刘婷 包广道 李竺强 朱瑞飞 包颖 张忠辉

摘要 為探究基于三维卷积神经网络模型应用吉林一号光谱卫星数据的森林类型分类效果，以安图县与敦化市交界地带为研究区，采用吉林一号光谱卫星影像为主要数据源，基于三维卷积神经网络深度学习模型对研究区森林类型进行分类，并与传统的随机森林分类方法进行对比分析。结果表明：当三维卷积神经网络的训练样本数量为2 400，训练次数为70 000时，分类效果最佳。基于三维卷积神经网络方法的总体分类精度为92.9%，Kappa系数为0.92；与随机森林方法分类结果对比，总体分类精度和Kappa系数分别提高了2.8百分点和0.03；三维卷积神经网络能够更加充分地利用遥感影像丰富的光谱信息和空间信息，提高森林类型的分类精度，在斑块构成和景观破碎度方面均得到较大提升，内部完整度较高，破碎化程度较轻微，更贴合实际工作需要。说明国产吉林一号光谱卫星遥感数据可以有效地对森林类型进行识别，在林业的生产经营上具有极大的应用潜力。

关键词 三维卷积神经网络；吉林一号光谱卫星；森林类型分类

中图分类号 S757;S771;TP751  文献标识码 A  文章编号 0517-6611（2023）13-0096-06

doi：10.3969/j.issn.0517-6611.2023.13.023

Forest Type Classification with Jilin-1GP Spectral Satellite Image Based on Three-dimension Convolution Neural Network

LIU Ting1， BAO Guang-dao1， LI Zhu-qiang2 et al

（1. Jilin Provincial Academy of Forestry Sciences，Changchun， Jilin 130033; 2.College of Geo-exploration Science and Technology， Jilin University， Changchun， Jilin 130026）

Abstract In order to explore the effect of forest type classification with Jilin-1 spectral satellite（Jilin-1GP） data based on the three-dimensional convolution neural network model， the junction of Antu County and Dunhua City was taken as the study area， the image of Jilin-1GP was used as the main datasource to classify forest types in the study area based on the deep learning model of three-dimensional convolution neural network. The method was compared with the traditional random forest classification method. The results showed that when the number of training samples of three-dimensional convolution neural network was 2 400 and the number of training times was 70 000， the classification effect was the best. The overall classification accuracy based on the three-dimensional convolution neural network method was 92.9%， and the Kappa coefficient was 0.92. Compared with the classification results of the random forest method， the overall classification accuracy and Kappa coefficient increased by 2.8 percentage points and 0.03， respectively. Three-dimensional convolution neural network could make full use of the rich spectral and spatial information of remote sensing images to improve the classification accuracy of forest types. The result had been greatly improved in patch composition and landscape fragmentation. The internal integrity was higher， and the degree of fragmentation was slight， which was more in line with the actual work needs. At the same time， it also showed that the domestic Jilin-1GP remote sensing data could be used to effectively identify forest types. That had great application potential in forestry production and management.

Key words Three-dimension convolution neural network;Jilin-1GP spectral satellite （Jilin-1 GP）;Forest type classification

基金项目 吉林省发改委创新能力建设项目（2021C044-9）：吉林省自然科学基金项目（YDZJ202201ZYTS446）；吉林省科技发展计划项目（YDZJ202102CXJD046）；吉林省自然科学基金项目（20220101315JC）；吉林省科技厅重点研发项目（2023020-2098NC）；吉林省科技发展计划项目（20200602006ZP）。

作者简介 刘婷（1987—），女，吉林长春人，助理研究员，硕士，从事林业遥感研究。通信作者，助理研究员，从事林业遥感研究。

收稿日期 2022-11-19；修回日期 2023-02-20

森林类型是确定同质性森林资源空间分布，定量估算森林生态功能的关键依据。准确掌握不同类型森林的空间分布及变化趋势，森林类型准确、及时地掌握森林资源空间分布及其变化能够为制定林业方针政策、宏观规划及精准的森林资源经营、监测方案提供重要的数据支撑［1］。我国现行的森林类型获取方法以地面调查结合遥感影像人工判读为主，虽然数据精度高、可靠性强，但同时也存在成本高、周期长、工作量大的缺点。遥感技术具有低成本、高效率、覆盖范围广的特点，是当前林业监测业务应用最广泛的技术之一，为森林类型自动分类提供了有力手段。

传统的遥感影像分类方法通常基于图像像元的光谱特征和数据统计特征，如K邻近算法［2］，最大似然法［3］及支持向量机［4-5］等。由于遥感图像存在“同谱异物”“同物异谱”现象，利用传统分类方法会导致斑块破碎化，难以满足林业工作对同质化森林斑块提取的需求。为了克服这种现象，董心玉等［6-7］选取面向对象方法，不仅避免传统基于像元方法产生的“椒盐”现象，且产生的对象特征也可用于分类。毛学刚等［8］采用Radarsat-2数据和Quick Bird遥感影像协同进行面向对象的森林类型分类研究，明确了最优分割尺度，取得了良好的分类结果。虽然面向对象方法提高了分类结果的完整性和精度，但森林斑块面积和分布差异很大，自动获取的最优分割与合并尺度参数仍具有挑战性和不确定性，限制了该方法在多源、多尺度研究上的应用。基于深度学习的数据驱动型识别算法可以通过大量数据挖掘隐含特征并进行分类反演，成为遥感图像识别研究的新方向［9］。近几年，国内有学者开展应用深度学习方法对遥感影像进行分类，郭颖等［10］对全卷积神经网络模型进行双支化改进，进行森林类型分类，提高了大部分森林类型的分类精度。王雅慧等［11］使用增加NDVI特征构建模型，并增加条件随机场后处理过程的深度U-net优化方法，有效改善了森林类型分类的效果。

目前，国内外森林类型遥感分类相关研究中，分类方法多采用随机森林面向对象和支持向量机等方法，应用三维卷积神经网络多是针对城市地表覆盖类型［12-14］，对森林类型细分的应用文献报道较少。此外，在遥感数据源选择上，多选用Landsat TM系列［15-16］、哨兵系列［17-19］、高分系列［12，20-21］等，利用吉林一号光谱星遥感影像的研究鲜见报道。因此，笔者以吉林一号光谱星多光谱遥感影像为主要数据源，通过基于三维卷积神经网络的深度学习方法对研究区森林类型进行提取，分析样本数量及训练次数对模型精度的影响，并与随机森林法（Random Forest，RF）分类结果进行精度和景观指数的对比分析，探讨基于三维卷积神经网络方法结合国产吉林一号光谱星在森林类型提取应用中的可行程度，为加深林业遥感技术的应用深度，拓展遥感技术在林业工作中的应用场景提供科技支撑。

1 研究区及数据源

1.1 研究区概况

研究区位于长白山西北麓的吉林省安图县与敦化市交界地带，地理坐标为127°58′22″～128°52′32″ E，43°9′22″～42°40′44″ N，总面积3 396.49 km2（图1）。地势为四周高、中部低，境内平均海拔为756 m。属中温带湿润气候区，山区气候特点明显，年平均气温2.6 ℃，年降雨量631.8 mm。有效积温2 400～2 500 ℃，无霜期110～120 d。区内植被为长白山植物区系，属于红松云冷杉针阔叶混交林小区［22］，该区针叶树种主要有：红松（Pinus koraiensis）、云杉（Picea spp.）、臭松（Symplocarpus foetidus）、落叶松（Larix gmelinii）、樟子松（Pinus sylvestris var.mongolica）等；阔叶树种主要有水曲柳（Fraxinus mandschurica）、胡桃楸（Juglans mandschurica）、黄檗（Phellodendron amurense）、椴树（Tiliatuan Szyszyl.）、柞树（Xylosma racemosum）、榆樹（Ulmus pumila）、色木（Acer mono）和枫桦（Betula costata）等。

1.2 数据源

1.2.1 遥感数据。

该研究选取的卫星数据源为吉林一号光谱星（吉林林草一号）。吉林一号光谱星是由吉林省长光卫星技术有限公司结合林业和草原行业需要与林草系统深度合作自主研发的一颗多光谱林草专属卫星。该星搭载了多光谱成像仪，短波、中波、长波红外相机，能够获得5 m分辨率、110 km幅宽、19谱段的遥感数据。该研究的影像获取时间为2019年5月12日。通过ENVI软件分别对遥感影像进行辐射定标、大气校正、正射校正等预处理工作，得到研究区遥感影像数据。除卫星遥感数据外，辅助数据包括2019年研究区的吉林省林地变更一张图及更高分辨率的谷歌地球影像。

1.2.2 样本数据。

地面调查数据来源于2019年6月13日至8月26日开展的野外调查。在研究区获取各典型地类和主要森林类型，并对不同类别开展调查，样地为15 m×15 m的正方形样方，通过GNSS设备对样地中心点进行定位，调查内容为样方内的树种组成、林分类型、优势树种，累计调查样地262个，每种森林类型样本数均在50个以上（图2）。参考林地变更一张图、外业调查数据及更高分辨率的谷歌地球影像，通过目视解译制作样本数据，每类地物选取380个大小为15 m×15 m且空间分布均匀的方形样本（图2），并按7∶3 的比例随机抽取形成训练样本和验证样本。

2 研究方法

2.1 森林类型分类体系

参考《国家森林资源连续清查技术规定》的地类划分标准和《森林资源规划设计调查主要技术规定》中的林地分类系统，根据研究区土地，利用类型/覆盖情况和主要林分类型，考虑到遥感影像的可分程度及研究区林地变更一张图森林植被类型的具体情况，确定了研究区8种土地覆盖类型，其中包括5种森林类型：阔叶混交林、柞树林、落叶松林、红松林、针阔混交林，以及3种其他土地覆盖类型：建设用地、耕地和水体。

2.2 分类方法

该研究基于吉林一号光谱星遥感影像，利用三维卷积神经网络方法构建森林类型分类模型，探讨训练次数和训练样本数量对分类精度的影响，利用最优模型对研究区森林类型进行分类，并将结果与利用RF分类方法进行对比，通过分类精度和分类结果的景观指数，分析2种方法在森林类型提取中的适用空间和潜力。

2.2.1 三维卷积神经网络模型。

采用一种联合条件随机场优化的三维卷积神经网络模型（3D-CNN）进行森林类型提取，该方法由李竺强等［23-24］在构建一种三维卷积神经网络模型的基础上，增加多标签条件随机场优化算法，对神经网络识别的地物斑块根据逻辑条件进行了合理调整，使分类精度得到进一步提升。

在PyCharm平台下，结合TensorFlow 2.0工具包开展卷积神经网络的构建，神经网络参数采用如下设置：其中第1卷积层卷积核的大小为［3×3×6］，卷积步长［1，1，4］，第1个池化层大小［3×3×3］，第2个卷积层卷积核大小［3×3×6］，卷积步长［1，1，2］，第2个池化层大小［3×3×3］，第1个全连接层隐藏单元大小400，第2个全连接层的隐藏单元大小200，学习速率大小0.005。

2.2.2 随机森林分类法。

随机森林分类法：是于2001年由Leo［25］提出的一种由一系列决策树组合而成的机器学习方法。具体过程为：首先对原始训练集，采用逐步引导重采样技术随机有放回地抽取N个训练集，每个训练集大小约为原始训练集的2/3；再为每个训练集分别建立决策树，并分别对待分元素进行判断；在每棵决策树的构建时，从所有的特征向量中，随机无放回地选择M个特征；最后集合N个决策树的分类结果，根据多数投票法得到最终结果。该试验中设置的决策树数量为100，每个决策树随机选择5个特征构建模型，并通过投票法得到分类类别。

2.3 精度检验

采用Google earth高清影像结合外业调查数据选取验证样本对研究区分类结果的正确性进行检验。验证样本共1 257个，并保证每种地物类型样本数在150个以上。利用混淆矩阵方法计算制图精度（producers accuracy，PA）、用户精度（users accuracy，UA）、总体分类精度（overall accuracy，OA）及Kappa系数等精度评价指标。

2.4 景观指数

该研究基于景观生态学原理，结合Fragstats景观分析软件和Arcgis地理信息软件，选取斑块数量（NP）、斑块密度（PD）、最大斑块占景观面积比例（LPI）、景观形状指数（LSI）、边缘面积分维度（FRACT）、蔓延度指数（CONTAG）、分离度指数（SPLIT）、香农多样性（SHDI）及香农均匀度（SHEI）对森林类型提取结果进行分析，各景观指数可参见相关文献［26-27］。

3 结果与分析

3.1 样本数量及训练次数对分类结果的影响

在三维卷积神经网络的分类中，样本数量和训练次数直接影响三维卷积神经网络分类的精度。当样本数量较少时，会遭受潜在欠拟合问题。当样本数量或训练次数较大时，分类精度提升的同时也会导致训练时间过长［28］。为提高分类的精度及效率，该研究将各地类样本数量以100个为阶梯递增，直至3 000个为止。

从图3可以看出，准确率表现出随着样本数量的增加有部分波动，但总体呈现出先上升后趋于平稳趋势。分析样本数据发现，导致波动的原因与新增样本引发类别内光谱一致性变化，进而影响分类准确率所致。当样本数量为2 400时，准确度较高且浮动不大，趋于稳定。因此，将三维卷积神经网络训练样本数量设为2 400。

在确定样本最优数量为2 400后，研究训练次数对分类精度的影响，按照每5 000次进行分级精度测试。由图4可知，随着模型训练次数的增加，模型分类准确率整体呈先增加后趋于平稳，与训练样本趋势类似，但准确率波段幅度较训练样本变化导致的变化更大，这与卷积神经网络自训练机制有直接关系。结合准确率变化趋势，发现在训练次数为70 000时精度达到最高，因此确定三维卷积神经网络分类的最优参数，样本数量为2 400，训练次数为70 000。

3.2 分类结果

通过利用吉林一号光谱星遥感影像，基于三维卷积神经网络分类的方法，样本数量为2 400，训练次数为70 000进行研究区森林类型分类，分类结果如图5所示，混淆矩阵见表1。

由表1可知，基于吉林一号光谱星遥感影像利用三维卷积神经网络方法的分类结果总体分类精度达92.9%，Kappa系数为0.92。其中，柞树林、红松林和落叶松林的制图精度和用户精度均达到了90%以上。针阔混交林和阔叶混交林的制图精度与用户精度也都超过了85%。柞树林的制图精度为91%，用户精度为94%，主要以大面积纯林分布，且具有典型性和代表性，与其他的森林类型在光谱特征和生物学特征等方面都存在着明显的差异，因此分类精度高。红松林的制图精度为90.7%，用户精度为91.8%，落叶松林的制图精度为90.6%，用戶精度为94.7%，2种森林类型主要以纯林分布，易于提取，精度较好。但少部分小面积红松林存在部分错分为针阔混交林的情况，主要原因在于纯林的连续分布面积以及针阔混交林的混交程度的分割阈值难以界定。落叶松的分布不集中，且吉林一号光谱星数据成像时间为立夏，该季节的落叶松林刚开始萌芽，且存在与白桦、杨树等森林类型混交多的现象，与阔叶混交林中的其他针叶林在光谱和纹理上具有一定的相似性，导致部分错分为阔叶混交林的情况，这是造成落叶松林分类精度低的主要原因。针阔混交林与阔叶混交林的制度精度分别为93.2%和88.7%，用户精度分别为87.2%和86.0%，分类精度较低。这主要是由于界限不明显，易发生混淆，尤其是受复杂地形造成的阴影区的影响，冠层接收的入射辐射降低，导致反射辐射绝对能量减弱，使识别精度受到影响。此外，通过图5可以看出，红松林和落叶松林的分类结果表现出明显的边缘膨胀外扩的特征，造成周边地类（如柞树林、针叶混交林和阔叶混交林等）被错误划分为红松林或落叶松林等森林类型的现象，从而导致红松林和落叶松林等分类精度较低。

3.3 与RF分类方法的对比分析

为了验证该研究所使用的三维卷积神经网络分类方法在森林类型提取中的效果，选取目前机器学习方法中广泛应用的随机森林方法作为对比，采用相同的样本开展森林类型分类。RF分类方法的精度验证和与三维卷积神经网络分类结果的对比见表2、图6。

通过对比表1、2可知，利用RF方法的分类结果总体分类精度达90.1%，Kappa系数为0.89。与三维卷积神经网络分类结果相比，总体分类精度和Kappa系数分别降低了2.8百分点和0.03。在利用RF分类的森林类型中，仅有红松林的制图精度和用户精度均达到90%以上，分别为90.1%和96.0%。与三维卷积神经网络的分类结果相比，RF对研究区内落叶松林的识别效果更佳，提取更加全面。利用RF方法分类的柞树林的制图精度和用户精度分别为84.3%和88.2%，明显低于三维卷积神经网络分类的90.6%和93.5%。柞树林中存在大量与阔叶混交林的错分，尤其是分布于沟谷或山阴处受复杂山区地形的影响，导致识别精度降低。RF分类中的针阔混交林的制图精度为82.8%明显低于三维卷积神经网络的93.2%，主要是受针阔混交林和阔叶混交林界限不明显的影响，易造成混淆错分情况的发生。

通過图6可以看出，2种分类方法的空间结构具有明显差异。RF分类结果破碎化程度剧烈，且具有明显的颗粒感。而利用三维卷积神经网络方法得到的分类结果内部完整性较高，地块内同质性地物的分类一致性较高，边界与实际调查成果和林地一张图的数据基本吻合，这主要是由于RF算法是基于像素为计算单元，三维卷积神经网络算法是基于卷积核特征完成像素分类，具有高度抽象的能力，更贴合实际工作需要。

3.4 景观格局

混淆矩阵方法能提供像素尺度分类正确性指标，难以体现分类结果的斑块特性，为进一步对比2种分类结果的斑块特征，量化评价分类结果的整体性表现，引入景观指数，从景观格局角度对2种方法分类结果进行分析。该研究从斑块构成、景观破碎度和景观多样性3个方面，选取了9个景观指数用于对分类结果进行分析。

由表3可知，在斑块构成方面，与RF分类法相比，三维卷积神经网络方法的分类结果，在斑块数量、最大斑块占景观面积比例、景观形状指数、斑块密度、边缘面积分维度5个方面得到提升，其中斑块数量由742 823个下降至104 703个，景观形状指数由449.14下降至176.18，斑块密度由188.35下降至26.55。边缘面积分维度由1.405下降至1.281。在景观破碎度方面，三维卷积神经网络方法分类结果较RF表现更为完整，其中蔓延度指数由50.43提高至55.62，分离度指数由34.84提高至36.40，说明RF分类法的斑块内部完整度较高，破碎化程度较轻微。景观多样性方面，三维卷积神经网络方法的分类结果与RF分类法相比数值相差较小，说明2种分类方法的景观分离程度和多样性基本一致。

4 结论

该研究以吉林一号光谱星感影像为主要数据源，通过利用三维卷积神经网络分类方法对研究区开展森林类型分类研究，并与RF分类方法进行对比分析，得到结论如下：

（1）研究了三维卷积神经网络分类中样本数量和训练次数对分类精度的影响程度，结果表明，总分类精度均表现出随着样本数量或训练次数的增加呈上升的趋势，当样本数量为2 400，训练次数为70 000时，总分类精度较高且浮动不大，趋于稳定。确定该三维卷积神经网络分类的最优参数，样本数量为2 400，训练次数为70 000。

（2）该研究采用三维卷积神经网络的方法对吉林一号光谱星的遥感数据进行森林类型分类，总体分类精度为92.9%，Kappa系数为0.92，与传统机器学习的RF分类结果相比，分类精度和Kappa系数分别提高了2.8百分点和0.03，且三维卷积神经网络得到的分类结果内部完整性较高，与实际工作需要更加贴合。

（3）通过对比2种方法分类结果的景观指数表明，三维卷积神经网络方法在斑块构成和景观破碎度方面均得到较大提升。斑块数量由742 838个下降至104 703个，景观形状指数由449.14下降至176.18，斑块密度由188.35下降至26.55，边缘面积分维度由1.405下降至1.281，蔓延度指数也由50.43提高至55.62，分离度指数由34.84提高至36.40。基于吉林一号光谱星遥感影像利用三维卷积神经网络模型对森林类型分类方法的研究可以为实现遥感和地面监测的森林经理数据集成和林业科学数据平台森林资源信息的快速提取提供理论依据。

（4）该研究结果表明，三维卷积神经网络分类法在中高分辨率的遥感影像森林类型分类中，比RF法更有优势，分类准确度更高且效率差异不大，是一种有效的分类方法；国产吉林一号光谱星多光谱数据可以有效地对森林类型进行识别，在林业的生产经营上有极大的应用潜力。

参考文献

［1］ 唐小明，张煜星，张会儒，等.森林资源监测技术［M］.北京：中国林业出版社，2012.

［2］ SAMANIEGO L，BARDOSSY A，SCHULZ K.Supervised classification of remotely sensed imagery using a modified k-NN technique［J］.IEEE transactions on geoscience and remote sensing，2008，46（7）：2112-2125.

［3］ EDIRIWICKREMA J，KHORRAM S.Hierarchical maximum-likelihood classification for improved accuracies［J］.IEEE transactions on geoscience and remote sensing，1997，35（4）：810-816.

［4］ MELGANI F，BRUZZONE L.Classification of hyperspectral remote sensing images with support vector machines［J］.IEEE transactions on geoscience and remote sensing，2004，42（8）：1778-1790.

［5］ 李梦颖，邢艳秋，刘美爽，等.基于支持向量机的Landsat-8影像森林类型识别研究［J］.中南林业科技大学学报，2017，37（4）：52-58.

［6］ 董心玉，范文义，田甜.基于面向对象的资源3号遥感影像森林分类研究［J］.浙江农林大学学报，2016，33（5）：816-825.

［7］ 董心玉.基于面向对象的高分一号遥感影像森林分类研究［D］.哈尔滨：东北林业大学，2016.

［8］ 毛学刚，魏晶昱.基于多源遥感数据的面向对象林分类型识别［J］.应用生态学报，2017，28（11）：3711-3719.

［9］ 鄭胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展［J］.中国图象图形学报，2014，19（2）：175-184.

［10］ 郭颖，李增元，陈尔学，等.一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法：双支FCN-8s［J］.林业科学，2020，56（3）：48-60.

［11］ 王雅慧，陈尔学，郭颖，等.高分辨率多光谱遥感影像森林类型分类深度U-net优化方法［J］.林业科学研究，2020，33（1）：11-18.

［12］ 李淼，陈海鹏，邱博.一种融合面向对象与深度学习的地表覆盖监测成果质检技术［J］.测绘通报，2022（S2）：174-178.

［13］ 吕冬梅，马玥，李华朋.基于CNN的吉林一号卫星城市土地覆被制图潜力评估［J］.遥感技术与应用，2022，37（2）：368-378.

［14］ 李竺强，朱瑞飞，高放，等.三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类［J］.光学学报，2018，38（8）：404-413.

［15］ 李振，胡慧萍，杨敏华，等.Landsat-8多时相遥感影像亚热带森林分类［J］.测绘与空间地理信息，2018，41（9）：147-149.

［16］ KONRAD TURLEJ C，OZDOGAN M，RADELOFF V C.Mapping forest types over large areas with Landsat imagery partially affected by clouds and SLC gaps［J/OL］.International journal of applied earth observation and geoinformation，2022，107［2022-04-25］.https：//doi.org/10.1016/j.jag.2022.102689.

［17］ 李萌，年雁云，边瑞，等.基于多源遥感影像的青海云杉和祁连圆柏分类［J］.遥感技术与应用，2020，35（4）：855-863.

［18］ 李瑾，王雷光，郑晨，等.云南香格里拉区域尺度森林类型遥感分类评价［J］.西南林业大学学报（自然科学），2022，42（1）：124-132.

［19］ CHENG K，WANG J L.Forest type classification based on integrated spectral-spatial-temporal features and random forest algorithm-A case study in the Qinling mountains［J］.Forests，2019，10（7）：1-18.

［20］ 刘思涵，尚夏明，马婷.基于随机森林特征选择的森林类型分类［J］.北京测绘，2019，33（12）：1518-1522.

［21］ 王怀警，谭炳香，王晓慧，等.多分类器组合森林类型精细分类［J］.遥感信息，2019，34（2）：104-112.

［22］ 《吉林森林》编辑委员会.吉林森林［M］.长春：吉林科学技术出版社，1988：119.

［23］ 李竺强，朱瑞飞，马经宇，等.联合连续学习的残差网络遥感影像机场目标检测方法［J］.光学学报，2020，40（16）：179-191.

［24］ 朱瑞飞，马经宇，李竺强，等.多层感知卷积神经网络的国产多光谱影像分类［J］.光学学报，2020，40（15）：200-212.

［25］ LEO B.Random forests［J］.Machine learning，2001，45（1）：5-32.

［26］ 邬建国.景观生态学：格局、过程、尺度与等级［M］.2版.北京：高等教育出版社，2007.

［27］ 郑新奇，付梅臣.景观格局空间分析技术及其应用［M］.北京：科学出版社，2010.

［28］ 徐希岩.基于深度学习的小样本图像分类研究［D］.哈尔滨：东北林业大学，2018.