岳 巍 李世明 李增元 劉清旺 龐 勇 斯 林

(中國林業(yè)科學(xué)研究院資源信息研究所 國家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點實驗室 北京 100091)

森林類型/樹種(組)的精準識別是森林結(jié)構(gòu)參數(shù)提取和計算的前提,是林業(yè)遙感領(lǐng)域的重要研究方向，對森林生態(tài)系統(tǒng)和生物多樣性宏觀監(jiān)測具有至關(guān)重要的作用(馬浩然， 2014)。傳統(tǒng)的森林類型/樹種(組)識別主要依靠地面調(diào)查，通過目視方法根據(jù)林木的根、莖、葉、花、果、種子等外部形態(tài)特征識別和鑒定樹種，該方法雖然相對準確，但同時也存在諸多不足： 首先，對于不具備交通條件的地塊，可進入性低、調(diào)查難度大； 其次，僅依靠人工進行野外調(diào)查成本大、耗時長，很難在短時間內(nèi)實現(xiàn)宏觀尺度的數(shù)據(jù)獲取。遙感是20世紀60年代興起的一種探測技術(shù)，其以宏觀性、現(xiàn)勢性、周期性等優(yōu)勢，為大范圍森林資源信息的及時、準確、高效獲取提供了方便的數(shù)據(jù)源，特別是隨著近地低空無人機技術(shù)的快速發(fā)展，可通過無人機搭載不同傳感器獲得地表森林植被的高空間分辨率和高光譜分辨率影像，多時相、多尺度、多源的遙感數(shù)據(jù)更加開源，基于遙感數(shù)據(jù)的森林類型/樹種(組)分類識別具有更廣的發(fā)展空間(李軍玲等， 2019； 尹凌宇等， 2016)。近年來，中分辨率多光譜衛(wèi)星數(shù)據(jù)在時間分辨率上有了很大提升(畢愷藝等， 2017)，越來越多學(xué)者開始采用多時相中分辨率數(shù)據(jù)進行樹種識別研究。

多時相影像數(shù)據(jù)用于森林資源監(jiān)測能夠提供時間維度信息，特別是物候特征差別明顯的樹種，其在不同時相影像數(shù)據(jù)中光譜特征差異較大(郭文婷等， 2019)。李哲等(2019)基于高分二號數(shù)據(jù)進行樹種分類，尋找精度最優(yōu)的單時相數(shù)據(jù)并對比多時相組合數(shù)據(jù)分類結(jié)果，得出多時相數(shù)據(jù)在樹種分類中具有優(yōu)勢； 徐凱健等(2019)基于多時相高分一號數(shù)據(jù)提取時序光譜特征進行優(yōu)勢樹種識別，結(jié)果發(fā)現(xiàn)多季相數(shù)據(jù)識別精度優(yōu)于單季相數(shù)據(jù)。Sentinel-2系列衛(wèi)星由Sentinel-2A和Sentinel-2B組成，影像采集時間分辨率為每顆衛(wèi)星10天，2顆互補，重訪周期為5天(Druschetal.， 2012)，高時間分辨率為基于多時相數(shù)據(jù)的樹種識別提供了便利； 而且Sentinel-2影像光譜范圍涵蓋可見光-近紅外波段、紅邊波段以及短波紅外波段，空間分辨率從10 m到60 m，對植被健康、生物量等信息較為敏感。Immitzer等(2016)采用單時相Sentinel-2影像進行歐洲中部地區(qū)農(nóng)作物分類和樹種識別，證明Sentinel-2數(shù)據(jù)在森林樹種識別中具有巨大潛力； Bolyn等(2018)基于2個時相Sentinel-2影像提取多個植被指數(shù)用于森林類型區(qū)分和樹種識別，結(jié)果發(fā)現(xiàn)紅邊波段和短波紅外波段在分類中具有重要作用； Persson等(2018)獲取不同季節(jié)影像數(shù)據(jù)并將數(shù)據(jù)組合，比較其在樹種識別中的表現(xiàn)，結(jié)果表明使用所有季節(jié)影像數(shù)據(jù)時總體分類精度最高達88%。

面向?qū)ο蠓治黾夹g(shù)在遙感影像解譯中應(yīng)用廣泛，最常用的影像分析方法包括均值漂移、多尺度分割等(馬倩等， 2021)，但這些方法占用計算機內(nèi)存較高，當面對數(shù)據(jù)量較大的遙感影像時，往往需要較長計算時間，分析效率較低。Google Earth Engine(GEE)是一個面向全球尺度的地理空間分析平臺，其充分集成了Google Earth海量的地理和遙感數(shù)據(jù)資源以及Google的強大云端計算能力，為遙感影像處理有關(guān)研究提供了超級運算功能(Hansenetal.， 2013； Tsaietal.， 2018)，且GEE近年來引入了簡單非迭代聚類超像素分割算法(simple non-iterative clustering， SNIC)用于遙感影像分割，在典型地物識別、土地利用分類等領(lǐng)域均有應(yīng)用，如Mahdianpari等(2019； 2020)在GEE平臺上采用SNIC分割算法和隨機森林(random forest， RF)分類方法進行面向?qū)ο蠓诸?，對加拿大紐芬蘭島的濕地類別進行識別，得出面向?qū)ο蠓椒▋?yōu)于基于像素方法； 毛麗君等(2021)聯(lián)合Sentinel主被動遙感數(shù)據(jù)，發(fā)展面向?qū)ο蟮腟NIC+RF算法對國家公園所在區(qū)域進行土地覆蓋分類，總體精度達93.98%； Tassi等(2020)基于Landsat-8、Sentinel-2、PlanetScope 3種不同分辨率影像進行土地利用分類，并對比不同分割尺度和不同機器學(xué)習(xí)分類方法，較為全面評價分析了基于SNIC分割算法的分類方法。但是，尚未見SNIC分割算法用于樹種識別的報道。

多時相Sentinel-2多光譜數(shù)據(jù)可用于優(yōu)勢樹種識別，基于SNIC分割算法配合隨機森林、支持向量機(support vector machine， SVM)等機器學(xué)習(xí)分類方法在遙感分類問題中也有很好表現(xiàn)，鑒于此，本研究以內(nèi)蒙古旺業(yè)甸林場為研究區(qū)，在GEE云計算平臺上利用多時相Sentinel-2多光譜數(shù)據(jù)提取波段反射率特征和光譜指數(shù)特征，采用SNIC分割算法和支持向量機(SVM)機器學(xué)習(xí)分類方法，實現(xiàn)面向?qū)ο蟮膬?yōu)勢樹種識別，并分析不同時相數(shù)據(jù)組合對優(yōu)勢樹種識別精度的影響，以期實現(xiàn)更高效、更精準的優(yōu)勢樹種識別。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

旺業(yè)甸林場位于赤峰市喀喇沁旗西南部，地形以山地為主，地勢西南高、東北低，海拔500～1 890 m，屬溫帶大陸性季風(fēng)氣候，年均氣溫7.4 ℃，年均降雨量400 mm。林場總面積25 307 hm2，其中有林地面積22 016 hm2，包括人工林10 798 hm2、天然次生林11 218 hm2，人工林樹種以落葉松(Larixgmelinii)、油松(Pinustabuliformis)、樟子松(Pinussylvestrisvar.mongolica)、紅松(Pinuskoraiensis)為主，天然次生林樹種主要包括白樺(Betulaplatyphylla)、山楊(Populusdavidiana)、蒙古櫟(Quercusmongolica)、榆(Ulmuspumila)等(謝珠利， 2019)。

1.2 數(shù)據(jù)源

1.2.1 遙感數(shù)據(jù) 遙感數(shù)據(jù)為GEE平臺提供的Sentinel-2 Level 2A產(chǎn)品——地表反射率數(shù)據(jù)產(chǎn)品，該產(chǎn)品包含Sentinel-2數(shù)據(jù)的12個波段(不包括10波段)和其他輔助數(shù)據(jù)。剔除2個60 m分辨率的波段(卷云波段和海岸帶波段)，選擇每一時相影像中空間分辨率10和20 m的10個波段作為原始影像數(shù)據(jù)，篩選研究區(qū)2018年12月—2021年5月各季節(jié)有代表性的無云影像12景，每景影像具體成像時間和所屬季節(jié)如表1所示。GEE平臺對影像進行基本的拼接、裁剪等預(yù)處理，并將所有波段空間分辨率統(tǒng)一采樣為10 m。

表1 影像時間信息Tab.1 The time information of satellite images

圖1 實地調(diào)查樣點分布示意Fig.1 The distribution of the sample points in the field survey

1.2.2 樣本數(shù)據(jù) 用于分類器訓(xùn)練和精度驗證的樣本數(shù)據(jù)基于野外實地調(diào)查數(shù)據(jù)選取。野外數(shù)據(jù)獲取時間為2019年9月，調(diào)查前，綜合林場交通、地形等信息，結(jié)合高分辨率衛(wèi)星影像確定調(diào)查路線和地點，記錄443個樣點空間位置和優(yōu)勢樹種信息，點位空間分布見圖1，結(jié)合同步獲取的無人機高分辨率正射影像解譯的279個樣點數(shù)據(jù)，形成由722個樣點組成的樣本集。樣本集分為訓(xùn)練樣本集和驗證樣本集，二者各占總樣本數(shù)量的50%，各類別對應(yīng)的樣本點數(shù)量和總樣本數(shù)量如表2所示。優(yōu)勢樹種指某個林區(qū)、某個林分或某個林木群體中，在數(shù)量(株數(shù)或蓄積量)上占優(yōu)勢地位的樹種(山東省農(nóng)業(yè)科學(xué)院情報資料研究所，1983)。旺業(yè)甸林場范圍內(nèi)人工林優(yōu)勢樹種為油松、落葉松，油松約占林場總面積的13%，落葉松約占26%； 天然次生林優(yōu)勢樹種主要是白樺、山楊等，白樺約占15%，山楊約占7%，其他闊葉樹種如蒙古櫟等也占7%左右。本研究分類系統(tǒng)由油松、落葉松、其他針葉、白樺和山楊、其他闊葉、灌木和草地、其他地類7個類別構(gòu)成，其中前5類為主要樹種類別，其他針葉類別的優(yōu)勢樹種以樟子松、紅松為主，在研究區(qū)占比較??； 白樺、山楊2個優(yōu)勢樹種的葉片形狀、色調(diào)相似，在多光譜數(shù)據(jù)中光譜曲線差異較小，難以區(qū)分，故將其歸為一類； 其他闊葉類別的優(yōu)勢樹種為蒙古櫟、榆等。灌木和草地類別主要是指由稀疏、低矮的灌木或草覆蓋的區(qū)域，與以喬木為主的林地差異較大； 其他地類包括耕地、住宅區(qū)和建設(shè)用地等土地利用類型。

2 研究方法

2.1 SNIC分割

SNIC算法是由簡單線性迭代聚類算法(simple linear iterative clustering，SLIC)(Achantaetal.， 2012)發(fā)展而來的，Achanta等(2017)為了解決SLIC算法迭代計算時占用大量內(nèi)存的問題，提出SNIC算法，采用一個優(yōu)先級隊列替換SLIC算法的k-means迭代聚類過程，從而減少內(nèi)存用量，更快速地生成超像素(袁旭， 2019)。該算法的特點與GEE平臺云計算速度快的優(yōu)勢相匹配，故GEE平臺將其集成到遙感影像分割中，用于面向?qū)ο蟮姆诸悊栴}。本研究采用GEE平臺集成的SNIC算法進行影像分割。

圖2 SNIC算法分割結(jié)果(局部)Fig.2 SNIC segmentation results(partial)

SNIC分割算法中控制分割結(jié)果的主要參數(shù)是seeds和compactness，其中，seeds參數(shù)決定聚類中心的間隔距離，seeds越大，表示設(shè)置的初始聚類中心之間的相互距離越遠，中心數(shù)量越少，分割得到的對象越大； compactness參數(shù)決定對象的緊致程度，compactness越大，分割得到的對象緊致度越高，形狀也越規(guī)則(Tassietal.， 2020)。調(diào)整seeds和compactness參數(shù)，根據(jù)分類任務(wù)輸入對應(yīng)的單時相或多時相組合影像數(shù)據(jù)進行分割。對于本研究Sentinel-2數(shù)據(jù)，設(shè)置seeds參數(shù)為10、compactness參數(shù)為0時，得到的影像對象地物類型較均一，分割效果最佳，圖2所示為使用多季節(jié)組合數(shù)據(jù)時的SNIC算法分割結(jié)果(局部)。

2.2 特征選擇

Sentinel-2多光譜數(shù)據(jù)的10個波段包括可見光的藍、綠、紅3個波段，3個紅邊波段，2個近紅外波段以及2個短波紅外波段。用于分類的特征包括2部分： 一是波段反射率特征，每景影像提取所有10個波段的反射率特征； 二是光譜指數(shù)特征。Bolyn等(2018)計算34種光譜指數(shù)特征用于植被制圖和樹種識別，采用隨機森林方法選擇重要性高的特征，結(jié)果發(fā)現(xiàn)與B5、B8A、B11、B12波段有關(guān)的特征出現(xiàn)頻率最高。結(jié)合上述研究結(jié)論與已有知識，本研究選擇6種典型光譜指數(shù)作為光譜指數(shù)特征集合。表3所示為所選特征的具體信息。

不同樹種物候特征不同，顯示在影像上的光譜特征差異也很明顯。圖3所示為不同季節(jié)各樹種類別的波段反射率變化曲線，如圖3a春季(5月5日)反射率曲線中，落葉闊葉、落葉針葉、常綠針葉3類樹種在短波紅外波段區(qū)分明顯，圖3b夏季(6月14日)反射率曲線中，闊葉樹種與針葉樹種在近紅外波段差異較大，各波段反射率的明顯差異可用于地物或樹種類別的準確區(qū)分。圖4所示為6種典型植被指數(shù)時間序列變化曲線，其中，NDVI已被廣泛用于植被信息遙感反演，時間序列的NDVI能夠反映森林的物候特征，刻畫植被的生長過程； NDVIre所用波段為窄近紅外波段(NIRnarrow)和最接近紅波段的第一紅邊波段(Rededge1)，可作為NDVI的補充，輔助提取樹種類別信息； NDTI是采用SWIR1和SWIR2兩個短波紅外波段計算得到的歸一化耕作指數(shù)，多用于農(nóng)作物識別，能夠反演植被水分含量； NDWI、NHI均用到對森林生物量信息敏感的SWIR1波段，結(jié)合其他波段，進行歸一化計算，如圖4c、e所示，不同樹種的NDWI、NHI在所有季節(jié)均有較顯著差異； SR_Bre1指數(shù)為Rededge1波段和藍光波段(Blue)的比值，主要提取植被紅邊波段信息，反映樹種健康狀況。

表3 分類特征匯總Tab.3 Summary of features used for classification

圖3 不同季節(jié)影像中各樹種類別的光譜曲線Fig.3 Spectral curves of each tree species in images of different seasonsa. 春季，5月5日Spring, 5 May； b. 夏季，6月14日Summer, 14 June； c. 秋季，10月7日Autumn, 7 October； d. 冬季，12月16日Winter, 16 December.

圖4 光譜指數(shù)時間序列變化曲線Fig.4 Temporal profiles of spectral indices

2.3 SVM分類

支持向量機是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)算法(Vapnik，1963)，所需樣本量小、運算速度快且穩(wěn)定，在解決小樣本、非線性及高維模式識別問題上具有其他機器學(xué)習(xí)方法難以企及的優(yōu)勢，其基本原理是將樣本從低維空間轉(zhuǎn)換到高維特征空間，使原有非線性可分問題轉(zhuǎn)換為線性可分問題(丁世飛等， 2011)。常用的支持向量機內(nèi)核模型包括多項式模型、sigmoid模型和徑向基內(nèi)核(radial basis function，RBF)模型，本研究比較不同內(nèi)核模型的分類效果后，選擇最穩(wěn)定的RBF模型。RBF模型中控制分類結(jié)果的主要參數(shù)是gamma、cost，gamma用于低維度樣本進行高維度映射的過程，相當于調(diào)整模型的復(fù)雜度，gamma越大，特征空間維度越高，訓(xùn)練結(jié)果越好，但容易引起過擬合，即泛化能力低； cost作為懲罰因子，用于決定超平面與支持向量的距離，cost越大，意味著分類器越嚴格，對錯誤容忍度越低。gamma、cost這2個參數(shù)相互獨立，在調(diào)節(jié)參數(shù)值進行分類時，可以先根據(jù)經(jīng)驗設(shè)定初始值，再采用固定其中之一、調(diào)節(jié)另一個的方式獲得每次分類任務(wù)的最優(yōu)參數(shù)值(Zhouetal.， 2021)。

本研究基于SNIC算法分割結(jié)果，以分割后的對象為基本分類單位，將波段反射率、光譜指數(shù)等特征輸入SVM分類器，調(diào)節(jié)gamma、cost參數(shù)，分別使用春、夏、秋3個季節(jié)的單時相數(shù)據(jù)，春季時間序列組合數(shù)據(jù)，秋季時間序列組合數(shù)據(jù)以及多季節(jié)組合數(shù)據(jù)作為輸入數(shù)據(jù)源進行分類，其中，春季時間序列數(shù)據(jù)包含5個時相影像，秋季時間序列數(shù)據(jù)包含4個時相影像，多季節(jié)組合數(shù)據(jù)篩選春、秋各2景及冬、夏各1景特征明顯的影像，共6景用于分類。

2.4 精度評價

分類完成后，利用驗證樣本集對分類結(jié)果進行驗證，采用基于混淆矩陣的方法評價分類結(jié)果，評價指標包括生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)(Foody， 2010)。面向?qū)ο蠓诸愔?，生產(chǎn)者精度指分類器將所有對象正確分為某一類別的數(shù)量與該類別真實參考總數(shù)的比率，用戶精度指分類器將所有對象正確分為某一類別的對象個數(shù)與分類器分到該類對象總數(shù)的比率。Kappa系數(shù)和總體精度是評價總體分類結(jié)果的指標，總體精度指被正確分類的對象占對象總數(shù)的比例； Kappa系數(shù)綜合考慮矩陣的所有因素，計算公式(Congalton， 1991)如下：

式中：N為用于精度評價的對象數(shù)；xii為混淆矩陣中第i行第i列的對象數(shù)；xi+和x+i分別為第i行第i列的總對象數(shù)。

3 結(jié)果與分析

本研究用影像數(shù)據(jù)包括5景春季影像、4景秋季影像、2景夏季影像和1景冬季影像，對比單季節(jié)單時相數(shù)據(jù)、多季節(jié)組合數(shù)據(jù)、春季時間序列數(shù)據(jù)和秋季時間序列數(shù)據(jù)分類結(jié)果(圖5)發(fā)現(xiàn)，多季節(jié)組合和春、秋2個季節(jié)時間序列數(shù)據(jù)的分類精度明顯優(yōu)于單季節(jié)單時相數(shù)據(jù)，單季節(jié)單時相數(shù)據(jù)的總體精度在86%～89%之間，多時相數(shù)據(jù)組合的總體精度均高于90%，其中多季節(jié)組合數(shù)據(jù)的總體精度最高，達95.8%, Kappa系數(shù)為0.95。春、秋2個季節(jié)時間序列數(shù)據(jù)的總體精度與最優(yōu)結(jié)果差距較小，分別為94.5%和95.0%, Kappa系數(shù)分別為0.93和0.94。 圖6所示為多季節(jié)組合數(shù)據(jù)分類結(jié)果專題圖。

圖5 總體精度和Kappa系數(shù)對比Fig.5 Comparison of overall accuracy and Kappa coefficient combination

圖6 多季節(jié)組合數(shù)據(jù)分類結(jié)果專題圖Fig.6 Thematic map of classification results with multi-season data

表4所示為春季時間序列、秋季時間序列、多季節(jié)組合3個多時相組合數(shù)據(jù)分類結(jié)果中5類主要樹種類別的生產(chǎn)者精度和用戶精度，圖7、8、9為分類結(jié)果對應(yīng)的混淆矩陣。對比發(fā)現(xiàn)，無論是生產(chǎn)者精度還是用戶精度，春、秋2個季節(jié)時間序列數(shù)據(jù)分類結(jié)果與多季節(jié)數(shù)據(jù)組合差距均很小。春季時間序列數(shù)據(jù)分類結(jié)果中其他針葉類別的生產(chǎn)者精度較低，與該類別樣本數(shù)量較少有關(guān)。3個多時相組合數(shù)據(jù)分類結(jié)果存在共性問題： 白樺和山楊類別生產(chǎn)者精度高，用戶精度相對較低，而其他闊葉類別用戶精度相對較高，生產(chǎn)者精度低。綜合分析分類結(jié)果對應(yīng)的混淆矩陣發(fā)現(xiàn)，白樺和山楊類別用戶精度相對較低的原因是部分樣本被錯分為落葉松、其他闊葉，其他闊葉類別生產(chǎn)者精度低的原因是部分樣本被錯分為落葉松、白樺和山楊。

圖7 春季時間序列數(shù)據(jù)分類結(jié)果的混淆矩陣Fig.7 Confusion matrix of classification results for the time series data of spring

圖8 秋季時間序列數(shù)據(jù)分類結(jié)果的混淆矩陣Fig.8 Confusion matrix of classification results for the time series data of autumn

表4 分類精度對比Tab.4 Comparison of classification accuracy

圖9 多季節(jié)組合數(shù)據(jù)分類結(jié)果的混淆矩陣Fig.9 Confusion matrix of classification results for multi-season data combination

4 討論

本研究表明，多季節(jié)組合數(shù)據(jù)的分類結(jié)果最優(yōu)，與Persson等(2018)的研究結(jié)論一致。2個單季節(jié)時間序列數(shù)據(jù)與多季節(jié)組合數(shù)據(jù)對比，單季節(jié)時間序列數(shù)據(jù)也能獲得較好分類結(jié)果，與多季節(jié)組合數(shù)據(jù)的差異并不顯著。

時間序列數(shù)據(jù)的時域特征能夠反映出植被的生長變化過程，特別是對于研究區(qū)內(nèi)的落葉樹種，如落葉松、白樺和山楊以及其他闊葉，由圖4可知，夏季3種類別對應(yīng)的NDVI、NDVIre指數(shù)值較高，而冬季指數(shù)值較低，在春季和秋季多景影像中，2個指數(shù)值變化幅度較大，且各類別間存在差異； 春季時間序列的5景影像中，2個指數(shù)值均隨時間變化升高，但落葉松較早萌芽長葉，5月5日影像中指數(shù)值就有明顯增加，而其他闊葉類別5月10日之后才開始升高； NDVIre曲線區(qū)別更加明顯，春季影像中3種類別對應(yīng)NDVIre指數(shù)值升高的先后次序依次為落葉松、白樺和山楊、其他闊葉。

對于相對較難區(qū)分的常綠樹種油松和其他針葉，短波紅外波段的NDWI、NHI等光譜指數(shù)發(fā)揮了重要作用，如春季時間序列影像中，油松和其他針葉的NDWI均很穩(wěn)定，但數(shù)值差距明顯，油松的NDWI明顯高于其他針葉； 油松的NHI總體上同樣略高于其他針葉，在秋季時間序列4景影像中該差異更加顯著。

春、秋2個季節(jié)時間序列數(shù)據(jù)組合相比多季節(jié)數(shù)據(jù)組合，盡管時間跨度上不大，但也能描述從落葉季到生長季或從生長季到落葉季的過程，反映樹種的物候特征及其變化，分類精度與多季節(jié)數(shù)據(jù)組合相差不大。對于特征相近的類別，如白樺和山楊、其他闊葉以及落葉松等，仍然存在少數(shù)錯分和漏分現(xiàn)象，這可能是Sentinel-2影像的中低分辨率帶來的混合像元問題造成的。此外，研究區(qū)所在林場的部分闊葉林地為混交林，也給面向?qū)ο蠓诸悗砝щy，對應(yīng)類別的分類精度會受到一定影響。

5 結(jié)論

本研究以內(nèi)蒙古旺業(yè)甸林場為研究區(qū)，在GEE云計算平臺上利用多時相Sentinel-2多光譜數(shù)據(jù)提取波段反射率特征和光譜指數(shù)特征，采用SNIC和支持向量機(SVM)機器學(xué)習(xí)分類方法進行優(yōu)勢樹種識別，并分析不同時相數(shù)據(jù)組合對優(yōu)勢樹種識別精度的影響，結(jié)果發(fā)現(xiàn)，基于多時相Sentinel-2影像和SNIC分割算法的面向?qū)ο蠓诸惙椒軌蚩焖?、準確識別優(yōu)勢樹種，多季節(jié)組合數(shù)據(jù)的分類結(jié)果最優(yōu)，春、秋2個季節(jié)時間序列數(shù)據(jù)也能獲得較好分類結(jié)果，總體精度與最優(yōu)結(jié)果差距較小。基于GEE平臺的分類流程將數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、影像分割、樣本選擇和分類器構(gòu)建等多個步驟組合起來，能極大縮小數(shù)據(jù)處理的時間成本。春、秋2個季節(jié)時間序列數(shù)據(jù)組合能夠反映不同地物類型特征，特別是不同樹種的物候特征變化，有利于準確識別樹種，為多時相樹種分類的數(shù)據(jù)選擇提供了新可能，當不能獲取多季節(jié)數(shù)據(jù)時，單季節(jié)連續(xù)時間序列數(shù)據(jù)可以作為很好的替代選擇； 當然，這得益于衛(wèi)星影像的高時間分辨率。

雖然基于多時相Sentinel-2影像和SNIC分割算法的優(yōu)勢樹種識別在旺業(yè)甸林場取得較高分類精度，但也存在不足之處： 首先，本研究分類系統(tǒng)將闊葉樹種白樺和山楊歸為一類，未來可結(jié)合高光譜數(shù)據(jù)進行更精細的樹種識別； 其次，GEE平臺僅提供國外公開訪問的衛(wèi)星影像，下一步可考慮與國產(chǎn)衛(wèi)星數(shù)據(jù)結(jié)合，如高分6號的寬幅影像等，實現(xiàn)基于國產(chǎn)數(shù)據(jù)的優(yōu)勢樹種識別。