基于三維卷積神經網絡模型的吉林一號光譜星影像森林類型分類

劉婷 包廣道 李竺強 朱瑞飛 包穎 張忠輝

摘要 為探究基于三維卷積神經網絡模型應用吉林一號光譜衛星數據的森林類型分類效果，以安圖縣與敦化市交界地帶為研究區，采用吉林一號光譜衛星影像為主要數據源，基于三維卷積神經網絡深度學習模型對研究區森林類型進行分類，并與傳統的隨機森林分類方法進行對比分析。結果表明：當三維卷積神經網絡的訓練樣本數量為2 400，訓練次數為70 000時，分類效果最佳。基于三維卷積神經網絡方法的總體分類精度為92.9%，Kappa系數為0.92；與隨機森林方法分類結果對比，總體分類精度和Kappa系數分別提高了2.8百分點和0.03；三維卷積神經網絡能夠更加充分地利用遙感影像豐富的光譜信息和空間信息，提高森林類型的分類精度，在斑塊構成和景觀破碎度方面均得到較大提升，內部完整度較高，破碎化程度較輕微，更貼合實際工作需要。說明國產吉林一號光譜衛星遙感數據可以有效地對森林類型進行識別，在林業的生產經營上具有極大的應用潛力。

關鍵詞 三維卷積神經網絡；吉林一號光譜衛星；森林類型分類

中圖分類號 S757;S771;TP751? 文獻標識碼 A? 文章編號 0517-6611（2023）13-0096-06

doi：10.3969/j.issn.0517-6611.2023.13.023

Forest Type Classification with Jilin-1GP Spectral Satellite Image Based on Three-dimension Convolution Neural Network

LIU Ting1， BAO Guang-dao1， LI Zhu-qiang2 et al

（1. Jilin Provincial Academy of Forestry Sciences，Changchun， Jilin 130033; 2.College of Geo-exploration Science and Technology， Jilin University， Changchun， Jilin 130026）

Abstract In order to explore the effect of forest type classification with Jilin-1 spectral satellite（Jilin-1GP） data based on the three-dimensional convolution neural network model， the junction of Antu County and Dunhua City was taken as the study area， the image of Jilin-1GP was used as the main datasource to classify forest types in the study area based on the deep learning model of three-dimensional convolution neural network. The method was compared with the traditional random forest classification method. The results showed that when the number of training samples of three-dimensional convolution neural network was 2 400 and the number of training times was 70 000， the classification effect was the best. The overall classification accuracy based on the three-dimensional convolution neural network method was 92.9%， and the Kappa coefficient was 0.92. Compared with the classification results of the random forest method， the overall classification accuracy and Kappa coefficient increased by 2.8 percentage points and 0.03， respectively. Three-dimensional convolution neural network could make full use of the rich spectral and spatial information of remote sensing images to improve the classification accuracy of forest types. The result had been greatly improved in patch composition and landscape fragmentation. The internal integrity was higher， and the degree of fragmentation was slight， which was more in line with the actual work needs. At the same time， it also showed that the domestic Jilin-1GP remote sensing data could be used to effectively identify forest types. That had great application potential in forestry production and management.

Key words Three-dimension convolution neural network;Jilin-1GP spectral satellite （Jilin-1 GP）;Forest type classification

基金項目 吉林省發改委創新能力建設項目（2021C044-9）：吉林省自然科學基金項目（YDZJ202201ZYTS446）；吉林省科技發展計劃項目（YDZJ202102CXJD046）；吉林省自然科學基金項目（20220101315JC）；吉林省科技廳重點研發項目（2023020-2098NC）；吉林省科技發展計劃項目（20200602006ZP）。

作者簡介 劉婷（1987—），女，吉林長春人，助理研究員，碩士，從事林業遙感研究。通信作者，助理研究員，從事林業遙感研究。

收稿日期 2022-11-19；修回日期 2023-02-20

森林類型是確定同質性森林資源空間分布，定量估算森林生態功能的關鍵依據。準確掌握不同類型森林的空間分布及變化趨勢，森林類型準確、及時地掌握森林資源空間分布及其變化能夠為制定林業方針政策、宏觀規劃及精準的森林資源經營、監測方案提供重要的數據支撐［1］。我國現行的森林類型獲取方法以地面調查結合遙感影像人工判讀為主，雖然數據精度高、可靠性強，但同時也存在成本高、周期長、工作量大的缺點。遙感技術具有低成本、高效率、覆蓋范圍廣的特點，是當前林業監測業務應用最廣泛的技術之一，為森林類型自動分類提供了有力手段。

傳統的遙感影像分類方法通常基于圖像像元的光譜特征和數據統計特征，如K鄰近算法［2］，最大似然法［3］及支持向量機［4-5］等。由于遙感圖像存在“同譜異物”“同物異譜”現象，利用傳統分類方法會導致斑塊破碎化，難以滿足林業工作對同質化森林斑塊提取的需求。為了克服這種現象，董心玉等［6-7］選取面向對象方法，不僅避免傳統基于像元方法產生的“椒鹽”現象，且產生的對象特征也可用于分類。毛學剛等［8］采用Radarsat-2數據和Quick Bird遙感影像協同進行面向對象的森林類型分類研究，明確了最優分割尺度，取得了良好的分類結果。雖然面向對象方法提高了分類結果的完整性和精度，但森林斑塊面積和分布差異很大，自動獲取的最優分割與合并尺度參數仍具有挑戰性和不確定性，限制了該方法在多源、多尺度研究上的應用。基于深度學習的數據驅動型識別算法可以通過大量數據挖掘隱含特征并進行分類反演，成為遙感圖像識別研究的新方向［9］。近幾年，國內有學者開展應用深度學習方法對遙感影像進行分類，郭穎等［10］對全卷積神經網絡模型進行雙支化改進，進行森林類型分類，提高了大部分森林類型的分類精度。王雅慧等［11］使用增加NDVI特征構建模型，并增加條件隨機場后處理過程的深度U-net優化方法，有效改善了森林類型分類的效果。

目前，國內外森林類型遙感分類相關研究中，分類方法多采用隨機森林面向對象和支持向量機等方法，應用三維卷積神經網絡多是針對城市地表覆蓋類型［12-14］，對森林類型細分的應用文獻報道較少。此外，在遙感數據源選擇上，多選用Landsat TM系列［15-16］、哨兵系列［17-19］、高分系列［12，20-21］等，利用吉林一號光譜星遙感影像的研究鮮見報道。因此，筆者以吉林一號光譜星多光譜遙感影像為主要數據源，通過基于三維卷積神經網絡的深度學習方法對研究區森林類型進行提取，分析樣本數量及訓練次數對模型精度的影響，并與隨機森林法（Random Forest，RF）分類結果進行精度和景觀指數的對比分析，探討基于三維卷積神經網絡方法結合國產吉林一號光譜星在森林類型提取應用中的可行程度，為加深林業遙感技術的應用深度，拓展遙感技術在林業工作中的應用場景提供科技支撐。

1 研究區及數據源

1.1 研究區概況

研究區位于長白山西北麓的吉林省安圖縣與敦化市交界地帶，地理坐標為127°58′22″～128°52′32″ E，43°9′22″～42°40′44″ N，總面積3 396.49 km2（圖1）。地勢為四周高、中部低，境內平均海拔為756 m。屬中溫帶濕潤氣候區，山區氣候特點明顯，年平均氣溫2.6 ℃，年降雨量631.8 mm。有效積溫2 400～2 500 ℃，無霜期110～120 d。區內植被為長白山植物區系，屬于紅松云冷杉針闊葉混交林小區［22］，該區針葉樹種主要有：紅松（Pinus koraiensis）、云杉（Picea spp.）、臭松（Symplocarpus foetidus）、落葉松（Larix gmelinii）、樟子松（Pinus sylvestris var.mongolica）等；闊葉樹種主要有水曲柳（Fraxinus mandschurica）、胡桃楸（Juglans mandschurica）、黃檗（Phellodendron amurense）、椴樹（Tiliatuan Szyszyl.）、柞樹（Xylosma racemosum）、榆樹（Ulmus pumila）、色木（Acer mono）和楓樺（Betula costata）等。

1.2 數據源

1.2.1 遙感數據。

該研究選取的衛星數據源為吉林一號光譜星（吉林林草一號）。吉林一號光譜星是由吉林省長光衛星技術有限公司結合林業和草原行業需要與林草系統深度合作自主研發的一顆多光譜林草專屬衛星。該星搭載了多光譜成像儀，短波、中波、長波紅外相機，能夠獲得5 m分辨率、110 km幅寬、19譜段的遙感數據。該研究的影像獲取時間為2019年5月12日。通過ENVI軟件分別對遙感影像進行輻射定標、大氣校正、正射校正等預處理工作，得到研究區遙感影像數據。除衛星遙感數據外，輔助數據包括2019年研究區的吉林省林地變更一張圖及更高分辨率的谷歌地球影像。

1.2.2 樣本數據。

地面調查數據來源于2019年6月13日至8月26日開展的野外調查。在研究區獲取各典型地類和主要森林類型，并對不同類別開展調查，樣地為15 m×15 m的正方形樣方，通過GNSS設備對樣地中心點進行定位，調查內容為樣方內的樹種組成、林分類型、優勢樹種，累計調查樣地262個，每種森林類型樣本數均在50個以上（圖2）。參考林地變更一張圖、外業調查數據及更高分辨率的谷歌地球影像，通過目視解譯制作樣本數據，每類地物選取380個大小為15 m×15 m且空間分布均勻的方形樣本（圖2），并按7∶3 的比例隨機抽取形成訓練樣本和驗證樣本。

2 研究方法

2.1 森林類型分類體系

參考《國家森林資源連續清查技術規定》的地類劃分標準和《森林資源規劃設計調查主要技術規定》中的林地分類系統，根據研究區土地，利用類型/覆蓋情況和主要林分類型，考慮到遙感影像的可分程度及研究區林地變更一張圖森林植被類型的具體情況，確定了研究區8種土地覆蓋類型，其中包括5種森林類型：闊葉混交林、柞樹林、落葉松林、紅松林、針闊混交林，以及3種其他土地覆蓋類型：建設用地、耕地和水體。

2.2 分類方法

該研究基于吉林一號光譜星遙感影像，利用三維卷積神經網絡方法構建森林類型分類模型，探討訓練次數和訓練樣本數量對分類精度的影響，利用最優模型對研究區森林類型進行分類，并將結果與利用RF分類方法進行對比，通過分類精度和分類結果的景觀指數，分析2種方法在森林類型提取中的適用空間和潛力。

2.2.1 三維卷積神經網絡模型。

采用一種聯合條件隨機場優化的三維卷積神經網絡模型（3D-CNN）進行森林類型提取，該方法由李竺強等［23-24］在構建一種三維卷積神經網絡模型的基礎上，增加多標簽條件隨機場優化算法，對神經網絡識別的地物斑塊根據邏輯條件進行了合理調整，使分類精度得到進一步提升。

在PyCharm平臺下，結合TensorFlow 2.0工具包開展卷積神經網絡的構建，神經網絡參數采用如下設置：其中第1卷積層卷積核的大小為［3×3×6］，卷積步長［1，1，4］，第1個池化層大小［3×3×3］，第2個卷積層卷積核大小［3×3×6］，卷積步長［1，1，2］，第2個池化層大小［3×3×3］，第1個全連接層隱藏單元大小400，第2個全連接層的隱藏單元大小200，學習速率大小0.005。

2.2.2 隨機森林分類法。

隨機森林分類法：是于2001年由Leo［25］提出的一種由一系列決策樹組合而成的機器學習方法。具體過程為：首先對原始訓練集，采用逐步引導重采樣技術隨機有放回地抽取N個訓練集，每個訓練集大小約為原始訓練集的2/3；再為每個訓練集分別建立決策樹，并分別對待分元素進行判斷；在每棵決策樹的構建時，從所有的特征向量中，隨機無放回地選擇M個特征；最后集合N個決策樹的分類結果，根據多數投票法得到最終結果。該試驗中設置的決策樹數量為100，每個決策樹隨機選擇5個特征構建模型，并通過投票法得到分類類別。

2.3 精度檢驗

采用Google earth高清影像結合外業調查數據選取驗證樣本對研究區分類結果的正確性進行檢驗。驗證樣本共1 257個，并保證每種地物類型樣本數在150個以上。利用混淆矩陣方法計算制圖精度（producers accuracy，PA）、用戶精度（users accuracy，UA）、總體分類精度（overall accuracy，OA）及Kappa系數等精度評價指標。

2.4 景觀指數

該研究基于景觀生態學原理，結合Fragstats景觀分析軟件和Arcgis地理信息軟件，選取斑塊數量（NP）、斑塊密度（PD）、最大斑塊占景觀面積比例（LPI）、景觀形狀指數（LSI）、邊緣面積分維度（FRACT）、蔓延度指數（CONTAG）、分離度指數（SPLIT）、香農多樣性（SHDI）及香農均勻度（SHEI）對森林類型提取結果進行分析，各景觀指數可參見相關文獻［26-27］。

3 結果與分析

3.1 樣本數量及訓練次數對分類結果的影響

在三維卷積神經網絡的分類中，樣本數量和訓練次數直接影響三維卷積神經網絡分類的精度。當樣本數量較少時，會遭受潛在欠擬合問題。當樣本數量或訓練次數較大時，分類精度提升的同時也會導致訓練時間過長［28］。為提高分類的精度及效率，該研究將各地類樣本數量以100個為階梯遞增，直至3 000個為止。

從圖3可以看出，準確率表現出隨著樣本數量的增加有部分波動，但總體呈現出先上升后趨于平穩趨勢。分析樣本數據發現，導致波動的原因與新增樣本引發類別內光譜一致性變化，進而影響分類準確率所致。當樣本數量為2 400時，準確度較高且浮動不大，趨于穩定。因此，將三維卷積神經網絡訓練樣本數量設為2 400。

在確定樣本最優數量為2 400后，研究訓練次數對分類精度的影響，按照每5 000次進行分級精度測試。由圖4可知，隨著模型訓練次數的增加，模型分類準確率整體呈先增加后趨于平穩，與訓練樣本趨勢類似，但準確率波段幅度較訓練樣本變化導致的變化更大，這與卷積神經網絡自訓練機制有直接關系。結合準確率變化趨勢，發現在訓練次數為70 000時精度達到最高，因此確定三維卷積神經網絡分類的最優參數，樣本數量為2 400，訓練次數為70 000。

3.2 分類結果

通過利用吉林一號光譜星遙感影像，基于三維卷積神經網絡分類的方法，樣本數量為2 400，訓練次數為70 000進行研究區森林類型分類，分類結果如圖5所示，混淆矩陣見表1。

由表1可知，基于吉林一號光譜星遙感影像利用三維卷積神經網絡方法的分類結果總體分類精度達92.9%，Kappa系數為0.92。其中，柞樹林、紅松林和落葉松林的制圖精度和用戶精度均達到了90%以上。針闊混交林和闊葉混交林的制圖精度與用戶精度也都超過了85%。柞樹林的制圖精度為91%，用戶精度為94%，主要以大面積純林分布，且具有典型性和代表性，與其他的森林類型在光譜特征和生物學特征等方面都存在著明顯的差異，因此分類精度高。紅松林的制圖精度為90.7%，用戶精度為91.8%，落葉松林的制圖精度為90.6%，用戶精度為94.7%，2種森林類型主要以純林分布，易于提取，精度較好。但少部分小面積紅松林存在部分錯分為針闊混交林的情況，主要原因在于純林的連續分布面積以及針闊混交林的混交程度的分割閾值難以界定。落葉松的分布不集中，且吉林一號光譜星數據成像時間為立夏，該季節的落葉松林剛開始萌芽，且存在與白樺、楊樹等森林類型混交多的現象，與闊葉混交林中的其他針葉林在光譜和紋理上具有一定的相似性，導致部分錯分為闊葉混交林的情況，這是造成落葉松林分類精度低的主要原因。針闊混交林與闊葉混交林的制度精度分別為93.2%和88.7%，用戶精度分別為87.2%和86.0%，分類精度較低。這主要是由于界限不明顯，易發生混淆，尤其是受復雜地形造成的陰影區的影響，冠層接收的入射輻射降低，導致反射輻射絕對能量減弱，使識別精度受到影響。此外，通過圖5可以看出，紅松林和落葉松林的分類結果表現出明顯的邊緣膨脹外擴的特征，造成周邊地類（如柞樹林、針葉混交林和闊葉混交林等）被錯誤劃分為紅松林或落葉松林等森林類型的現象，從而導致紅松林和落葉松林等分類精度較低。

3.3 與RF分類方法的對比分析

為了驗證該研究所使用的三維卷積神經網絡分類方法在森林類型提取中的效果，選取目前機器學習方法中廣泛應用的隨機森林方法作為對比，采用相同的樣本開展森林類型分類。RF分類方法的精度驗證和與三維卷積神經網絡分類結果的對比見表2、圖6。

通過對比表1、2可知，利用RF方法的分類結果總體分類精度達90.1%，Kappa系數為0.89。與三維卷積神經網絡分類結果相比，總體分類精度和Kappa系數分別降低了2.8百分點和0.03。在利用RF分類的森林類型中，僅有紅松林的制圖精度和用戶精度均達到90%以上，分別為90.1%和96.0%。與三維卷積神經網絡的分類結果相比，RF對研究區內落葉松林的識別效果更佳，提取更加全面。利用RF方法分類的柞樹林的制圖精度和用戶精度分別為84.3%和88.2%，明顯低于三維卷積神經網絡分類的90.6%和93.5%。柞樹林中存在大量與闊葉混交林的錯分，尤其是分布于溝谷或山陰處受復雜山區地形的影響，導致識別精度降低。RF分類中的針闊混交林的制圖精度為82.8%明顯低于三維卷積神經網絡的93.2%，主要是受針闊混交林和闊葉混交林界限不明顯的影響，易造成混淆錯分情況的發生。

通過圖6可以看出，2種分類方法的空間結構具有明顯差異。RF分類結果破碎化程度劇烈，且具有明顯的顆粒感。而利用三維卷積神經網絡方法得到的分類結果內部完整性較高，地塊內同質性地物的分類一致性較高，邊界與實際調查成果和林地一張圖的數據基本吻合，這主要是由于RF算法是基于像素為計算單元，三維卷積神經網絡算法是基于卷積核特征完成像素分類，具有高度抽象的能力，更貼合實際工作需要。

3.4 景觀格局

混淆矩陣方法能提供像素尺度分類正確性指標，難以體現分類結果的斑塊特性，為進一步對比2種分類結果的斑塊特征，量化評價分類結果的整體性表現，引入景觀指數，從景觀格局角度對2種方法分類結果進行分析。該研究從斑塊構成、景觀破碎度和景觀多樣性3個方面，選取了9個景觀指數用于對分類結果進行分析。

由表3可知，在斑塊構成方面，與RF分類法相比，三維卷積神經網絡方法的分類結果，在斑塊數量、最大斑塊占景觀面積比例、景觀形狀指數、斑塊密度、邊緣面積分維度5個方面得到提升，其中斑塊數量由742 823個下降至104 703個，景觀形狀指數由449.14下降至176.18，斑塊密度由188.35下降至26.55。邊緣面積分維度由1.405下降至1.281。在景觀破碎度方面，三維卷積神經網絡方法分類結果較RF表現更為完整，其中蔓延度指數由50.43提高至55.62，分離度指數由34.84提高至36.40，說明RF分類法的斑塊內部完整度較高，破碎化程度較輕微。景觀多樣性方面，三維卷積神經網絡方法的分類結果與RF分類法相比數值相差較小，說明2種分類方法的景觀分離程度和多樣性基本一致。

4 結論

該研究以吉林一號光譜星感影像為主要數據源，通過利用三維卷積神經網絡分類方法對研究區開展森林類型分類研究，并與RF分類方法進行對比分析，得到結論如下：

（1）研究了三維卷積神經網絡分類中樣本數量和訓練次數對分類精度的影響程度，結果表明，總分類精度均表現出隨著樣本數量或訓練次數的增加呈上升的趨勢，當樣本數量為2 400，訓練次數為70 000時，總分類精度較高且浮動不大，趨于穩定。確定該三維卷積神經網絡分類的最優參數，樣本數量為2 400，訓練次數為70 000。

（2）該研究采用三維卷積神經網絡的方法對吉林一號光譜星的遙感數據進行森林類型分類，總體分類精度為92.9%，Kappa系數為0.92，與傳統機器學習的RF分類結果相比，分類精度和Kappa系數分別提高了2.8百分點和0.03，且三維卷積神經網絡得到的分類結果內部完整性較高，與實際工作需要更加貼合。

（3）通過對比2種方法分類結果的景觀指數表明，三維卷積神經網絡方法在斑塊構成和景觀破碎度方面均得到較大提升。斑塊數量由742 838個下降至104 703個，景觀形狀指數由449.14下降至176.18，斑塊密度由188.35下降至26.55，邊緣面積分維度由1.405下降至1.281，蔓延度指數也由50.43提高至55.62，分離度指數由34.84提高至36.40。基于吉林一號光譜星遙感影像利用三維卷積神經網絡模型對森林類型分類方法的研究可以為實現遙感和地面監測的森林經理數據集成和林業科學數據平臺森林資源信息的快速提取提供理論依據。

（4）該研究結果表明，三維卷積神經網絡分類法在中高分辨率的遙感影像森林類型分類中，比RF法更有優勢，分類準確度更高且效率差異不大，是一種有效的分類方法；國產吉林一號光譜星多光譜數據可以有效地對森林類型進行識別，在林業的生產經營上有極大的應用潛力。

參考文獻

［1］ 唐小明，張煜星，張會儒，等.森林資源監測技術［M］.北京：中國林業出版社，2012.

［2］ SAMANIEGO L，BARDOSSY A，SCHULZ K.Supervised classification of remotely sensed imagery using a modified k-NN technique［J］.IEEE transactions on geoscience and remote sensing，2008，46（7）：2112-2125.

［3］ EDIRIWICKREMA J，KHORRAM S.Hierarchical maximum-likelihood classification for improved accuracies［J］.IEEE transactions on geoscience and remote sensing，1997，35（4）：810-816.

［4］ MELGANI F，BRUZZONE L.Classification of hyperspectral remote sensing images with support vector machines［J］.IEEE transactions on geoscience and remote sensing，2004，42（8）：1778-1790.

［5］ 李夢穎，邢艷秋，劉美爽，等.基于支持向量機的Landsat-8影像森林類型識別研究［J］.中南林業科技大學學報，2017，37（4）：52-58.

［6］ 董心玉，范文義，田甜.基于面向對象的資源3號遙感影像森林分類研究［J］.浙江農林大學學報，2016，33（5）：816-825.

［7］ 董心玉.基于面向對象的高分一號遙感影像森林分類研究［D］.哈爾濱：東北林業大學，2016.

［8］ 毛學剛，魏晶昱.基于多源遙感數據的面向對象林分類型識別［J］.應用生態學報，2017，28（11）：3711-3719.

［9］ 鄭胤，陳權崎，章毓晉.深度學習及其在目標和行為識別中的新進展［J］.中國圖象圖形學報，2014，19（2）：175-184.

［10］ 郭穎，李增元，陳爾學，等.一種改進的高空間分辨率遙感影像森林類型深度學習精細分類方法：雙支FCN-8s［J］.林業科學，2020，56（3）：48-60.

［11］ 王雅慧，陳爾學，郭穎，等.高分辨率多光譜遙感影像森林類型分類深度U-net優化方法［J］.林業科學研究，2020，33（1）：11-18.

［12］ 李淼，陳海鵬，邱博.一種融合面向對象與深度學習的地表覆蓋監測成果質檢技術［J］.測繪通報，2022（S2）：174-178.

［13］ 呂冬梅，馬玥，李華朋.基于CNN的吉林一號衛星城市土地覆被制圖潛力評估［J］.遙感技術與應用，2022，37（2）：368-378.

［14］ 李竺強，朱瑞飛，高放，等.三維卷積神經網絡模型聯合條件隨機場優化的高光譜遙感影像分類［J］.光學學報，2018，38（8）：404-413.

［15］ 李振，胡慧萍，楊敏華，等.Landsat-8多時相遙感影像亞熱帶森林分類［J］.測繪與空間地理信息，2018，41（9）：147-149.

［16］ KONRAD TURLEJ C，OZDOGAN M，RADELOFF V C.Mapping forest types over large areas with Landsat imagery partially affected by clouds and SLC gaps［J/OL］.International journal of applied earth observation and geoinformation，2022，107［2022-04-25］.https：//doi.org/10.1016/j.jag.2022.102689.

［17］ 李萌，年雁云，邊瑞，等.基于多源遙感影像的青海云杉和祁連圓柏分類［J］.遙感技術與應用，2020，35（4）：855-863.

［18］ 李瑾，王雷光，鄭晨，等.云南香格里拉區域尺度森林類型遙感分類評價［J］.西南林業大學學報（自然科學），2022，42（1）：124-132.

［19］ CHENG K，WANG J L.Forest type classification based on integrated spectral-spatial-temporal features and random forest algorithm-A case study in the Qinling mountains［J］.Forests，2019，10（7）：1-18.

［20］ 劉思涵，尚夏明，馬婷.基于隨機森林特征選擇的森林類型分類［J］.北京測繪，2019，33（12）：1518-1522.

［21］ 王懷警，譚炳香，王曉慧，等.多分類器組合森林類型精細分類［J］.遙感信息，2019，34（2）：104-112.

［22］ 《吉林森林》編輯委員會.吉林森林［M］.長春：吉林科學技術出版社，1988：119.

［23］ 李竺強，朱瑞飛，馬經宇，等.聯合連續學習的殘差網絡遙感影像機場目標檢測方法［J］.光學學報，2020，40（16）：179-191.

［24］ 朱瑞飛，馬經宇，李竺強，等.多層感知卷積神經網絡的國產多光譜影像分類［J］.光學學報，2020，40（15）：200-212.

［25］ LEO B.Random forests［J］.Machine learning，2001，45（1）：5-32.

［26］ 鄔建國.景觀生態學：格局、過程、尺度與等級［M］.2版.北京：高等教育出版社，2007.

［27］ 鄭新奇，付梅臣.景觀格局空間分析技術及其應用［M］.北京：科學出版社，2010.

［28］ 徐希巖.基于深度學習的小樣本圖像分類研究［D］.哈爾濱：東北林業大學，2018.