产生的光学特征，并未结合地形特征（如DEM）；在区域划分上，证明居民区与植被区（包括虫害区与健康区）相比识别精度更高，后续研究将对居民区进行掩膜处理，以忽略其对识别精度的影响；在方法改进上，后续可考虑应用多源遥感数据或深度学习方法对虫害区分类以取得更高的分类精度。

【参 考 文 献】

[1]于德江，郑依国，孙晨辉，等.长白山国家级自然保护区落叶松毛虫致灾状况调查与致灾因子分析[J].林业科学研究，2022，35（3）：103-111.

YU D J， ZHENG Y G， SUN C H， et al. Investigation and factors analysis of Dendrolimus superans outbreaks in Changbai Mountain national nature reserve[J]. Forest Research， 2022， 35（3）： 103-111.

[2]陈文静，杨从从.2001—2017年青海省NDVI时空变化特征及其对气候因子的响应[J].森林工程，2020，36（5）：54-61.

CHEN W J， YANG C C. Spatiotemporal change characteristics of NDVI and its response to climate factors in Qinghai from 2001 to 2017[J]. Forest Engineering， 2020， 36（5）： 54-61.

[3]麻磊，黄晓君，Ganbat Dashzebegd，等.不同遥感传感器监测森林虫害研究进展与展望[J].中国农学通报，2022，38（26）：91-99.

MA L， HUANG X J， DASHZEBEGD G， et al. Monitoring forest insect pests by different remote sensing sensors： research progress and prospect[J]. Chinese Agricultural Science Bulletin， 2022， 38（26）： 91-99.

[4]韩欢庆.基于无人机多光谱图像的森林虫害区域分割方法[D].北京：北京林业大学，2018.

HAN H Q. Segmentation of forest pest area based on UAV multispectral remote sensing images[D]. Beijing： Beijing Forestry University， 2018.

[5]陈文静，徐华东，刘美爽.应用MODIS数据监测神农架林区大小蠹虫害时空分布[J].中南林业科技大学学报，2020，40（12）：60-68.

CHEN W J， XU H D， LIU M S. Spatial and temporal distribution of Dendroctonus armandi infestation in Shennongjia forested region using MODIS data[J]. Journal of Central South University of Forestry & Technology， 2020， 40（12）： 60-68.

[6]刘俊，周靖靖，菅永峰，等.Worldview-2不同波段纹理特征对森林蓄积量估算精度影响[J].西北林学院学报，2021，36（3）：175-181.

LIU J， ZHOU J J， JIAN Y F， et al. Effects of texture parameters of different bands of Worldview-2 images on the estimation of forest volume[J]. Journal of Northwest Forestry University， 2021， 36（3）： 175-181.

[7]陳媛媛，雷鸣，王泽远，等.基于Sentinel卫星影像的土地利用类型提取：以丽水市莲都区为例[J].森林工程，2022，38（2）：54-61.

CHEN Y Y， LEI M， WANG Z Y， et al. Extraction of land use types based on sentinel images： a case study of Liandu district， Lishui[J]. Forest Engineering， 2022， 38（2）： 54-61.

[8]黄林生，江静，黄文江，等.Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法[J].农业工程学报，2019，35（17）：178-185.

HUANG L S， JIANG J， HUANG W J， et al. Wheat yellow rust monitoring method based on Sentinel-2 image and BPNN model[J]. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（17）： 178-185.

[9]罗先轶，张永光.基于多源遥感数据的森林虫害监测及驱动力分析[J].航天返回与遥感，2022，43（6）：129-140.

LUO X Y， ZHANG Y G. Monitoring forest pests and its driving factors based on multi-source remote sensing data[J]. Spacecraft Recovery & Remote Sensing， 2022， 43（6）： 129-140.

[10]亓兴兰，肖丰庆，刘健，等.基于多尺度纹理与光谱特征的马尾松毛虫虫害信息提取方法研究[J].西南林业大学学报（自然科学），2019，39（5）：136-143.

QI X L， XIAO F Q， LIU J， et al. Information extraction method of Dendrolimus punctatus based on multi-scale texture and spectral features[J]. Journal of Southwest Forestry University （Natural Sciences）， 2019， 39（5）： 136-143.

[11]黄晓君.落叶松针叶虫害地面高光谱识别及遥感监测方法研究[D].兰州：兰州大学，2019.

HUANG X J. Remote sensing identification and monitoring of larch needle pests based on ground hyperspectral data[D].Lanzhou： Lanzhou University， 2019.

[12]杨迎港，刘培，张合兵，等.基于特征优选随机森林算法的GF-2影像分类[J].航天返回与遥感，2022，43（2）：115-126.

YANG Y G， LIU P， ZHANG H B， et al. Research on GF-2 image classification based on feature optimization random forest algorithm[J]. Spacecraft Recovery & Remote Sensing， 2022， 43（2）： 115-126.

[13]欧强新，李海奎，雷相东，等.基于清查数据的福建省马尾松生物量转换和扩展因子估算差异解析：3种集成学习决策树模型的比较[J].应用生态学报，2018，29（6）：2007-2016.

OU Q X， LI H K， LEI X D， et al. Difference analysis in estimating biomass conversion and expansion factors of Masson pine in Fujian Province， China based on national forest inventory data： a comparison of three decision tree models of ensemble learning[J]. Chinese Journal of Applied Ecology， 2018， 29（6）： 2007-2016.

[14]李博，溫雪岩，徐克生，等.一种改进XGboost的DoH流量分类方法[J].哈尔滨理工大学学报，2023，28（1）：64-72.

LI B， WEN X Y， XU K S， et al. An improved DoH traffic classification method for XGboost[J]. Journal of Harbin University of Science and Technology， 2023， 28（1）： 64-72.

[15]李会朋，胥辉，张超，等.基于随机森林模型的云南松天然林生物量遥感估测[J].西部林业科学，2022，51（3）：60-66，80.

LI H P， XU H， ZHANG C， et al. Remote sensingestimation of Pinus yunnanensis natural forest biomass based on random forest model[J]. Journal of West China Forestry Science， 2022， 51（3）： 60-66， 80.

[16]许章华，黄旭影，林璐，等.基于Fisher判别分析与随机森林的马尾松毛虫害检测[J].光谱学与光谱分析，2018，38（9）：2888-2896.

XU Z H， HUANG X Y， LIN L， et al.Dendrolimus punctatus walker damage detection based on fisher discriminant analysis and random forest[J]. Spectroscopy and Spectral Analysis， 2018， 38（9）： 2888-2896.

[17]张超，陈畅，徐海清，等.基于XGBoost算法的多云多雾地区多源遥感作物识别[J].农业机械学报，2022，53（4）：149-156.

ZHANG C， CHEN C， XU H Q， et al. Multi-source remote sensing crop identification based onXGBoost algorithm in cloudy and foggy area[J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（4）： 149-156.

[18]赵琛，许嘉巍，靳英华，等.气候变化背景下长白山落叶松毛虫暴发气象因子分析[J].东北师大学报（自然科学版），2022，54（1）：141-149.

ZHAO C， XU J W， JIN Y H， et al. Analysis of meteorological factors for outbreak of Larch caterpillar inChangbai Mountains under the background of climate change[J]. Journal of Northeast Normal University （Natural Science Edition）， 2022， 54（1）： 141-149.

[19]GITELSON A A， MERZLYAK M N， CHIVKUNOVA O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves[J]. Photochemistry and Photobiology， 2001， 74（1）： 38-45.

[20]CHUVIECO E， MARTN M P， PALACIOS A. Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination[J]. International Journal of Remote Sensing， 2002， 23（23）： 5103-5110.

[21]GITELSON A A， STARK R， GRITS U， et al. Vegetation and soil lines in visible spectral space： a concept and technique for remote estimation of vegetation fraction[J]. International Journal of Remote Sensing， 2002， 23（13）： 2537-2562.

[22]GITELSON A A， ZUR Y， CHIVKUNOVA O B， et al. Assessing carotenoid content in plant leaves with reflectance spectroscopy[J]. Photochemistry and Photobiology， 2002， 75（3）： 272-281.

[23]JIANG Z Y， HUETE A R， DIDAN K， et al. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment， 2008， 112（10）： 3833-3845.

[24]NANDY S， SRINET R， PADALIA H. Mapping forest height and aboveground biomass by integrating ICESat-2， Sentinel-1 and Sentinel-2 data using Random Forest algorithm in northwest Himalayan foothills of India[J]. Geophysical Research Letters， 2021， 48（14）： e2021GL093799.

[25]DEGERICKX J， ROBERTS D A， MCFADDEN J P， et al. Urban tree health assessment using airborne hyperspectral and LiDAR imagery[J]. International Journal of Applied Earth Observation and Geoinformation， 2018， 73： 26-38.

[26]FRAMPTON W J， DASH J， WATMOUGH G， et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2013， 82： 83-92.

[27]BLACKBURN G A. Quantifying chlorophylls andcaroteniods at leaf and canopy scales[J]. Remote Sensing of Environment， 1998， 66（3）： 273-285.

[28]王斌，何丙輝，林娜，等.基于随机森林特征选择的茶园遥感提取[J].吉林大学学报（工学版），2022，52（7）：1719-1732.

WANG B， HE B H， LIN N， et al. Tea plantation remote sensing extraction based on random forest feature selection[J]. Journal of Jilin University （Engineering and Technology Edition）， 2022， 52（7）： 1719-1732.