基于集成學習和Sentinel-2的落葉松毛蟲蟲害區識別

姜星宇 徐華東 陳文靜

摘 要：為實現快速、高效地監測落葉松毛蟲（Dendrolimus superans）蟲害爆發狀況，以黑龍江省鄉南經營所林場8林班為研究區，以2018年Sentinel-2遙感影像為數據源，對該林班的落葉松毛蟲蟲害區進行識別。提取預處理后影像的原始光譜特征（8個）、光譜指數特征（12個）與紋理特征（8個），基于方差分析（Analysis of Variance，ANOVA）與極度梯度提升（eXtreme Gradient Boosting，XGBoost）分類器對上述特征降維并按重要性排序，通過集成學習分類算法（隨機森林分類器和XGBoost分類器）進行蟲害區識別和精度比較。研究結果表明，1）應用重要性前14位特征的XGBoost模型對蟲害區識別的表現最為理想，總體分類精度為95%（Kappa系數為86%），高于隨機森林分類器的93%（應用重要性前10的特征）；2）重要性前14的特征名稱由大到小為EVI1、Mean、MTCI、GNDVI、Variance、B4、B2、Homogeneity、B3、CRI1、EVI2、B8、B5和CRE。研究結果可實現落葉松毛蟲蟲害區的高效識別，為東北林區的蟲害防治決策制定提供依據。

關鍵詞：落葉松毛蟲；集成學習；Sentinel-2；遙感；XGBoost

中圖分類號：S763；S763.42+1 文獻標識碼：A 文章編號：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：國家自然科學基金項目（31870537）。

第一作者簡介：姜星宇，碩士研究生。研究方向為林業遙感與信息化。E-mail： 2905168025@qq.com

*通信作者：徐華東，博士，教授。研究方向為森林工程、林業遙感與信息化。E-mail： xhd-8215@163.com

引文格式：姜星宇，徐華東，陳文靜.基于集成學習和Sentinel-2的落葉松毛蟲蟲害區識別[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

落葉松毛蟲（Dendrolimus superans （Butler））是我國東北地區主要森林食葉害蟲之一，影響林木生長發育并阻礙林產品質量提高。森林作為陸地生態系統中最大的碳庫，其結構組成與固碳能力遭到破壞，將產生巨大的經濟和生態損失 。因此，如何高效識別蟲害區域成為亟待解決的問題。

現有蟲害監測方法中，傳統地面監測的觀測尺度有限、物資消耗嚴重，不及遙感監測的覆蓋范圍廣、檢測效率高 ，后者一般借助光學遙感（多光譜、高光譜）和微波遙感（合成孔徑雷達與激光雷達）。高光譜數據難獲取、難處理，合成孔徑雷達數據對植被敏感度低、蟲害監測應用比較少見，激光雷達設備造價高昂、使用難度大，而多光譜遙感技術成熟、處理流程簡單且計算量較小，如高時間分辨率的中分辨率成像光譜儀（moderate-resolution imaging spectroradiometer，MODIS）、高空間分辨率的WorldView-2、具有紅邊波段的Sentinel-2等均在植被監測中表現出優勢。其中，Sentinel-2影像重訪周期高（雙星組合約3～5 d），數據開源易獲取，并具有3個對植被變化敏感的紅邊波段（Red Edge）。此外，有研究使用多源遙感數據（Landsat TM/ETM+/OLI）進行蟲害監測和制圖，Sentinel-2數據的光譜分辨率（13個波段）、空間分辨率（10 m分辨率）均較Landsat系列數據（7～11個波段、30 m空間分辨率）更優，故選擇其作為落葉松毛蟲蟲害區識別研究的遙感數據源。

蟲害區域的遙感識別依賴于特征空間的構建。亓興蘭等應用SPOT-5的紋理特征與原始光譜波段實現了馬尾松毛蟲蟲害危害等級分類；黃曉君應用高光譜與Sentinel-2的光譜指數、光譜導數特征，對西伯利亞松毛蟲與雅氏落葉松尺蠖分別建立模型進行識別。特征冗余或導致精度下降，故一般基于統計方法或基于模型進行特征降維，其中基于決策樹的集成學習分類模型既可降維，也可進行蟲害區的識別：隨機森林（Random Forest，RF）與極度梯度提升（eXtreme Gradient Boosting，XGBoost）等基于決策樹的集成學習算法繼承了決策樹的優點，性能更穩定，預測能力更強。許章華等 利用Landsat-7影像的特征組合對馬尾松毛蟲蟲害程度進行識別，RF的檢測效果優于Fisher判別；張超等 提取時序光譜與植被特征識別作物， 發現XGBoost算法的精度高于RF算法。在目標蟲害上，落葉松毛蟲與馬尾松毛蟲習性類似，在算法精度上，未有研究對XGBoost與RF在蟲害區上的識別做比較，因此擬選擇上述算法作蟲害區識別，以期獲取更高的識別精度。

綜上，本研究擬以鄉南經營所林場8林班為研究區，基于Sentinel-2遙感影像，選擇原始波段、光譜指數與紋理特征，應用統計方法（方差分析）和模型方法（XGBoost）對分類特征進行降維及重要性排序，對比集成學習算法（RF與XGBoost），分析研究區識別精度（總體識別精度OA與Kappa系數），本研究旨在獲取東北地區落葉松毛蟲蟲害區識別的分類特征與集成學習算法的最佳組合模型，為東北地區落葉松毛蟲害乃至其他森林蟲害的高效監測提供依據。

1 試驗區概況及數據處理

1.1 研究區概況

研究區為黑龍江省鄉南經營所林場8林班，位于伊春市鐵力市朗鄉鎮，經營面積約為3.96 km，氣候為大陸性季風氣候。該林班林分組成為落葉松（Larix gmelinii）人工林純林，落葉松毛蟲常周期性爆發。2018年，朗鄉林業局病防站通過線路踏查方式，監測到8林班遭受嚴重的落葉松毛蟲蟲害，且未發現其他病蟲跡象。

1.2 數據收集

Sentinel-2遙感數據來源為歐空局網站（https：//scihub.copernicus.eu/），采用2A衛星的多光譜成像儀（MSI）數據，成像時間為2018年8月6日，數據編號為S2A_MSIL1C_20180806T021601_N0206_R003_T52TDT_20180806T041543。為避免低分辨率波段對分類任務的影響，舍棄Sentinel-2數據中的空間分辨率為60 m的水氣、卷云以及可見光中的氣溶膠波段，選取的波段分別為空間分辨率10 m的B2、B3、B4、B8和20 m的B5、B6、B7、B8A、B11、B12。

樣本數據來源為固定標準地監測和線路踏查方式獲得的調查數據，包括2018年6月7日（發現蟲情）至2018年8月15日（蟲害不再大幅擴散）8林班內的蟲害變化、蟲害樣區與健康樣區的坐標范圍。根據上述數據繪制蟲害區、健康區（針對性選?。┖途用駞^（目視解譯）3塊矢量區域作為感興趣區。

1.3 數據處理

運用易智瑞（ESRI）公司的ENVI軟件（版本5.5）對Sentinel-2數據預處理（輻射定標、大氣校正）：利用輻射定標擴展工具Radiance Sentinel-2 L1C對10 m和20 m波段做輻射定標，在此基礎上，運用FLAASH模塊進行大氣校正后提取波段。為防止重采樣后與真實值誤差過大，將10 m的波段數據B2、B3、B4、B8，通過ENVI的最近鄰方法重采樣為20 m分辨率，并與20 m分辨率的B5、B6、B7、B8A波段組合為新影像。

3塊感興趣區包含1 011個像元樣本數據（蟲害區192個像元，健康區119個像元和居民區700個像元）。分類時設置訓練樣本40%，驗證樣本占比60%，將整個8林班作為測試樣本，研究區真彩色影像圖與樣本感興趣區域分布如圖1所示。

2 研究方法

2.1 特征提取

原始光譜特征、光譜指數特征和紋理特征是分析遙感圖像的基本要素，可反映植被生理健康變化，現對上述特征進行定性分析，如圖2所示。

原始光譜特征中B2、B3和B4波段組合圖像反映與目視一致的真彩色圖像；紅邊波段（B5、B6、B7）是反射率在近紅外波段與紅光交界處（670～760 nm）快速變化的區域，常用以描述植物理化參數與健康狀況；B8（近紅外）與B8A（短波紅外）波段是研究植被時常用的波段。對上述原始波段進行1—8的編號，分別對3個感興趣區的平均光譜反射率曲線圖進行分析，對比蟲害區和健康區，2條曲線保持相同的趨勢，但數值上存在明顯的差異，而居民區無論趨勢與數值均明顯不同。光譜指數特征是結構簡明、易于計算且物理意義明確的原始光譜運算組合，基于圖2（a）分析結果和已有文獻，利用波段光譜反射率值和不同波段數據組合而來的光譜指數特征作為識別蟲害區域的特征數據，對于識別蟲害區域具有科學依據。對于原始光譜特征，共選取上述8個波段；同時分別選取能夠反映植物中色素含量、含水率和失葉率等的光譜指數共20個。光譜特征名稱及計算公式見表1。

故在Sentinel-2數據中共選取上述36個分類特征用于蟲害區識別，其中原始光譜特征8個，光譜指數特征20個，紋理特征8個。

紋理特征可描述林木冠層粗糙度。首先應用主成分分析法獲取波段信息占比最高的第一主成分，利用5×5的移動窗口，使用灰度共生矩陣法提取紋理信息。紋理特征選取8個：同質性（Homogeneity，HOM）、均值（Mean，MEAN）、二階矩（Second moment，SEC）、方差（Variance，VAR）、非相似性（dissimilarity，DIS）、對比度（Contrast，CON）、熵（Entropy，ENT）和相關性（Correlation，COR） 。為保證特征可在一張圖中顯示，將MEAN的均值縮小10倍。根據圖2（b）分析可知，居民區與林區（健康區與蟲害區）在MEAN、VAR、CON、DIS和ENT這5個特征上均表現出明顯的差異，健康區和蟲害區在VAR、CON、DIS、ENT和SEC上均表現出明顯的差異，故利用紋理特征作為識別蟲害區域的特征數據具有科學依據。

2.2 特征降維

結合統計學與模型2種方法進行特征降維。1）基于統計學方法——方差分析方法（Analysis of Variance，ANOVA），篩選特征。ANOVA通過計算檢驗統計量P與F來描述樣本變異狀況；2）基于模型方法——XGBoost分類器，進行特征重要性排序。按照模型默認參數，將決策樹棵樹設為100，最大深度設為6，得到特征重要性分數分布直方圖并進行降序排列。

2.3 分類器對比與精度評價

由于RF分類器未引入正則項，訓練過程中創建過多決策樹將使模型產生過擬合現象，故決定將其決策樹棵樹設置為20；而XGBoost分類器中引入了控制模型復雜度的正則化項，故將其決策樹棵樹（子模型數量）仍設置為100。為保持其他變量一致，將樹的最大深度均設置為6。應用優化后的分類特征，訓練RF和XGBoost分類器，得到識別精度曲線。

3 結果與討論

3.1 特征篩選與降維

在ANONA篩選特征時，將P> 0.05（ARI1、ARI2、BAI、IRECI、MCARI、NDRE和REP）與F< 100（B6、CRI2、NDI45、PSRI和Correlation）的不敏感特征（共12個）進行排除，剩余24個特征，見表2。

應用XGBoost進行特征重要性排序時，輸入方差分析篩選后剩余的24個特征，輸出僅返回20個，即其中4個對分類器沒有貢獻。20個特征按降序排列分別對應：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）。依據方差分析與特征重要性排序，選擇這20個特征進行蟲害區識別，降低特征冗余對于識別精度的負面影響，如圖3所示。

3.2 基于特征選擇的不同分類器精度評價

為定量分析分類器的性能，按特征重要性降序排列順序，依次取出對應特征訓練RF和XGBoost分類器，識別研究區內蟲害區、健康區和居民區3種類別，記錄識別精度，如圖4所示。

從峰值的角度來分析，在應用重要性前10的特征時，RF分類器總體識別精度達到最高值93%。此時，XGBoost分類器總體識別精度未達到峰值，已高于RF分類器。在應用重要性前14的特征時，XGBoost分類器總體識別精度達到95%，后續仍有并不顯著的小幅精度提升，但是將花費更多特征節點計算量與計算時間；從模型穩定性與整體趨勢來分析，在各個特征數目節點上，XGBoost分類器總體識別精度均高于RF分類器。隨著特征個數的增加，XGBoost分類器識別精度逐漸平穩增加，而RF分類器部分識別精度時有下降，整體趨勢呈現不穩定狀態。

RF的分類效果不及XGBoost的主要原因是二者創建決策樹的策略不同。前者的訓練樣本不固定，分裂節點特征選擇也具有隨機性，故RF分類器創建決策樹分類時，會存在隨機特征的干擾，若隨機特征不敏感，則分類精度下降；后者的訓練樣本是固定的，分裂節點特征的選擇是遍歷所有特征后選擇使模型內部代價函數減小最快的特征，所以每次分類都會更接近真實結果。因此，XGBoost分類器在進行識別時具有更好的穩定性，對蟲害區域識別具有更好效果。

3.3 基于分區的不同分類器精度評價

為確定不同分類器、特征數以及感興趣區的識別精度與相互關系，選取具有代表性的特征數量（精度達到穩定的最優特征個數、降維后剩余特征個數與未降維的全部特征個數）進行分析。應用RF分類器（特征個數：10、20、36）與XGBoost分類器（特征個數：14、20、36）對蟲害區、健康區、居民區進行識別精度評價，見表3。

從各區域識別精度分析，XGBoost分類器的總體識別精度與各區域識別精度均顯著高于RF分類器。所有區域中，居民區識別精度更高，其在特征值上與植被區域差異較大，更易找到區分閾值；對于蟲害區與健康區，XGBoost在36個特征取得最高總體識別精度時，Kappa系數不升反降，低于14、20個特征時的86%，說明36個特征的識別模型的識別結果混淆矩陣更不平衡，具有偏向性。對于20個特征與14個特征的識別模型，前者增加了6個特征的計算量，卻并未有總體識別精度的提升，且后者對于蟲害區的識別精度更高，故應用14個特征的XGBoost模型更適用于本研究試圖實現蟲害區識別的研究目的。從識別精度與特征數角度分析，RF分類器在特征數為20、36時，與特征數為10時相比，其總體分類精度降低，說明無關特征對正確分類存在干擾，冗余特征會影響分類精度，分類特征不是越多越好。Kappa系數與總體識別精度規律相似。對于XGBoost分類器，隨著特征個數增加，其識別精度一直在小幅提升，但計算量也會隨之增加，從而影響分類效率（圖4與表3）。綜上，本研究確定的綜合識別精度最高的落葉松毛蟲蟲害識別模型為基于特征重要性前14個特征的XGBoost分類器蟲害區識別模型。

3.4 識別結果比較

圖5是應用選定的識別模型對研究區的識別結果。整體來看，XGBoost分類器應用不同特征個數（14、20、36）的識別結果保持高度一致，說明減少不敏感的分類特征對識別結果不會產生較大影響。與圖1不同區域感興趣區分布圖對比，不存在明顯錯分區域，說明使用Sentinel-2影像對研究區內蟲害區、健康區和居民區進行識別具有很好的效果。XGBoost分類器應用特征重要性前14個特征得到，8林班具有蟲害像元2 647個（約1.06 km），健康區像元6 094個（約2.44 km），居民區像元1 149個（約0.46 km），合計9 890個像元（約3.96 km），識別總面積與研究區概況保持一致。

4 結論和局限性

本研究以黑龍江省鄉南經營所林場8林班為研究區，以Sentinel-2多光譜遙感數據為數據源，結合方差分析篩選與XGBoost特征重要性排序得到的20個分類特征，對比分析XGBoost分類器與RF分類器識別結果，獲得一種落葉松毛蟲蟲害區的遙感識別模型并得到該蟲害區的模型精度評價與識別結果分布圖，為及時掌握當地落葉松毛蟲蟲害脅迫的區域定位與空間分布，進而加強蟲害動態管理和災后定損提供技術依據。

1）按照特征重要性降序排列的20個特征分別對應：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分類器總體識別精度達到峰值93%，XGBoost分類器的精度與其一致，但未達到峰值；采用重要性排序前14個特征，XGBoost分類器總體識別精度達到95%，Kappa系數最高（86%），此時模型趨于穩定，增加特征數對精度提升影響較小。

3）通過對比穩定性、特征數與識別精度，將XGBoost分類器結合重要性排序前14個分類特征的識別模型，作為本研究的落葉松毛蟲蟲害區識別模型。

4）本研究的識別精度較好，但仍存在不足。在特征選擇上，關注于蟲害影響植株產生的光學特征，并未結合地形特征（如DEM）；在區域劃分上，證明居民區與植被區（包括蟲害區與健康區）相比識別精度更高，后續研究將對居民區進行掩膜處理，以忽略其對識別精度的影響；在方法改進上，后續可考慮應用多源遙感數據或深度學習方法對蟲害區分類以取得更高的分類精度。

【參 考 文 獻】

[1]于德江，鄭依國，孫晨輝，等.長白山國家級自然保護區落葉松毛蟲致災狀況調查與致災因子分析[J].林業科學研究，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]陳文靜，楊從從.2001—2017年青海省NDVI時空變化特征及其對氣候因子的響應[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，黃曉君，Ganbat Dashzebegd，等.不同遙感傳感器監測森林蟲害研究進展與展望[J].中國農學通報，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]韓歡慶.基于無人機多光譜圖像的森林蟲害區域分割方法[D].北京：北京林業大學，2018.

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

[5]陳文靜，徐華東，劉美爽.應用MODIS數據監測神農架林區大小蠹蟲害時空分布[J].中南林業科技大學學報，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]劉俊，周靖靖，菅永峰，等.Worldview-2不同波段紋理特征對森林蓄積量估算精度影響[J].西北林學院學報，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，雷鳴，王澤遠，等.基于Sentinel衛星影像的土地利用類型提?。阂喳愃猩彾紖^為例[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]黃林生，江靜，黃文江，等.Sentinel-2影像和BP神經網絡結合的小麥條銹病監測方法[J].農業工程學報，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]羅先軼，張永光.基于多源遙感數據的森林蟲害監測及驅動力分析[J].航天返回與遙感，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]亓興蘭，肖豐慶，劉健，等.基于多尺度紋理與光譜特征的馬尾松毛蟲蟲害信息提取方法研究[J].西南林業大學學報（自然科學），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]黃曉君.落葉松針葉蟲害地面高光譜識別及遙感監測方法研究[D].蘭州：蘭州大學，2019.

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

[12]楊迎港，劉培，張合兵，等.基于特征優選隨機森林算法的GF-2影像分類[J].航天返回與遙感，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]歐強新，李海奎，雷相東，等.基于清查數據的福建省馬尾松生物量轉換和擴展因子估算差異解析：3種集成學習決策樹模型的比較[J].應用生態學報，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，溫雪巖，徐克生，等.一種改進XGboost的DoH流量分類方法[J].哈爾濱理工大學學報，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]李會朋，胥輝，張超，等.基于隨機森林模型的云南松天然林生物量遙感估測[J].西部林業科學，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]許章華，黃旭影，林璐，等.基于Fisher判別分析與隨機森林的馬尾松毛蟲害檢測[J].光譜學與光譜分析，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]張超，陳暢，徐海清，等.基于XGBoost算法的多云多霧地區多源遙感作物識別[J].農業機械學報，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]趙琛，許嘉巍，靳英華，等.氣候變化背景下長白山落葉松毛蟲暴發氣象因子分析[J].東北師大學報（自然科學版），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.基于隨機森林特征選擇的茶園遙感提取[J].吉林大學學報（工學版），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.