下载文档原格式
信息可视化技术的分类研究
杨峰;李蔚
【期刊名称】《图书与情报》
【年(卷),期】2007(000)003
【摘要】信息可视化是情报学中快速发展的新领域.对其技术或系统进行分类有助于理解信息可视化.文章首先总结了早期一些分类的思想和方案,从可视化对象的不同层次出发,提出了新的分类方法,并总结了该分类的优点.
【总页数】5页(P81-85)
【作者】杨峰;李蔚
【作者单位】广东商学院广东省电子商务市场应用技术重点实验室,广东广
州,510320;广东商学院图书馆,广东广州,510320
【正文语种】中文
【中图分类】TP391;G354
【相关文献】
1.面向对象技术在管理信息可视化分类研究中的应用 [J], 张伟;王学义;马维宁
2.遥感信息专题分类不确定性的可视化研究 [J], 阿依姑丽·托合提;瓦哈甫·哈力克;玛依拉·麦麦提艾力
3.基于信息可视化技术的地理空间元数据可视化研究 [J], 徐少坤;宋国民;王海葳;陈令羽
4.专题地图量化信息图形可视化数学基础分类体系研究 [J], 张军海;胡文亮
5.可视化商品信息分类研究 [J], 余小鹏
因版权原因，仅展示原文概要，查看原文内容请购买。
我国科技型中小企业信用风险评价模型——基于MLP神经网络的实证分析温小霓;韩鑫蕊【摘要】针对科技型中小企业,首先建立了一个多层次的信用风险评价指标体系,并利用t检验和因子分析对指标体系进行简化和降维,然后在此基础上构建基于MLP 神经网络的科技型中小企业信用风险评价模型.最后,以中小企业板的66家科技型上市公司作为研究样本进行实证分析,检验结果表明,本文建立的针对于科技型中小企业的信用风险评价模型具有较高的准确率.【期刊名称】《科技和产业》【年(卷),期】2017(017)012【总页数】8页(P159-166)【关键词】科技金融;神经网络;信用风险;评估模型【作者】温小霓;韩鑫蕊【作者单位】西安电子科技大学经济与管理学院 ,西安710126;西安电子科技大学经济与管理学院 ,西安710126【正文语种】中文【中图分类】F276.44随着信息技术的高速发展和大数据时代的到来，我国越来越重视科学与技术的创新和发展，科技型中小企业作为创新的微观载体和实体经济的中坚力量发挥着越来越显著的作用。
在科技型企业成长的过程中，金融支持扮演着不可或缺的角色，国际华人科技工商协会主席李大西曾表示，“科技是第一生产力，金融是第一推动力”，足以见得科技创新与金融创新的深度融合是推动技术进步与经济增长的重要引擎。
目前，很多地区都在践行着这一理念，各级政府也在扶植科技型企业方面发挥着积极的引导作用，付诸了切实的努力，如鼓励创建孵化器、设立技术创新基金以及提供政策支持、减税补贴等等。
然而，对于企业最根本的信贷、融资问题却一直没有得到很好地解决。
出现这种困境，一方面是因为其投资风险普遍高于传统企业，具体表现为：研发周期长、轻资产运营、缺乏抵押物、信贷记录少，且市场对于新开发的技术和产品是否认同和接纳存在很大不确定性，这违背了银行谨慎性经营的原则，降低了金融机构为其提供贷款的积极性。
另一方面是因为我国科技金融的发展起步较晚，在风险识别、度量等方面仍以经验分析为主，主观性较强，并且金融机构对科技型企业进行贷款审查时，仍参照传统企业的信用风险评价标准，不能客观公正的反应科技型企业真实的信用状况。
可可的新分类系统
佚名
【期刊名称】《《世界热带农业信息》》
【年(卷),期】2009(000)006
【摘要】经过空前的、全面的研究，新筛选计划提出使用10个可可形态组（包含1200个个体），由法国国际农艺发展研究中心（CIRAD）联合执行。
该计划还集中了世界性的科研队伍，包括美国、法国、巴西和厄瓜多尔的研究人员。
【总页数】2页(P25-26)
【正文语种】中文
【中图分类】TU528.31
【相关文献】
1.慢性胃炎的新分类——悉尼系统与改订悉尼系统 [J], 杉山敏郎
2.中国苦苣苔科植物中王文采旧分类系统与Weber新分类系统的名实更替 [J], 符龙飞;黎舒;辛子兵;温放;韦毅刚
3.2018牙周病和植体周病国际新分类——牙周炎分期分级疾病定义系统临床应用体会 [J], 束蓉; 倪靖
4.刍议APG新分类系统在"树木学"教学中的应用 [J], 李蒙;段一凡;伊贤贵;王贤荣
5.六足总纲系统发育研究进展与新分类系统 [J], 袁锋;袁向群
因版权原因，仅展示原文概要，查看原文内容请购买。
近二十年来植物分类学的进展
徐炳声
【期刊名称】《《植物科学学报》》
【年(卷),期】1987(000)001
【摘要】过去近二十年中,可以看到在植物分类学和系统学领域里,异常丰硕的成果和各种不同形式的活动。
这些年在宏观系统学(macrosystematics)方面所获得的新资料和新的研究方法,充分说明这一领域的进展是令人鼓舞的。
本文主要以Heywood的近著《植物分类学当前的景象》为蓝本,对这一领域的新发展和新动向作一简要回顾。
【总页数】16页(P77-92)
【作者】徐炳声
【作者单位】复旦大学生物系上海
【正文语种】中文
【中图分类】G6
【相关文献】
1.莎草属植物分类学研究进展 [J], 田雪芬
2.润楠属植物分类学研究进展 [J], 钟义;程欢;邓雄;彭晓春;白中炎;陈志良;钟志强
3.近二十年来植物分类学的进展 [J], 徐炳声
4.铁线莲属植物分类学及园艺学研究进展 [J], 张燕;黎斌;李思锋
5.蜘蛛抱蛋属植物分类学研究进展 [J], 刘安莉;吕定豪;王霞;叶新;封帆;曾真;何顺志
因版权原因，仅展示原文概要，查看原文内容请购买。
基于迁移学习和逻辑回归模型的花卉分类研究
陈卫国;莫胜撼
【期刊名称】《南方农机》
【年(卷),期】2024(55)1
【摘要】【目的】不同种花卉之间的相似性以及同种花卉内部的多变性加大了花卉图像分类难度,其难点是要人工设计出能充分体现花卉颜色、形状和花瓣形态等特征的特征提取方法。
传统的花卉图像分类方法的精度不高且模型的泛化能力较差,这些问题亟待解决。
【方法】课题组提出一种基于数据增强的VGG16迁移学习卷积神经网络提取花卉图像特征,再训练多类逻辑回归模型的花卉图像分类识别方法;并且通过在flowers17和flowers102花卉数据集上进行测试,来验证课题组所提出的花卉分类识别方法的有效性。
【结果】课题组所提出的花卉分类识别方法在flowers17和flowers102数据集中分别达到了97.89%和92.10%的分类精度,高于现有其他花卉图像分类方法。
【结论】通过预训练的深度人工神经网络提取的高区分度的花卉图像特征,优于人工设定的花卉图像特征,能训练出更高效精准的花卉识别分类器。
基于本研究内容,下一步可对VGG16网络进行降维改进,让模型参数减少,从而实现快速实时应用。
【总页数】6页(P139-143)
【作者】陈卫国;莫胜撼
【作者单位】广西机电职业技术学院电气工程学院
【正文语种】中文
【中图分类】TP391.4;S126
【相关文献】
1.基于显著性检测和迁移学习的花卉图像分类
2.基于卷积神经网络和迁移学习的花卉图像分类
3.欧盟内选民赞成脱欧的动机分析——基于政党分类与逻辑回归模型的实证分析
4.一种基于逻辑回归的柴油机工况分类模型
因版权原因，仅展示原文概要，查看原文内容请购买。
第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（４２１６１０５７）㊂第一作者简介：王洁，女，１９９９年１０月生，江西理工大学土木与测绘工程学院，硕士研究生㊂Ｅ－mail：187****9219＠１６３．ｃｏｍ㊂通信作者：李恒凯，江西理工大学土木与测绘工程学院，教授㊂Ｅ－ｍａｉｌ：ｇｉｓｋａｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月１１日㊂责任编辑：王广建㊂应用多时序特征的哨兵系列影像对南方丘陵区树种识别１）王洁㊀李恒凯龙北平张建莹（江西理工大学，赣州，３４１０００）㊀（江西省煤田地质局测绘大队）㊀（江西理工大学）㊀㊀摘㊀要㊀树种分类是森林资源调查和监测的重要工作，杉木和油茶作为袁州区主要经济树种，准确获取树种空间分布信息，对产量估算和资源管理具有重要意义㊂以江西省宜春市袁州区为研究区，试验融合时序哨兵－１（Ｓｅｎｔｉｎｅｌ－１）㊁哨兵－２（Ｓｅｎｔｉｎｅｌ－２）等数据，结合中国南方丘陵区树种特点，提取植被指数㊁红边植被指数㊁地形特征和纹理特征等构建特征变量组合，分别利用分离阈值法（ＳＥａＴＨ）和特征权重算法（ＲｅｌｉｅｆＦ）进行特征重要性排序和特征优选，分析各特征对树种分类的影响㊂结果表明：①在使用光谱特征和植被－水体指数的基础上加入不同特征后，树种分类精度均有提升，其中纹理特征的加入更有利于树种分类㊂②结合随机森林算法和特征权重算法（ＲｅｌｉｅｆＦ）对树种分类的精度最高，总体精度为８５．３３％，Ｋａｐｐａ系数为０．８１，优于相同特征组下的支持向量机算法和分类回归树算法㊂关键词㊀树种分类；哨兵－１；哨兵－２；特征优选；随机森林；中国南方丘陵分类号㊀Ｓ７７１ＴｒｅｅＳｐｅｃｉｅｓＩｄｅｎｔｉｆｉｃａｔｉｏｎｉｎＳｏｕｔｈｅｒｎＨｉｌｌｙＡｒｅａｓＵｓｉｎｇＳｅｎｔｉｎｅｌＳｅｒｉｅｓＩｍａｇｅｓｗｉｔｈＭｕｌｔｉ⁃ＴｅｍｐｏｒａｌＦｅａｔｕｒｅｓ／／ＷａｎｇＪｉｅ，ＬｉＨｅｎｇｋａｉ（ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ３４１０００，Ｐ．Ｒ．Ｃｈｉｎａ）；ＬｏｎｇＢｅｉｐｉｎｇ（ＪｉａｎｇｘｉＰｒｏｖｉｎｃｉａｌＣｏａｌＧｅｏｌｏｇｙＢｕｒｅａｕｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇＢｒｉｇａｄｅ）；ＺｈａｎｇＪｉａｎｙｉｎｇ（ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉ⁃ｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：６０－６８．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｔａｓｋｉｎｆｏｒｅｓｔｒｅｓｏｕｒｃｅｉｎｖｅｓｔｉｇａｔｉｏｎａｎｄｍｏｎｉｔｏｒｉｎｇ．ＩｎｔｈｅＹｕａｎｚｈｏｕｒｅｇｉｏｎ，Ｃｈｉｎｅｓｅｆｉｒａｎｄｃａｍｅｌｌｉａｏｉｌｔｒｅｅｓｔａｎｄｏｕｔａｓｔｈｅｐｒｉｍａｒｙｅｃｏｎｏｍｉｃｔｒｅｅｓｐｅｃｉｅｓ．Ａｃｃｕｒａｔｅｌｙｏｂｔａｉｎｉｎｇｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎ⁃ｆｏｒｍａｔｉｏｎｏｆｔｒｅｅｓｐｅｃｉｅｓｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｙｉｅｌｄｅｓｔｉｍａｔｉｏｎａｎｄｒｅｓｏｕｒｃｅｍａｎａｇｅｍｅｎｔ．ＴａｋｉｎｇｔｈｅｓｔｕｄｙａｒｅａｏｆＹｕａｎｚｈｏｕＤｉｓｔｒｉｃｔ，ＹｉｃｈｕｎＣｉｔｙ，ＪｉａｎｇｘｉＰｒｏｖｉｎｃｅ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｆｕｓｅｄｔｈｅｄａｔａｏｆｔｉｍｅ－ｓｅｒｉｅｓＳｅｎｔｉｎｅｌ－１（Ｓｅｎｔｉｎｅｌ－１）ａｎｄＳｅｎｔｉｎｅｌ－２（Ｓｅｎｔｉｎｅｌ－２），ａｎｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｔｒｅｅｓｐｅｃｉｅｓｉｎｔｈｅｓｏｕｔｈｅｒｎｈｉｌｌｙａｒｅａｓｏｆＣｈｉ⁃ｎａ，ａｎｄｅｘｔｒａｃｔｅｄｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ，ｔｈｅｒｅｄ⁃ｅｄｇｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｅｓ，ｔｈｅｔｏｐｏｇｒａｐｈｉｃｆｅａｔｕｒｅｓａｎｄｔｈｅｔｅｘｔｕｒａｌｆｅａｔｕｒｅｓｔｏｃｏｎｓｔｒｕｃｔｔｈｅｃｏｍｂｉｎａｔｉｏｎｓｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｒｉａｂｌｅｓ．Ｔｈｅｆｅａｔｕｒｅｉｍｐｏｒｔａｎｃｅｒａｎｋｉｎｇａｎｄｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｗｅｒｅｐｅｒ⁃ｆｏｒｍｅｄｕｓｉｎｇｔｈｅＳＥａＴＨｍｅｔｈｏｄａｎｄｔｈｅＲｅｌｉｅｆＦａｌｇｏｒｉｔｈｍ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｉｍｐａｃｔｏｆｅａｃｈｆｅａｔｕｒｅｏｎｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉ⁃ｆｉｃａｔｉｏｎｗａｓａｎａｌｙｚｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ：（１）Ｔｈｅａｄｄｉｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓｉｍｐｒｏｖｅｄｔｈｅａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｏｎｔｈｅｂａｓｉｓｏｆｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓａｎｄｖｅｇｅｔａｔｉｏｎ⁃ｗａｔｅｒｉｎｄｅｘ，ｗｉｔｈｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｂｅｉｎｇｍｏｒｅｂｅｎｅｆｉｃｉａｌｆｏｒｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ．（２）ＴｈｅｃｏｍｂｉｎａｔｉｏｎｏｆＲａｎｄｏｍＦｏｒｅｓｔａｌｇｏｒｉｔｈｍａｎｄＲｅｌｉｅｆＦａｌｇｏｒｉｔｈｍａｃｈｉｅｖｅｄｔｈｅｈｉｇｈｅｓｔａｃ⁃ｃｕｒａｃｙｉｎｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ８５．３３％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．８１，ｏｕｔｐｅｒｆｏｒｍｉｎｇＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅａｌｇｏｒｉｔｈｍａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅａｌｇｏｒｉｔｈｍｗｉｔｈｔｈｅｓａｍｅｆｅａｔｕｒｅｓｅｔ．Ｋｅｙｗｏｒｄｓ㊀Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ；Ｓｅｎｔｉｎｅｌ－１；Ｓｅｎｔｉｎｅｌ－２；Ｆｅａｔｕｒｅｏｐｔｉｍｉｚａｔｉｏｎ；Ｒａｎｄｏｍｆｏｒｅｓｔ；Ｃｈｉｎａｓｏｕｔｈ⁃ｅｒｎｈｉｌｌｓ㊀㊀森林生态系统变化的长期调查监测与评价是实现经济㊁社会与环境和谐快速发展的保障［１］㊂中国南方丘陵地区位于秦岭－淮河以南㊁青藏高原以东的山地和丘陵分布区，区域内森林资源丰富，植被覆盖面积广㊁林分结构复杂㊁地形破碎，传统的森林资源调查方法成本高㊁周期长㊂通过遥感影像能快速㊁准确地进行树种识别和分类，已有多种类型遥感影像应用于树种识别和监测［２－５］㊂利用时序遥感影像提取和分析植被物候信息，能够准确的反映植被生长过程中明显的季节周期性变化，进而提升树种分类的效果［６－７］㊂近年来，欧洲空间局（ＥＳＡ）哥白尼计划发布的哨兵－２（Ｓｅｎｔｉｎｅｌ－２）时间序列影像数据，为树种分类提供了具有高空间分辨率的数据源㊂其红边㊁近红外和短波红外等波段提供了多种光谱信息，在树种识别研究中具有巨大潜力［８］㊂然而，在大尺度多云雨的南方丘陵地区，光学影像数据的获取极易受到限制㊂合成孔径雷达（ＳＡＲ）具有全天时㊁全天候等特点，雷达后向散射系数能够提供不同于光学影像的信息，包括植被的含水量㊁土壤含水量以及地表的几何特征等，广泛用于植被监测及分类㊂杨丹等［９］利用时序哨兵－１（Ｓｅｎｔｉｎｅｌ－１）数据和深度循环网络方法对植被进行分类制图，总体精度为８２％㊂为了提高树种分类精度，将光谱数据和其它数据相结合，发现对树冠形状不同的树种，纹理特征具有重要作用［１０］㊂不同空间分布的树种的地形特征也有所不同，地形特征对地形复杂区域树种的提取也具有重要作用［１１］㊂黄翀等［１２］利用Ｓｅｎｔｉｎｅｌ－２和Ｓｅｎｔｉｎｅｌ－１对人工林进行分类，总体精度为８５％，验证了纹理特征㊁后向散射特征在树种精细分类上的能力㊂Ｍａｅｔａｌ．［１３］通过实验证明地形特征能提高树种提取精度㊂因此，利用雷达㊁光学影像数据和地形数据提取不同树种特征，可实现多源遥感互补［１４］㊂除影像数据外，算法也是影响树种分类精度的重要因素，遥感数据和机器学习的结合已成为树种分类的主要方法㊂Ｗａｎｇｅｔａｌ．［１５］使用随机森林（ＲＦ）算法结合多时相㊁多特征Ｓｅｎｔｉｎｅｌ－２数据对长白山树种进行分类，总体精度为９９．７９％；Ｈｕｅｔａｌ．［１６］采用支持向量比（ＳＶＭ）算法应用多源遥感数据对树种进行分类，总体精度为８９％；Ｃｈｅｎｅｔａｌ．［１７］采用决策树算法（ＣＡＲＴ）和ＱｕｉｃｋＢｉｒｄ图像进行树种分类，总体精度为８０．５０％㊂表明随机森林算法（ＲＦ）㊁支持向量机算法（ＳＶＭ）㊁决策树算法（ＣＡＲＴ）等机器学习算法均可以用于树种分类㊂本研究以江西省宜春市袁州区为例，结合研究区林地实地调查数据，将时序Ｓｅｎｔｉｎｅｌ－１㊁Ｓｅｎｔｉｎｅｌ－２和数字高程模型（ＤＥＭ）数据相结合，提取不同树种特征，利用分离阈值法（ＳＥａＴＨ）和特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选，通过ＲＦ㊁ＳＶＭ和ＣＡＲＴ分类算法进行对比分析，构建适用于南方丘陵山地的最佳树种分类算法模型，并验证多源数据相结合对大范围树种分类提取的可行性㊂分析适合南方丘陵地区树种分类的最佳特征因子组合，提取不同树种的空间分布信息，提高森林资源调查和监测的时效性㊂１㊀研究区概况袁州区位于中国江西省宜春市西南部，地理坐标位于１１３ʎ５４ᶄ １１４ʎ３７ᶄＥ㊁２７ʎ３３ᶄ ２８ʎ５ᶄＮ，土地总面积２５３２ｋｍ２㊂区域内地貌以山地㊁丘陵为主，地势西高东低，是典型的南方丘陵区㊂气候属亚热带季风湿润性气候，森林资源丰富，植被物种多种多样，森林覆盖率达６０．１５％㊂袁州区主要树种为杉木（Ｃｕｎｎｉｎｇｈａｍｉａｌａｎｃｅｏｌａｔａ）㊁油茶（Ｃａｍｅｌｌｉａｏｌｅｉｆ⁃ｅｒａ）㊁松树（Ｐｉｎｕｓ）等㊂其中，杉木㊁松树和桉树（Ｅｕ⁃ｃａｌｙｐｔｕｓ）并称为中国南方三大用材树种，具有较高的经济价值㊂油茶产业是袁州区的特色优势产业，其产量和面积均位于中国前列㊂根据袁州区林地实地调查数据提取边界，划分区域总面积为２２２１．５ｋｍ２（见图１）㊂本研究采用的行政区划数据来源于全国地理信息资源目录服务系统（ｈｔｔｐｓ：／／ｗｗｗ．ｗｅｂｍａｐ．ｃｎ）㊂２㊀研究方法２．１㊀数据来源与处理本研究所使用的Ｓｅｎｔｉｎｅｌ系列数据来源哥白尼开放存取中心（ｈｔｔｐｓ：／／ｓｃｉｈｕｂ．ｃｏｐｅｒｎｉｃｕｓ．ｅｕ／），Ｓｅｎ⁃ｔｉｎｅｌ－１为干涉宽幅模式（ＩＷ）的地距多视产品（ＧＲＤ），分辨率为１０ｍ，极化方式为ＶＶ＋ＶＨ㊂Ｓｅｎ⁃ｔｉｎｅｌ－２拥有１３个不同空间分辨率的光谱波段，试验选取１０ｍ和２０ｍ空间分辨率波段共１０个㊂数字高程模型（ＤＥＭ）数据下载于地理空间数据云平台（ｈｔｔｐ：／／ｗｗｗ．ｇｓｃｌｏｕｄ．ｃｎ）㊂影像数据采集时间见表１，研究所使用的Ｓｅｎｔｉｎｅｌ－２影像波段信息见表２㊂图１㊀研究区地理位置表１㊀影像数据采集时间表月份哨兵－１哨兵－２１月２０１９－０１－０８㊁２０１９－０１－２０－２月２０１９－０２－０１㊁２０１９－０２－１３－３月２０１９－０３－０９㊁２０１９－０３－２１－４月２０１９－０４－０２㊁２０１９－０４－１４－５月２０１９－０５－０８㊁２０１９－０５－２０－６月２０１９－０６－０１㊁２０１９－０６－１３－７月２０１９－０７－０７㊁２０１９－０７－１９－８月２０１９－０８－１２㊁２０１９－０８－２４－９月２０１９－０９－０５㊁２０１９－０９－１７２０１９－０９－２２１０月２０１９－１０－１１㊁２０１９－１０－２３２０１９－１０－０２１１月２０１９－１１－０４㊁２０１９－１１－１６２０１９－１１－０１１２月２０１９－１２－１０㊁２０１９－１２－２２２０１９－１２－０６表２㊀本研究使用的哨兵－２波段信息波段中心波长／ｎｍ分辨率／ｍＢ２（蓝光波段）㊀４９０１０Ｂ３（绿光波段）５６０１０Ｂ４（红光波段）６６５１０Ｂ５（红边波段１）７０５２０Ｂ６（红边波段２）７４０２０Ｂ７（红边波段３）７８３２０Ｂ８（近红外波段）８４２１０Ｂ８ａ（狭窄近红外波段）８６５２０Ｂ１１（短波红外１）１６１０２０Ｂ１２（短波红外２）２１９０２０㊀㊀Ｓｅｎｔｉｎｅｌ－１数据通过轨道校正㊁热噪声去除㊁辐射定标㊁滤波㊁地形校正和分贝化处理将其转化为后向散射系数图，最后进行裁剪得到研究区雷达影像㊂１６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，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Ｓｅｎｔｉｎｅｌ－２数据通过大气校正，将其从Ｌ１Ｃ级数据转化为Ｌ２Ａ级别数据，剔除６０ｍ分辨率波段后，将２０ｍ分辨率波段重采样至１０ｍ分辨率，最后进行裁剪拼接㊂ＤＥＭ数据经过拼接裁剪后重采样至１０ｍ分辨率，并生成地形因子㊂样本点数据来源于２０１９年袁州区林地实地调查数据㊂根据研究区植被覆盖情况，确定分类类别为油茶㊁杉木㊁松树㊁其它树种㊁耕地㊁裸地㊁水体和建设用地等８类㊂根据林地调查图生成油茶㊁杉木㊁松树和其它树种等４类样本随机点，然后通过谷歌地图（ＧｏｏｇｌｅＥａｒｔｈ）高分辨率影像和实地调查数据剔除异常点㊂通过目视解译得到耕地㊁裸地㊁水体和建设用地等４类样本㊂最后得到油茶样本２７１０个㊁杉木样本３１８４个㊁松树样本８１０个㊁其它树种样本２８７３个㊁耕地样本６５８个㊁裸地样本１７７个㊁水体样本１２８个㊁建设用地样本３２１个，按照７ʒ３的比例随机分为训练样本和验证样本㊂利用预处理后的Ｓｅｎｔｉｎｅｌ－１㊁Ｓｅｎｔｉｎｅｌ－２和ＤＥＭ数据提取不同特征㊂在光谱特征㊁水体指数和植被指数的基础上，通过不同的特征组合，构建多特征随机森林树种分类模型，然后分别利用分离阈值法和特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选，筛选出最佳分类特征组合，然后与ＳＶＭ和ＣＡＲＴ分类算法进行对比分析㊂利用混淆矩阵评估３种算法分类结果，选择最优树种分类模型（见图２）㊂图２㊀技术路线与特征变量组合方案信息２．２㊀树种分类特征提取选取Ｓｅｎｔｉｎｅｌ－２影像的Ｂ２（蓝光）㊁Ｂ３（绿光）㊁Ｂ４（红光）㊁Ｂ５（红边１）㊁Ｂ６（红边２）㊁Ｂ７（红边３）㊁Ｂ８（近红外）㊁Ｂ８ａ（狭窄近红外）㊁Ｂ１１（短波红外１）㊁Ｂ１２（短波红外２）波段作为研究波段，并提取水体指数㊁植被指数和红边指数（见表３）㊂采用灰度共生矩阵（ＧＬＣＭ）提取纹理特征（均值㊁方差㊁同质性㊁对比度㊁差异性㊁熵㊁二阶矩和相关性），为了避免数据冗余，首先对Ｓｅｎｔｉｎｅｌ－２数据进行主成分分析，提取第一主成分数据，根据第一主成分进行纹理特征提取㊂利用ＤＥＭ数据提取高程㊁坡度㊁坡向作为地形特征㊂根据Ｓｅｎｔｉｎｅｌ－１雷达数据提取后采用ＶＶ和ＶＨ双极化方式的后向散射系数（后向散射系数ＶＶ㊁后向散射系数ＶＨ）作为雷达特征㊂共获取适应南方丘陵山区的３５类特征变量［１８］㊂２．３㊀树种分类特征优选综合利用多种特征分类，能够充分利用遥感数据信息，提高树种提取精度㊂但相关性较弱的特征在分类时会造成特征冗余，导致分类精度的降低㊂特征优选的原则是在确保分类精度的前提下使用较２６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷少的特征子集，对特征集进行特征优选能够有效提升分类效率㊂表３㊀各特征变量及表达式特征类型特征变量特征变量的表达式光谱特征光谱波段Ｂ２（蓝光）㊁Ｂ３（绿光）㊁Ｂ４（红光）㊁Ｂ８（近红外）㊁Ｂ８ａ（狭窄近红外）㊁Ｂ１１（短波红外１）㊁Ｂ１２（短波红外２）植被指数比值植被指数（ＩＲＶＩ）ＩＲＶＩ＝Ｂ８ａ／Ｂ４归一化植被指数（ＩＮＤＶＩ）ＩＮＤＶＩ＝（Ｂ８ａ－Ｂ４）（Ｂ８ａ＋Ｂ４）绿通道植被指数（ＩＧＮＤＶＩ）ＩＧＮＤＶＩ＝（Ｂ８ａ－Ｂ３）／（Ｂ８ａ＋Ｂ３）植被差异指数（ＩＤＶＩ）ＩＤＶＩ＝Ｂ８－Ｂ４改良版土壤调整植被指数（ＩＭＳＡＶＩ）ＩＭＳＡＶＩ＝（（２Ｂ８ａ＋１）－（２Ｂ８ａ＋１）２－８（Ｂ８ａ－Ｂ４））／２水体指数归一化水体指数（ＩＮＤＷＩ）ＩＮＤＷＩ＝（Ｂ３－Ｂ８ａ）／（Ｂ３＋Ｂ８ａ）改进归一化水体指数（ＩＭＮＤＷＩ）ＩＭＮＤＶＩ＝（Ｂ３－Ｂ１１）／（Ｂ３＋Ｂ１１）多波段水体指数（ＩＭＢＷＩ）ＩＭＢＷＩ＝２Ｂ３－Ｂ４－Ｂ８ａ－Ｂ１１－Ｂ１２红边特征红边波段（Ｂ）Ｂ５（红边１）㊁Ｂ６（红边２）㊁Ｂ７（红边３）红边归一化植被指数（ＩＲＮＤＶＩ）ＩＲＮＤＶＩ＝（Ｂ５－Ｂ４）／（Ｂ５＋Ｂ４）红边近红外归一化植被指数（ＩＲＥＤＮＤＶＩ）ＩＲＥＤＮＤＶＩ＝（Ｂ８ａ－Ｂ５）／（Ｂ８ａ＋Ｂ５）改良红边土壤调整植被指数（ＩＭＳＲｒｅ）ＩＭＲｒｅ＝（（Ｂ８ａ／Ｂ５）－１）／（Ｂ８ａ／Ｂ５）＋１红边叶绿素指数（ＩＣＩｒｅ）ＩＣＩｒｅ＝（Ｂ８ａ／Ｂ５）－１２．３．１㊀分离阈值法的特征优选分离阈值法（ＳＥａＴＨ）采用贾弗里斯松下距离（ＪＭ）［１９］对类间可分性进行分析，并确定最佳特征组合㊂ＪＭ距离的计算公式如下：㊀㊀Ｂ＝１８（ｍ１－ｍ２）２２σ２１＋σ２２＋１２ｌｎ（σ２１＋σ２２２σ１σ２）；㊀㊀Ｊ＝２（１－ｅ－Ｂ）㊂式中：ｍ１和ｍ２分别为两个类别的特征均值；σ１和σ２分别为两类别特征值的标准差；Ｂ为巴氏距离；Ｊ为样本间的分离度，Ｊ值范围为［０，２］，数值越大，代表类间可分性越好㊂２．３．２㊀ＲｅｌｉｅｆＦ算法的特征优选Ｋｉｒａｅｔａｌ．［２０］提出的特征权重算法（Ｒｅｌｉｅｆ）通过赋予每个特征的权重判断特征的重要性，但特征权重算法只适用于二分类的特征选择㊂Ｋｏｎｏｎｅｎｋｏ［２１］在其基础上提出了多类特征选择的ＲｅｌｉｅｆＦ特征权重算法，特征权重算法在处理多类问题时，每次从训练集Ｄ中随机抽取一个样本Ｒ，然后从该样本的同类样本集中选择ｋ个最近邻样本Ｈｊ（Ｃ）（ｊ＝１㊁２㊁ ㊁ｋ），从样本的每个不同类样本集中选择ｋ个最近邻样本Ｍｊ（Ｃ）（ｊ＝１㊁２㊁ ㊁ｋ），分别计算样本Ｒ与同类和不同类样本的距离和，然后根据距离更新特征权重（ＷｉＡ）㊂权重计算公式如下：㊀ＷｉＡ＝Ｗｉ－１Ａ－ðｋｊ＝１ｄＡ（Ｒ，Ｈｊ（Ｃ））ｍｋ＋ðＣʂｃｌａｓｓ（Ｒ）ｐ（Ｃ）１－ｐ（ｃｌａｓｓ（Ｒ））ðｋｊ＝１ｄＡ（Ｒ，Ｍｊ（Ｃ））ｍｋ㊂式中：Ａ为某个分类特征；Ｃ为样本类别；ｃｌａｓｓ（）为与Ｒ不同的样本类别；ｄＡ（）为２个样本在特征上Ａ的距离；Ｈｊ（Ｃ）为样本Ｒ最邻近的同类样本；Ｍｊ（Ｃ）为样本Ｒ最邻近的不同类样本；ｐ（）为某类样本在训练集Ｄ中所占比例；ｍ为迭代次数；ｉ为权重更新时当前迭代次数（ｉ＝１㊁２㊁ ㊁ｍ）；ｋ为最邻近样本个数㊂２．４㊀树种分类算法随机森林算法（ＲＦ）是以决策树为基本分类器的集成学习算法，适用于高维遥感数据集，比其它机器学习算法更加高效和低成本［２２－２３］㊂ＲＦ还可以解决过拟合的问题，适用于时间序列遥感林地植被分类［２４］；支持向量机算法（ＳＶＭ）是将非线性分类问题转化为高维线性问题，并在高维特征空间中构造线性判别函数，同时引入核函数减少运算量；分类回归树算法（ＣＡＲＴ）是通过对由测试变量和目标变量构成的训练数据集的循环分析形成二叉树形式的决策树，ＣＡＲＴ算法生成的决策树没有人工干预，减少了主观误差㊂２．５㊀树种分类精度评价为评估树种分类的准确性，本研究利用混淆矩阵和验证样本对树种分类结果进行精度验证，精度评价指标为用户精度（ＵＡ）㊁生产者精度（ＰＡ）㊁总体精度（ＯＡ）和Ｋａｐｐａ系数（ＫＰａ）㊂计算公式如下：㊀㊀㊀㊀ＵＡｉ＝ＮｉｉＮｉ＋；㊀㊀㊀㊀ＰＡｉ＝ＮｉｉＮ＋ｉ；㊀㊀㊀㊀ＯＡ＝Ｎｉｉðｋｉ＝１ＮｉｉＮ＋ｉ；㊀㊀㊀㊀ＫＰａ＝Ｎðｋｉ＝１Ｎｉｉ－ðｋｉ＝１Ｎｉ＋Ｎ＋ｉＮ２－ðｋｉ＝１Ｎｉ＋Ｎ＋ｉ㊂３６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，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式中：Ｎ为总样本数，ｋ为总类别数，Ｎｉｉ为被分到正确类别的样本数，Ｎ＋ｉ为第ｉ类的真实值，Ｎｉ＋为第ｉ类的预测值㊂３㊀结果与分析３．１㊀树种光学和雷达特征由表４可知，各树种９ １２月归一化植被指数（ＮＤＶＩ）均值，整个时间段内变化趋势基本相同，均呈下降趋势，归一化植被指数值为０．４ ０．６，树种分离程度不明显，原因是油茶㊁杉木㊁松树都属于常绿树种㊂表５展示了不同树种在各光谱特征下的像元均值，树种在光谱特征上没有明显差异，仅松树和油茶在比值植被指数和红边叶绿素指数上与其它植被有所区分㊂表４㊀不同时间各树种归一化植被指数树种各树种归一化植被指数均值９月２２日１０月２日１１月１日１２月６日杉木０．５８４０．５６７０．５２８０．５１１松树０．５２６０．５１００．４７４０．４６７油茶０．５０５０．４８２０．４４５０．４１９其他树种０．５７７０．５４８０．５１３０．４８２表５㊀不同树种光谱特征光谱特征不同树种光谱特征的像元均值杉木松树油茶其他树种蓝色（Ｂ２）０．０２６０．０２６０．０３４０．０２４绿色（Ｂ３）０．０４９０．０５１０．０６００．０４４红色（Ｂ４）０．０３００．０３００．０４７０．０２９近红外（Ｂ８）０．２９５０．２５５０．２８５０．２６９狭窄近红外（Ｂ８ａ）０．３０５０．２６６０．２９９０．２８１短波红外１（Ｂ１１）０．１４７０．１２５０．１８８０．１５９短波红外２（Ｂ１２）０．０６７０．０５８０．０９８０．０７４比值植被指数（ＩＲＶＩ）３．８９５３．２３５３．１９１３．７７７归一化植被指数（ＩＮＤＶＩ）０．５８４０．５２６０．５０５０．５７７绿通道植被指数（ＩＧＮＤＶＩ）０．７２５０．６７７０．６７２０．７２４植被差异指数（ＩＤＶＩ）０．２６５０．２２５０．２３８０．２４０改良版土壤调整植被指数（ＩＭＳＡＶＩ）０．４９２０．４２６０．４３９０．４５３归一化水体指数（ＩＮＤＷＩ）－０．７２５－０．６７７－０．６７２－０．７２４改进归一化水体指数（ＩＭＮＤＷＩ）－０．５０２－０．４１４－０．５２５－０．５６４多波段水体指数（ＩＭＢＷＩ）－０．４５１－０．３７７－０．５１２－０．４５４红边１（Ｂ５）０．０８００．０８３０．１０００．０７５红边２（Ｂ６）０．２３５０．２１００．２３２０．２１０红边３（Ｂ７）０．２８２０．２４４０．２７２０．２５５红边归一化植被指数（ＩＲＮＤＶＩ）０．４７４０．４７１０．４０４０．４５０红边近红外归一化植被指数（ＩＲＥＤＮＤＶＩ）０．５８４０．５２５０．５０７０．５７６改良红边土壤调整植被指数（ＩＭＳＲｒｅ）０．９６７０．７９６０．７７５０．９３９红边叶绿素指数（ＩＣＩｒｅ）２．８９５２．２３５２．１９１２．７７７㊀㊀由图３可知，根据Ｓｅｎｔｉｎｅｌ－１雷达数据统计不同树种在对应日期ＶＶ和ＶＨ极化下的树种时序后向散射系数曲线㊂不同植被全年时序后向散射特征与植被的生长物候和形态相关，所有树种在两种极化下的后向散射系数变化趋势基本相同㊂ＶＶ极化下，其它树种在６月中旬左右后向散射强度明显升高，其后向散射强度全年高于其它植被；１ ９月松树后向散射强度持续低于其它植被，杉木后向散射强度在１２月呈现同其它植被不同的下降趋势㊂ＶＨ极化下，油茶ＶＨ极化后向散射强度全年低于其它植被，２月左右出现明显增幅和减幅，９月末到１２月初出现明显减幅，１２月松树和杉木呈现同其它植被不同的下降趋势㊂图３㊀树种ＶＶ／ＶＨ极化时序特征曲线通过对不同特征变量的叠加分析，可以近似分离出不同树种，雷达数据弥补了光学影像的不足，结合光学和雷达数据可以增强对树种的识别能力和提高分类精度㊂３．２㊀南方丘陵山区树种特征优选结果本研究分别利用分离阈值法和特征权重算法（ＲｅｌｉｅｆＦ）对所构建的树种分类特征集进行特征优选㊂树种分类特征集共１７１个特征变量，通过试验获取样本的特征均值和标准差，根据公式计算树种之间的分离度，计算单个特征的巴氏距离以及同类特征巴氏距离的均值㊂同类特征中选取高于均值的特征，完成同类特征优选㊂由表６可知，利用特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选及排序，排名前１５和后１５的特征，根据重要性对特征进行排序分组，并利用随机森林算法进行分类，共分为７组㊂由表７可知，分类精度随着分类特征的增加呈先上升后下降的趋势，第５组分类精度最高，因此选取第５组作为特征权重算法（ＲｅｌｉｅｆＦ）最优特征集㊂３．３㊀南方丘陵山区树种分类精度评价由表８可知，方案１仅使用光谱特征㊁植被指数和水体指数，分类结果总体精度为８０．９７％㊂在方案１的基础上分别加入红边特征㊁雷达特征㊁地形特征㊁纹理特征，总体精度分别提高了２．７５％㊁２．２６％㊁３．９３％㊁２．８１％㊂方案６融合所有特征后，总体精度提高了２．３５％㊂方案７在方案６的基础上分别利用４６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷分离阈值法与特征权重算法（ＲｅｌｉｅｆＦ）对所有特征进行优选，不仅取得了更高的精度，而且有效降低了数据量，减少了运算时间㊂特征优选后的总体精度比方案６分别提高了１．８９％和２．０１％，其中ＲｅｌｉｅｆＦ算法优选的结果精度最高，总体精度为８５．３３％，Ｋａｐｐａ系数为０．８１㊂表６㊀特征重要性排名排名特征名称重要性㊀１９月２２日红边叶绿素指数０．０４２２２高程（ＤＥＭ）０．０４１５３９月２２日比值植被指数０．０３９９４１０月２日红边叶绿素指数０．０３９８５１０月２日比值植被指数０．０３９６６１１月１日归一化植被指数０．０３９２７１１月１日红边近红外归一化植被指数０．０３９２８１２月６日红边叶绿素指数０．０３９２９１２月６日改良红边土壤调整植被指数０．０３９１１０９月２２日改良红边土壤调整植被指数０．０３８９１１１１月１日改良红边土壤调整植被指数０．０３８７１２１２月６日比值植被指数０．０３７０１３１１月１日红边叶绿素指数０．０３６０１４１２月６日归一化植被指数０．０３５４１５１２月６日红边近红外归一化植被指数０．０３５４１５７４月１４日ＶＨ极化０．００８５１５８１０月２日红光波段０．００８４１５９１０月２日均值０．００８３１６０１２月６日差异性０．００８０１６１１１月１日方差０．００７５１６２９月２２日方差０．００７０１６３１０月２日方差０．００６１１６４９月２２日对比度０．００６１１６５１０月２日绿光波段０．００５４１６６１１月１日均值０．００５４１６７１０月２日对比度０．００５２１６８１１月１日对比度０．００４９１６９１０月２日蓝光波段０．００４８１７０１２月６日对比度０．００２８１７１１２月６日方差０．００１２表７㊀分组情况及分类精度组别分组阈值特征个数随机森林（ＲＦ）分类精度／％１０．０３５１５７１．００２０．０３０３３８０．５９３０．０２５５０８２．５１４０．０２０６５８３．４１５０．０１５８４８５．３３６０．０１０１２６８４．９６７０１７１８４．８７㊀㊀由图４可知，水体在所有方案中都具有较高的分类精度㊂方案２在加入红边特征后，不同树种分类精度均有所提高，证明红边特征的加入有助树种提取；方案３加入雷达特征后树种精度提高，因为雷达波段能够穿透冠层获取树种信息，提高光谱特征相似的树种的类间差异；方案４在加入地形特征后，与其它方案相比杉木和油茶的生产者精度提升最大，南方丘陵山地山体阴影严重，不同树种混合分布㊁相互渗透，很难进行区分，地形特征变量能够有效减少错分概率；方案５加入纹理特征后，树种的分类精度提升没有地形特征高，主要是因为丘陵山区地形破碎㊁植被树冠茂盛，影像上纹理特征不明显，同时油茶在种植初期会和耕地存在误分㊂表８㊀各方案分类精度方㊀案总体精度／％Ｋａｐｐａ系数方案１８０．９７０．７５方案２８３．７２０．７９方案３８３．２３０．７８方案４８４．９００．８０方案５８３．７８０．７９方案６８３．３２０．７８方案７（ＳＥａＴＨ）８５．２１０．８１方案７（ＲｅｌｉｅｆＦ）８５．３３０．８１㊀㊀由表９可知，随机森林算法比支持向量机算法和分类回归树算法总体分类精度分别提高了３．９９％和４．５５％，Ｋａｐｐａ系数分别提高了０．０５和０．０６㊂结合各地物生产者精度，随机森林算法分类的松树生产者精度比分类回归树算法高了１３．７５％，油茶生产者精度比支持向量机算法提高了１０．３４％㊂表９㊀不同分类方法的分类精度分类方法总体分类精度／％Ｋａｐｐａ系数随机森林算法８５．３３０．８１支持向量机算法８１．３４０．７６分类回归树算法８０．７８０．７５㊀㊀由图５可知，杉木和油茶作为袁州区主要树种，大面积混合分布，３种算法结果的树种分布区域大致一样，但某些区域的油茶和松树的提取结果存在明显差异；但对比不同分类方法的局部分类结果（见图６），随机森林算法与支持向量机算法和分类回归树算法相比，随机森林算法降低了分类结果的破碎度㊂４ 讨论准确高效地获取树种的数量和分布信息对于林业的管理和监测至关重要㊂遥感影像为树种调查提供了有力的工具，Ｓｅｎｔｉｎｅｌ数据在树种分类上具有广泛的实用性［１２，２５］，Ｓｅｎｔｉｎｅｌ－２影像的红边㊁近红外（ＮＩＲ）和短波红外（ＳＷＩＲ）波段对于植被分类制图具有重要的作用［６，８，２６］㊂本研究结合Ｓｅｎｔｉｎｅｌ影像和数字高程模型（ＤＥＭ）数据，对南方丘陵山区的树种识别，结果发现重要性排名前１５个特征中，红边特征所占比例最大，红边叶绿素指数在树种分类中５６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，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重要性最高㊂由于光谱特征相似，不同树种间存在不同程度的混淆，仅利用Ｓｅｎｔｉｎｅｌ－２光谱特征㊁植被指数㊁水体指数，树种的识别精度相对较低，将光谱特征与灰度共生矩阵（ＧＬＣＭ）纹理特征结合有效提高了树种分类精度［２７］㊂本研究中纹理特征没有包含在最优特征集中，特征重要性排名中纹理特征处于靠后位置，由于研究区域过大导致细节纹理缺失，同时，树种纹理特征也受研究区地理位置和树种类别影响㊂不同树种受地形因子影响呈现不同的光谱特征，地形特征可有效降低山体效应带来的光谱差异，减少错分概率，地形特征比物候特征和纹理特征对树种分类更准确有效［１５］，地形特征在不同特征融合的南方丘陵山区树种分类中起着重要作用㊂图４㊀各地物生产者精度和用户精度㊀㊀加入雷达特征后，树种分类精度同样有所提升，证实Ｓｅｎｔｉｎｅｌ－１雷达特征能提高树种间的区分度㊂本研究只利用了Ｓｅｎｔｉｎｅｌ－１的雷达后向散射系数，杉木㊁松树㊁油茶都属于常绿树种，物候变化不显著，难以利用遥感提取植被物候［２８］㊂由于雷达数据的特性，Ｓｅｎｔｉｎｅｌ－１数据同样含有丰富的纹理信息，可进一步提高纹理特征对南方丘陵山区树种的分类制图的精度㊂本研究最高准确率为８５．３３％，Ｋａｐｐａ系数为０．８１，仍有提升空间，可利用更有效的辅助数据或先进的深度学习技术，对大面积树种识别监测进行深入研究㊂５ 结论以袁州区为研究区，结合Ｓｅｎｔｉｎｅｌ和数字高程模型（ＤＥＭ）数据提取树种光谱特征㊁植被指数㊁水体指数㊁红边特征㊁雷达特征㊁地形特征和纹理特征，分别采用特征权重算法（Ｒｅｌｉｅｆ）和分离阈值法进行特征优选，通过不同特征组合对比，分析各特征对树种分类精度的影响，利用３种常用树种分类机器学习算法对最优特征集进行树种分类㊂树种在不同特征上具有一定差异性，可通过特征优选选取树种分类的有效特征，通过特征优选，能够在保证分类精度６６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的同时减少数据冗余，提高运算效率和精度㊂根据最优特征集分别使用３种机器学习算法（随机森林㊁支持向量机和回归决策树）对树种进行分类，随机森林算法分类精度最高，总体精度为８５．３３％㊂Ｓｅｎｔｉｎｅｌ影像和ＤＥＭ数据的结合应用可提高树种分类的准确性，可为南方丘陵山区大范围树种调查监测提供技术方法㊂图５㊀不同分类方法树种分类结果图６㊀不同分类方法的局部分类结果７６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，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参㊀考㊀文㊀献［１］㊀何兴元，任春颖，陈琳，等．森林生态系统遥感监测技术研究进展［Ｊ］．地理科学，２０１８，３８（７）：９９７－１０１１．［２］㊀栗旭升，李虎，陈冬花，等．联合ＧＦ－５与ＧＦ－６卫星数据的多分类器组合亚热带树种识别［Ｊ］．林业科学，２０２０，５６（１０）：９３－１０４．［３］㊀ＱＩＡＮＣ，ＹＡＯＣＪ，ＭＡＨＣ，ｅｔａｌ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｕ⁃ｓｉｎｇａｉｒｂｏｒｎｅＬｉｄａｒｄａｔａｂａｓｅｄｏｎｉｎｄｉｖｉｄｕａｌｔｒｅｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｓｈａｐｅｆｉｔｔｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２３，１５（２）．ｄｏｉ：１０．３３９０／ｒｓ１５０２０４０６．［４］㊀杨丹，李崇贵，常铮，等．应用Ｕ－Ｎｅｔ模型和多时相Ｌａｎｄｓａｔ－８影像对森林植被的分类［Ｊ］．东北林业大学学报，２０２１，４９（９）：５５－５９，６６．［５］㊀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．［６］㊀ＰＥＲＳＳＯＮＭ，ＬＩＮＤＢＥＲＧＥ，ＲＥＥＳＥＨ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｗｉｔｈｍｕｌｔｉ－ｔｅｍｐｏｒａｌＳｅｎｔｉｎｅｌ－２ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１８，１０（１１）．ｄｏｉ：１０．３３９０／ｒｓ１０１１１７９４．［７］㊀ＬＥＩＺＬ，ＬＩＨ，ＺＨＡＯＪ，ｅｔａｌ．Ｉｎｄｉｖｉｄｕａｌｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｂａｓｅｄｏｎａｈｉｅｒａｒｃｈｉｃａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｍｕｌ⁃ｔｉｔｅｍｐｏｒａｌｇｏｏｇｌｅｅａｒｔｈｉｍａｇｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（２０）．ｄｏｉ：１０．３３９０／ｒｓ１４２０５１２４．［８］㊀ＩＭＭＩＴＺＥＲＭ，ＶＵＯＬＯＦ，ＡＴＺＢＥＲＧＥＲＣ．ＦｉｒｓｔｅｘｐｅｒｉｅｎｃｅｗｉｔｈＳｅｎｔｉｎｅｌ－２ｄａｔａｆｏｒｃｒｏｐａｎｄｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｓｉｎｃｅｎｔｒａｌＥｕｒｏｐｅ［Ｊ］．Ｒｅｍｏｔｅｓｅｎｓｉｎｇ，２０１６，８（３）．ｄｏｉ：１０．３３９０／ｒｓ８０３０１６６．［９］㊀杨丹，周亚男，杨先增，等．ＬＳＴＭ支持下时序Ｓｅｎｔｉｎｅｌ－１Ａ数据的太白山区植被制图［Ｊ］．地球信息科学学报，２０２０，２２（１２）：２４４５－２４５５．［１０］㊀ＬＩＭＪ，ＫＩＭＫＭ，ＪＩＮＲ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｈｙｐｅ⁃ｒｉｏｎａｎｄＳｅｎｔｉｎｅｌ－２ｄａｔａｗｉｔｈｍａｃｈｉｎｅｌｅａｒｎｉｎｇｉｎＳｏｕｔｈＫｏｒｅａａｎｄＣｈｉｎａ［Ｊ］．ＩＳＰＲＳＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＧｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ，２０１９，８（３）．ｄｏｉ：１０．３３９０／ｉｊｇｉ８０３０１５０．［１１］㊀李巧玉，陈娟，张小晶，等．川西亚高山彩叶林群落数量分类㊁排序与物种多样性［Ｊ］．应用与环境生物学报，２０２１，２７（３）：５１９－５２８．［１２］㊀黄翀，张晨晨，刘庆生，等．结合光学与雷达影像多特征的热带典型人工林树种精细识别［Ｊ］．林业科学，２０２１，５７（７）：８０－９１．［１３］㊀ＭＡＭＦ，ＬＩＵＪＨ，ＬＩＵＭＸ，ｅｔａｌ．ＴｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ－２ｉｍａｇｅｒｙａｎｄｒａｎｄｏｍｆｏｒｅｓｔｃｌａｓｓｉｆｉｅｒｉｎｔｈｅｅａｓｔｅｒｎｒｅｇｉｏｎｓｏｆｔｈｅＱｉｌｉａｎｍｏｕｎｔａｉｎｓ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２１，１２（１２）．ｄｏｉ：１０．３３９０／ｆ１２１２１７３６．［１４］㊀宁晓刚，常文涛，王浩，等．联合ＧＥＥ与多源遥感数据的黑龙江流域沼泽湿地信息提取［Ｊ］．遥感学报，２０２２，２６（２）：３８６－３９６．［１５］㊀ＷＡＮＧＭＣ，ＬＩＭＪ，ＷＡＮＧＦＹ，ｅｔａｌ．Ｅｘｐｌｏｒｉｎｇｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｃｏｍｂｉｎａｔｉｏｎｏｆｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｂｙｆｕｓｉｎｇｍｕｌｔｉ⁃ｆｅａｔｕｒｅａｎｄｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌｓｅｎｔｉｎｅｌ－２ｄａｔａｉｎＣｈａｎｇｂａｉＭｏｕｎｔａｉｎ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２２，１３（７）．ｄｏｉ：１０．３３９０／ｆ１３０７１０５８．［１６］㊀ＨＵＢＸ，ＬＩＱ，ＨＡＬＬＧＢ．Ａｄｅｃｉｓｉｏｎ⁃ｌｅｖｅｌｆｕｓｉｏｎａｐｐｒｏａｃｈｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｆｒｏｍｍｕｌｔｉ⁃ｓｏｕｒｃｅｒｅｍｏｔｅｌｙｓｅｎｓｅｄｄａｔａ［Ｊ］．ＩＳＰＲＳＯｐｅｎＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ⁃ｉｎｇ，２０２１．ｄｏｉ：１０．１０１６／ｊ．ｏｐｈｏｔｏ．２０２１．１００００２．［１７］㊀陈丽萍，孙玉军．基于不同决策树的面向对象林区遥感影像分类比较［Ｊ］．应用生态学报，２０１８，２９（１２）：３９９５－４００３．［１８］㊀李恒凯，王利娟，肖松松．基于多源数据的南方丘陵山地土地利用随机森林分类［Ｊ］．农业工程学报，２０２１，３７（７）：２４４－２５１．［１９］㊀ＮＵＳＳＢＡＵＭＳ，ＮＩＥＭＥＹＥＲＩ，ＣＡＮＴＹＭＪ．ＳＥＡＴＨ⁃ａｎｅｗｔｏｏｌｆｏｒａｕｔｏｍａｔｅｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｎｔｈｅｃｏｎｔｅｘｔｏｆｏｂｊｅｃｔ⁃ｂａｓｅｄｉｍ⁃ａｇｅａｎａｌｙｓｉｓ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＳｏｃｉｅｔｙｆｏｒＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ．１ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＯｂｊｅｃｔ⁃ｂａｓｅｄＩｍａｇｅＡｎａｌｙｓｉｓ（ＯＢＩＡ），Ｓａｌｚｂｕｒｇ，Ａｕｓｔｒｉａ，２００６．［２０］㊀ＫＩＲＡＫ，ＲＥＮＤＥＬＬＬＡ．Ｔｈｅｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｐｒｏｂｌｅｍ：Ｔｒａｄｉ⁃ｔｉｏｎａｌｍｅｔｈｏｄｓａｎｄａｎｅｗａｌｇｏｒｉｔｈｍ［Ｃ］／／ＡｍｅｒｉｃａｎＡｓｓｏｃｉａｔｉｏｎｆｏｒＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ．ＡＡＡＩ ９２：Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅｔｅｎｔｈｎａ⁃ｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ．ＳａｎＪｏｓｅ：ＡｍｅｒｉｃａｎＡｓｓｏｃｉａｔｉｏｎｆｏｒＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，１９９２：１２９－１３４．［２１］㊀ＫＯＮＯＮＥＮＫＯＩ．Ｅｓｔｉｍａｔｉｎｇａｔｔｒｉｂｕｔｅｓ：ＡｎａｌｙｓｉｓａｎｄｅｘｔｅｎｓｉｏｎｓｏｆＲＥＬＩＥＦ［Ｃ］／／ＢＥＲＧＡＤＡＮＯＦ，ＲＡＥＤＴＬＤ．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１９９４ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ．Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ⁃Ｖｅｒｌａｇ，１９９４：１７１－１８２．［２２］㊀ＢＲＥＩＭＡＮＬ．Ｒａｎｄｏｍｆｏｒｅｓｔ［Ｊ］．ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，２００１，４５（１）：５－３２．［２３］㊀ＬＩＮＷＹ，ＷＡＮＧＦ，ＣＨＥＮＧＭＭ，ｅｔａｌ．ＣＯＤＥ：Ｃｏｈｅｒｅｎｃｅｂａｓｅｄｄｅｃｉｓｉｏｎｂｏｕｎｄａｒｉｅｓｆｏｒｆｅａｔｕｒｅｃｏｒｒｅｓｐｏｎｄｅｎｃｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１７，４０（１）：３４－４７．［２４］㊀ＰＡＮＧＺＨ，ＺＨＡＮＧＧ，ＴＡＮＳＱ，ｅｔａｌ．Ｉｍｐｒｏｖｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｅｓｔｉｍａｔｉｎｇｆｏｒｅｓｔｃａｒｂｏｎｄｅｎｓｉｔｙｕｓｉｎｇｔｈｅｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎｍｅｔｈｏｄ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２２，１３（１２）．ｄｏｉ：１０．３３９０／ｆ１３１２２００４．［２５］㊀ＬＥＣＨＮＥＲＭ，ＤＯＳＴÁＬＯＶÁＡ，ＨＯＬＬＡＵＳＭ，ｅｔａｌ．Ｃｏｍｂｉｎａ⁃ｔｉｏｎｏｆＳｅｎｔｉｎｅｌ－１ａｎｄＳｅｎｔｉｎｅｌ－２ｄａｔａｆｏｒｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｉｎａＣｅｎｔｒａｌＥｕｒｏｐｅａｎＢｉｏｓｐｈｅｒｅＲｅｓｅｒｖｅ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ⁃ｉｎｇ，２０２２，１４（１１）．ｄｏｉ：１０．３３９０／ｒｓ１４１１２６８７．［２６］㊀ＷＥＳＳＥＬＭ，ＢＲＡＮＤＭＥＩＥＲＭ，ＴＩＥＤＥＤ．Ｅｖａｌｕａｔｉｏｎｏｆｄｉｆｆｅｒ⁃ｅｎｔｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒｓｃａｌａｂｌｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｒｅｅｔｙｐｅｓａｎｄｔｒｅｅｓｐｅｃｉｅｓｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ－２ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１８，１０（９）．ｄｏｉ：１０．３３９０／ｒｓ１００９１４１９．［２７］㊀ＭＯＨＡＭＭＡＤＰＯＵＲＰ，ＶＩＥＧＡＳＤＸ，ＶＩＥＧＡＳＣ．ＶｅｇｅｔａｔｉｏｎｍａｐｐｉｎｇｗｉｔｈｒａｎｄｏｍｆｏｒｅｓｔｕｓｉｎｇＳｅｎｔｉｎｅｌ２ａｎｄＧＬＣＭｔｅｘｔｕｒｅｆｅａｔｕｒｅ：ＡｃａｓｅｓｔｕｄｙｆｏｒＬｏｕｓãＲｅｇｉｏｎ，Ｐｏｒｔｕｇａｌ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（１８）．ｄｏｉ：１０．３３９０／ｒｓ１４１８４５８５．［２８］㊀崔林丽，史军，杜华强．植被物候的遥感提取及其影响因素研究进展［Ｊ］．地球科学进展，２０２１，３６（１）：９－１６．８６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷。
洛阳市13种绿化树种叶面积的回归测算
赵燕;刘晶;王辉
【期刊名称】《江苏农业科学》
【年(卷),期】2016(044)010
【摘要】以洛阳市13种绿化树种为研究对象，采用回归的方法，构建各树种叶面积与叶长、叶宽以及与叶长、叶宽乘积的线性回归和幂函数回归方程。
结果表明，各树种叶面积的回归方程均存在差异，幂函数是估算各树种叶面积的最佳回归方程，并给出了各个树种的叶面积回归方程，为各树种叶面积的快速测定提供了简便科学的方法，有较好的应用价值。
【总页数】4页(P254-257)
【作者】赵燕;刘晶;王辉
【作者单位】河南科技大学林学院，河南洛阳471003;河南科技大学林学院，河
南洛阳471003;河南科技大学化工与制药学院，河南洛阳471003
【正文语种】中文
【中图分类】S718.42
【相关文献】
1.主成分回归在阔叶树种叶面积测定中的应用
2.四个葡萄品种叶面积的回归测算
3.回归分析在葡萄叶面积测算中的应用
4.温带地区几种绿化树木叶面积的回归测算
研究5.城市绿化树种叶面积测算新方法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于GF-2号影像的森林优势树种分类
随着遥感技术的不断发展和更新，遥感影像在生态环境调查、森林资源管理、景观格
局分析等方面的应用越来越广泛。
其中，通过遥感技术实现森林优势树种分类，成为了许
多森林资源管理者和研究人员的研究重点。
森林优势树种分类是根据植被类型、结构和化学成分等特征，对森林中的优势树种进
行分类和鉴定。
通过遥感技术实现森林优势树种分类，可以极大地提高森林资源管理的效
率和准确性，并为森林植被的研究和保护提供重要参考。
利用GF-2号卫星影像数据实现森林优势树种分类主要分为以下几步：
1. 遥感数据预处理
对GF-2号卫星影像数据进行预处理，主要包括辐射校正、大气校正、几何校正和噪声去除等操作。
遥感数据预处理的目的是提高数据质量和准确性，为后续的分类分析提供更
好的数据基础。
2. 特征提取
在预处理完成后，需要对影像数据进行特征提取。
常用的特征包括影像的光谱、纹理、形态等特征。
在森林优势树种分类中，常用的特征包括树冠、树干、枝干和叶子等特征。
通过对这些特征的提取和分析，可以得到不同树种之间的差异和特征，为后续的树种分类
和鉴定提供依据。
3. 树种分类和鉴定
在特征提取完成后，需要对不同树种进行分类和鉴定。
常用的分类算法包括最大似然
分类、支持向量机、决策树等。
根据分类算法的不同，可以得到各个树种的分类结果和准
确率。
在树种鉴定中，可以通过手动制定分类规则或利用样本库的方法进行鉴定。
通过对
遥感数据的分析和树种鉴定，可以准确地判断森林中各个优势树种的类型和分布情况。
