張春瑩，江 洪，，，林敬蘭，岳 輝

（1.福州大學(xué) 空間數(shù)據(jù)挖掘和信息共享教育部重點(diǎn)實(shí)驗(yàn)室，衛(wèi)星空間信息技術(shù)綜合應(yīng)用國(guó)家地方聯(lián)合工程研究中心，數(shù)字中國(guó)研究院（福建），福建 福州 350108；2.福建省水土保持試驗(yàn)站，福建 福州 350002；3.長(zhǎng)汀縣水土保持中心，福建 長(zhǎng)汀 366300）

森林是全球陸地生態(tài)系統(tǒng)的重要組成部分［1］.傳統(tǒng)的森林生態(tài)系統(tǒng)調(diào)查依靠實(shí)地調(diào)查來(lái)收集相關(guān)信息，但是需要大量的人力、物力和財(cái)力，并且容易受到區(qū)域的限制［1-2］.遙感技術(shù)在林業(yè)資源管理中具有監(jiān)測(cè)范圍廣、成像速度快、重訪周期短、數(shù)據(jù)成本低等優(yōu)勢(shì)［3-4］.傳統(tǒng)基于像元的分類方法僅利用了地物的光譜信息，因此難以區(qū)分光譜信息相似的地物，而面向?qū)ο蠓诸惙椒ǖ幕咎幚韱卧菍?duì)象，可在此基礎(chǔ)上充分利用不同對(duì)象的光譜、空間和紋理等相關(guān)特征［5］.光學(xué)圖像中豐富的光譜變量是遙感圖像分類中最重要的變量，研究表明，近紅外和紅邊波段是植被較為敏感的波段［6］.例如，李丹等［7］通過(guò)采用WorldView-2 影像來(lái)識(shí)別典型喬木樹(shù)種，研究發(fā)現(xiàn)紅邊波段明顯改善了識(shí)別結(jié)果；Tigges 等［8］研究發(fā)現(xiàn)RapidEye 影像的紅邊波段能顯著提升植被的分類結(jié)果的準(zhǔn)確性.

歐洲空間局（European Space Agency，ESA）分別于2015 年6 月和2017 年3 月成功發(fā)射了Sentinel-2 系列衛(wèi)星，該衛(wèi)星為森林植被的識(shí)別提供了新的數(shù)據(jù)源，其搭載的多光譜儀（MSI）已被應(yīng)用于樹(shù)種分類實(shí)驗(yàn)中［9-10］.例如，于婉婉等［11］研究發(fā)現(xiàn)不同生長(zhǎng)期的優(yōu)勢(shì)樹(shù)種在Sentinel-2數(shù)據(jù)的紅邊波段表現(xiàn)有不同差異；黃雙燕等［12］利用Sentinel-2影像提取干旱區(qū)農(nóng)作物的分類信息，研究發(fā)現(xiàn)紅邊特征對(duì)于識(shí)別不同作物間的物候差異表現(xiàn)更為敏感.此外，在地形復(fù)雜的山區(qū)，山區(qū)地物通常形成地帶性分布，輔助以地形因子進(jìn)行地類信息提取可顯著提升分類精度.例如，陳元鵬等［13］利用GF-1影像在山地工礦復(fù)墾區(qū)進(jìn)行地類信息提取時(shí)加入地形因子得到了較高精度提取結(jié)果；Dubeau等［14］利用Landsat影像光學(xué)、雷達(dá)和地形變量的組合方式提取達(dá)布斯?jié)竦匦畔?，分類效果較好.考慮到植被生長(zhǎng)茂密的區(qū)域多位于山地丘陵區(qū)，在進(jìn)行地物提取時(shí)復(fù)雜的地形條件會(huì)對(duì)結(jié)果造成較大干擾，導(dǎo)致在開(kāi)展森林植被信息提取時(shí)精度難以滿足林業(yè)資源管理的需求.因此，采用Sentinel-2 影像的紅邊光譜特征輔助地形因子開(kāi)展山區(qū)森林分類研究很有必要.鑒于此，筆者以武夷山國(guó)家公園為研究區(qū)，以較高分辨率的Sentinel-2 影像和ALOS PALSAR 數(shù)據(jù)為數(shù)據(jù)源，采用多尺度分割方法對(duì)多光譜影像進(jìn)行分割以構(gòu)建影像對(duì)象，提取27個(gè)光譜特征變量并計(jì)算其最優(yōu)特征空間，將地形信息與最優(yōu)特征空間相結(jié)合組成3種不同的特征變量子集，在此基礎(chǔ)上對(duì)武夷山國(guó)家公園進(jìn)行森林分類，以期為地形復(fù)雜的山區(qū)高精度森林分類提供有效的技術(shù)手段.

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況武夷山國(guó)家公園（117 °24 ＇13 ″～117 °59 ＇19 ″ E，27 °31 ＇20 ″～27 °55 ＇49 ″ N）（如圖1所示），總規(guī)劃面積1 001.41 km2，屬于中亞熱帶季風(fēng)氣候區(qū)，地貌以山地和丘陵為主，海拔高度差異懸殊，最高處海拔為2 160.8 m，最低處海拔為176.1 m，植被類型多樣，森林覆蓋率為93.74%.

圖1 研究區(qū)示意圖

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 數(shù)據(jù)源本文所用數(shù)據(jù)包括Sentinel-2 數(shù)據(jù)、ALOS PALSAR 高程數(shù)據(jù)、植被分布圖，Sentinel-2 數(shù)據(jù)下載于歐洲航天局（ESA）官方網(wǎng)站（http：//scihub.copernicus.eu/），數(shù)據(jù)獲取時(shí)間為2019 年9 月24 日，ALOS PALSAR高程數(shù)據(jù)下載于美國(guó)阿拉斯加衛(wèi)星設(shè)備分布式活動(dòng)檔案中心（https：//search.asf.Alaska.edu/#/）.植被分布圖來(lái)自國(guó)家林業(yè)和草原局昆明勘察設(shè)計(jì)院.所采用的Sentinel-2相關(guān)波段參數(shù)如表1所示.

表1 Sentinel-2波段介紹

1.2.2 樣本數(shù)據(jù)通過(guò)對(duì)武夷山國(guó)家公園植被分布圖的讀取，參考國(guó)家林業(yè)和草原局出臺(tái)的《國(guó)家森林資源連續(xù)清查技術(shù)規(guī)定 2014》，并結(jié)合研究需求，得到本文實(shí)驗(yàn)區(qū)所涵蓋的地物類別，包括闊葉林、針葉林、竹林、農(nóng)業(yè)用地、建設(shè)用地、水域.通過(guò)Google Earth 高分辨率影像（http：//earth.google.com/）選取樣本點(diǎn)，遵循樣本點(diǎn)的選取盡可能均勻分布的原則，樣本點(diǎn)的空間分布如圖2 所示，共選取750 個(gè)樣本點(diǎn)，158個(gè)針葉林樣本，150個(gè)闊葉林樣本，183個(gè)竹林樣本，62個(gè)農(nóng)業(yè)用地樣本，91個(gè)建設(shè)用地樣本和61個(gè)水域樣本，其中訓(xùn)練樣本533個(gè)，驗(yàn)證樣本217個(gè).

圖2 樣本點(diǎn)空間分布

1.2.3 數(shù)據(jù)預(yù)處理筆者使用的是Sentinel-2 影像中除沿海大氣氣溶膠波段和卷積云波段以外的10 個(gè)波段，首先采用歐空局提供的Sen2Cor插件將下載的數(shù)據(jù)級(jí)別由L1C級(jí)轉(zhuǎn)化為L(zhǎng)2A級(jí)，即將10個(gè)波段的大氣表觀反射率處理成大氣底層反射率，然后在SNAP軟件中全部重采樣為10 m，最終得到實(shí)驗(yàn)所需的包含10個(gè)波段的L2A級(jí)Sentinel-2影像數(shù)據(jù).

2 研究方法

采用面向?qū)ο蟮姆椒ㄟM(jìn)行分類，影像分割是面向?qū)ο蠓诸惙椒ㄖ械闹匾襟E，分割是從子像素開(kāi)始，從上到下合并區(qū)域，直到滿足異質(zhì)性標(biāo)準(zhǔn)［15］，特征提取是利用影像的光譜和空間特征等來(lái)提取分割對(duì)象所需要的類別信息.基于eCognition9.0遙感處理平臺(tái)對(duì)預(yù)處理后的影像進(jìn)行面向?qū)ο蠓诸悓?shí)驗(yàn).為了檢驗(yàn)Sentinel-2 光譜特征和地形因子對(duì)森林分類的能力和貢獻(xiàn)，構(gòu)建了3 個(gè)特征組合方案：方案1：參考光譜指數(shù)；方案2：參考光譜指數(shù)+紅邊指數(shù)；方案3：參考光譜指數(shù)+紅邊指數(shù)+地形因子.3 個(gè)特征組合方案作為隨機(jī)森林分類器的輸入特征，比較不同特征組合方案在分類精度提升上的表現(xiàn)，技術(shù)流程如圖3所示.

圖3 技術(shù)流程

2.1 影像分割與最優(yōu)分割尺度評(píng)價(jià)影像分割是面向?qū)ο蠓诸惖囊粋€(gè)重要部分，分割尺度是決定分割效果的關(guān)鍵.選用基于可見(jiàn)光和近紅外波段的面向?qū)ο蠖喑叨确指罘椒ㄟM(jìn)行影像分割.為避免由于分割尺度不合適所出現(xiàn)的欠分割或過(guò)分割的弊端，采用ESP2（Estimation Scale Parameter）工具輔助目視解譯來(lái)確定影像的最優(yōu)分割尺度.ESP2 來(lái)源于Dragut 等［16］提出的ESP 算法，該工具計(jì)算影像對(duì)象異質(zhì)性局部方差的變化率，生成局部方差變化率曲線，當(dāng)曲線出現(xiàn)峰值時(shí)，表示該點(diǎn)變化率最大，則該點(diǎn)相對(duì)應(yīng)的分割尺度為最優(yōu)分割尺度.

影像多尺度分割在可見(jiàn)光和近紅外4 個(gè)波段上進(jìn)行，經(jīng)過(guò)多次試驗(yàn)，最終形狀因子確定為0.2，緊致度因子確定為0.5，在此基礎(chǔ)上，使用ESP2工具計(jì)算最優(yōu)分割尺度，將分割尺度的步長(zhǎng)設(shè)為1，起始分割尺度設(shè)為30，得到ESP 分割尺度評(píng)價(jià)結(jié)果（如圖4 所示），變化率曲線有多個(gè)峰值，表示影像的最優(yōu)分割尺度參數(shù)有多個(gè)，選擇分割尺度40、50、89、111進(jìn)行分割尺度效果的目視解譯對(duì)比.

圖4 ESP分割尺度評(píng)價(jià)

分割尺度為40、50、89、111 下的分割效果如圖5 所示，圖5a 和e 表示分割尺度為40 時(shí)，闊葉林、針葉林、農(nóng)業(yè)用地等分布區(qū)域面積大的地物類型被分割得較為細(xì)碎，產(chǎn)生了過(guò)分割現(xiàn)象，不滿足實(shí)際地物的分割需求；如果分割尺度過(guò)大，小面積地物會(huì)與大面積地物混雜在一起，導(dǎo)致分割地物的混淆，如圖5c～d 和g～h，當(dāng)分割尺度為89和111時(shí)，同一對(duì)象內(nèi)包含了不同的分割地物，6種地物類型都表現(xiàn)出了不同程度的欠分割現(xiàn)象.而在最佳分割尺度下，既合并了同類地物又與其他地物明顯區(qū)分開(kāi)來(lái)，地物分割都達(dá)到了較好的分割效果，如圖5b 和f，當(dāng)分割尺度為50 時(shí)，各地物類型分割效果較好，分割對(duì)象符合地物實(shí)際空間分布邊界，可在此基礎(chǔ)上進(jìn)行后續(xù)實(shí)驗(yàn).因此，將最優(yōu)分割尺度選定為50.

圖5 不同分割尺度下影像分割效果

2.2 Sentinel-2光譜特征提取根據(jù)參考的相關(guān)文獻(xiàn)［9］，［17-26］，構(gòu)建27個(gè)光譜特征，包含Sentinel-2影像的10個(gè)原始波段和17個(gè)光譜指數(shù)（如表2所示），其中包括11個(gè)紅邊指數(shù).

表2 基于Sentinel-2影像的光譜指數(shù)

2.3 地形因子提取地形因子中包含豐富的地形表面形態(tài)特征信息，將各種地形因子結(jié)合在一起，能夠較好地刻畫(huà)地表起伏的變化.因此，根據(jù)本文需求，將高程、坡度和坡向作為地形因子變量，ALOS PALSAR 數(shù)據(jù)即DEM（Digital Elevation Model）數(shù)字高程模型含有該區(qū)域海拔高度信息；坡度、坡向特征可使用ArcMap軟件從DEM中計(jì)算獲得.

2.4 特征優(yōu)化與分類隨機(jī)森林（Random Forest，RF）算法是Leo 等［27］于2001 年提出的由多個(gè)決策樹(shù)分類器集成的一種機(jī)器學(xué)習(xí)算法.采用RF 模型用來(lái)作為分類與計(jì)算和選擇特征重要性的工具.該算法采用自助法重采樣技術(shù)，將原始樣本中有放回地隨機(jī)抽取2/3的數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練集中的每個(gè)樣本都由多個(gè)決策樹(shù)分類，產(chǎn)生多個(gè)分類結(jié)果，投票決定每個(gè)樣本的分類類別.未被抽取的樣本稱為袋外數(shù)據(jù)（Out of Bag，OOB），OOB誤差越低，RF模型準(zhǔn)確性越高.

RF 算法在完成特定分類任務(wù)的同時(shí)，還可評(píng)估模型中每個(gè)特征變量的重要性.由于Sentinel-2 影像的原始光譜波段豐富，在后續(xù)研究中眾多學(xué)者研究出了相關(guān)光譜指數(shù)，面向?qū)ο蟮姆诸惙椒奢斎氡姸嗵卣鲄⑴c分類，但較多特征會(huì)導(dǎo)致信息的冗余，降低分類的速度和精度.因此，為充分利用影像對(duì)象豐富的光譜與空間特征，采用RF算法中的基尼系數(shù)（Gini）評(píng)估各特征的重要性，確定最優(yōu)特征空間.Gini系數(shù)數(shù)值越大，則表明該特征的重要性也越高.最終根據(jù)重要性排序以及OOB 誤差進(jìn)行特征優(yōu)選，確定最終的特征變量子集.

2.5 精度評(píng)價(jià)本文中3 種特征組合方案的森林分類精度采用混淆矩陣進(jìn)行評(píng)價(jià)，評(píng)價(jià)指標(biāo)有總體精度（Overall Accuracy，OA）、Kappa 系數(shù)、生產(chǎn)者精度（Producer’s Accuracy，PA）、用戶精度（User’s Accuracy，UA）以及調(diào)和平均值（F1）.其中，F(xiàn)1的計(jì)算公式［28］為

3 結(jié)果與分析

3.1 特征重要性排序及評(píng)價(jià)采用RF Gini 系數(shù)計(jì)算得到Sentinel-2 影像27 個(gè)光譜特征的重要性排序（如圖6 所示）.其中重要性排序前五的特征是LSWI、B2（藍(lán)波段）、B4（紅波段）、B12（短波紅外2 波段）和Ndre1.重要性排名最高的特征為L(zhǎng)SWI，為11.79%，該特征由近紅外波段B8 與短波紅外1 波段B11 計(jì)算得到.其次為藍(lán)波段B2和紅波段B4，重要性分別為10.35%和7.50%，其中，藍(lán)波段B2的重要性得分遠(yuǎn)高于其他波段，可能受到其他相關(guān)特征的影響［29］.B12、Ndre1和GNDVI的重要性較高，分別為4.48%、4.37%和4.30%，由于研究區(qū)植被覆蓋度高，植被在此處具有較強(qiáng)的吸收性，所以紅光波段達(dá)到貢獻(xiàn)度高.貢獻(xiàn)度最低的為NDVIre3，重要性得分僅有0.81%.

圖6 特征變量重要性排序

通過(guò)改變特征數(shù)量得到27 個(gè)光譜特征數(shù)量與分類精度的關(guān)系如圖7a 所示，前期精度值隨特征數(shù)的增多快速增加，此后持續(xù)保持上下浮動(dòng)的趨勢(shì)，當(dāng)特征數(shù)為17 時(shí)，精度達(dá)到最大值0.911 0.因此，在森林分類中選擇重要性排序較高的前17個(gè)光譜特征構(gòu)建最優(yōu)特征空間.對(duì)這17個(gè)特征中所包含的Sentinel-2原始波段數(shù)量進(jìn)行統(tǒng)計(jì)（如圖7（b）所示），數(shù)量最多的是B4（紅波段），8個(gè)；其次是B8（近紅外波段），5個(gè)；B5（紅邊1 波段），5 個(gè).此外，B6（紅邊2 波段）和B7（紅邊3 波段）也較多，進(jìn)一步表明紅邊波段在森林分類中具有較高的貢獻(xiàn)度.

圖7 特征數(shù)量與分類精度的關(guān)系和重要特征波段統(tǒng)計(jì)

3.2 分類結(jié)果與精度評(píng)價(jià)采用面向?qū)ο蠖喑叨确指罘椒ńY(jié)合不同特征組合方案進(jìn)行森林分類，如圖8所示.在方案1中僅利用參考光譜特征分類（圖8b）時(shí)，“椒鹽現(xiàn)象”十分明顯；在方案2中加入紅邊特征參與分類（圖8c）后效果較好，各地類的圖斑破碎度有所降低；在方案3 中將光譜特征與地形因子結(jié)合進(jìn)行分類（圖8d）后效果最好，各地類“椒鹽現(xiàn)象”得到改善.此外，將分類結(jié)果與Sentinel-2影像對(duì)比可以看出，闊葉林、針葉林與竹林交錯(cuò)分布，闊葉林分布面積最大，最連續(xù)；竹林與闊葉林鑲嵌分布，且與農(nóng)業(yè)用地交錯(cuò)分布；針葉林分布較為集中.

圖8 分類結(jié)果

不同特征組合方案的分類結(jié)果精度對(duì)比如圖9 所示.方案1、2 和3 的總體精度（OA）與Kappa 系數(shù)分別為88.13%、0.856 4，89.50%、0.871 0 和90.87%、0.887 8.對(duì)比分析3 種特征組合的森林分類精度，僅使用參考光譜特征分類時(shí)，闊葉林、竹林和農(nóng)業(yè)用地的生產(chǎn)者精度（PA）較低，三者的F1分別為0.81、0.88和0.67.加入紅邊特征進(jìn)行分類后，闊葉林和竹林的生產(chǎn)者精度（PA）分別提升至0.88和0.90，其F1都提升了0.03，闊葉林和農(nóng)業(yè)用地的用戶精度（UA）分別從方案1 的0.76 和0.61 提升至0.79 和0.70.在光譜特征基礎(chǔ)上加入地形特征參與森林分類時(shí)，竹林和農(nóng)業(yè)用地的生產(chǎn)者精度（PA）分別提升至0.92和0.77，相對(duì)于方案1來(lái)說(shuō)分別提升了0.08和0.05，相對(duì)于方案2來(lái)說(shuō)提升了0.02和0.15，F(xiàn)1分別提高至0.92和0.79，比只使用參考光譜指數(shù)提升了0.03 和0.12，闊葉林和農(nóng)業(yè)用地的用戶精度（UA）提升至0.82 和0.81，相對(duì)于方案1 提升了0.06 和0.20.由此可見(jiàn)，方案3 的總體分類精度（OA）和Kappa 系數(shù)最高，表明將Sentinel-2的光譜特征與研究區(qū)地形因子相結(jié)合作為分類器的輸入變量參與分類時(shí)，能在一定程度上提高森林分類精度，得到最佳的分類效果.

圖9 不同特征組合的分類精度對(duì)比

不同特征組合分類混淆矩陣如圖10所示.使用方案1進(jìn)行分類的效果較差，如圖10a所示，特別是農(nóng)業(yè)用地與竹林和闊葉林之間存在一定程度上的地物混淆，導(dǎo)致分類結(jié)果整體來(lái)看效果欠佳，這是因?yàn)橹窳?、闊葉林和農(nóng)業(yè)用地在Sentinel-2 影像上視覺(jué)差較小，因此僅利用參考光譜指數(shù)很難將三者區(qū)分開(kāi).如圖10b所示，在方案2中加入紅邊特征后，竹林精度有了明顯提高，說(shuō)明竹林對(duì)于紅邊數(shù)據(jù)敏感度更高.方案3中加入地形因子后，如圖10c所示，闊葉林與農(nóng)業(yè)用地2類地物相比方案1和方案2來(lái)說(shuō)可更為有效的區(qū)分開(kāi)，說(shuō)明地物的分布與地形有一定程度上的相關(guān)性.

圖10 不同特征組合的分類混淆矩陣

從3 種分類特征組合結(jié)果可見(jiàn)，方案3 使用Sentinel-2 的光譜特征輔助地形信息的總體分類精度（OA）、Kappa 系數(shù)和F1最高，其次為方案2，方案1 的分類精度最低，效果最不好.闊葉林、針葉林、竹林和農(nóng)業(yè)用地在方案3中取得較好的效果.由此可見(jiàn)，由于植被對(duì)紅邊波段的敏感度更高，紅邊波段對(duì)于森林分類也顯得更為重要，此外，加入地形因子可提高地形復(fù)雜區(qū)域地類信息提取的精度，這與陳元鵬等［13］、Dubeau等［14］的研究結(jié)論相同.

3.3 分類結(jié)果與地形因子分異統(tǒng)計(jì)分析為分析各地類在高程、坡向和坡度上的分布特點(diǎn)，通過(guò)自然間斷法對(duì)高程、坡向、坡度3種地形因子重分類［30］，利用ArcMap分區(qū)統(tǒng)計(jì)工具統(tǒng)計(jì)不同地形因子等級(jí)內(nèi)森林類型面積所占比例，不同森林類型在高程、坡向、坡度上的統(tǒng)計(jì)結(jié)果如圖11所示.各森林類型面積比例隨著高程的不同而出現(xiàn)明顯差異如圖11a 所示，其中，針葉林的面積比例隨著高程的升高波動(dòng)起伏較大，在1 427～1 661 m 和1 662～2 162 m 范圍內(nèi)占比分別為63%和57%；農(nóng)業(yè)用地、水域和建設(shè)用地在178～446 m范圍內(nèi)占比為46%.各森林類型面積比例在不同的坡向上也有明顯的地形響應(yīng)如圖11b所示，其中，農(nóng)業(yè)用地、水域和建設(shè)用地在平面上面積占比為79%，闊葉林在東坡、東南坡和南坡的分布面積比例遠(yuǎn)高于其他森林類型.各個(gè)森林類型的面積比例隨著坡度的升高而出現(xiàn)明顯且較為規(guī)律的變化如圖11c 所示，闊葉林、竹林和針葉林的面積比例隨著坡度的增大逐漸升高，農(nóng)業(yè)用地、建設(shè)用地和水域隨著坡向的增加面積占比逐漸減小.由此可見(jiàn)，不同森林類型的分布與地形因子之間存在一定的規(guī)律性，所以在進(jìn)行山區(qū)森林分類時(shí)加入地形因子是提高分類精度的一種有效手段.

圖11 分類結(jié)果與地形因子統(tǒng)計(jì)

4 結(jié)束語(yǔ)

利用多尺度分割的方法對(duì)Sentinel-2 影像進(jìn)行分割以構(gòu)建影像對(duì)象，在此基礎(chǔ)上提取影像的光譜特征，將其與研究區(qū)地形因子相結(jié)合，構(gòu)建3種特征組合方案對(duì)武夷山國(guó)家公園進(jìn)行森林分類.結(jié)果表明：

1）為避免特征數(shù)量過(guò)多導(dǎo)致的信息冗余，采用RF Gini系數(shù)對(duì)特征空間進(jìn)行重要性評(píng)估，在Sentinel-2影像上重要性排名前17 的最優(yōu)特征空間中，紅波段、近紅外波段和新增的紅邊波段在森林分類中的重要性較高；

2）不同特征組合方案參與分類時(shí)，光譜特征與地形因子組合變量的分類方案精度最高，總體分類精度為90.87%，Kappa系數(shù)為0.887 8.因此，采用Sentinel-2紅邊光譜特征結(jié)合地形因子的多特征組合方法是提高山區(qū)森林分類精度的一種有效手段.

隨著遙感影像空間、光譜及時(shí)間分辨率的提高，充分利用Sentinel-2 影像紅邊波段光譜信息并將其與地形信息相結(jié)合的方式是實(shí)現(xiàn)森林高精度分類的一種有效手段.但筆者僅討論了單一時(shí)相下將Sentinel-2影像的光譜特征和地形特征相結(jié)合的森林分類方法，下一步研究如何融合多時(shí)相遙感影像，將其應(yīng)用于山區(qū)復(fù)雜地形條件下的森林制圖.