基于主成分分析下貝葉斯優化卷積神經網絡模型人工林樹種識別的研究

摘 要：為探究基于主成分分析（Principal Component Analysis，PCA）下貝葉斯優化（Bayesian Optimization，BO）卷積神經網絡（Convolutional Neural Network，CNN）算法（PCA-BO-CNN）模型對人工林樹種識別的方法，以提高遙感技術在人工林樹種識別中的準確率和魯棒性。以塞罕壩機械林場為研究區域，利用Sentinel-1遙感數據、Sentinel-2遙感數據、數字高程模型（digitalElevation Model，DEM）數據及森林資源二類調查數據和PCA-BO-CNN算法模型結合，并與其他不同算法模型對比分析，以提高人工林樹種識別的準確性。結果表明，1）相比PCA算法處理前，PCA算法處理后多源數據特征的PCA1—PCA39共計39個特征的標準差和特征間的區分性明顯提升。因此，PCA算法處理有利于提升對華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優勢樹種及非林地的識別精度；2）在PCA算法處理前，BO-隨機森林（random forest，RF）算法模型對主要優勢樹種及非林地識別的總體準確度（OA）和Kappa系數精度，分別為81. 87%，0. 754 5。在PCA算法處理后，PCA-BO-CNN算法模型對主要優勢樹種及非林地識別的OA和Kappa系數精度相對提高，分別為83. 10%，0. 770 3；3）相比PCA算法處理前的BO-RF算法模型，PCA算法處理后的PCA-BO-CNN算法模型對塞罕壩林場主要優勢樹種及非林地識別的調和平均數（F1）、OA和Kappa系數的整體精度相對較高。具體，相比BO-RF算法模型PCA-BO-CNN算法模型的OA提升了1. 24%，且相比PCA算法處理前PCA-BO-CNN 算法模型OA提升了3. 71%。與其他算法模型相比，基于PCA-BO-CNN算法模型的人工林樹種識別方法具有很強的準確性和魯棒性，為掌握塞罕壩林場人工林的樹種分布，進而了解森林碳儲量、森林對氣候變化的響應、制定碳減排政策以及推動森林可持續發展提供重要的理論依據。

關鍵詞：PCA-BO-CNN模型； 塞罕壩林場； 人工林； 遙感技術； 樹種識別

中圖分類號：S771. 8 文獻標識碼：A DOI：10. 7525/j. issn. 1006-8023. 2025. 02. 009

0 引言

森林作為陸地生態系統的重要組成部分，擁有巨大的碳儲能力［1-3］。人工林在森林中扮演著重要角色，特別是我國人工林面積居全球首位，對于維持森林碳循環、緩解全球氣候變化具有深遠意義［4］。因此，了解人工林碳儲量對于掌握我國森林碳匯儲量、應對氣候變化、制定碳減排政策以及推動森林可持續發展至關重要［5］。然而，人工林碳儲量的估算與森林樹種類型息息相關。不同森林樹種類型之間的儲碳能力存在明顯差異，僅靠統一森林含碳率估算無法提供準確的人工林碳儲量信息［6］。因此，準確的人工林樹種識別變得越來越重要，成為獲取可靠森林碳儲量信息的關鍵。

目前，人工林樹種識別的方法主要包括樣地清查法和基于遙感技術的樹種識別方法［7］。相比傳統人工對森林樹種識別的樣地清查法，基于遙感技術的樹種識別方法因遙感數據和計算機圖像解譯算法的不斷發展，逐漸成為人工林樹種識別的首選途徑［8］。特別是圖像解譯深度學習算法的發展，如卷積神經網絡（convolutional neural network，CNN）模型作為一種深度學習的圖像處理和識別方法，在基于遙感技術的林分、樹種結構圖像識別領域取得了顯著成果［9-10］。而在人工林樹種識別方面，CNN模型仍有很大的提升空間。此外，與以往的基于遙感技術的樹種識別方法相比，CNN模型不再需要人工對遙感數據進行深層參數特征的提取［11］，而是通過卷積運算自主學習到遙感數據的參數特征，從而提高人工林樹種識別的效率和準確性。然而，CNN模型作為人工林樹種識別模型具有不易調整的模型超參數，且僅靠人工經驗進行模型超參數調整存在很大的局限性［12］。為此，引入貝葉斯優化超參數（Bayesian optimization，BO）算法對CNN人工林樹種識別模型的超參數進行調整。相比其他模型超參數的優化算法，BO算法是一種全局優化的手段，在超參數調整、機器學習模型選擇和神經網絡架構搜索等方面表現出色［13］，在一定程度上能夠提高樹種識別的準確率和魯棒性。此外，多源數據特征的特征選擇是樹種識別中面臨的又一難題，為了解決這一難題，引入了主成分分析算法對遙感數據進行特征優選，從而提高樹種識別的準確率。因此，通過主成分分析算法對多源數據特征進行優選，利用BO算法對CNN模型的超參數進行優化是提高CNN模型人工林樹種識別性能和準確度的基礎［14］。

塞罕壩機械林場（以下簡稱為塞罕壩林場）作為我國典型的人工林國有林場之一［15］，是京津冀乃至華北地區重要的森林碳庫。為了準確估算該林場的森林碳儲量，亟須提高人工林樹種識別的準確率和魯棒性。因此，本研究選擇了塞罕壩林場作為研究區域，旨在探究一種基于主成分分析下的貝葉斯優化卷積神經網絡（PCA-BO-CNN）算法模型的人工林樹種識別方法，以提高其實用性和準確性。PCA-BO-CNN算法模型將主成分分析算法、貝葉斯優化算法與CNN算法相結合，通過自動篩選多源數據特征并調整CNN模型的超參數，從而提高人工林樹種識別的效率和準確性，該方法不僅為局地區域人工林樹種識別提供了高效和準確的方法，還為掌握森林碳儲量、了解氣候變化的影響、制定碳減排政策以及推動森林可持續發展提供了重要的理論依據。

1 研究區概況與數據

1. 1 研究區概況

塞罕壩林場位于河北省承德市最北部，地處冀蒙邊界，地理位置為：116°51′～117°39′ E，41°02′～42°36′ N，如圖1所示。林場南北向長為58. 6 km，東西向寬為65. 6 km，林場總面積92 634. 7 hm2。地勢中部高，東南、西北低，由中部分別向東南、西北傾斜，海拔1 010～1 940 m，平均坡度在20°。年均降水日數134 d，年均降水量452 mm，主要集中在6—8月，占全年降水量的67. 6%。林場屬于寒溫帶大陸性季風氣候區，冬、春季較長，氣溫低且多風；夏季短，日照強，溫差大。林場擁有豐富的土壤類型和復雜的氣候條件，孕育了多種多樣的植物種群，有森林、草原、草甸和灌叢等。其中，森林覆蓋率達80% 以上，主要優勢樹種包括：華北落葉松（Larixgmelinii var. principis-rupprechtii）、白樺（Betula platy?phylla）、樟子松（Pinus sylvestris var. mongholica）、蒙古櫟（Quercus mongolica） 和云杉（Picea aspe?rata）等。

1. 2 數據與預處理

1. 2. 1 Sentinel-1/2和數字高程模型數據

Sentinel 系列衛星是歐洲航天局（Europeanspace agency，ESA）哥白尼計劃發射的衛星，主要提供Sentinel-1合成孔徑雷達遙感數據（synthetic apertureradar，SAR）和Sentinel-2 光學多光譜遙感數據（multi-spectral imagery，MSI）等。其中，Sentinel-1遙感衛星是由A和B雙星組成，同時搭載C波段SAR傳感器［16］，具有條帶模式、干涉寬幅模式、超寬幅模式和波浪模式4種成像模式，能夠全天候作業、不受氣候條件的限制，支持交叉極化（VH）和垂直極化（VV）兩種常見的極化方式，Sentinel-1遙感數據具體的參數見表1。

Sentinel-2遙感衛星同樣由A和B雙星組成，雙星的重訪周期為5 d，搭載MSI成像儀［17］，提供可見光、紅外和近紅外波段在內的13個光譜波段，空間分辨率從10、20 m到60 m，Sentinel-2遙感數據具體的參數見表2。根據ESA 官方網站公布的相關信息，Sentinel-2遙感數據包括2A和1C 2種等級，其中2A級數據是經過大氣校正的遙感數據能夠直接用于試驗，1C 級數據是需要采用官方網站提供的Sen2Cor插件進行大氣校正后得到2A級數據用于試驗［18］。本研究使用的Sentinel-1_IW（IW為干涉寬幅模式數據）和Sentinel-2_MSIL2A（MSIL2A為多光譜影像）遙感數據均是通過ESA哥白尼哨兵科學數據中心（https：//browser. dataspace. copernicus. eu/）進行免費下載，并且采集時間與地面調查的森林資源二類調查數據相接近，云含量小于5% 的2020年的6月、8月、10月遙感數據，且每期數據包括1景Sentinel-1_IW 數據和3 景Sentinel-2_MSIL2A 遙感數據。此外，數字高程模型（digital elevation model，DEM）數據即DEM數據是一種常用于反映地表森林植被等地貌特征的數據。DEM數據是從地理空間數據云官方網站（https：//www. gscloud. cn/）進行2020年數據的免費下載，并按照6月、8月、10月分成同樣的3份DEM數據。

數據預處理包括：1）Sentinel-1遙感數據，由于SAR數據受地形起伏和斑點噪聲影響引起幾何和輻射畸變，為此利用ESA的開源SNAP軟件對其進行軌道校正、輻射定標、熱噪聲去除、Deburst處理、多視處理、濾波處理、地理編碼和按照塞罕壩林場邊界進行裁剪，獲得后向散射系數（Sigma0_VV_db、Sigma0_VH_db）雷達特征。2）Sentinel-2遙感數據，通過SNAP軟件的Sen2Cor大氣校正處理器進行大氣校正得到2A級遙感數據，以及輻射定標、拼接、重采樣和按照塞罕壩林場邊界進行裁剪，獲得13個波段遙感數據（B1，B2，…B8，B8A，B9，…B12）。在此基礎上，去除3個用于監測大氣的B1、B9和B10波段，剩下的10個波段，即B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段均能用于反映森林資源參數的特征。因此，本研究選取Sentine1-2遙感數據的B2、B3、B4、B5、B6、B7、B8、B8A、B11和B12波段光譜特征用于樹種識別。3）DEM數據，利用ArcGIS軟件對其重投影、重采樣、坡度、坡向分析和塞罕壩林場區域裁剪，提取高程（Elevation）、坡向（Aspect）和坡度（Slope）地形特征。為了便于后續塞罕壩林場的主要優勢樹種及非林地的分類識別，將Sentinel-1、Sentinel-2和DEM全部數據的空間分辨率均重采樣為統一像元大小20 m的柵格數據。塞罕壩林場提取的多源數據特征見表3。

1. 2. 2 地面調查數據

根據2020年完成的森林資源二類調查矢量數據（以下簡稱為二調數據），塞罕壩林場的華北落葉松（HBLYS）、白樺（BH）、樟子松（ZZS）、蒙古櫟（MGL）和云杉（YS）主要優勢樹種及非林地（FLD）在塞罕壩林場二類調查矢量數據的具體空間分布情況，如圖2所示。

根據圖2的塞罕壩林場主要優勢樹種及非林地的空間分布狀況，使用ArcGIS軟件采集主要優勢樹種及其非林地的分類識別樣本。為了獲取準確的分類識別樣本，通過Google Earth提供的高分辨率數據進行分類識別樣本相對位置的驗證，以確保分類識別樣本的數量和精度。塞罕壩林場的主要優勢樹種及其非林地分類識別樣本的空間分布，如圖3所示。

塞罕壩林場主要優勢樹種及非林地有效的分類識別樣本總計有7 278個。其中，華北落葉松樣本數最多為3 088個，云杉樣本數最少為263個。為保證樣本數的充足性，以樣點最多的華北落葉松為基準數，將其他類別的分類識別樣本進行袋內重復采樣至3 088個，使各樹種的分類識別樣本具有相似的權重。塞罕壩林場主要優勢樹種及非林地分類識別樣本的具體數量見表4。

2 研究方法

2. 1 主成分分析特征選擇

主成分分析算法（principal component analysis，PCA）是一種常用的特征降維算法，在實踐中廣泛地應用于遙感數據的特征優選［19］，尤其是高光譜、多光譜遙感數據。其中，多光譜遙感數據含多個波段，利用PCA算法，可以對其進行多維正交線性轉換，使原始重復冗余的數據生成新的組分不相關的數據，降低了數據的重復和冗余程度，因此PCA算法對遙感數據具有分離信息、減少相關、突出不同地物特征的作用。本研究使用PCA算法對多源數據特征（表3）進行特征優選。其中，PCA算法的具體計算為

Y = AX。（1）

式中：Y 為主成分變換后的遙感數據；A 為將X 轉換到Y 的變換矩陣；X 為主成分變換前的遙感數據。

2. 2 貝葉斯優化算法

常見的算法模型中超參數優化的方法有粒子群優化算法、遺傳優化算法和貝葉斯優化算法（Bayesian optimization algorithm，BO）等。其中，BO算法是一種以概率貝葉斯原理為基礎的全局優化算法，其在對一組超參數進行運算的同時，也考慮了先前的超參數集合，以此得到模型的最優超參數組合。BO算法相較于其他超參數優化算法，能夠在較短的迭代計算時間內獲得最優超參數組合［20］。貝葉斯定理公式為

式中：f為含超參數的黑箱函數；t為觀測集合總數；D1：t為已觀測點集合；xt為決策向量；yt為觀測值；εt為觀測誤差；P（D1：t| f）為y的似然函數分布；P（f）為目標函數f 的先驗函數分布；P（D1：t| f）為f 的邊際似然函數分布，用來優化可變參數；P（f | D1：t ）為f 的后驗函數分布，表示修正先驗函數分布后未知目標函數的置信度。此外，BO算法由先驗函數與采集函數2個重要部分組成［21］。本研究以高斯過程（Gaussian Process）先驗函數和改進概率函數采集函數提高樹種識別模型的泛化能力。BO算法的具體流程如圖4所示。

2. 3 卷積神經網絡

卷積神經網絡（convolutional neural network，CNN）是一種典型深度學習算法模型，具有多層網絡結構，在圖像識別領域得到廣泛的應用［22］。CNN模型包括特征提取和特征映射兩層主要結構，根據功能又可分為輸入層、卷積層、池化層、展平層、全連接層和輸出層［23］，如圖5所示。本研究CNN算法模型是2D CNN算法，其輸入層是獲取柵格數據特征并將圖像的像素值轉換成對應的像素二維矩陣，傳遞給卷積層；卷積層是利用卷積核對像素二維矩陣進行卷積操作，得到一個新的像素二維矩陣即特征圖像；池化層是對特征圖像進行特征掃描，將其最具代表性的特征提取出來，起到減少模型參數數量的同時，保留了原圖像的重要特征、有效防止過擬合；全連接層是將提取的所有像素二維矩陣特征圖進行“展平”處理，變為一維特征向量，為輸出層提供基礎數據；輸出層是將全連接層得到的一維向量經過線性或非線性的計算得到不同類別的識別概率，這概率一般是在每一種分類位置都會得到一個概率值，取最大的概率值，得到最終樹種的識別結果。

2. 4 PCA-BO-CNN樹種識別模型

PCA 特征優選下貝葉斯優化卷積神經網絡（PCA Bayesian optimization convolutional neural network，PCA-BO-CNN）是一種通過PCA算法對多源數據特征進行優選和BO 算法優化CNN 超參數的方法。本研究PCA-BO-CNN 樹種識別模型的具體流程：數據預處理即對Sentinel-1遙感數據、Sentinel-2遙感數據、DEM數據和二調數據進行預處理，得到多源數據的特征組合并進行歸一化與識別樣本數據的像元行列數相同；同時，將樹種識別樣本數據隨機劃分成70%的訓練集和30%的測試集，用于識別模型的訓練和精度評估；PCA算法對多源數據特征進行優選，BO算法在超參數搜索空間中迭代選擇配置超參數，并在訓練集上進行訓練。然后根據測試集的性能評估結果，更新模型的先驗知識，收斂到更好的模型超參數組合，完成塞罕壩林場優勢樹種的識別任務，如圖6所示。同時，與貝葉斯優化隨機森林算法（BO-RF）、貝葉斯優化人工神經網絡算法（BO-ANN）和經典的卷積神經網絡算法（AlexNet、GoogLeNet 和VGGNet）對比分析，以驗證PCA-BOCNN算法對樹種識別的準確性和魯棒性。

2. 5 樹種分類識別后精度評價

為了定量評估PCA-BO-CNN 等不同算法模型對樹種識別中的表現性能，本研究采用混淆矩陣法進行樹種識別精度的評價。其中，評價指標主要包括制圖精度（producer accuracy，PA，式中記為PA）、用戶精度（user accuracy，UA，式中記為UA）、總體精度（overall accuracy，OA）和Kappa 系數（Kappa）［24］。而在實際分類中，PA和UA又相互制衡，不能準確判斷分類的優劣，所以引入PA 和UA 的調和平均值（F1）評價分類效果［25］。其中，F1的計算公式為

式中：F1的取值范圍是［0，1］。

3 結果與分析

3. 1 多源數據特征優選及可分性分析

通過ArcGIS軟件波段組合工具將塞罕壩林場6月、8 月和10 月的Sigma0_VV_db、Sigma0_VH_db、B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12、Elevation、Aspect和Slope多源數據特征進行組合成一張柵格數據，如圖7（a）所示；通過ArcGIS 軟件多值提取至點的工具，按照華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優勢樹種及非林地分類識別樣本將6月、8月和10月多源數據特征的像元值提取至各分類識別樣本點，并經過歸一化處理后繪制優勢樹種及非林地的多源數據特征分布及標準差曲線，結果如圖7（b）和如圖7（c）所示。此外，通過PCA 算法，對塞罕壩林場6 月、8 月和10 月的多源數據特征進行特征優選處理（累積貢獻率達100%），如圖8 所示，并篩選出PCA1—PCA39 共計39個特征，結果如圖8（a）所示；同理，按照華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優勢樹種及非林地分類識別樣本將PCA算法處理后的多源數據特征的像元值提取至各主要優勢樹種及非林地的分類識別樣本點，并經過歸一化后繪制不同樹種的多源數據特征分布及標準差曲線，結果如圖8（b）和如圖8（c）所示。

根據圖7和圖8可知，相比PCA算法處理前6月、8 月和10 月多源數據特征，PCA 算法處理后6 月、8月和10月多源數據特征的PCA1—PCA39標準差明顯高于PCA算法處理前的多源數據特征的標準差，同時，PCA算法處理后多源數據特征的區分性相對較大。即塞罕壩林場的華北落葉松、白樺、樟子松、蒙古櫟和云杉優勢樹種及非林地能夠更好地通過PCA算法處理后6月、8月和10月多源數據的PCA1—PCA39進行主要優勢樹種及非林地的區分識別。因此，通過PCA算法處理多源數據特征有利于提升對華北落葉松、白樺、樟子松、蒙古櫟和云杉主優勢樹種及非林地的識別精度。

3. 2 多源數據特征樹種識別及精度分析

通過BO-RF、BO-ANN、BO-CNN、AlexNet、Goog-LeNet和VGGNet不同算法模型，對塞罕壩林場PCA處理前的多源數據特征進行華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優勢樹種及非林地的識別，不同算法模型對塞罕壩林場主要優勢樹種及非林地的識別結果，如圖9 所示。同時，通過Arc‐GIS 軟件創建隨機點工具隨機生成2 184 個隨機測試樣本點用于主要優勢樹種及非林地識別精度的評價。即隨機生成總分類識別樣本數的30%的隨機樣本，用于不同算法模型對塞罕壩林場PCA處理前多源數據特征主要優勢樹種及非林地的識別結果進行混淆矩陣的計算，并基于此混淆矩陣進行F1、OA 和Kappa 系數指標的計算，結果見表5。

根據圖9和表5可知，在經過PCA算法處理前6月、8月和10月多源數據特征進行華北落葉松、白樺、樟子松、蒙古櫟和云杉主要優勢樹種及非林地的識別中，BO-RF算法模型對塞罕壩林場主要優勢樹種及非林地的識別的OA精度相對較高，其次是AlexNet、BO-ANN、BO-CNN、VGGNet和GoogLeNet。

此外，通過BO-RF、BO-ANN、BO-CNN、AlexNet、GoogLeNet和VGGNet不同算法模型，對塞罕壩林場PCA算法處理后的多源數據特征PCA1—PCA39進行主要優勢樹種及非林地的識別，不同算法模型對塞罕壩林場主要優勢樹種及非林地的識別結果，如圖10所示。同樣，通過上述隨機生成的2 184個隨機測試樣本點用于PCA算法處理后多源數據特征主要優勢樹種及非林地的識別結果進行混淆矩陣的計算進而對F1、OA和Kappa系數指標的計算，結果見表6。

根據圖10和表6可知，相比經過PCA算法處理前6 月、8 月和10 月多源數據特征的BO-RF、BOANN、BO-CNN、AlexNet、GoogLeNet 和VGGNet 不同算法模型對塞罕壩林場主要優勢樹種及非林地識別的F1、OA和Kappa系數的精度，經過PCA算法處理后的多源組合數據的不同算法使主要優勢樹種及非林地識別的F1、OA和Kappa系數的精度得到了提升。此外，在經過PCA算法處理后多源數據特征的PCA1—PCA39樹種識別中，BO-CNN算法對塞罕壩林場主要優勢樹種及非林地的識別的OA精度相對較高，即PCA-BO-CNN 算法模型OA 精度相對較高，其次是AlexNet、BO-RF、GoogLeNet、VGGNet 和BO-ANN。

3. 3 多源數據特征PCA前后最優模型對比分析

通過將在PCA算法處理前多源數據特征的不同算法模型在塞罕壩林場主要優勢樹種及非林地識別中，精度最高的BO-RF算法模型以及將在PCA算法處理后多源數據特征PCA1—PCA39的不同算法模型對塞罕壩林場主要優勢樹種及非林地識別中，精度最高的BO-CNN 算法模型（PCA-BO-CNN）的F1、OA和Kappa系數的精度繪制成圖，結果如圖11所示。

根據圖11可知，相比在經過PCA算法處理前多源數據特征的BO-RF算法模型對塞罕壩林場主要優勢樹種及非林地的識別精度，經過PCA算法處理后多源數據PCA1—PCA39的PCA-BO-CNN 算法模型對塞罕壩林場主要優勢樹種及非林地的識別的F1、OA和Kappa系數的整體精度相對較高。具體，相比BO-RF算法模型PCA-BO-CNN算法模型的OA提升了1. 24%，且相比PCA 算法處理前PCA-BOCNN算法模型OA提升了3. 71%。

4 結論與討論

基于Sentinel-1 遙感數據、Sentinel-2 遙感數據和DEM數據的共計有45個多源數據特征以及二調數據的主要優勢樹種分類識別樣本特征，通過使用BO-RF、BO-ANN、BO-CNN、AlexNet、GoogLeNet 和VGGNet不同算法模型對PCA算法處理前后的多源數據特征進行主要優勢樹種的識別及精度評價，以此驗證PCA-BO-CNN 算法模型對主要優勢樹種識別的準確性和魯棒性。主要結論：1）相比PCA算法處理前，PCA 算法處理后多源數據特征的PCA1—PCA39的標準差和特征間的區分性明顯提升。因此，通過PCA算法處理多源數據特征有利于提升對華北落葉松、白樺、樟子松、蒙古櫟和云杉主優勢樹種及非林地的識別精度；2）在PCA算法處理前，BO-RF算法模型對主要優勢樹種及非林地識別的OA和Kappa系數精度相對較高，分別為81. 87%，0. 754 5。在PCA算法處理后，PCA-BO-CNN算法模型對主要優勢樹種及非林地識別的OA和Kappa系數精度相對較高，分別為83. 10%，0. 770 3；3）相比PCA算法處理前的BO-RF算法模型，經過PCA算法處理后的PCA-BO-CNN算法模型對塞罕壩林場主要優勢樹種及非林地識別的F1、OA和Kappa系數的整體精度相對較高。具體，相比BO-RF算法模型PCA-BO-CNN算法模型的OA提升了1. 24%，且相比PCA算法處理前PCA-BO-CNN算法模型OA提升了3. 71%。

塞罕壩林場是非常典型的人工林區域之一［26］，在一定程度上加強了PCA-BO-CNN 算法模型的泛化能力和實用性，但本研究在進行泛化能力驗證時，受客觀條件限制，只選取了Sentinel系列數據和DEM數據，可能不夠充分，為此可以再選取其他不同人工林研究區、不同分辨率、不同時相的遙感數據，進行豐富的泛化能力測試驗證試驗。此外，訓練數據集存在樣本不平衡的情況，樣本不平衡會使得PCA-BO-CNN算法模型偏向樣本較多的類別，導致模型對于樣本較少的類別分類精度不高，日后可以嘗試一些其他方式，如遷移學習，以期在新的遙感數據中獲得更佳的人工林樹種識別效果。此外，可以探索將PCA-BO-CNN 算法模型應用于其他領域，如森林健康監測、樹木生長狀況評估等諸多方面的研究應用。

【參 考 文 獻】

［1］ 馬學威，熊康寧，張俞，等. 森林生態系統碳儲量研究進展與展望［J］. 西北林學院學報，2019，34（5）：62-72.

MA X W，XIONG K N，ZHANG Y，et al. Research progressesand prospects of carbon storage in forest ecosystems［J］. Journal of Northwest Forestry University，2019，34（5）：62-72.

［2］ 張穎，孟娜，姜逸菲. 中國森林碳匯與林業經濟發展耦合及長期變化特征分析［J］. 北京林業大學學報，2022，44（10）：129-141.

ZHANG Y，MENG N，JIANG Y F. Coupling and long-termchange characteristics analysis of forest carbon sequestrationand forestry economic development in China［J］. Journalof Beijing Forestry University，2022，44（10）：129-141.

［3］ ZHANG D N，ZHAO Y H，WU J S. Assessment of carbonbalance attribution and carbon storage potential in China′sterrestrial ecosystem［J］. Resources，Conservation and Recycling，2023，189（2）：106748.

［4］ 梅夢媛，雷一東. 我國人工林新時代發展形勢分析［J］.世界林業研究，2019，32（3）：73-77.

MEI M Y，LEI Y D. Analysis on development trend ofChina′s plantation in new era［J］. World Forestry Research，2019，32（3）：73-77.

［5］ 劉曉曼，王超，高吉喜，等. 服務雙碳目標的中國人工林生態系統碳增匯途徑［J］. 生態學報，2023，43（14）：5662-5673.

LIU X M，WANG C，GAO J X，et al. Approaches to carbonsequestration enhancement in China′s plantation ecosystemfor carbon peaking and carbon neutrality goals［J］.Acta Ecologica Sinica，2023，43（14）：5662-5673.

［6］ 涂宏濤，周紅斌，馬國強，等. 基于第九次森林資源清查的云南森林碳儲量特征研究［J］. 西北林學院學報，2023，38（3）：185-193.

TU H T，ZHOU H B，MA G Q，et al. Characteristics of forestcarbon storage in Yunnan based on the ninth forest inventorydata［J］. Journal of Northwest Forestry University，2023，38（3）：185-193.

［7］ 陳永富，陳巧，劉華. 基于遙感圖像的林況因子提取研究進展［J］. 世界林業研究，2022，35（2）：53-58.

CHEN Y F，CHEN Q，LIU H. Research progress in forestcondition factors extraction based on remote sensing images［J］. World Forestry Research，2022，35（2）：53-58.

［8］ 李華玉，陳永富，陳巧，等. 基于遙感技術的森林樹種識別研究進展［J］. 西北林學院學報，2021，36（6）：220-229.

LI H Y，CHEN Y F，CHEN Q，et al. Research progress offorest tree species identification based on remote sensingtechnology［J］. Journal of Northwest Forestry University，2021，36（6）：220-229.

［9］ 江濤，王新杰. 基于卷積神經網絡的高分二號影像林分類型分類［J］. 北京林業大學學報，2019，41（9）：20-29.

JIANG T，WANG X J. Convolutional neural network forGF-2 image stand type classification［J］. Journal of BeijingForestry University，2019，41（9）：20-29.

［10］ 劉嘉政，王雪峰，王甜. 基于多特征融合和CNN模型的樹種圖像識別研究［J］. 北京林業大學學報，2019，41（11）：76-86.

LIU J Z，WANG X F，WANG T. Image recognition of treespecies based on multi feature fusion and CNN model［J］.Journal of Beijing Forestry University，2019，41（11）：76-86.

［11］ 周維勛. 基于深度學習特征的遙感影像檢索研究［J］.測繪學報，2023，52（1）：167-179.

ZHOU W X. Research on remote sensing image retrievalbased on deep learning features［J］. Acta Geodaetica etCartographica Sinica，2023，52（1）：167-179.

［12］ 李紅宇，黃志鵬，張廣玲，等. 動態權重證據推理規則的CNN 超參數質量評估［J］. 小型微型計算機系統，2021，42（5）：1015-1021.

LI H Y，HUANG Z P，ZHANG G L，et al. Quality assessmentof CNN hyper-parameters based on dynamic weightevidential reasoning rule［J］. Journal of Chinese ComputerSystems，2021，42（5）：1015-1021.

［13］ 崔佳旭，楊博. 貝葉斯優化方法和應用綜述［J］. 軟件學報，2018，29（10）：3068-3090.

CUI J X，YANG B. Survey on Bayesian optimization methodologyand applications［J］. Journal of Software，2018，29（10）：3068-3090.

［14］ 鄧帥. 基于改進貝葉斯優化算法的CNN超參數優化方法［J］. 計算機應用研究，2019，36（7）：1984-1987.

DENG S. Hyper-parameter optimization of CNN based onimproved Bayesian optimization algorithm［J］. ApplicationResearch of Computers，2019，36（7）：1984-1987.

［15］ 常偉強. 塞罕壩機械林場森林資源動態變化分析［J］.林業資源管理，2018，1（6）：13-17.

CHANG W Q. Analysis on dynamic changes of the forestresources in Saihanba Mechanized Forest Farm［J］. ForestResources Management，2018，1（6）：13-17.

［16］ TORRES R，SNOEIJ P，GEUDTNER D，et al. GMES Sentinel-1 mission［J］. Remote Sensing of Environment，2012，120（5）：9-24.

［17］ DRUSCH M，DEL BELLO U，CARLIER S，et al. Sentinel-2： ESA′s optical high-resolution mission for GMES operationalservices［J］. Remote Sensing of Environment，2012，120（5）：25-36.

［18］ SU W，ZHANG M Z，JIANG K P，et al. Atmospheric correctionmethod for Sentinel-2 satellite imagery［J］. ActaOptica Sinica，2018，38（1）：0128001.

［19］ BARSHAN E，GHODSI A，AZIMIFAR Z，et al. Supervisedprincipal component analysis： Visualization，classificationand regression on subspaces and submanifolds［J］. Pattern Recognition，2011，44（7）：1357-1371.

［20］ 周旭，王認卓，代亞勛，等. 基于BO-XGBoost的煤自燃分級預警研究［J］. 煤炭工程，2022，54（8）：108-114.

ZHOU X，WANG R Z，DAI Y X，et al. Classified earlywarning of coal spontaneous combustion based on BO-XGBoost［J］. Coal Engineering，2022，54（8）：108-114.

［21］ 王媛彬，李媛媛，韓騫，等. 基于PCA-BO-XGBoost的礦井回采工作面瓦斯涌出量預測［J］. 西安科技大學學報，2022，42（2）：371-379.

WANG Y B，LI Y Y，HAN Q，et al. Gas emission predictionof the stope in coal mine based on PCA-BO-XGBoost［J］. Journal of Xi′an University of Science and Technology，2022，42（2）：371-379.

［22］ 范迎迎，張姍姍. 基于深度主動學習的高光譜遙感圖像分類方法［J］. 東北師大學報（自然科學版），2022，54（4）：64-70.

FAN Y Y，ZHANG S S. Hyperspectral remote sensingimage classification method based on deep active learning［J］. Journal of Northeast Normal University （Natural ScienceEdition），2022，54（4）：64-70.

［23］ 胡越，羅東陽，花奎，等. 關于深度學習的綜述與討論［J］. 智能系統學報，2019，14（1）：1-19.

HU Y，LUO D Y，HUA K，et al. Overview on deep learning［J］. CAAI Transactions on Intelligent Systems，2019，14（1）：1-19.

［24］ 張開放，蘇華友，竇勇. 一種基于混淆矩陣的多分類任務準確率評估新方法［J］. 計算機工程與科學，2021，43（11）：1910-1919.

ZHANG K F，SU H Y，DOU Y. A new multi-classificationtask accuracy evaluation method based on confusionmatrix［J］. Computer Engineering amp; Science，2021，43（11）：1910-1919.

［25］ 劉靈，張加龍，韓雪蓮，等. 基于GEE和Sentinel時序影像的優勢樹種識別研究［J］. 森林工程，2023，39（1）：63-72.

LIU L，ZHANG J L，HAN X L，et al. Dominant speciesclassification based on Google Earth Engine and Sentineltime-series data［J］. Forest Engineering，2023，39（1）：63-72.

［26］ 李斌，李崇貴，李煜. 基于Sentinel-2數據的塞罕壩機械林場落葉松人工林提取［J］. 林業資源管理，2021，1（2）：117-123.

LI B，LI C G，LI Y. Research on larch extraction in SaihanbaMechanical Forest Farm based on Sentinel-2 data［J］. Forest Resource Management，2021，1（2）：117-123.

基金項目：中央引導地方科技發展資金項目（246Z5901G）；河北省自然科學基金青年基金（D2019209322；2019209317）；唐山市科技局應用基礎研究計劃（20130202b）；華北理工大學博士專項經費（BS201818）。