融合哨兵2号时序特征与连续变化检测分类算法的优势树种识别

Integration of Sentinel-2 Temporal Features and Continuous Change Detection Classification Algorithm for Dominant Tree Species Identification

摘要

优势树种识别是林业资源调查的重要组成部分，提高优势树种识别精度对开展森林资源调查和相关研究具有重要现实意义。采用GEE (Google Earth Engine)云平台获取霍东矿区2023年1～12月哨兵2号（Sentinel-2）时间序列影像，基于连续变化检测分类算法（continuous change detection and classification,CCDC）算法及归一化退化指数（normalized difference fraction index,NDFI）构建树种的年内生长轨迹特征，提出一种结合树种“轨迹特征+光谱特征+纹理特征”的长时序遥感影像的优势树种分层识别方法，通过设置对照组“光谱特征+纹理特征”，运用分层分类和随机森林分类算法对霍东矿区油松、辽东栎、白桦、华北落叶松、侧柏、山杨、其他杨树7种优势树种进行识别。结果表明，1）通过NDFI指数可以很好地将落叶林和常绿林区分开来；2）基于“轨迹特征+光谱特征+纹理特征”的优势树种识别效果较好，总体精度可达79.6%,Kappa系数为0.742，比对照组的总体精度高出7.3%。

关键词

优势树种识别 / GEE / 时序轨迹特征 / 归一化退化指数 / CCDC算法 / 时间谐波分析

Key words

Dominant tree species identification / GEE / temporal trajectory features / normalized disturbance index / CCDC algorithm / time series harmonic analysis

0 引言

树种信息在森林资源动态监测、生物多样性评估以及森林生物量和碳储量估算中发挥着至关重要的作用^[1]。但如何克服不同树种间的“同物异谱”“异物同谱”现象，快速、准确地获取森林优势树种信息和空间分布是亟待解决的热点问题^[2-3]。传统的树种调查以人工实地调查为主，辅以简单的测量和记录工具，这种方法不仅耗时耗力且无法及时有效地更新森林资源信息。而遥感技术能够在较短的时间内获取大范围、多种类型的地表信息，为准确而高效的植被分类和优势树种识别提供技术支持^[4-7]。已有研究表明综合运用光谱特征、纹理特征和时间特征能有效提高优势树种识别精度^[8-10]。

光谱特征主要指影像的波段光谱特征及植被指数。不同植被因结构特征、色素含量和含水量等不同造成光谱曲线差异^[11-12]，梁爽等^[13]研究了不同植被在不同季节的平均地表反射率，结果表明不同波段特征对植被提取的贡献度不同。植被指数反映植被的生长状况和生物量，目前在植被分类、优势树种识别中应用最为广泛的植被指数是：归一化植被指数（normalized difference vegetation index，NDVI）^[14-16]，但NDVI在低植被密度区域，例如落叶时期可能受到阴影和土壤背景的影响^[17]，而归一化退化指数（normalized difference fraction index，NDFI）^[18]充分顾及森林冠层阴影分量和土壤分量，恰好有效弥补NDVI对非植被区域敏感的问题。由于不同植被间的影像光谱特征存在一定程度的相似性，仅利用光谱特征往往无法很好地实现目标识别，因此在信息提取的过程中通过引入纹理特征增强影像识别的可靠性。帅爽等^[19]通过加入纹理特征发现目标树种与背景地物、其他类型植被混分的现象得到了缓解，优势树种识别精度得到提升。但特征输入过多会导致植被分类的过程产生斯效应（Hughes phenomenon），从而影响图像分类精度，通过特征优选降低特征空间维数可以提高分类精度及效率。廖超明等^[20]通过特征优选将特征维数由33个降低至23个，分类精度达到了最高，同时降低了模型复杂度，提高了运算效率。

由于不同植被类型的生长过程存在一定差异，且可通过植被指数得以体现，因此通过构建时间序列植被指数进行信息提取成为遥感研究的重要方向^[21-23]。Pu等^[24]基于5个不同时期的高分辨率图像探究多季相特征对于增强城市树种的可分离性的潜力，结果表明多季节特征的综合使用可有效提高优势树种识别精度；刘灵等^[25]基于Sentinel-1和Sentinel-2时间序列影像构建植被的NDVI和增强型植被指数（enhanced vegetation index，EVI）时序特征，采用2种分类算法相结合的方式实现对研究区4种优势树种进行精细识别。上述基于时序遥感影像进行优势树种识别的研究所使用的特征多为一个或多个单一静态时间节点的遥感指数，忽略了树种时序生长轨迹光谱信息的整体动态变化特征，而徐凯健等^[26]通过探究设置不同时间尺度，探究连续时间长度对有效获取林分树种不同物候期生长特性及其冠层光谱动态信息的差异性，研究结果表明更密集的树种时序生长轨迹光谱信息有利于提高优势树种识别的精度。

现有研究表明，充分考虑植被生长过程的多特征结合的优势树种识别方法能在一定程度上提高优势树种识别的精度，“轨迹特征”通过分析植被指数在密集时间序列中的变化轨迹，能够更全面地反映植物生长的物候特性，进而提升对不同树种的识别能力。本研究以山西省霍东矿区为例，通过GEE（google earth engine）平台获取研究区2023年1~12月所有可用原始哨兵2号（Sentinel-2）地表反射率影像数据，提出一种结合“轨迹特征＋光谱特征＋纹理特征”的长时序遥感影像的优势树种识别方法，并设置对照组（“光谱特征＋纹理特征”），采用分层分类和随机森林的方法进行优势树种识别，同时根据精度评价结果，验证时序轨迹特征对优势树种识别的有效性，以期为基于长时序遥感影像进行森林优势树种信息提取提供方法参考。

1 研究区和数据

1.1 研究区概况

霍东矿区（35°58'~36°54'E，111°47'~112°24'N）位于山西省中南部的沁水煤田西缘，地处南北交界地带，属暖温带大陆季风性气候，雨量适中且光照充足，适宜植物生长，林地面积为3 791.38 km²，占矿区总面积的65.37%。其中常绿林的优势种以油松、白皮松、侧柏为主；落叶林以栎类为主，其中辽东栎在研究区内分布最广。研究区位置及实测样本点分布，如图1所示。

1.2 数据及预处理

通过GEE（https：//code.earthengine.google.com/）平台获取霍东矿区2023年1~12月共计84景原始Sentinel-2地表反射率影像数据，空间分辨率为10 m，时间分辨率为5 d，处理级别为Collection 2 Level-2，产品已经过几何校正、辐射校正和大气校正等基本预处理，并按照研究区范围对影像裁剪（clip算法）。

样本数据源于已有森林清查数据和实地调查数据，实地调查分为2022年8月和2023年4、7月3次进行，采集30 m×30 m的样地共计138块，根据研究区树种分布状况，结合目视解译，将霍东矿区优势树种分为7类（侧柏（Platycladus orientalis）、辽东栎（Quercus wutaishanica）、白桦（Betula platyphylla）、油松（Pinus tabuliformis）、华北落叶松（Larix principis-rupprechtii）、山杨（Populus davidiana）以及其他杨树（Populus spp.），其中，70%用于训练样本，30%用于精度验证，本研究野外调查情况见表1。

2 研究方法

本研究以霍东矿区的7种优势树种为研究目标，首先基于GEE平台计算树种的归一化退化指数（normalized difference fraction index，NDFI）的年内变化趋势，并采用时间序列谐波分析法（harmonic analysis of time series，HATS）重构NDFI时序轨迹曲线，消除异常值，获得连续数据；然后基于NDFI指数年内变化趋势构建树种轨迹特征，并与光谱特征、纹理特征结合进行树种的分层提取，具体技术路线如图2所示。图2中：Mean为均值；Mode为众数；Quantile为分位数；Standard deviation为标准差；GLCM Homogeneity为同质性；GLCM Contrast为对比度；GLDV Entropy为熵；GLDV Mean为灰度差分向量均值；CCDC（continuous change detection ang classification）为连续变化检测和分类算法；INTP（intercept，截距）和SLP（slope，斜率）是用于拟合时间序列模型的线性回归参数；COS和SIN是表示曲线年内变化系数；COS2和SIN2是表示曲线年内双峰变化系数；COS3和SIN3是表示曲线年内三峰变化系数。

2.1 归一化退化指数

基于GEE平台计算树种的NDFI生长曲线，NDFI^[18]（式中记为N _DFI）用来表示植被的退化和健康状况，在研究中用于区分落叶林与常绿林，其计算公式为

N_{\mathrm{D}\mathrm{F}\mathrm{I}} = \frac{G_{\mathrm{V}\mathrm{s}\mathrm{h}\mathrm{a}\mathrm{d}\mathrm{e}}-\left(N_{\mathrm{P}\mathrm{V}}+S_{\mathrm{o}\mathrm{i}\mathrm{l}}\right)}{G_{\mathrm{V}\mathrm{s}\mathrm{h}\mathrm{a}\mathrm{d}\mathrm{e}}+\left(N_{\mathrm{P}\mathrm{V}}+S\mathrm{o}\mathrm{i}\mathrm{l}\right)}。（1）

G_{\mathrm{V}\mathrm{s}\mathrm{h}\mathrm{a}\mathrm{d}\mathrm{e}} = \frac{G_{\mathrm{V}}}{\mathrm{1}-S_{\mathrm{h}\mathrm{a}\mathrm{d}\mathrm{e}}}。（2）

式中：G _Vshade为阴影部分时总植被指数的影响；G _V为绿色植被分量，表示可进行光合作用的植被比例；S _hade为阴影分量，表示森林冠层阴影分量；N _PV为非光合植被分量，表示不能进行光合作用的植被或衰老植被的比例；S _oil为土壤分量。NDFI指数的取值范围为-1到1，植被茂盛时NDFI值接近于1，植被落叶或受到扰动时NDFI值随之降低，当森林完全消失NDFI值接近于-1。

2.2 时间谐波分析法

传感器获取遥感数据的过程容易受到云、气溶胶、太阳高度角和地物双向性反射等一系列不良因素的影响，导致遥感器获取的遥感数据中包含了一定量的噪声数据，使得计算得出的树种NDFI原始值曲线粗糙、不平滑、不连续，且存在突然下降或增长的异常值^[27]。时间序列谐波分析法能够准确描述时间序列数据的变化规律，是进行定量监测植被生长过程动态变化的分析方法。谐波分析通过得到每一个像元对应地表NDFI随时间变化的离散波信号，基于最小二乘方法的迭代拟合剔除原始数据中受云污染影响较大和偏离阈值最大点，借助傅里叶变换将时间域的波形变化到频率域实现曲线的分解和重构，用一系列正弦波来表示NDFI波动^[28-29]。其计算公式为

y_i = A_{\mathrm{0}} + {\sum }_{j=\mathrm{1}}^m A_j\mathrm{s}\mathrm{i}\mathrm{n}\left({\omega }_{j}i-{\theta }_j\right)。（3）

式中：y_i 为第i个时间点的NDFI拟合值； A_{\mathrm{0}}是谐波余项； A_j是谐波振幅； {\omega }_j是谐波频率；i是y的时间标记；N是时间序列长度； {\theta }_j是谐波初相位；m是谐波个数；j是谐波标记。

2.3 CCDC算法分类特征

为探究不同树种生长轨迹的动态变化特征，本研究利用CCDC算法^[30]构建不同树种在年内生长过程的监测模型，获取不同树种的年内动态过程。CCDC算法使用稳健的递归迭代重加权最小二乘法（recursive IRLS，RIRLS）以迭代方式将时序影像观测值拟合到不同树种动态时间序列模型中，通过识别时间序列预测模型中的断点和变化趋势，监测树种的落叶及返青变绿的物候过程，对谐波项和趋势项（即斜率）进行分析，可以精细提取不同树种变化的时间、频率、幅度以及随时间变化的趋势^[31]。其计算公式为

\widehat{\rho } \left(i,x\right) = a_{\mathrm{0},i} + {\sum }_{k=\mathrm{1}}^n \left(a_{k,i}\mathrm{c}\mathrm{o}\mathrm{s}\left(\frac{\mathrm{2}k\mathrm{\pi }}{T}x\right)+b_{k,i}\mathrm{s}\mathrm{i}\mathrm{n}\left(\frac{\mathrm{2}k\mathrm{\pi }}{T}x\right)\right)+c_{\mathrm{1},i}x。（4）

式中， \widehat{\rho } \left(i,x\right)为拟合的儒略日日期x的第i个波段的预测值；i为第i个波段；T为每年的天数； a_{\mathrm{0},i}为第i个波段反射率的总体值； a_{k,i} 、 b_{k,i}为波段i反射率的年内变化项的系数； c_{\mathrm{1},i}为波段i反射率的年内变化项的系数（即斜率）。

本研究通过分析CCDC时间序列模型中不同树种NDFI指数的INTP、SLP、COS、SIN、COS2、SIN2、COS3、SIN3共计8个轨迹特征揭示不同树种的时序变化趋势、特征和周期性变化，各参数意义如下。

INTP：截距是线性回归模型中的参数，表示在时间序列模型中的初始状态或基准状态，反映了时间序列的起始值或基准值。

SLP：斜率是线性回归模型中的参数，表示时间序列随时间变化的速率或趋势，反映了时间序列的变化趋势或增长速度。

COS、SIN、COS2、SIN2、COS3、SIN3：这些参数用于描述时间序列模型的周期性变化。

2.4 多尺度分割

不同于传统的基于像元的分类方法，面向对象的分类方法通过尺度分割处理获取影像处理对象。分层提取树种信息需要充分考虑分类目标的形状、分布状况和覆盖面积大小等情况，研究结果表明，分割尺度为150，形状因子、紧致度分别为0.5和0.8是第1层分割的最优参数值。通过第1层分割分别得到研究区内常绿林和落叶林的范围，在此基础上进行第2层的分割，形状因子和紧致度保持不变。常绿林树种研究区内分布相对分散，因此设置较小分割尺度（60）可以将零星分布的常绿树种分割出来，而落叶林树种类型在研究区较为丰富，以大片的辽东栎林为主，通过试验发现在80分割尺度下可以很好地将落叶树种分割出来。具体分割参数见表2。

2.5 特征优选

优势树种的精确识别依赖于多特征的综合使用，除去上述8个轨迹特征，本研究还针对84景Sentinel-2时间序列数据的B1~B5波段选取了Mean、Mode、Quantile、Standard deviation、Max.dff共计5个光谱特征；GLCM Homogeneity、GLCM Contrast、GLDV Entropy、GLDV Mean，共计4个纹理特征共同参与优势树种识别。为避免特征量过多造成数据冗余，根据eCognition9.0提供的特征空间优化工具（feature space optimization），选择最适合霍东矿区优势树种识别的特征组合。表3中Dimension表示的是最优特征组合的特征数量，Best Separation Distance为样本之间的最优分隔距离，本研究在13维空间特征下树种间的分离度最好，所选的光谱、纹理特征重要性排序见表3，其中，GLCM Contrast Layer 2表示B2波段通过灰度共生矩阵计算得到的纹理对比度值；GLDV Entropy Layer 1表示通过灰度差异向量计算得到的纹理熵值；Standard Deviation Layer 6表示B6波段的标准差；Max.diff（maximum difference）为最大差异值。

2.6 随机森林分类

随机森林是一个包含多个决策树的分类器，首先通过对输入数据建立随机向量，然后通过随机向量建立多决策树，最后形成组合决策树，该过程可以快速处理大量输入变量，同时平衡误差，在遥感分类方面得到广泛应用^[32-33]。

已有研究发现当决策树的数量为80以上时分类效果较好，因此本研究设置决策树起始数量为80，设置终止数量为200，以10为步长执行循环迭代，研究结果表明，110棵时分类精度达到最大值，因此决策树最优值设置为110棵，其他参数均为默认值。

2.7 精度验证

精度验证可分别从总体精度（overall accuracy，OA，式中记为O _A）和kappa系数（kappa coefficient，式中记为k _appa）、用户精度（user′s accuracy，UA，式中记为U _A）和生产者精度（producer′s accuracy，PA，式中记为P _A）对优势树种识别结果进行评价。各参数计算公式为

O_{\mathrm{A}} = \frac{{\sum }_{i=\mathrm{1}}^n{h}_i}{N}。（5）

k_{\mathrm{a}\mathrm{p}\mathrm{p}\mathrm{a}} = \frac{N\times {\sum }_{i=\mathrm{1}}^n{h}_i{\sum }_{i=\mathrm{1}}^n-{\sum }_{i=\mathrm{1}}^n\left(T_i\times X_i\right)}{N^{\mathrm{2}}-{\sum }_{i=\mathrm{1}}^n\left(T_i\times X_i\right)}。（6）

P_{\mathrm{A}} = \frac{h_i}{X_i}。（7）

U_{\mathrm{A}} = \frac{h_i}{T_i}。（8）

式中： h_i为第i类的分类正确样本数； X_i为第i类的分类像元总数； T_i为第i类的真实像元总数；N为分类像元总数。

3 结果与分析

3.1 优势树种NDFI年内变化趋势分析

通过分析常绿林、落叶林优势树种的NDFI年内变化趋势（图3）可以发现，常绿林和落叶林优势树种在年内呈现明显不同的变化形态。常绿林优势树种的特点是没有明显的落叶休眠期，绿色程度和光合活跃度都比落叶树种更强，因此NDFI值整体比落叶林优势树种更高且在年内均为正值，而落叶林优势树种的NDFI存在明显的季节性波动，其在初始阶段（1~109 d）处于一个较低水平，后呈现出先升高（110~300 d）再降低（300~358 d）的特征，2个低值阶段是落叶林优势树种在落叶时期的光合作用能力较差，落叶的原因使得树木冠层阴影分量降低，从而导致NDFI值较低均为负值，这与树木落叶和发新叶的生物节律相匹配。因此，通过NDFI时序年内变化趋势的差异可以很好地将落叶林和常绿林区分开来。

3.2 优势树种年内时序轨迹特征差异分析

3.2.1 常绿林

常绿林优势树种的NDFI值较为稳定，没有明显的大幅波动，表现出较平缓的变化趋势，这反映了常绿林树种生理特性的稳定性，但仍存在一定的季节性波动，反映了常绿树种对环境变化的响应。油松和侧柏虽同为常绿树种，但在COS特征上呈现出明显的差异，油松的COS特征在年内先为正值后为负值；而侧柏在全年均为负值，且与油松的COS值差异显著，这为区分这2种常绿树种提供了有效的轨迹特征依据，如图4所示。

3.2.2 落叶林

不同落叶树种的生长高峰时间、变化趋势都存在一定差异，通过分析不同落叶林优势树种时序轨迹特征（图5）可以发现，在COS2特征上各树种的年内值均为正值，但其中山杨的COS2值远大于其他落叶林树种，表明该特征可作为区分山杨与其他落叶林树种的显著轨迹特征；除山杨外其余4种落叶林树种在COS3上呈现不同变化特征，其中辽东栎与其他杨树均为正值，但两者数值接近；而华北落叶松与白桦则均为负值，且两者数值差距较大，因此将COS3作为区分白桦与其他树种的轨迹特征；按照逐层提取的思想，通过研究发现，其他杨树、华北落叶松与辽东栎在年内的SLP特征上存在显著差异，华北落叶松为明显的负值，其余2个树种均为正值，可利用该特征区分华北落叶松与其他落叶林树种；其他杨树与辽东栎在其他轨迹特征上均差异不显著，仅在SIN3特征上存在一定差异，考虑将SIN3作为增强辽东栎与其他杨树可分离度的轨迹特征。

3.3 特征优选结果

通过特征优选本研究选取光谱和纹理特征量13个，逐层提取分析各优势树种时序轨迹特征的差异，并结合光谱特征和纹理特征的优选结果，针对霍东矿区的优势树种，总结出以下树种分类特征，见表4。

3.4 优势树种识别结果

通过分析表5和图6可知，本研究通过构建“轨迹特征＋光谱纹理＋纹理特征”分类特征对霍东矿区进行优势树种识别获得了较好的分类精度，总体分类精度达到79.6%，比仅利用“光谱特征＋纹理特征”总体精度高出7.3%。油松和侧柏是研究区主要的常绿林优势树种，树种间光谱和纹理特征差异较小，但由于二者的时序轨迹特征差异显著，因此在引入COS特征后均获得了较好的识别精度，比仅利用“光谱特征＋纹理特征”特征时精度分别提高了11.6%和7.1%，其中油松的生产者精度达到82.7%，从优势树种识别结果图来看油松多集中分布在太岳山，在其他地区也有零星分布；落叶林优势树种中白桦和山杨的识别精度最高，白桦的分类精度达到了84.1%，比对照组精度提升了8.6%，这与白桦具有明显的COS3、SIN2特征有关；识别精度最低的树种是其他杨树，由于其他杨树包含多种树种类型，光谱和纹理特征与其他落叶林树种相似高，且轨迹特征不明显，因此在引入轨迹特征后精度提升不明显，仍存在较为明显的错分、漏分现象。

4 讨论

本研究通过加入时序轨迹特征提高优势树种的识别精度，克服树种间的“异物同谱”现象，这与湿地植被分类、农作物信息提取方面的研究结论一致^[34-36]。树种的轨迹特征可以更好地捕捉不同树种生长过程的物候特征差异，特别是对于常绿树种的识别。油松和侧柏全年保持绿色且在树冠形态上具有相似性，NDFI指数呈现较为相似的变化趋势，但通过对油松和侧柏的NDFI指数谐波项和趋势项进行定量分析可以发现2种树种在COS、INTP、SLP特征上差异显著，通过引入轨迹特征可显著增强两常绿树种间的可分离性。本研究提出的轨迹特征对增强落叶林树种间的可分离性同样有效，特别是对山杨、白桦和华北落叶松，在引入轨迹特征后精度提升均超过8%。

森林植被类型多样性以及遥感影像受地形等因素的影响，导致提取树种信息更加困难。本研究提出的结合树种“轨迹特征+光谱特征+纹理特征”的长时序遥感影像的优势树种分层识别方法能有效提取树种信息，但仍存在的部分错分和误分现象，原因如下。

1）结合面向对象与特征选择的分类方法受影像分割尺度与特征选择的影响较大，研究区内辽东栎和其他杨树生长邻近或交错，特征相似度较高，分割产生的混合像元较多导致分类精度的降低。此外由于不同其他杨树树种间的光谱相似度较高，因此误分现象较为严重。

2）较大区域的森林优势树种识别精度往往会受到样本集的影响。在本研究中华北落叶松的样本相对其他树种类型较少，且存在分布不均匀的情况，今后可以完善训练样本采集。此外，不同树种间“同物异谱，异物同谱”的现象十分常见，仅依靠遥感影像来进行优势树种识别的方法也会有很大的局限性，地形、气象等辅助信息的加入可以提高优势树种识别的精度。

5 结论

本研究基于GEE平台获取霍东矿区2023年Sentinel-2影像数据，采用时间谐波分析法重构落叶林、常绿林树种年内NDFI指数，基于NDFI指数的年内变化趋势采用CCDC算法构建优势树种识别的轨迹特征，并设置对照组验证树种轨迹特征对优势树种识别的有效性。本研究的结论如下。

1）NDFI指数可以有效指示落叶林和常绿林优势树种在年内呈现的明显不同的变化形态，通过NDFI指数可以很好地将落叶林和常绿林区分开来。

2）利用树种的时序轨迹特征差异可以有效增强树种间的可分离度，本研究提出的“轨迹特征+光谱特征+纹理特征”总体精度达到了79.6%，Kappa系数为0.742，比仅利用“光谱特征＋纹理特征”总体精度高出7.3%，轨迹特征差异显著的树种（油松、侧柏、白桦）在引入轨迹特征后优势树种识别精度提升均在7%以上，说明利用树种的时序轨迹特征可以有效提取优势树种信息，在较大区域的树种信息提取上具有很大潜力。

参考文献

[1] 万杰，汪长城，朱建军，层析SAR三维成像方法与森林参数反演研究进展[J].遥感学报，2024，28（3）：576-590.

[2] WAN J， WANG C C， ZHU J J.Research progress on tomographic SAR three-dimensional imaging methods and forest parameter inversion[J].National Remote Sensing Bulletin，2024，28（3）：576-590.

[3] 梁锦涛，陈超，孙伟伟，长时序Landsat和GEE云平台的杭州湾土地利用/覆被变化时空格局演变[J].遥感学报，2023，27（6）：1480-1495.

[4] LIANG J T， CHEN C， SUN W W，et al.Spatio-temporal land use/cover change dynamics in Hangzhou Bay，China，using long-term Landsat time series and GEE platform[J].National Remote Sensing Bulletin，2023，27（6）：1480-1495.

[5] 王璐，范文义.基于高光谱遥感数据的森林优势树种组识别[J].东北林业大学学报，2015，43（5）：134-137.

[6] WANG L， FAN W Y.Hyperspectral remote sensing data for identifying dominant forest tree species group[J].Journal of Northeast Forestry University，2015，43（5）：134-137.

[7] 梁顺林，白瑞，陈晓娜，2019年中国陆表定量遥感发展综述[J].遥感学报，2020，24（6）：618-671.

[8] LIANG S L， BAI R， CHEN X N，et al.Review of China’s land surface quantitative remote sensing development in 2019[J].National Remote Sensing Bulletin，2020，24（6）：618-671.

[9] ECKE S， STEHR F， FREY J.Towards operational UAV-based forest health monitoring：Species identification and crown condition assessment by means of deep learning[J].Computers and Electronics in Agriculture，2024，219：108785.

[10] 于航，谭炳香，沈明潭，基于机器学习算法的机载高光谱图像优势树种识别[J].自然资源遥感，2024，36（1）：118-127.

[11] YU H， TAN B X， SHEN M T，et al.Identifying predominant tree species based on airborne hyperspectral images using machine learning algorithms[J].Remote Sensing for Natural Resources，2024，36（1）：118-127.

[12] CHEN D， FEI X Y， WANG Z.Classifying vegetation types in mountainous areas with fused high spatial resolution images：The case of Huaguo Mountain，Jiangsu，China[J].Sustainability，2022，14 （20）：13390.

[13] 岳巍，李世明，李增元，基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别[J].林业科学，2022，58（9）：60-69.

[14] YUE W， LI S M， LI Z Y，et al.Identification of dominant tree species based on multi-temporal Sentinel-2 images and SNIC segmentation algorithm[J].Scientia Silvae Sinicae，2022，58（9）：60-69.

[15] THAPA B， DARLING L， CHOI D，et al.Application of multi-temporal satellite imagery for urban tree species identification[J].Urban Forestry & Urban Greening，2024，98：128409.

[16] 肖庆琳，张加龙，曹军，耦合多特征多时相的普洱市优势树种分类研究[J].森林工程，2024，40（2）：117-126.

[17] XIAO Q L， ZHANG J L， CAO J.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.

[18] 郑奕，王瑶，刘艳.基于高光谱数据季相特征的山地草甸植被分类识别[J].光谱学与光谱分析，2022，42（6）：1939-1947.

[19] ZHENG Y， WANG Y， LIU Y.Study on classification and recognition of mountain meadow vegetation based on seasonal characteristics of hyperspectral data[J].Spectroscopy and Spectral Analysis，2022，42（6）：1939-1947.

[20] 李晶，闫星光，闫萧萧，基于GEE云平台的黄河流域植被覆盖度时空变化特征[J].煤炭学报，2021，46（5）：1439-1450.

[21] LI J， YAN X G， YAN X X，et al.Temporal and spatial variation characteristic of vegetation coverage in the Yellow River Basin based on GEE cloud platform[J].Journal of China Coal Society，2021，46（5）：1439-1450.

[22] 梁爽，宫兆宁，赵文吉，基于多季相Sentinel-2影像的白洋淀湿地信息提取[J].遥感技术与应用，2021，36（4）：777-790.

[23] LIANG S， GONG Z N， ZHAO W J，et al.Information extraction of Baiyangdian Wetland based on multi-season Sentinel-2 images[J].Remote Sensing Technology and Application，2021，36（4）：777-790.

[24] 邵春晨，杨刚，孙伟伟，基于高光谱卫星影像的生长期互花米草指数构建[J].遥感学报，2024，28（3）：635-648.

[25] SHAO C C， YANG G， SUN W W，et al.Construction method of a Spartina alterniflora index based on hyperspectral satellite images[J].National Remote Sensing Bulletin，2024，28（3）：635-648.

[26] 张旭辉，玉素甫江·如素力，仇忠丽，基于Sentinel-2时序数据的新疆焉耆盆地农作物遥感识别与评估[J].干旱区地理，2024，47（4）：672-683.

[27] ZHANG X H， RUSULI Y S F J， QIU Z L，et al.Remote sensing identification and assessment of crops in the Yanqi Basin，Xinjiang，China based on Sentinel-2 time series data[J].Arid Land Geography，2024，47（4）：672-683.

[28] 刘畅，王岩，王朝，Sentinel-1与Sentinel-2影像联合的黄河三角洲湿地信息提取[J].海洋科学，2023，47（5）：2-14.

[29] LIU C， WANG Y， WANG Z，et al.Extraction of wetland information from Sentinel-1 and Sentinel-2 images in the Yellow River Delta[J].Marine Sciences，2023，47（5）：2-14.

[30] 刘啸添，周蕾，石浩，基于多种遥感植被指数、叶绿素荧光与CO₂通量数据的温带针阔混交林物候特征对比分析[J].生态学报，2018，38（10）：3482-3494.

[31] LIU X T， ZHOU L， SHI H，et al.Phenological characteristics of temperate coniferous and broad-leaved mixed forests based on multiple remote sensing vegetation indices，chlorophyll fluorescence and CO₂ flux data[J].Acta Ecologica Sinica，2018，38（10）：3482-3494.

[32] SOUZA C M， ROBERTS D A， COCHRANE M A.Combining spectral and spatial information to map canopy damage from selective logging and forest fires[J].Remote Sensing of Environment，2005，98（2/3）：329-343.

[33] 帅爽，张志，张天，结合ZY-1 02D光谱与纹理特征的干旱区植被类型遥感分类[J].农业工程学报，2021，37（21）：199-207.

[34] SHUAI S， ZHANG Z， ZHANG T，et al.Method for classifying vegetation types in arid areas combining spectral and textural features of ZY-102D[J].Transactions of the Chinese Society of Agricultural Engineering，2021，37（21）：199-207.

[35] 廖超明，云子恒，罗恒，基于特征优选的喀斯特地区覆被信息提取及精度分析[J].测绘通报，2024（2）：45-50.

[36] LIAO C M， YUN Z H， LUO H，et al.Cover information extraction and precision analysis in Karst area based on feature optimization[J].Bulletin of Surveying and Mapping，2024（2）：45-50.

[37] 李佳芪，那晓东.基于多季相特征组合的南瓮河湿地信息提取[J].湿地科学与管理，2022，18（6）：16-20.

[38] LI J Q， NA X D.Information extraction from Nanweng River wetland based on combination of multi-seasonal features[J].Wetland Science and Management，2022，18（6）：16-20.

[39] 刘瑞清，李加林，孙超，基于Sentinel-2遥感时间序列植被物候特征的盐城滨海湿地植被分类[J].地理学报，2021，76（7）：1680-1692.

[40] LIU R Q， LI J L， SUN C，et al.Classification of Yancheng coastal wetland vegetation based on vegetation phenological characteristics derived from Sentinel-2 time-series[J].Acta Geographica Sinica，2021，76（7）：1680-1692.

[41] 刘晓亮，王志华，杨晓梅，面向自然场景土地覆被分类的遥感物候模式分区[J].地理学报，2024，79（9）：2206-2229.

[42] LIU X L， WANG Z H， YANG X M，et al.Remotely-sensed phenology pattern regionalization for land cover classification of natural scenes：A case study in China[J].Acta Geographica Sinica，2024，79（9）：2206-2229.

[43] PU R， LANDRY S， YU Q.Assessing the potential of multi-seasonal high resolution Pléiades satellite imagery for mapping urban tree species[J].International Journal of Applied Earth Observation and Geoinformation，2018，71：144-158.

[44] 刘灵，张加龙，韩雪莲，基于GEE和Sentinel时序影像的优势树种识别研究[J].森林工程，2023，39（1）：63-72，81.

[45] 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.

[46] 徐凯健，田庆久，徐念旭，基于时序NDVI与光谱微分变换的森林优势树种识别[J].光谱学与光谱分析，2019，39（12）：3794-3800.

[47] XU K J， TIAN Q J， XU N X，et al.Classifying forest dominant trees species based on high dimensional time-series NDVI data and differential transform methods[J].Spectroscopy and Spectral Analysis，2019，39（12）：3794-3800.

[48] 宋洁，刘学录.基于多源遥感数据提高山地森林识别精度——以祁连山国家公园肃南县段为例[J].草业学报，2021，30（10）：1-14.

[49] SONG J， LIU X L.Improving the accuracy of forest identification in mountainous areas from multi-source remote sensing data-the Sunan County section of Qilian Mountains National Park as an example[J].Acta Prataculturae Sinica，2021，30（10）：1-14.

[50] 王宁，田家，田庆久.基于MODIS日地表反射率产品的长时序日分辨率EVI重建方法[J].遥感学报，2024，28（4）：969-980.

[51] WANG N， TIAN J， TIAN Q J.A method for reconstructing long-term daily resolution EVIs based on MODIS daily surface reflectance products[J].National Remote Sensing Bulletin，2024，28（4）：969-980.

[52] 吕林，易文彬，崔丹丹，基于Google Earth Engine遥感大数据云平台的盐城盐沼植被精细分类研究[J].海洋通报，2024，43（1）：114-126.

[53] LYU L， YI W B， CUI D D，et al.Fine classification of saltmarsh vegetation based on Google Earth Engine in Yancheng，China[J].Marine Science Bulletin，2024，43（1）：114-126.

[54] ZHU Z， GALLANT L A， WOODCOCK E C，et al.Optimizing selection of training and auxiliary data for operational land cover classification for the LCMAP initiative[J].ISPRS Journal of Photogrammetry and Remote Sensing，2016，122：206-221.

[55] 蓝斐芜.基于时序遥感的沼泽植被-水文变化监测及其时空耦合关系研究[D].桂林：桂林理工大学，2022.

[56] LAN F W.Monitoring marsh vegetation-hydrology changes based on time-series remote sensing and their spatio-temporal coupling relationship[D].Guilin：Guilin University of Technology，2022.

[57] 张炳华，张镱锂，谷昌军，基于随机森林与特征选择的藏东南土地覆被分类方法及精度评价[J].地理科学，2023，43（3）：388-397.

[58] 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.

[59] WANG Y， JIN S， DARDANELLI G.Vegetation classification and evaluation of Yancheng coastal wetlands based on random forest algorithm from Sentinel-2 images[J].Remote Sensing，2024，16（7）：1124.

[60] 薛朝辉，钱思羽.融合Landsat 8与Sentinel-2数据的红树林物候信息提取与分类[J].遥感学报，2022，26（6）：1121-1142.

[61] 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.

[62] 孟凤，朱庆伟，董士伟，基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法[J].农业机械学报，2024，55（6）：168-177.

[63] MENG F， ZHU Q W， DONG S W，et al.Cropland information extraction method of Landsat 8 OLI images based on multi-seasonal fractal features[J].Transactions of the Chinese Society for Agricultural Machinery，2024，55（6）：168-177.

[64] 吴喜芳，化仕浩，张莎，基于多物候特征指数的冬小麦分布信息提取[J].农业机械学报，2023，54（12）：207-216.

[65] WU X F， HUA S H， ZHANG S，et al.Extraction of winter wheat distribution information based on multi-phenological feature indices derived from Sentinel-2 data[J].Transactions of the Chinese Society for Agricultural Machinery，2023，54（12）：207-216.

基金资助

国家重点研发计划项目(2022YFE0127700)