基于中空间分辨率遥感影像的县域尺度森林覆盖变化检测

Forest Cover Change Detection at County Scale Based on Medium Spatial Resolution Remote Sensing Images

摘要

准确掌握森林覆盖空间分布对于森林生态系统保护、恢复和可持续利用至关重要。但高效、精准地获取县域尺度复杂森林覆盖变化依靠低空间分辨率遥感影像结合传统计算机分类模型已经无法满足。以黑龙江省佳木斯汤原县复杂森林为研究对象，采用哨兵一号、二号（Sentinel-1、Sentinel-2）中空间分辨率卫星遥感影像，构建基于粒子群优化算法（particle swarm optimization，PSO）优化的机器学习模型，检测县域尺度森林覆盖变化，应用K-折交叉验证对检测森林覆盖结果进行精度评价。研究结果表明，基于粒子群算法优化的支持向量机和随机森林2个机器学习模型与未经参数优化的自身模型相比，森林覆盖变化检测精度均得到提高，支持向量机模型提高6.52%，随机森林模型提高4.65%。与目前主流ESA World Cover土地覆盖产品相比，基于粒子群算法优化的随机森林模型精度最高，总体精度达到0.92。优化后的随机森林模型对森林覆盖变化检测也更加精细。通过粒子群优化算法的随机森林模型对中空间分辨率遥感影像进行分类，可以快速、准确地掌握县域尺度森林覆盖空间分布情况，为森林生态系统保护、恢复和可持续利用提供数据和技术支撑。

Abstract

Accurately grasping the spatial distribution of forest cover is crucial for the protection， restoration and sustainable use of forest ecosystems. However， it is no longer possible to efficiently and accurately obtain the changes in complex forest cover at the county scale by relying on low spatial resolution remote sensing images combined with traditional computer classification models. Therefore， this study took the complex forests in Tangyuan County， Jiamusi， Heilongjiang Province as the research object， used the medium spatial resolution satellite remote sensing images of Sentinel-1 and Sentinel-2， and constructed a machine learning model optimized by particle swarm optimization （PSO） to detect the changes in forest cover at the county scale. The K-fold cross validation was used to evaluate the accuracy of the forest cover detection results. The results showed that the support vector machine and random forest machine learning models optimized by particle swarm algorithm had improved the accuracy of forest cover change detection compared with their own models without parameter optimization. The support vector machine model increased by 6.52%， and the random forest model increased by 4.65%. Compared with the current mainstream ESA COVER WORD land cover product， the random forest model optimized by particle swarm algorithm had the highest accuracy， with an overall accuracy of 0.92. The optimized random forest model was also more precise in detecting forest cover changes. By classifying medium spatial resolution remote sensing images through the random forest model of the particle swarm optimization algorithm， we can quickly and accurately grasp the spatial distribution of forest cover at the county scale， and provide data and technical support for the protection， restoration and sustainable utilization of forest ecosystems.

Graphical abstract

关键词

森林覆盖 / 遥感变化检测 / 粒子群优化算法 / GEE / 机器学习

Key words

Forest cover / remote sensing change detection / particle swarm optimization / GEE / machine learning

0 引言

掌握森林覆盖变化空间分布信息对于森林资源管理与保护、气候变化的响应与适应、经济社会发展以及科学研究与生态系统服务评估等方面都具有重要意义。森林覆盖变化的空间分布信息也是林学、生态学研究和地理学研究等领域的重要基础数据^［1］。这些数据有助于科学家深入了解森林生态系统的结构、功能和动态变化过程^［2］。因此，应该加强森林资源的监测和管理，提高数据的准确性和时效性，为相关领域的研究和决策提供有力支持。

随着遥感技术的不断进步，遥感具有多时相、多尺度、高效率及成本低的特点。森林覆盖变化遥感检测主要采用遥感影像人工目视解译和遥感影像计算机自动识别2种技术手段。人工目视解译工作效率低、工作周期长、人力物力消耗大，难以及时掌握森林覆盖变化信息^［3］。遥感影像计算机自动识别与人工解译相比，通过对比同一区域在不同时间点的遥感观测数据，能够实现对该区域森林覆盖变化时空动态分析^［4］。因此，采用遥感影像计算机自动识别来识别和提取森林覆盖变化信息效果明显，已成为检测森林覆盖变化的重要技术手段^［5］。遥感影像计算机自动识别森林覆盖变化信息主流的方法是机器学习模型。例如，任冲等^［6］分别用随机森林和参数优化支持向量机（POSVM）机器学习算法，对天水市的6 a遥感影像进行土地覆盖类型分类，通过分类后的结果来对森林资源进行动态检测。贾小凤等^［7］应用随机森林机器学习算法，对两期汉江流域多源遥感数据进行地类分类，提取森林分布来检测汉江流域森林覆盖变化。王熊等^［8］采用3种不同算法对九华山林场进行分类，其中支持向量机和随机森林模型取得了较好的分类精度。机器学习模型具有提取遥感影像光谱特征能力强、训练速度快的特点，在森林覆盖信息提取具有明显的优势^［9］。机器学习模型的参数是影响分类精度的重要指标，但研究中大多采用默认的机器学习模型参数^［10］。虽然在森林覆盖变化检测中取得了较好的效果，但检测精度依然存在很大的上升空间。在县级尺度上进行森林覆盖变化检测对于促进当地生态环境保护以及应对自然灾害等方面都具有重要意义^［11］。目前，县级尺度森林覆盖变化检测大多采用Landsat甚至更低的空间分辨率影像，缺少中空间分辨率分辨影像森林覆盖变化检测研究。

因此，为了精细且及时获得县级尺度森林覆盖变化空间分布信息，本研究采用时间分辨率较高的中空间分辨率卫星遥感影像，以具有复杂类型且变化较快的黑龙江省佳木斯汤原县为试验区，构建基于粒子群优化算法（particle swarm optimization，PSO）优化的机器学习模型，对该试验区森林覆盖变化信息进行检测，与现有森林覆盖产品对比，分析基于粒子群优化算法优化的机器学习模型的有效性。为促进县级森林生态环境保护、指导政策制定与实施提供技术和数据支撑。

1 研究区概况与数据源

1.1 研究区概况

本试验以黑龙江省佳木斯市汤原县为研究区，南北长约56 km，东西宽约39 km，面积3 420 km²，包含3.42×10⁷个Sentinel-2像元。汤原县位于黑龙江省佳木斯市的西南部（46°30′—47°21′N，129°30′—130°59′E），从西南角至东北角整体呈现狭长状态，整体地势为北部和西部高、南部和东部低。海拔在200~847 m。汤原县森林资源丰富，县域内森林面积达8.2万hm²，森林覆盖率为39.6%。这些林地主要分布在山地和丘陵地带，也有部分林地分布在平原地带。森林类型既包括天然林，又包括人工林，但以天然林为主。汤原县位于“三北”生态工程区，通过人工造林、封山育林等方式，不断提高森林覆盖率，森林覆盖变化较快，因此是检验基于粒子群优化算法（PSO）优化的机器学习模型非常适合的区域。

1.2 遥感影像及地形数据选择

选择中空间分辨率Sentinel-1C波段和Sentinel-2多光谱L2A地表反射率遥感影像作为森林覆盖变化检测的数据源。其主要原因是Sentinel-1 C波段和Sentinel-2影像空间分辨率和时间分辨率对快速检测县域森林覆盖变化比较适合^［12］。Sentinel-1合成孔径雷达数据具有较高的空间分辨率，且具有10~30 m的空间分辨率。Sentinel-2影像数据包括13个光谱波段，其中，4个波段分辨率为10 m，6个分辨率为20 m，3个波段分辨率为60 m^［13］。2种数据都既能满足森林覆盖变化快速检测，又能获得森林覆盖细节信息^［14］。

选择了2020年和2021年经过地形校正和辐射校正后的Sentinel-1和Sentinel-2两期影像数据，影像选择成像时间为5月，云量小于2%，数据来源于谷歌地球引擎（Google Earth Engine，GEE）云平台。地形数据作为森林覆盖变化检测的辅助数据源，选用的是美国航空航天局数字高程模型（NASA DEM）高程数据。NASA DEM是对航天飞机雷达地形测绘使命（shuttle radar topography mission，STRM）数据的再处理，通过整合其他高精度数字高程模型（digital elevation model，DEM）数据来填补STRM中无数据的孔洞，来提高此数据的精度。遥感数据从GEE云平台上获取，此数据已经过了辐射校正、大气校正和几何校正，因此对所获取的两期哨兵二号影像只需进行去云操作。研究使用场景分类波段（SCL）进行去云掩膜处理，此波段已通过Sen2Cor 算法标记了云、云阴影等像元。对于去云后空缺数据，应用附近时间数据进行中值合成，以减少极端值的影响。

1.3 训练及验证样本选取

根据全国遥感检测土地利用覆盖分类体系，结合汤原县实际情况，将一级分类中的城乡、工矿、居民用地和未利用土地合成建筑用地，将林地分为森林和灌木林。因此按照类别将汤原县土地覆盖分为森林、灌木林、草地、农田、水域和建设用地6个类别。为了保证森林覆盖变化检测模型选择训练和验证样本的随机性，应用ArcGIS 10.4软件，设置样本点之间的间距不超过500 m，在汤原县内生成了2 371个随机点，样本的类别和数目见表1。样本点通过结合Google Earth上的高分影像、汤原县高分数据及地类图斑数据和专家知识来标注。为进一步比较基于粒子群优化算法（PSO）优化的机器学习模型对森林覆盖变化检测效果，选择现有主流ESA World Cover土地利用数据提取森林覆盖变化进行比较。ESA World Cover是欧洲航天局发布的产品，此产品是同样是基于哨兵Sentinel-1 C波段和Sentinel-2多光谱L2A地表反射率图像数据生成，与本研究检测的森林覆盖变化具有可比性和客观性。

2 研究方法

2.1 特征变量选取

在机器学习模型的遥感变化检测中，有效地选取特征变量组合既可以提高模型运行效率，又可提高模型的精度^［15］。本研究基于Sentinel-1C波段和Sentinel-2多光谱遥感影像共选了26个特征变量。从Sentinel-1影像选取VV和VH 2个极化特征变量，因为这2个特征变量有很强的植被提取能力^［16］。从Sentinel-2多光谱数据中选取10个波段，计算归一化差异植被指数（NDVI，式中记为N_DVI）、比值植被指数（RVI，式中记为R_VI）、差值植被指数（EVI，式中记为E_VI）、区分森林和非森林指数（FI，式中记为F_I）、土壤调节植被指数（SAVI，式中记为S_AVI）、归一化差异湿度指数（NDMI，式中记为N_DMI）、归一化差异水体指数（NDWI，式中记为N_DWI）、归一化建筑指数（NDBI，式中记为N_DBI）和全球环境监测指数（GEMI，式中记为G_EMI）9个植被指数特征变量，见表2。同时计算了Sentinel-1影像3个缨帽变换分量，分别为亮度（brightness）、绿度（greeness）和湿度（wetness）。缨帽变换是应用在土壤光谱库中的线性正交变换方法，分量的变化能够精确提取光谱特征中的信息，有利于对森林覆盖变化的提取^［17］。地形特征变量选取高程（elevation）和坡度（slope）2个特征指数。

2.2 森林覆盖变化检测算法

支持向量机模型（support vector machine，SVM）和随机森林模型（random forest，RF）是目前主流的机器学习模型，SVM是以最优的方式划分超平面，使实际输出与理想输出之间的偏差尽可能小^［19］。RF是通过构建集成多个决策树形成的一种算法，通过投票得出最终预测结果^［20］。SVM和RF算法在处理高维数据时对非线性分类的边界十分敏感，SVM和RF可以通过核函数和特征选择机制更好地适应高维遥感数据，相比K近邻（k-nearest neightbors，KNN）算法能有效地避免维度灾难的发生，并且不要计算所有样本的距离，效率更高。SVM可以通过最大化分类间隔减少对特定样本的依赖。RF通过集成多棵决策树，有效提高模型的泛化能力，和决策树相比SVM和RF能有效地避免过拟合问题，使得模型更加稳定^［21］。与深度学习模型相比，SVM和RF部署成本更低。在小样本的情况下，SVM和RF训练时间更短，仍可以保持较高的分类精度，对于分类结果更易于解释^［22］。因此，本研究采用SVM和RF 2种算法对2020年和2021年中空间分辨率Sentinel-1、Sentinel-2卫星遥感影像检测森林覆盖变化。

2.3 特征优化

皮尔逊相关系数分析作为统计学中的一种有力工具，用来研究多个变量之间的线性关系。支持向量机模型采用皮尔逊相关系数筛选变量进行特征优化，该系数值范围在-1~1。其中，1为完全正相关；0为无关；-1为完全负相关。随机森林模型采用特征重要性进行筛选。特征的重要性是累计所有决策树中因特征导致的基尼系数（GiniIndex）的减少量。GiniIndex（式中记G_iniIndex）计算公式为

G_{\mathrm{i}\mathrm{n}\mathrm{i}\mathrm{I}\mathrm{n}\mathrm{d}\mathrm{e}\mathrm{x}}=\mathrm{1}-{\displaystyle \sum _{j-\mathrm{1}}^K}{P}^{\mathrm{2}}\left(j\left|h\right.\right)。（1）

式中：P^{\mathrm{2}}(j\left|h\right.)表示类别j在样本中出现的频率；K表示所分类的类别个数。

模型中包含大量的特征，部分特征之间可能高度相关或冗余。通过上述方法可以筛选出模型中与目标相关性较低或者冗余的特征。去除这些特征可以减少模型的计算复杂度，并有效地提升模型训练和预测的精度。

2.4 参数优化

机器学习模型中模型的参数对模型整体的精度至关重要，本研究采用粒子群优化算法（PSO），对支持向量机和随机森林模型中所包含的参数进行优化，以得出最佳参数组合，并比较优化后的模型在检测森林覆盖精度差异，最后应用最佳的优化模型获得汤原县森林覆盖变化。PSO是由Kennedy和Eberhart提出的，具有收敛性高、搜索速度快的优点^［23］，已成为机器学习领域的一种主流优化算法。该算法是将粒子当作鸟群，通过粒子不断运动来调整位置和速度，根据去历史经验来确定粒子最优位置和全局最优位置。其公式为

V_i^{k+\mathrm{1}}=\omega V_i^k+C_{\mathrm{1}}{r}_{\mathrm{1}}\left(p_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t},i}^k-X_i^k\right)+C_{\mathrm{2}}{r}_{\mathrm{2}}\left(g_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t},i}^k-X_i^k\right)。（2）

X_i^{k+\mathrm{1}}=X_i^k+V_i^{k+\mathrm{1}}。（3）

式中：V_i^k表示第i个粒子在第k次循环时的速度；\omega为惯性权重，控制粒子在搜索空间中的移动速度和方向；C_{\mathrm{1}}为个体学习因子，决定粒子的个体经验对其移动的影响程度；C_{\mathrm{2}}为社会学习因子，决定粒子的群体经验对其移动的影响程度；r_{\mathrm{1}}和r_{\mathrm{2}}取0~1的随机数；p_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t},i}^k和g_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t},i}^k表示局部最佳位置和全局最佳位置；X_i^k为全局最优位置。

支持向量机模型中包含惩罚系数cost（c）和核函数系数值gamma。综合样本数量和特征平均方差，c初始值设置为1~10⁴，gamma初始值设置为10^-16~10^-8。随机森林模型参数包括树数目（n_estimators）、树深（max_depth）和节点可分的最小样本数（min_samples_split）。3个参数初始值设置范围在GEE上调试进行，最终n_estimators初始值设置为20~200，max_depth初始值设置为1~100，min_samples_split初始值设置1~50。本研究采用PSO的适应度函数通过对采用K-折交叉验证总精度和1之间的差距作为支持向量机模型cost、gamma 2个优化参数和随机森林模型n_estimators、max_depth、min_samples_split 3个参数优化方法。PSO参数设置如下：\omega设置为1，C_{\mathrm{1}}和C_{\mathrm{1}}设置为2.5，种群数量（population size）设置为50，迭代次数（iterations）设置为20。

2.5 精度评价

本研究采用K-折交叉验证方法将2 371个样本点随机分为K份，依次使用其中的（K-1）份进行训练，使用剩下的1份作为测试集，本研究将K取值为5。K-折交叉验证可以有效地避免数据产生过拟合和欠拟合现象，可以有效地评估模型的质量^［24］。森林覆盖变化检测精度评价采用指标为总体精度（OA，式中记为O_A）和Kappa系数（式中记为K_appa）^［25］。OA和Kappa系数是通过分类结果与验证样本、三调地类图斑数据、ESA World Cover土地利用数据对比，构建精度评价混淆矩阵获得。其公式为

O_{\mathrm{A}}={\displaystyle \sum _{i=\mathrm{1}}^r}\frac{x_{ii}}{N}。（4）

式中：r代表类别总数；N代表样本总数；x_{ii}代表分类正确的样本数。

K_{\mathrm{a}\mathrm{p}\mathrm{p}\mathrm{a}}=\frac{O_{\mathrm{A}}-P_{\mathrm{e}}}{\mathrm{1}-P_{\mathrm{e}}}。（5）

P_{\mathrm{e}}=\frac{\left(T_{\mathrm{P}}+F_{\mathrm{P}}\right)\left(T_{\mathrm{P}}+F_{\mathrm{N}}\right)+\left(T_{\mathrm{N}}+F_{\mathrm{N}}\right)\left(T_{\mathrm{N}}+F_{\mathrm{P}}\right)}{{\left(T_{\mathrm{P}}+T_{\mathrm{N}}+F_{\mathrm{P}}+F_{\mathrm{N}}\right)}^{\mathrm{2}}}。（6）

式中：O_{\mathrm{A}}代表总体分类精度；T_{\mathrm{P}}代表预测为阳性，实际为阳性；F_{\mathrm{P}}代表预测为阳性，实际为阴性；T_{\mathrm{N}}代表预测为阴性，实际为阴性；F_{\mathrm{N}}代表预测为阴性，实际为阳性。

3 结果与分析

3.1 特征变量优化对模型精度影响

支持向量机模型采用皮尔逊相关系数筛选特征变量，皮尔逊相关系数矩阵如图1（a）所示，其中value代表目标变量。相关系数绝对值大于0.5的特征变化共计19个。为避免多重共线性，去除冗余变量，将相关性高（>0.9）的特征变量只保留一个，最终筛选出blue、dem、evi、fi、gemi、greenness、ndmi、ndvi、red、rvi、wetness、slope共12个特征变量。随机森林模型采用计算GiniIndex表征特征变量重要性，特征变量重要性排序结果如图1（b）所示。特征重要性GiniIndex值越高代表此特征越重要，所有特征变量的GiniIndex值均在5~12，其中，近红外2波段，dem和wetness基尼系数4个特征变量的重要值达到了11以上，表明这4个特征变量对随机森林模型最为重要。ndbi、green、red_edge3、swir2、savi波段的基尼系数均在6以下，相对其他特征不重要。

支持向量机模型采用优化后的特征变量与未被优化的特征变量进行森林覆盖提取，总精度（OA）由81.35%提高到83.65%。随机森林模型采用全部特征进行森林覆盖提取的精度为87.37%，优化特征后模型精度如图2所示。在按序去除特征变量的过程中，移除前6个最不重要特征之后，精度值达到最高88.80%，相对全部特征组合的随机森林模型精度提升了0.5%。剩余5个最重要特征时精度呈现明显下降，精度从88.06%下降到75.33%。因此，选取重要特征排序中前20个特征进行组合，作为粒子群优化算法的随机森林模型特征来进行优化参数。

3.2 参数优化对精度影响

PSO算法优化支持向量机和随机森林模型参数，迭代次数与适应度函数值关系如图3所示。支持向量机和随机森林2个模型随着迭代次数不断增加适应度函数值逐渐变小。支持向量机在前36次迭代适应度函数值不断变化，到36次之后趋于平稳，适应度函数值基本保持不变。随机森林在前30次迭代适应度函数值不断变化，到30次之后趋于平稳，适应度函数值基本保持不变。在迭代过程中支持向量机模型由83.65%提升到87.87%，提高了4.22%，与全部特征和默认参数相比OA提高了6.52%。在迭代过程中随机森林模型总精度由88.80%提高到92.02%，提高了3.22%，与全部特征和默认参数相比OA提高了4.65%。通过基于粒子群算法的参数优化的随机森林模型精度最高。本研究PSO优化算法总共迭代50次，粒子随着迭代次数增加汇聚到一个区间内，最终支持向量机模型优化后cost参数为9 188，gamma参数为2.8×10^-8时，模型达到最佳精度。当n_estimators为24左右，max_depth为100时，min_samples_split为10时，模型达到最高精度，见表3。

采用基于粒子群算法的参数优化的和支持向量机和随机森林模型对2020年和2021年汤原县Sentinel-1和Sentinel-2遥感影像进行分类，分类精度见表4。优化后的支持向量机和随机森林模型总精度和Kappa在2个年份上均高于ESA产品精度，其中，2020和2021年随机森林模型总精度分别提高了11.27%和11.98%，2020和2021年支持向量机模型总精度分别提高了7.12%和6.78%。与现有森林覆盖产品的局部进行对比，研究分别取汤原西部森林集中区域、中部农田区域以及东部水域附近区域。对比结果如图4所示，在森林集中区域中SVM和RF模型更能识别出其中的其他地类。对于农田及道路周边的森林提取效果更明显，所提取的森林图斑更加完整准确。随机森林模型和支持向量机模型相比ESA World Cover而言，在处理水域附近湿地类型时，都存在出现将草地错分的现象。综上所述，随机森林模型分类结果图斑相对产品和支持向量机模型更加细致精准。

3.3 森林覆盖变化分析

采用基于粒子群算法的参数优化的随机森林模型对汤原县2020年和2021年Sentinel-1和Sentinel-2遥感影像进行分类提取森林覆盖空间分布信息。2020年汤原县森林覆盖面积为1 513.82 km²，2021年汤原县森林覆盖面积为1 637.95 km²。汤原县森林覆盖区域主要集中分布在西部，少部分分布在其余平原地带。2020年和2021年两期影像中各地类的具体分类精度见表5。将两期分类结果进行叠加分析，提取汤原县森林覆盖变化区域。经过统计森林覆盖变化的区域占研究区总面积的1.74%，其中，森林负向变化为0.46%，森林正向变化为1.28%。

4 讨论

本研究采用粒子群优化算法优化后最佳的随机森林模型对森林覆盖进行提取，在对农林交错带森林覆盖提取效果与Guo等^［26］采用优化后机器学习模型提取森林覆盖效果相似，都能更加准确地提取出农田道路旁带状森林覆盖。此外，本研究通过粒子群优化算法优化模型参数也能更加准确地提取出大面积森林区域内其他地类。这可能是因为特征组合中加入了缨帽变换特征，缨帽变换特征对于森林覆盖的识别更敏感，同时还具有降维、降噪的作用，因此对于区分森林内的其他地类有较好的效果^［27］。

大多研究应用机器学习模型在中空间分辨率遥感影像提取县域尺度森林覆盖时，都根据经验设置机器学习模型参数，缺少对于机器学习模型参数优化的过程，导致提取森林覆盖精度很难满足实际应用的需要^［28］。本研究采用PSO算法对2种机器学习模型优化，森林覆盖精度均得到了提高，但仍然存在一些错分和漏分现象。SVM相比RF在森林图斑中出现较多离散的错分像元，并且图上的噪声点更多。此结果与Adugna等^［29］对10 m空间分辨率下对SVM和RF 2种模型分类精度及进行比较的结果相似。而随机森林模型能有效地解决此类问题，因为从局部的分类结果看，随机森林分类最细致，对于森林覆盖层提取也最为精准，能更精确地分类出森林覆盖层中其他地类。但存在漏分、错分现象，主要集中在河流附近，把沼泽草地误分为森林。

本研究也存在一定的限制，虽然目前精度可以满足森林覆盖变化检测需要，但仍有一定提高的空间。实验是对分类结果进行分析比较，因此受到研究区大小和实际地类图斑数据限制，机器学习模型所用样本点数量受到了一定限制^［30］。另外，采用机器学习模型对中空间分辨率遥感影像提取县域尺度森林覆盖时，计算量比较大（3.42×10⁷个Sentinel-2像元），对计算器的性能要求会很高，会降低运行效率。在后续研究中，可通过PSO优化算法效率、扩大样本数量与研究区域范围，并整合其他合成孔径雷达数据，延长时间跨度，以精进森林信息提取的精确度，从而开发出更具科学性、完整性和代表性的大尺度森林覆盖提取方法。

5 结论

本研究通过特征优化及粒子群优化算法（PSO）优化机器学习模型（SVM和RF）参数，对黑龙江省佳木斯汤原县中空间分辨率遥感影像（Sentinel-1和Sentinel-2）进行森林覆盖检测，验证特征优化及粒子群优化算法（PSO）优化机器学习模型是否能提高森林覆盖变化检测精度。主要获得以下结论：1）通过对支持向量机和随机森林模型进行特征优化，森林覆盖提取精度仅能提高1%和2%左右；2）采用粒子群优化算法优化支持向量机和随机森林模型参数，支持向量机模型提取森林覆盖精度可在特征优化精度提高的基础上再提高4.22%，随机森林模型提取森林覆盖精度可在特征优化精度提高的基础上再提高3.22%；3）经粒子群算法优化的随机森林模型对中空间分辨率遥感影像提取森林覆盖检测最高精确（OA大于90%）。本研究可为县、市甚至省快速、准确地掌握森林覆盖空间分布动态变化提供数据和技术支撑。

参考文献

[1] 谢天义，潘洁，孙玉琳.等 .应用多维遥感信息协同的森林树种分类［J］.东北林业大学学报，2023，51（3）：73-78.

[2] XIE T Y， PAN J， SUN Y L，et al.Classification of forest tree species using multi-dimensional remote sensing information coordination［J］.Journal of Northeast Forestry University，2023，51（3）：73-78.

[3] ZHANG Y， PENG C， LI W Z，et al.Monitoring and estimating drought-induced impacts on forest structure，growth，function，and ecosystem services using remote-sensing data：recent progress and future challenges ［J］.Environmental Reviews，2013（21）：103-115.

[4] 吴雪琼，覃先林，周汝良.等 .森林覆盖变化遥感监测方法研究进展［J］.林业资源管理，2010（4）：82-87.

[5] WU X Q， QIN X L， ZHOU R L，et al.Progress of study on forest cover change detection by using remote sensing technique［J］.Forest and Grassland Resources Research，2010（4）：82-87.

[6] 陈鑫镖.遥感影像变化检测技术发展综述［J］.测绘与空间地理信息，2012，35（9）：38-41.

[7] CHEN X B.A summary of change detection techniques of remote sensing imagery［J］.Geomatics & Spatial Information Technology，2012，35（9）：38-41.

[8] HAO R X， CHEN E X， LI Z Y.Forest cover change detection method using bi-temporal GF-1 multi-spectral data［C］//2016 IEEE International Geoscience and Remote Sensing Symposium（IGARSS），10-15 July 2016，Beijing，China.IEEE，2016：7729975.

[9] 任冲，鞠洪波，张怀清，等.天水市近30年林地动态变化遥感监测研究［J］.林业科学研究，2017，30（1）：25-33.

[10] REN C， JU H B， ZHANG H Q，et al.Research on remote sensing monitoring technology of forest land dynamic change in Tianshui in recent 30 Years［J］.Forest Research，2017，30（1）：25-33.

[11] 贾小凤，朱红春，凌峰，等.基于Landsat多光谱与PALSAR/PALSAR-2数据的汉江流域森林覆盖变化研究［J］.长江流域资源与环境，2021，30（2）：321-329.

[12] JIA X F， ZHU H C， LING F，et al.Forest cover monitoring and its changes in Hanjiang River basin based on Landsat multispectral and PALSAR/PALSAR-2 data［J］.Resources and Environment in the Yangtze Basin，2021，30（2）：321-329.

[13] 王熊，胡兵，韩泽民，等.基于GF-2号影像的森林优势树种分类［J］.湖北林业科技，2020，49（1）：1-7，76.

[14] WANG X， HU B， HAN Z M，et al.Dominant tree species specific classified by GF-2 imagery［J］.Hubei Forestry Science and Technology，2020，49（1）：1-7，76.

[15] 王崇阳，田昕.基于GF-1 PMS数据的森林覆盖变化检测［J］.遥感技术与应用，2021，36（1）：208-216.

[16] WANG C Y， TIAN X.Forest cover change detection based on GF-1 PMS data［J］.Remote Sensing Technology and Application，2021，36（1）：208-216.

[17] 熊向阳，杨小周，赵银超.等 .基于超参数优化随机森林算法的森林生物量遥感反演［J］.中南林业科技大学学报，2024，44（5）：102-111.

[18] XIONG X Y， YANG X Z， ZHAO Y C，et al.Remote sensing inversion of forest biomass based on hyperparametric optimized random forests algorithm［J］.Journal of Central South University of Forestry & Technology，2024，44（5）：102-111.

[19] THIEN B B， PHUONG V T.Using landsat satellite imagery for assessment and monitoring of long-term forest cover changes in Dak Nong Province，Vietnam［J］.Geographica Pannonica，2023，27（1）：69-82.

[20] HECKEL K， URBAN M， SCHRATZ P，et al.Predicting forest cover in distinct ecosystems：The potential of multi-source sentinel-1 and -2 data fusion［J］.Remote Sensing，2020，12（2）：302.

[21] 闫国东，左雪漫，陈瑾，等.基于多特征优选的Sentinel-2遥感影像林分类型分类［J］.森林工程，2023，39（3）：12-20.

[22] YAN G D， ZUO X M， CHEN J，et al.Classification of forest stand types in Sentinel-2 remote sensing images based on multi-feature optimization［J］.Forest Engineering，2023，39（3）：12-20.

[23] FIORAVANTE P D， LUTI T， CAVALLI A，et al.Multispectral Sentinel-2 and SAR Sentinel-1 integration for automatic land cover classification［J］.Land，2021，10（6）：611.

[24] MERCIER A， BETBEDER J， RUMIANO F，et al.Evaluation of Sentinel-1 and 2 time series for land cover classification of forest-agriculture mosaics in temperate and tropical landscapes［J］.Remote Sensing，2019，11（8）：979.

[25] 赵露伟，范文义，聂永辉.应用双频合成孔径雷达（SAR）数据和干涉水云模型估算森林生物量［J］.东北林业大学学报，2024，52（9）：58-68.

[26] ZHAO L W， FAN W Y， NIE Y H.Estimating forest biomass using dual-frequency synthetic aperture radar （SAR） data and an interferometric water cloud model［J］.Journal of Northeast Forestry University，2024，52（9）：58-68.

[27] HADJIMITSIS D G， THEMISTOCLEOUS K， MICHAELIDES S，et al.Tasselled cap transform for change detection in the drylands：findings for spot and landsat satellites with foss tools［J］.International Society for Optics and Photonics，2015，9535：953512.

[28] 赵冰雪，章勇.基于Landsat-8 OLI影像的植被信息提取方法研究［J］.测绘与空间地理信息，2018，41（1）：79-82，85.

[29] ZHAO B X， ZHANG Y.Study on vegetation information extraction method based on Landsat-8 OLI images［J］.Geomatics & Spatial Information Technology，2018，41（1）：79-82，85.

[30] 沐钊颖，张兹鹏，张浩.等 .应用机器学习算法模型预测兴安落叶松地上生物量［J］.东北林业大学学报，2024，52（3）：41-47.

[31] MU Z Y， ZHANG Z P， ZHANG H，et al.Applying machine learning algorithm models to predict aboveground biomass of Larix gmelinii in Xing'an［J］.Journal of Northeast Forestry University，2024，52（3）：41-47.

[32] 段宗亮，周晓.基于遥感技术的镇沅县茶树资源研究［J］.西部林业科学，2024，53（5）：140-145.

[33] DUAN Z L， ZHOU X.Research on tea resources in Zhenyuan county based on remote sensing technology［J］.Journal of West China Forestry Science，2024，53（5）：140-145.

[34] 张晓羽，李凤日，甄贞.等 .基于随机森林模型的陆地卫星-8遥感影像森林植被分类［J］.东北林业大学学报，2016，44（6）：53-57，74.

[35] ZHANG X Y， LI F R， ZHEN Z，et al.Forest vegetation classification of Landsat-8 remote sensing image based on random forests model［J］.Journal of Northeast Forestry University，2016，44（6）：52-57，74.

[36] LACHAUD A， ADAM M， MIŠKOVIĆ I.Comparative study of random forest and support vector machine algorithms in mineral prospectivity mapping with limited training data［J］.Minerals，2023，13（8）：1073.

[37] 刘旭光，肖啸，兰玉彬.等 .应用可见光遥感影像的林区植被分割方法［J］.东北林业大学学报，2023，51（4）：62-67.

[38] LIU X G， XIAO X， LAN Y B，et al.Forest vegetation segmentation method with UAV visible light remote sensing images［J］.Journal of Northeast Forestry University，2023，51（4）：62-67.

[39] TIAN Y， ZHANG T， XIAO J H，et al.A coevolutionary framework for constrained multiobjective optimization problems［J］.IEEE Transactions on Evolutionary Computation，2021，25（1）：102-116.

[40] BERGMEIR C， HYNDMAN R J，KOO B.A note on the validity of cross-validation for evaluating autoregressive time series prediction［J］.Computational Statistics & Data Analysis，2017，120：70-83.

[41] GUO Y T， JIAO W L， LONG T F，et al.Generation of forest cover map of the Qinghai-Tibet Plateau based on multisource dataset and random forest［J］.Frontiers in Environmental Science，2022，10：939151.

[42] 范应龙，唐赛男，谭炳香.基于多尺度分割和缨帽变换的高原山区森林覆盖变化检测［J］.北京林业大学学报，2023，45（4）：60-69.

[43] FAN Y L， TANG S N， TAN B X.Forest cover change detection based on multi-scale segmentation and tasseled cap transformation over plateau area［J］.Journal of Beijing Forestry University，2023，45（4）：60-69.

[44] CAFFARATTI G D， MARCHETTA M G， EUILLADES L D，et al.Improving forest detection with machine learning in remote sensing data［J］.Remote Sensing Applications：Society and Environment，2021，24：100654.

[45] ADUGNA T， XU W， FAN J.Comparison of random forest and support vector machine classifiers for regional land cover mapping using coarse resolution FY-3C images［J］.Remote Sensing，2022，14（3）：574.

[46] 王洁，李恒凯，龙北平，等.应用多时序特征的哨兵系列影像对南方丘陵区树种识别［J］.东北林业大学学报，2024，52（3）：60-68.

[47] WANG J， LI H K， LONG B P，et al.Tree species identification in southern hilly areas using sentinel series images with multi-temporal features［J］.Journal of Northeast Forestry University，2024，52（3）：60-68.

基金资助

国家重点研发计划课题(2023YFD2201704)

国家自然科学基金(32371863)