耦合多特征多時(shí)相的普洱市優(yōu)勢(shì)樹種分類研究

doi：10.3969/j.issn.1006-8023.2024.02.013

摘" 要：利用遙感分類的方法可以快速識(shí)別普洱市的優(yōu)勢(shì)樹種，進(jìn)一步提升樹種覆蓋分類的精度，為該區(qū)域內(nèi)森林監(jiān)測(cè)提供參考依據(jù)。基于全球尺度遙感云計(jì)算平臺(tái)（Google Earth Engine，GEE），融合經(jīng)過大氣、地形校正后的多時(shí)相Sentinel-2數(shù)據(jù)，識(shí)別樹種的光譜信息，提取紋理、物候和地形等特征因子，并進(jìn)行不同的組合，采用分層分類和隨機(jī)森林（Random forest，RF）的方法對(duì)普洱市思茅松、茶樹、櫟類、橡膠和尾葉桉5個(gè)優(yōu)勢(shì)樹種進(jìn)行分類。結(jié)果表明，多時(shí)相影像結(jié)合多特征進(jìn)行分類時(shí)地形特征在森林與非森林、針闊林、優(yōu)勢(shì)樹種上的分類精度高于引入物候和紋理特征。森林與非森林分類的總體精度為99.5％（Kappa=0.98），用戶精度和制圖精度的調(diào)和平均值（F1）為98.48％；針葉林與闊葉林分類總體精度為98.7％（Kappa=0.96），F(xiàn)1為97.64％；優(yōu)勢(shì)樹種分類總體精度為85.83％（Kappa=0.80），F(xiàn)1為85.19％；優(yōu)勢(shì)樹種主要分布于海拔1 300～1 700 m的西坡、西南坡和南坡方向的陡坡上。在多時(shí)相影像中提取多特征進(jìn)行分類能夠有效提高普洱市優(yōu)勢(shì)樹種分類精度，可較為準(zhǔn)確地提供大區(qū)域、高精度的森林覆蓋分類圖。

關(guān)鍵詞：GEE；多特征；多時(shí)相；樹種分類；隨機(jī)森林

中圖分類號(hào)：S771.8""" 文獻(xiàn)標(biāo)識(shí)碼：A""" 文章編號(hào)：1006-8023（2024）02-0117-10

Research on the Classification of Dominant Tree Species in Pu'er City by

Coupling Multiple Characteristics and Multiple Phases

XIAO Qinglin， ZHANG Jialong*， CAO Jun， LIU Lin， WANG Feiping， YIN Tangyan， YANG Kun

（College of Forestry， Southwest Forestry University， Kunming 650233， China）

Abstract：The remote sensing classification method can be used to quickly identify the dominant tree species in Pu'er City， further improve the accuracy of tree species coverage classification， and provide a reference for forest monitoring in the region. Based on the global-scale remote sensing cloud computing platform （Google Earth Engine， GEE）， the multi-temporal Sentinel-2 data corrected by the atmosphere and terrain were integrated to identify the spectral information of tree species， extract texture， phenology， terrain and other characteristic factors， and conduct different combination， hierarchical classification and random forest （RF） methods were used to classify the five dominant tree species in Pu'er City： Simao pine， tea tree， oak， rubber and Eucalyptus urophylla. The results showed that when multi-temporal images were combined with multi-features for classification， the classification accuracy of terrain features in forest and non-forest， coniferous and broad forest， and dominant tree species was higher than the introduction of phenology and texture features. The overall accuracy of forest and non-forest classification was 99.5% （ Kappa=0.98）， F1 of user accuracy and mapping accuracy was 98.48%; the overall accuracy of coniferous forest and broadleaf forest classification was 98.7% （Kappa=0.96）， F1 was 97.64%; the overall accuracy of dominant tree species classification was 85.83 % （Kappa=0.80）， F1 was 85.19%. Dominant tree species were mainly distributed on steep slopes in the west， southwest and south slopes at an altitude of 1300-1700m. Extracting multiple features from multi-temporal images for classification can effectively improve the classification accuracy of dominant tree species in Pu'er City， and can provide a large-area， high-precision forest cover classification map more accurately.

Keywords：GEE; multiple features; multiple phases; tree species classification; random forest

收稿日期：2023-09-20

基金項(xiàng)目：國(guó)家自然科學(xué)基金（32260390，31860207）；云南省高層次人才培養(yǎng)支持計(jì)劃“青年拔尖人才”專項(xiàng)（YNWR-QNBJ-2020-164）。

第一作者簡(jiǎn)介：肖慶琳，碩士研究生。研究方向?yàn)榱謽I(yè)遙感。E-mail：2442564767@qq.com

*通信作者：張加龍，博士，教授。研究方向?yàn)榱謽I(yè)遙感。E-mail：jialongzhang@swfu.edu.cn

引文格式：肖慶琳，張加龍，曹軍，等. 耦合多特征多時(shí)相的普洱市優(yōu)勢(shì)樹種分類研究[J].森林工程，2024，40（2）：117-126.

XIAO Q L， ZHANG J L， CAO J， et al. Research on the classification of dominant tree species in Pu'er City by coupling multiple characteristics and multiple phases [J]. Forest Engineering，" 2024， 40（2）：117-126.

0" 引言

樹種組成和分布信息對(duì)于評(píng)估森林資源的可持續(xù)發(fā)展和環(huán)境保護(hù)工作具有重要意義[1]。優(yōu)勢(shì)樹種分布信息是生物量、碳儲(chǔ)量估算，棲息地質(zhì)量評(píng)估等的重要信息依據(jù)[2-4]，對(duì)森林生態(tài)系統(tǒng)的養(yǎng)護(hù)管理至關(guān)重要[5]。準(zhǔn)確的樹種識(shí)別，對(duì)人們深入細(xì)致地分析林木生態(tài)系統(tǒng)起到了重要指導(dǎo)作用，有利于樹木分類規(guī)劃和養(yǎng)護(hù)管理。因此，探索提高優(yōu)勢(shì)樹種分類精度的最優(yōu)特征組合成了研究重點(diǎn)。

衛(wèi)星遙感技術(shù)與人工森林調(diào)查相比，具備監(jiān)測(cè)范圍廣、成本低和數(shù)據(jù)獲取及時(shí)等優(yōu)勢(shì)，在森林資源監(jiān)測(cè)方面展現(xiàn)出巨大潛力[6-8]。優(yōu)勢(shì)樹種分布可通過實(shí)地調(diào)查獲得，由于大區(qū)域內(nèi)受到地形和天氣等因素制約，樹種分類調(diào)查需要耗費(fèi)大量的資源。有研究表明，Sentinel-2遙感數(shù)據(jù)具有空間分辨率高、免費(fèi)獲取和覆蓋范圍廣等優(yōu)點(diǎn)，被廣泛應(yīng)用于大區(qū)域面積森林優(yōu)勢(shì)樹種的精細(xì)分類與識(shí)別[9]。Jia等[4]基于Sentinel-2數(shù)據(jù)，利用支持向量機(jī)（Support Vector Machine， SVM）和隨機(jī)森林（Random forest，RF）對(duì)草原植物群落進(jìn)行了識(shí)別，分類精度得到有效提高。Breiman[10]提出的隨機(jī)森林算法訓(xùn)練速度快，具有管理共線特征和高維數(shù)據(jù)的能力以及對(duì)特征重要性進(jìn)行排序[11]等優(yōu)點(diǎn)。這種算法引入了隨機(jī)性、不容易過擬合，是當(dāng)前遙感分類領(lǐng)域在森林植被中最廣泛的分類方法。

近年來，GEE（Google Earth Engine）平臺(tái)在樹種識(shí)別方面發(fā)展日益成熟，更加快速、批量處理遙感數(shù)據(jù)，解決大區(qū)域尺度遙感數(shù)據(jù)收集難、數(shù)據(jù)量大以及運(yùn)算效率低等問題[12-13]。Jia等[4]采用Sentinel-2時(shí)間序列影像，基于GEE平臺(tái)生成了10 m空間分辨率的中國(guó)潮灘地圖。薛朝輝等[14]將Landsat 8和Sentinel-2數(shù)據(jù)進(jìn)行融合，在GEE平臺(tái)利用物候信息和指數(shù)特征級(jí)聯(lián)對(duì)紅樹林進(jìn)行提取，證明了物候信息對(duì)紅樹林監(jiān)測(cè)的重要性。為提高樹種的分類精度，相關(guān)研究發(fā)現(xiàn)不同樹種的物候、紋理、光譜和歸一化植被指數(shù)特征存在一定的差異。畢愷藝等[15]基于Sentinel數(shù)據(jù)，根據(jù)歸一化植被指數(shù)（Normalized Difference Vegetation Index ，NDVI）時(shí)序曲線和光譜特征，采用面向?qū)ο鬀Q策樹方法構(gòu)建分層分類模型，提取陳家灣流域植被信息，總體精度和Kappa系數(shù)均為0.85以上。Persson等[16]采用多時(shí)相的Sentinel-2A對(duì)瑞典中部成熟林5種常見樹種進(jìn)行識(shí)別，樹種在5月份的分類精度最高達(dá)到80.5%。云南省普洱市森林資源豐富，土地覆蓋類型復(fù)雜多樣，但分類制圖困難，目前針對(duì)普洱市全域的森林覆蓋遙感研究較少。因此，本研究以普洱市為研究區(qū)，提取樹種的光譜、紋理、物候和地形特征，構(gòu)建多特征分類集，采用RF分類算法、多時(shí)相Sentinel-2影像數(shù)據(jù)結(jié)合森林資源二類調(diào)查數(shù)據(jù)實(shí)現(xiàn)普洱市思茅松（Pinus kesiya ）、茶樹（Camellia sinensis）、櫟類（Quercus）、橡膠（Hevea brasiliensis）和尾葉桉（Eucalyptus urophylla）5種優(yōu)勢(shì)樹種的精細(xì)分類[17-19]，從空間海拔、坡度，坡向分析優(yōu)勢(shì)樹種分布情況，探索更高效、準(zhǔn)確的遙感森林覆蓋分類圖，以期為大區(qū)域的復(fù)雜山區(qū)優(yōu)勢(shì)樹種精細(xì)分類研究提供科學(xué)有效的技術(shù)手段。

1" 研究區(qū)與數(shù)據(jù)源

1.1" 研究區(qū)概況

研究區(qū)域位于云南省西南部普洱市（99°09′～102°19′E，22°02′～24°50′N） ，地處橫斷山脈的無量山南部，云貴高原西南緣[14，20]。海拔在317～3 370 m，山地面積多達(dá)98%，地勢(shì)起伏大，屬典型高山地貌；受南亞熱帶高原季風(fēng)氣候、印度洋西南季風(fēng)暖濕氣流的影響，降水量豐沛，5—10月降水量占全年的86.9%，年平均氣溫15～25 ℃[21]，常見的優(yōu)勢(shì)樹種有思茅松（Pinus kesiya ）、茶樹（Camellia sinensis）、櫟類（Quercus）、尾葉桉（Eucalyptus urophylla）、橡膠（Hevea brasiliensis）、華山松（Pinus armandi）和桉樹（Eucalyptus）等。

1.2" 數(shù)據(jù)來源和處理

1.2.1" 遙感數(shù)據(jù)

本研究選擇未經(jīng)過大氣校正的Sentinel-2 Level 1C衛(wèi)星影像，在GEE中獲取2018年10月、2019年5月、2019年6月和2020年11月的Sentinel-2 Level 1C時(shí)間序列影像經(jīng)過大氣校正和地形校正處理后生成的Sentinel-2A級(jí)影像作為數(shù)據(jù)源。基于GEE平臺(tái)計(jì)算相關(guān)光譜指數(shù)特征，選擇所有影像波段以及光譜指數(shù)的中值，來合成普洱市Sentinel-2遙感影像。

1.2.2" 樣本數(shù)據(jù)

GEE歷史影像數(shù)據(jù)庫(kù)提供的遙感影像結(jié)合2016年普洱市森林資源二類調(diào)查數(shù)據(jù)中優(yōu)勢(shì)樹種、地類和面積等屬性信息，通過選取純林小班目視解譯繪制參考樣本數(shù)據(jù)。在GEE上隨機(jī)選取70%作為訓(xùn)練樣本，30%作為檢驗(yàn)樣本[9]，為確保試驗(yàn)結(jié)果可對(duì)比性，各方案訓(xùn)練點(diǎn)與樣本點(diǎn)保持不變，見表1。

2" 研究方法

本研究使用Sentinel-2多時(shí)相影像和DEM提取光譜、物候、紋理和地形特征，結(jié)合森林資源二類調(diào)查數(shù)據(jù)進(jìn)行樣本采集。耦合不同特征建立3種分類方案，在光譜特征的基礎(chǔ)上分別加入物候、紋理和地形因子，構(gòu)建3種分層分類RF優(yōu)勢(shì)樹種分類模型，對(duì)結(jié)果進(jìn)行精度評(píng)價(jià)，將具有較高總體分類精度（Overall Accuracy，OA）和Kappa系數(shù)的特征組合認(rèn)為是最佳分類效果，最終得到普洱市優(yōu)勢(shì)樹種分類圖。技術(shù)流程如圖1所示。

2.1" 特征提取

2.1.1" 光譜特征提取

光譜特征是反映地表樹木最直接的信息，不同樹木的光譜特征不同，光譜特征在遙感影像上存在差異，根據(jù)不同的光譜特征可以判斷樹種的屬性。本研究使用的光譜波段分別為B2-B8、B8A、B11、B12。

2.1.2" 紋理特征提取

紋理信息使用GEE平臺(tái)自帶的灰度共生矩陣（Gray-level Co-occurrence Matrix，GLCM）紋理特征函數(shù)“glcmTexture”（大小，內(nèi)核，平均值）進(jìn)行提取[22]。對(duì)具有多個(gè)波段的多光譜影像執(zhí)行主成分分析法（Principal Component Analysis， PCA）變換進(jìn)行數(shù)據(jù)降維，使用變化和信息內(nèi)容最高的第一主成分提取8種紋理特征，均值（Mean）、方差（Variance）、對(duì)比度（Contrast）、熵（Entropy）、相關(guān)性（Correlation）、均一性（Homogeneity）、角二階矩（Second Moment）和相異性（Dissimilarity）參與分類。

2.1.3" 物候特征提取

多時(shí)相影像中包含的物候信息能夠提高樹種分類的準(zhǔn)確性[23]。不同樹種的物候變化差異大，可以通過多時(shí)相影像進(jìn)行提取。夏季和冬季樹木的變化反映了樹種的物候特征，更有效地表征了樹種之間的光譜差異。因此，利用6月和10月的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI，式中記為NDVI）提取物候特征。使用Sentinel-2影像的紅波段（B4，式中記為B4）和近紅外波段（B8，式中記為B8）計(jì)算4個(gè)時(shí)期的NDVI時(shí)間序列。公式如下

NDVI=（B8－B4）/（B8+B4）。（1）

Phenology=NDVIJ－NDVIO。（2）

式中：Phenology 為物候特征；NDVIJ和NDVIO分別為6月和10月的NDVI值。

2.1.4" 地形特征提取

研究區(qū)地形垂直落差大，地形輻射校正能夠有效增強(qiáng)樹種的可分離性[22，24]。利用GEE平臺(tái)中的“ee.Algorithms.Terrain”函數(shù)對(duì)該數(shù)據(jù)進(jìn)行計(jì)算得到研究區(qū)海拔（Elevation）、坡度（Slope）和坡向（Aspect）數(shù)據(jù)[25]。

2.2" 分類方法及精度評(píng)價(jià)

2.2.1" 隨機(jī)森林法

隨機(jī)森林是機(jī)器學(xué)習(xí)中使用的一種非參數(shù)分類方法[26]。該方法采用Bagging方法為每棵決策樹生成獨(dú)立的同分布訓(xùn)練樣本集，最終的分類結(jié)果取決于所有決策樹的投票[27]。本研究使用GEE平臺(tái)，調(diào)用RF分類模型代碼對(duì)決策樹數(shù)量進(jìn)行選擇。將樣本集與提取的光譜特征、NDVI時(shí)間序列和物候特征以及紋理特征和地形特征作為分類過程中的輸入變量，理論上決策樹的數(shù)量（N）越多分類精度越高[27-28]，因此，針對(duì)每一層分類，GEE平臺(tái)能夠正常運(yùn)行計(jì)算的情況下，選擇精度最高時(shí)的決策樹數(shù)量。研究選取的隨機(jī)森林決策樹數(shù)量為第1層是100，第2層是100，第3層是200，其他參數(shù)均為默認(rèn)。

2.2.2" 分層分類法

由于研究區(qū)內(nèi)植被類型比較復(fù)雜，難以從影像中直接獲取單一樹種。因此，本研究利用多時(shí)相的遙感影像數(shù)據(jù)，采用“從上到下，先易后難，先總后分”的分層分類策略[29-30]，具體來說，首先是確定容易識(shí)別的類別（森林與非森林），然后是相對(duì)容易識(shí)別的類別（針闊葉林），最后是精細(xì)分類到優(yōu)勢(shì)樹種（思茅松、茶樹、櫟類、橡膠、尾葉桉、其他針葉林和其他闊葉林）。從上往下，逐步層層遞進(jìn)地進(jìn)行樹種的提取與識(shí)別。分類的難度逐漸增大，需要專業(yè)知識(shí)和經(jīng)驗(yàn)來確定識(shí)別某個(gè)類別，以達(dá)到高精度分類或?qū)ｉT提取某一樹種。

2.2.3" 精度評(píng)價(jià)

在本研究中，使用混淆矩陣來評(píng)估分類精度，即用戶精度（User's Accuracy，UA，式中記為UA）、生產(chǎn)者精度（Producer's Accuracy，PA，式中記為PA）、總體精度（overall accuracy，OA，式中記為OA）和Kappa系數(shù)。然而，在實(shí)際分類中，PA和UA制衡，無法準(zhǔn)確評(píng)估分類質(zhì)量，因此引入PA和UA的調(diào)和平均值（F1）來評(píng)估分類效果[8]。F1的計(jì)算公式如下

F1=2×PA×UAPA+UA。（3）

式中，F(xiàn)1的取值范圍是[0，1]。

3" 結(jié)果分析

3.1" 不同樹種光譜特征的可分離性

為分析研究區(qū)不同時(shí)相波段下思茅松、茶樹、櫟類、橡膠、尾葉桉、其他闊葉和其他針葉的光譜差異，圖2顯示了Sentinel-2影像4個(gè)時(shí)相的10個(gè)波段中樹種的光譜反射變化。由圖2（c）思茅松光譜反射率在B2、B3、B4波段上均高于其他樹種；圖2（a）、圖2（b）和圖2（d）中B2、B3和B4波段中尾葉桉和櫟類的反射率值略高于其他樹種，而茶樹、橡膠和其他樹種的反射率值的變化趨勢(shì)類似。由于光譜差異很小，單獨(dú)使用光譜特征很難進(jìn)行區(qū)分，需要添加額外的特征來提高不同樹種之間的光譜可分離性。圖中B5波段優(yōu)勢(shì)樹種反射率上升趨勢(shì)明顯，符合綠色植被光譜曲線，B4波段在植被的光譜響應(yīng)中表現(xiàn)出明顯的‘峰谷’現(xiàn)象。與10月、 5月和 11月相比，6月影像顯示了每個(gè)波段中樹種的光譜反射率值更高，樹種的反射率值在紅邊波段和近紅外波段變化顯著，這是區(qū)分樹種分類的依據(jù)所在。

3.2" 特征重要性

本研究使用RF對(duì)所有特征進(jìn)行重要性排序。圖3中列出了前20個(gè)重要的特征，通過比較特征的重要性排名，海拔特征重要性排名第1，坡度和坡向排第4和第8，由此可以看出地形因子分類貢獻(xiàn)高于其他特征，有效提高樹種的分類精度。光譜特征中B5_4、B1_4、B9_2波段重要性排第2、3、5，物候特征排第7，紋理特征的重要性得分均小于0.06。進(jìn)一步說明地形特征和紅邊波段在樹種分類中具有較高的貢獻(xiàn)度。

3.3" 分類精度評(píng)價(jià)

3.3.1" 森林與非森林分類精度評(píng)價(jià)

本研究基于GEE采用分層分類和RF算法對(duì)森林樹種進(jìn)行分類。為探究不同分類組合、特征變量等因素對(duì)分類精度的影響，將特征變量組合成3種不同的方案。不同特征組合森林與非森林的結(jié)果見表2。

結(jié)果顯示，方案3的光譜+地形特征分類精度最高，總體精度為99.5％（Kappa=0.98） ，F(xiàn)1為98.48％。說明地形特征可以提高分類精度。因此，森林/非森林選擇方案3的分類結(jié)果作為第2層分類的掩模。

3.3.2" 針葉林與闊葉林分類精度評(píng)價(jià)

基于不同特征組合的針葉林和闊葉林的分類結(jié)果見表3。

結(jié)果表明，方案3中地形特征組合分類的優(yōu)勢(shì)樹種較物候特征和紋理特征組合分類的OA、Kappa系數(shù)和F1都有所提高。因此，第3層分類的針闊葉林分類結(jié)果選擇方案3為掩模。

3.3.3" 不同樹種分類精度評(píng)價(jià)

表4是不同特征組合的樹種分類，方案3光譜＋地形特征的分類精度最優(yōu)，總體精度為85.83％（Kappa=0.81），F(xiàn)1為85.19％，比方案1和方案2的總體精度提高了2.15％和2.36％。參與分類的地形特征數(shù)量最少，精度最高。與物候特征和紋理特征組合相比，加入地形特征組合的分類精度均達(dá)到80％以上，且PA、UA和F1得到提高，說明引入地形因子可以有效提高樹種分類的精度。此外，研究結(jié)果表明，尾葉桉和橡膠比其他樹種更容易區(qū)分。

3.4" 優(yōu)勢(shì)樹種分布

通過對(duì)不同特征進(jìn)行組合，采用分層分類的策略對(duì)普洱市樹種進(jìn)行分類，得出樹種分類覆蓋圖。以方案3優(yōu)勢(shì)樹種分類為例，由圖4可以看出，普洱市主要以思茅松林為主，分布最廣，茶樹分布在城區(qū)周邊，櫟類較多分布在普洱市的西南方向，橡膠主要分布于城區(qū)一帶，尾葉桉分布較少，闊葉林分布較為分散。思茅松和茶樹的面積分別占據(jù)了總面積的 36% 和 20%，而櫟類與橡膠面積相近，分別占總面積 的 17% 和 13%，尾葉桉占9%，其他闊葉林與其他針葉林占比較小，分別是4% 和1%。

針對(duì)普洱市的樹種分布從坡度、坡向和海拔等方面進(jìn)行分析。普洱市群山起伏、地勢(shì)陡峭，坡度較大的地方一般適合根系較為發(fā)達(dá)的樹種生長(zhǎng)，如思茅松、櫟類和對(duì)土壤環(huán)境要求低的其他樹種，而橡膠適合生長(zhǎng)在坡度平緩的地方。坡向主要通過陽(yáng)光照射、溫濕度和土壤養(yǎng)分來影響樹種的分布。例如，南坡相對(duì)暖和，適合生長(zhǎng)一些喜陽(yáng)樹種；而北坡相對(duì)陰冷，適合生長(zhǎng)一些喜陰樹種。思茅松、橡膠和尾葉桉主要分布在西坡、西南坡和南坡較多，櫟類和其他闊葉在北坡和東北坡的分布相對(duì)較多。隨著海拔的升高，氣溫和氣候條件會(huì)發(fā)生變化，從而影響樹種分布。低海拔區(qū)域適合生長(zhǎng)喜溫暖濕潤(rùn)環(huán)境的樹種，如思茅松、茶樹、橡膠和尾葉桉樹種等；而海拔較高的地區(qū)則適合生長(zhǎng)喜寒冷環(huán)境的樹種，如櫟類和其他針葉樹種等。研究表明普洱市樹種分布具有明顯的垂直森林分布帶，主要分布于海拔1 300～2 000 m。樹種的空間分布還受到土壤類型、降水量和氣候等因素的影響，普洱市樹種的具體覆蓋分布，還需根據(jù)實(shí)際地理情況和生態(tài)環(huán)境數(shù)據(jù)進(jìn)行進(jìn)一步研究和分析。

4" 討論與結(jié)論

4.1" 討論

4.1.1" 分類精度

目前大多數(shù)的研究使用多時(shí)相遙感因子和隨機(jī)森林算法來進(jìn)行樹種分類，本研究綜合考慮樹種的物候信息、紋理特征和地形特征，通過不同特征組合構(gòu)建多特征隨機(jī)森林樹種分類模型，分析樹種分類的最佳特征因子。結(jié)果表明，與物候特征和紋理特征相比，地形特征在基于耦合不同特征的隨機(jī)森林優(yōu)勢(shì)樹種分類的精度明顯提高，該結(jié)論在Wang等[26]研究中得到驗(yàn)證。多時(shí)相數(shù)據(jù)與其他數(shù)據(jù)結(jié)合可以提高樹種分類的精度，如地形特征和物候信息可以彌補(bǔ)多光譜影像的缺點(diǎn)，提高樹種分類的精度。Chiang等[31]利用Landsat影像和地形數(shù)據(jù)對(duì)樹種進(jìn)行分類，精度為81%，Kappa系數(shù)為0.70。與單獨(dú)基于Landsat影像的分類結(jié)果相比，加入地形因子參與分類精度提高10%，Kappa系數(shù)提高了0.18。Kollert等 [32]從多時(shí)相Sentinel-2影像中提取物候信息并將其應(yīng)用于樹種分類，精度為84.40%，比單時(shí)相Sentinel-2影像的分類精度提高了10%左右。Hoscilo等 [33]使用多時(shí)相 Sentinel-2影像和地形數(shù)據(jù)對(duì)森林樹種進(jìn)行分類，分類精度為75.60%，引入地形因子的樹種分類精度提高到81.70%。這些研究結(jié)果均表明地形特征可以提高樹種分類精度。

4.1.2" 分類特征

本研究引入了地形、物候信息和紋理特征，探討其影響。本研究中“光譜＋地形特征”樹種分類模型的效果最優(yōu)，模型精度為85.83%，比分別加入物候特征和紋理特征建立的模型提高了2.15%和2.36%。以往研究中常用的光譜反射率、光譜指數(shù)、地形特征和物候信息外，后續(xù)可以嘗試添加紫外線氣溶膠指數(shù)、NO2濃度、地形多樣性、降水量和溫度特征，達(dá)到提高森林分類精度的目的。因此，未來大范圍區(qū)域樹種分類的研究中，如何準(zhǔn)確、高效地獲取森林樹種的數(shù)量和分布信息，應(yīng)朝著實(shí)時(shí)、三維監(jiān)測(cè)和細(xì)化的方向發(fā)展，加入更多的數(shù)據(jù)源，增加樣本的規(guī)模與質(zhì)量，以此來深化特征變量的模型改善。本研究在GEE平臺(tái)上完成優(yōu)勢(shì)樹種分類，很大程度上減少了數(shù)據(jù)獲取、預(yù)處理等工作量，為今后大區(qū)域尺度植被覆蓋圖提供途徑。

4.2" 結(jié)論

基于GEE平臺(tái)，以普洱市為研究區(qū)，利用多時(shí)相Sentinel-2影像，提取多時(shí)相特征并進(jìn)行特征組合，采用隨機(jī)森林算法和分層分類法構(gòu)建3種分類模型進(jìn)行優(yōu)勢(shì)樹種分類，得出以下結(jié)論。

1）融合多時(shí)相Sentinel-2數(shù)據(jù)與多特征結(jié)合能充分利用不同樹種的可分性，提高其分類精度。

2）根據(jù)特征重要性進(jìn)行排序，海拔特征為最佳特征因子，有助于高海拔地區(qū)的優(yōu)勢(shì)樹種分類。

3）多時(shí)相特征組合對(duì)普洱市優(yōu)勢(shì)樹種分類時(shí)，光譜＋地形特征的分類精度優(yōu)于光譜＋物候和光譜＋紋理特征，分別提高2.15％和2.36％。

4）針對(duì)森林植被類型比較復(fù)雜的地區(qū)，采用分層分類的方法可以提高整體的優(yōu)勢(shì)樹種分類精度。

【參" 考" 文" 獻(xiàn)】

[1]顏偉，周雯，易利龍，等.森林類型遙感分類及變化監(jiān)測(cè)研究進(jìn)展[J].遙感技術(shù)與應(yīng)用，2019，34（3）：445-454.

YAN W， ZHOU W， YI L L， et al. Research progress of remote sensing classification and change monitoring on forest types[J]. Remote Sensing Technology and Application， 2019， 34（3）： 445-454.

[2]KE Y H， QUACKENBUSH L J， IM J. Synergistic use of QuickBird multispectral imagery and LIDAR data for object-based forest species classification[J]. Remote Sensing of Environment， 2010， 114（6）： 1141-1154.

[3]WASER L T， GINZLER C， KUECHLER M， et al. Semi-automatic classification of tree species in different forest ecosystems by spectral and geometric variables derived from Airborne Digital Sensor （ADS40） and RC30 data[J]. Remote Sensing of Environment， 2011， 115（1）： 76-85.

[4]JIA M M， WANG Z M， MAO D H， et al. Rapid， robust， and automated mapping of tidal flats in China using time series Sentinel-2 images and Google Earth Engine[J]. Remote Sensing of Environment， 2021， 255： 112285.

[5]DALPONTE M， BRUZZONE L， GIANELLE D. Tree species classification in the Southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data[J]. Remote Sensing of Environment， 2012， 123： 258-270.

[6]池毓鋒，賴日文，余莉莉，等.基于Landsat 8 OLI數(shù)據(jù)的樹種類型分布提取[J].自然資源學(xué)報(bào)，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.

[7]劉旭升，張曉麗.森林植被遙感分類研究進(jìn)展與對(duì)策[J].林業(yè)資源管理，2004（1）：61-64.

LIU X S， ZHANG X L. Research advances and countermeasures of remote sensing classification of forest vegetation[J]. Forest Resources Management， 2004（1）： 61-64.

[8]蔣鳳釵.Spark技術(shù)在自然資源數(shù)據(jù)管理中的應(yīng)用研究[J].自動(dòng)化技術(shù)與應(yīng)用，2022，41（6）：41-45.

JIANG F C. Application of spark technology in natural resource data management[J]. Techniques of Automation and Applications， 2022， 41（6）： 41-45.

[9]劉靈，張加龍，韓雪蓮，等.基于GEE和Sentinel時(shí)序影像的優(yōu)勢(shì)樹種識(shí)別研究[J].森林工程，2023，39（1）：63-72，81.

LIU L， ZHANG J L， HAN X L， et al. Dominant species classification based on google earth engine and sentinel time-series data[J]. Forest Engineering， 2023， 39（1）： 63-72， 81.

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

[11]張炳華，張鐿鋰，谷昌軍，等.基于隨機(jī)森林與特征選擇的藏東南土地覆被分類方法及精度評(píng)價(jià)[J].地理科學(xué)，2023，43（3）：388-397.

ZHANG B H， ZHANG Y L， GU C J， et al. Land cover classification based on random forest and feature optimism in the Southeast Qinghai-Tibet Plateau[J]. Scientia Geographica Sinica， 2023， 43（3）： 388-397.

[12]郝斌飛，韓旭軍，馬明國(guó)，等.Google Earth Engine在地球科學(xué)與環(huán)境科學(xué)中的應(yīng)用研究進(jìn)展[J].遙感技術(shù)與應(yīng)用，2018，33（4）：600-611.

HAO B F， HAN X J， MA M G， et al. Research progress on the application of Google Earth Engine in geoscience and environmental sciences[J]. Remote Sensing Technology and Application， 2018， 33（4）： 600-611.

[13]LIU X P， HU G H， CHEN Y M， et al. High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine platform[J]. Remote Sensing of Environment， 2018， 209： 227-239.

[14]薛朝輝，錢思羽.融合Landsat8與Sentinel-2數(shù)據(jù)的紅樹林物候信息提取與分類[J].遙感學(xué)報(bào)，2022，26（6）：1121-1142.

XUE Z H， QIAN S Y. Fusion of Landsat 8 and Sentinel-2 data for mangrove phenology information extraction and classification[J]. National Remote Sensing Bulletin， 2022， 26（6）： 1121-1142.

[15]畢愷藝，牛錚，黃妮，等.基于Sentinel-2A時(shí)序數(shù)據(jù)和面向?qū)ο鬀Q策樹方法的植被識(shí)別[J].地理與地理信息科學(xué)，2017，33（5）：16-20，27，127.

BI K Y， NIU Z， HUANG N， et al. Identifying vegetation with decision tree model based on object-oriented method using multi-temporal Sentinel-2A images[J]. Geography and Geo-Information Science， 2017， 33（5）： 16-20， 27， 127.

[16]PERSSON M， LINDBERG E， REESE H. Tree species classification with multi-temporal Sentinel-2 data[J]. Remote Sensing， 2018， 10（11）： 1794.

[17]WESSEL M， BRANDMEIER M， TIEDE D. Evaluation of different machine learning algorithms for scalable classification of tree types and tree species based on Sentinel-2 data[J]. Remote Sensing， 2018， 10（9）： 1419.

[18]PLAKMAN V， JANSSEN T， BROUWER N， et al. Mapping species at an individual-tree scale in a temperate forest， using Sentinel-2 images， airborne laser scanning data， and random forest classification[J]. Remote Sensing， 2020， 12（22）： 3710.

[19]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.

[20]閆明，龐勇，何云玲，等.基于GEE云平臺(tái)和Sentinel-2數(shù)據(jù)的普洱市森林覆蓋制圖[J].遙感技術(shù)與應(yīng)用，2023，38（2）：432-442.

YAN M， PANG Y， HE Y L， et al. Remote sensing based land cover classification of Pu'er city using GEE cloud platform and Sentinel-2 data[J]. Remote Sensing Technology and Application， 2023， 38（2）： 432-442.

[21]宋志偉，周紅斌，朱麗艷，等.基于SWOT-AHP的普洱市國(guó)家儲(chǔ)備林發(fā)展戰(zhàn)略分析[J].林業(yè)資源管理，2022（2）：19-26.

SONG Z W， ZHOU H B， ZHU L Y， et al. Analysis on development strategy of Pu'er city national reserve forest based on SWOT-AHP method[J]. Forest Resources Management， 2022（2）： 19-26.

[22]張旭，高何璇，高曉陽(yáng)，等.基于低空遙感與GA-BP神經(jīng)網(wǎng)絡(luò)的葡萄葉片含水量估算研究[J].林業(yè)機(jī)械與木工設(shè)備，2022，50（6）：69-75.

ZHANG X， GAO H X， GAO X Y， et al. Research on estimation of water content in grape leaves based on low-altitude remote sensing and GA-BP neural network[J]. Forestry Machinery amp; Woodworking Equipment， 2022， 50（6）： 69-75.

[23]ZHU X L， LIU D S. Accurate mapping of forest types using dense seasonal Landsat time-series[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2014， 96（11）： 1-11.

[24]閆利，江維薇.多光譜遙感影像植被覆蓋分類研究進(jìn)展[J].國(guó)土資源遙感，2016，28（2）：8-13.

YAN L， JIANG W W. Progress in the study of vegetation cover classification of multispectral remote sensing imagery[J]. Remote Sensing for Land amp; Resources， 2016， 28（2）： 8-13.

[25]賀澤宇.基于Google Earth Engine的祁連山國(guó)家公園土地覆被時(shí)空變化分析[D].蘭州：蘭州大學(xué)，2022.

HE Z Y. Spatial-temporal analysis of land cover changes in Qilian Mountain National Park based on google earth engine[D]. Lanzhou： Lanzhou University， 2022.

[26]WANG M C， LI M J， WANG F Y， et al. Exploring the optimal feature combination of tree species classification by fusing multi-feature and multi-temporal Sentinel-2 data in Changbai Mountain[J]. Forests， 2022， 13（7）： 1058.

[27]趙陽(yáng)，田震，李尉尉，等.基于Sentinel-2MSI影像與面向?qū)ο笙嘟Y(jié)合的紅樹林樹種精細(xì)化分類方法研究[J].海洋通報(bào)，2023，42（3）：352-360.

ZHAO Y， TIAN Z， LI W W， et al. Study on the refined classification method of mangrove tree species based on Sentinel-2 MSI images combined with object-oriented[J]. Marine Science Bulletin， 2023， 42（3）： 352-360.

[28]HOLOGA R， SCHEFFCZYK K， DREISER C， et al. Tree species classification in a temperate mixed mountain forest landscape using random forest and multiple datasets[J]. Remote Sensing， 2021， 13（22）： 4657.

[29]CHEN Y L， ZHAO S A， XIE Z L， et al. Mapping multiple tree species classes using a hierarchical procedure with optimized node variables and thresholds based on high spatial resolution satellite data[J]. GIScience amp; Remote Sensing， 2020， 57（4）： 526-542.

[30]趙帥，曹美芹，蔣先蝶，等.安徽省利辛縣平原區(qū)人工林樹種分類研究[J].遙感技術(shù)與應(yīng)用，2022，37（3）：589-598.

ZHAO S， CAO M Q， JIANG X D， et al. Man-made tree species classification in Lixin County， Anhui Province[J]. Remote Sensing Technology and Application， 2022， 37（3）： 589-598.

[31]CHIANG S H， VALDEZ M. Tree species classification by integrating satellite imagery and topographic variables using maximum entropy method in a Mongolian forest[J]. Forests， 2019， 10（11）： 961.

[32]KOLLERT A， BREMER M， LOW M， et al. Exploring the potential of land surface phenology and seasonal cloud free composites of one year of Sentinel-2 imagery for tree species mapping in a mountainous region[J]. International Journal of Applied Earth Observation and Geoinformation， 2021， 94： 102208.

[33]HOSCIO A， LEWANDOWSKA A. Mapping forest type and tree species on a regional scale using multi-temporal Sentinel-2 data[J]. Remote Sensing， 2019， 11（8）： 929.