无人机可见光遥感影像的空间...对毛竹立竹度识别精度的影响_陆雪婷.pdf

第 51 卷 第 3 期东北林业大学学报Vol51 No32023 年 3 月JOUNAL OF NOTHEAST FOESTY UNIVESITYMar 20231)福建省科技计划高校产学合作项目(2020N5003);福建省高校产学项目(2019N5012)。第一作者简介:陆雪婷，女，1998 年 2 月生，福建农林大学林学院，硕士研究生。Email:2673787845 qqcom。通信作者:余坤勇，福建农林大学林学院，教授。Email:yuyky 126com。收稿日期:2022 年 2 月 22 日。责任编辑:王广建。无人机可见光遥感影像的空间分辨率对毛竹立竹度识别精度的影响1)陆雪婷邓洋波宋贤芬严夏帆余坤勇刘健(福建农林大学，福州，350002)(福州市林业局)(福建农林大学)摘要为探究无人机可见光影像在毛竹立竹度提取方面的适用性，以福建省三明市永安市天宝岩国家级自然保护区毛竹林为研究对象，运用重采样的方式获取不同空间分辨率(025、050、075 m)下的可见光影像，利用面向对象多尺度分割确定各个分辨率下的最佳分割尺度，采用随机森林分类方法，对不同空间分辨率下立竹度提取精度进行了比较。结果表明:不同空间分辨率下分割尺度的选择不同，影像空间分辨率为 025、050、075 m 的最佳分割尺度分别为 20、9 和 8，立竹度提取平均精度分别为 8097%、8129%和 7782%，Kappa 系数分别为 0806 0、0863 3和 0817 1;图像空间分辨率为 050 m 时，总体分类精度和 Kappa 系数最高，因此，毛竹立竹度提取的适宜图像空间分辨率为 05 m，最佳分割尺度为 9。关键词毛竹;立竹度;无人机;可见光遥感影像;空间分辨率分类号S7957;S712Effect of Spatial esolution of Unmanned Aerial Vehicle(UAV)Visible Light emote Sensing Image on ecogni-tion Accuracy of Phyllostachys edulis Stand Density/Lu Xueting(Fujian Agriculture and Forestry University，Fuzhou350002，P China);Deng Yangbo(Fuzhou Forestry Bureau);Song Xianfen，Yan Xiafan，Yu Kunyong，Liu Jian(Fu-jian Agriculture and Forestry University)/Journal of Northeast Forestry University，2023，51(3):7983，96In order to explore the applicability of UAV visible image in the extraction of Phyllostachys edulis standing degree，theP edulis forest in Tianbaoyan National Nature eserve，Yongan City，Sanming City，Fujian Province，was taken as the re-search object，and the visible image under different spatial resolutions(025，05 and 075 m)was obtained by resamplingmethod Object-oriented multi-scale segmentation was used to determine the optimal segmentation scale under each resolu-tion，and random forest classification was used to compare the extraction accuracy of P edulis stand density under differentspatial resolutions The results show that:the best segmentation scale for the segmentation scale to select different underdifferent image spatial resolution of 025，050 and 075 m are 20，9 and 8，P edulis stand density extract accuracy are8097%，8129%and 7782%，and Kappa coefficients are 0806 0，0863 3 and 0817 1，respectively When the spatialresolution of image is 050 m，the overall classification accuracy and Kappa coefficient are the highest Therefore，the ap-propriate spatial resolution of image extraction of P edulis stand density is 05 m，and the optimal segmentation scale is 9KeywordsPhyllostachys edulis;Bamboo density;Unmanned aerial vehicle(UAV);Visible light remotesehsingimage;Spatial resolution毛竹立竹度也叫竹林密度，指每公顷毛竹林地中毛竹的立木株数。也是毛竹林群体结构和生产力指标最重要的数量特征，同时也是广大竹农对毛竹生长发育期间干预竹林结构的重要因子12。目前关于毛竹立竹度的监测主要采用人工调查和多光谱影像提取。采用人工调查不但需要更多人力，而且由于地理因素导致人员可及度受到限制;利用多光谱影像提取毛竹立竹度，受到影像波段的复杂性和影像获取的成本的限制。随着无人机遥感监测技术的不断发展，为利用可见光遥感监测调查立竹度提供了技术支持，也为调整竹林的密度，改善毛竹林分结构，提高毛竹林的生产力提供了手段，对我国竹林经营具有重要的实际意义3。利用遥感手段提取立竹度的关键是对影像的有效分割和准确分类。目前国内外学者在基于图像分割技术的林木冠层特征提取方面已经取得了很大的进展，孙晓艳等4 利用 SPOT 卫星数据同时结合纹理信息，通过面向对象的方法构造多尺度、多层次的结构来实现竹林信息的提取;采用面向对象的多尺度分割方法得到分割后的目标，不仅可以有效地获得识别单元的几何特征，而且可以提取各种地物的信息5;李越帅等6 提出了深度学习与分水岭分割相结合的处理方法，对密集胡杨树冠的精确分割和胡杨个体信息的提取;张仓皓等7 基于无人机多光谱遥感影像，利用面向对象多尺度分割，构建毛竹立竹度识别单元，采用 K邻近值(KNN)算法实现毛竹立竹度的提取，并通过比较不同飞行高度下立竹度提取的精度，确定了无人机飞行的高度;杨樟平等8 采用同样的方法，利 用 无 人 机 多 光 谱 影 像 比 较 了 K 邻 近 值(KNN)、支持向量机(SVM)和随机森林(F)分类算法对毛竹立竹度的提取效果，认为 F 分类方法较其他两类分类方法提取精度高。这些研究大多DOI:10.13759/ki.dlxb.2023.03.014采用包含红绿蓝和近红外或更多波段的遥感影像进行分割，虽然能够实现影像准确有效的分割，但影像采集和加工的成本高，多光谱相机价格昂贵，而可见光相机虽然所提供的光谱信息比较少，但其拍摄的图像分辨率高、成本低、操作简单9，为毛竹立竹度快速提取提供了一种低成本的方法。较高空间分辨率遥感影像虽然可以显示的纹理和空间信息更加丰富10，但是对数据获取的范围产生限制和数据处理不便，所以选择合适空间分辨率的影像数据将会对竹资源调查具有重要影响。邱琳等11 基于高分 1 号(GF1)卫星影像数据，分析了GF1 卫星 3 种分辨率对水稻识别精度的影响;刘婷等12 基于高分 2 号(GF2，分辨率 41 m)、Senti-nel2(分辨率 10 m)、Landsat8(分辨率 30 m)等 3种不同空间分辨率的遥感影像，利用一元指数和多元回归统计方法，对比分析不同空间分辨率对森林叶面积指数(LAI)估算的影响，得到研究区域森林叶面积指数最适宜的影像空间分辨率。Ye et al13 利用无人机多光谱图像，建立了识别香蕉枯萎病发生或未发生区域的方法，通过对不同空间分辨率(05、10、20、50、100 m)图像的模拟实验发现当分辨率大于 20 m 时，香蕉枯萎病区域识别的精度较高。大多数研究是围绕卫星影像数据和无人机多光谱影像数据，而关于利用无人机可见光影像识别毛竹立竹度适宜的空间分辨率的研究较少。因而，研究以无人机可见光影像为原始数据，通过重采样生成不同空间分辨率的图像，采用面向对象分类技术，结合毛竹的尾梢特征及毛竹顶冠层几何形状的表达特征，分析不同空间分辨率不同分割尺度对立竹度提取的影响，为毛竹立竹度提取的适宜空间分辨率和最佳分割尺度提供相关技术支持。1研究区概况研究区位于福建省三明市永安市天宝岩国家级自然保护区(1172852E1172924E，255341N255414N)，武夷山脉和戴云山脉中间(见图 1)，山体为戴云山余脉，地势属于中低山地貌，海拔高5801 6048 m。属中亚热带海洋性季风气候，气候温暖湿润，降水量充足，年均气温约 193。研究区域土壤类型主要包括红壤、山地黄壤、山地黄红壤，土壤类型主要以红壤为主。植被类型主要包括毛竹林、常绿阔叶林、针阔混交林、针叶林等。2研究方法21数据及其预处理原始数据来源于 2020 年 7 月在福建省三明市永安市天宝岩国家级自然保护区拍摄的无人机可见光遥感影像，考虑到阳光直射效应，影像获取时间为上午 11:00 至下午 14:00，且当日阳光充足无风，为了得到稳定可靠的数据，进行了多次采集和比较。利用大疆精灵 4 无人机搭载的可见光镜头(蓝、绿、红三个光谱波段)获取遥感影像，设置影像航向的重叠率为 80%，旁向的重叠率 70%，航高 350 m，任务巡航速度为 7 m/s。大疆精灵 4 可见光镜头拍摄的影像为 TIFF 格式，通过 Pix4D Mapper 软件对原始无人机影像进行正射校正和快速拼接，将拼接后的影像进行裁剪以去除边缘异常值，最后得到空间分辨率为 025 m 的实验区影像。图 1研究区位置图在研究区布设了 43 个 258 m258 m 的毛竹纯林样地，使用高精度亚米级 GPS 仪(UnistrongZ5)对各样地坐标进行采集，并实地调查样地毛竹林分立竹度，为后期对立竹度估测精度进行验证。22面向对象多尺度分割影像分割是将一幅完整的遥感影像分割成若干个独立的小区域，使这些小区域之间的平均异质性最大，而区域内部的同质性最大1415。无人机影像的分割效果主要受 4 个因素的影响，即输入影像波段、形状、紧致度和分割尺度。分割尺度可以对影像对象允许的最大异质度进行确定，如果分割尺度过大，将会出现“欠分割”，导致异质性;如果分割尺度过小，则会出现“过分割”，产生同质异谱现象16。多尺度分割是随机选取影像中的一个像元作为中心进行分割，第一次分割时，将单个像元看作最小多边形对象计算异质性值;完成第一次分割后，将生成的多边形对象作为第二次分割的基础对象，同样计算异质性值，将计算结果与预定阈值进行比较，若得到的异质性值比阈值小，则继续进行多次的分割，否则影像分割停止。面向对象多尺度分割是一种自下而上的分割方式，它通过识别相似的像元，使相邻的相似像元合并成对象17，充分利用对象的灰度、色调、形状、纹理等特征。08东北林业大学学报第 51 卷研究的分割目标是提取毛竹的株数，由于毛竹立竹密度的不同加上毛竹的尾梢特征，使得部分单株毛竹轮廓清晰，部分毛竹出现拥挤现象，难以区分单株毛竹。基于多尺度分割的原理，选择不同分割尺度可以将单株和拥挤的毛竹进行分割，受对象内部同质性和对象间异质性的影响，可以将毛竹分割成 1 株、2 株和 3 株的形态。因此，研究依据毛竹顶冠层的形状和尾梢特征，通过“试误法”(尝试错误法)17 进行参数的不断调整来选择合适的尺度，使得分割之后得到的对象既能对毛竹轮廓进行有效识别，又能使数据的冗余度最小。23随机森林分类及精度评价随机森林(F)是一种由 Breiman et al18 提出的数据驱动的非参数机器学习方法，通过对给定的已知样本进行机器学习，不需要任何先验知识形成一定的分类规则，估计特征重要性的集成分类模型。随机森林主要由生成训练集、构建决策树和生成决策树算法等 3 个构建过程组成19。决策树算法是一种基于逼近离散的函数值的归纳学习方法，它可以在大量没有顺序、没有规则的样本中构建一个树状分支的分类结构体，从而得到一个预测模型，并且将该模型用于对未知数据的预测20。随机森林将多个不相关的决策树进行组合训练得到全局最优的分类结果，以分类与回归树为基学习器并融合装袋算法的思想，通过随机抽选样本又放回的抽样进行试验得到检验数据，降低了样本之间的相关性，由于随机森林有多棵决策树构成，避免了单棵决策树模型过拟合的缺陷，保证了决策树的多样性，具有稳定性良好的分类预测效果。在确定毛竹立竹度提取分类方法的基础上，比较不同影像分辨率对毛竹立竹度提取的精度，分析空间分辨率对于毛竹立竹度提取结果的影响。3结果与分析31影像空间分辨率的选取由图 2 可知，通过对所选取的三种空间分辨率的可见光影像的分析发现，分辨率为 025 m 的影像可以明显的识别出毛竹和林隙的边界轮廓，1 株毛竹大约需要 90 个像元大小描述;分辨率为 050 m的影像也可清晰的识别出毛竹和林隙的边界轮廓，1株毛竹大约需要 25 个像元大小描述，相比于 025 m分辨率的影像，边界轮廓的清晰度并未明显降低，但单株毛竹识别像元数量明显减少;分辨率为 075 m的影像相比于 025 m 和 050 m 分辨率的影像，边界轮廓的清晰度有明显的下降，但单株毛竹识别像元数量也有更加明显的减少，只需大约 12 个像元大小即可描述单株毛竹的顶冠层形状。研究并未采用1 m及以上分辨率影像，原因是受到毛竹顶冠层形状大小的影响，毛竹相比于其他树种，顶冠层面积较小，若空间分辨率过低，则难以识别出顶冠层的形状大小。通过目视解译进行实验对比，最终选择分辨率为 025、050 和 075 m 的可见光影像。图 2图像的空间分辨率32图像最佳分割尺度选择由图 3、图 4、图 5 可知，通过不断调整尝试，不同分割尺度下，形状因子和紧致度因子的变化对分割效果影响不大，对分割效果产生最大影响的是分割尺度的选择，经过多次测试，形状因子和紧致度因子分别为 02 和 06 时对毛竹的分割效果最好21。因此，不同分辨率及不同分割尺度下，形状因子和紧致度因子分别采用 02 和 06，3 种空间分辨率下的分割尺度在 760 范围内分割效果较好。依据各空间分辨率的分割效果，当空间分辨率为 025 m 时，选择分割尺度分别为 10、15、20、25、30;当空间分辨率为 050 m 时，选择分割尺度分别为 6、7、8、9、10;当空间分辨率 075 m 时，选择分割尺度分别为 6、7、8、9、10。每组 5 个尺度进行实验，选择最佳分割尺度。空间分辨率 025 m 下分割尺度分别为 10、15、18第 3 期陆雪婷，等:无人机可见光遥感影像的空间分辨率对毛竹立竹度识别精度的影响20、25、30 的分割效果，当分割尺度=10 时，出现明显的过分割现象，将可以明显经目视解译出的单株毛竹破碎化，分割出的图斑过于细碎;当分割尺度=30 时，则出现欠分割现象，所得到的分割对象未能将边界清晰的单株毛竹进行分割，而是将小片毛竹(3 株以上)分割为一个对象;当分割尺度=20 时，分割对象对毛竹的边界描述效果最好，可以将比较独立的单株毛竹分割出来，对于受毛竹尾梢特征影响的单株毛竹边界轮廓没有明显区别的区域，可以分割出 2 株和 3 株的形状，但仍然有未分割出 3 株及以下的小片毛竹，主要受到毛竹光谱信息的影响，但相比于其它 4 个分割尺度的整体分割效果，分割尺度=20 的分割效果最好。在对不同空间分辨率的分割尺度进行选择时，通过多次实验发现分辨率为 050 m 和 075 m 时，分割尺度及其步长的选择与分辨率为 025 m 时不同，若使用 025 m 的分割尺度及步长，将会出现极其明显的欠分割现象，因为受到不同空间分辨率下单株毛竹所包含的像元数目的影响，025 m 分辨率明显高于 050 m 和 075 m 分辨率，所以最终将空间分辨率 050 m 和 075 m 的分割尺度选为 6、7、8、9、10，步长为 1，依据 025 m 同样的判定方法得到 050 m和 075 m 空间分辨率下的最佳分割尺度分别为 9和 8。图 3空间分辨率 025 m 的图像分割尺度图 4空间分辨率 050 m 的图像分割尺度图 5空间分辨率 075 m 的图像分割尺度33不同空间分辨率图像的分类精度由表 1、表 2、表 3 可知，3 种空间分辨率下的总体分类精度均在 86%以上，图像分辨率为 025、050和 075 m 总体分类精度分别为 8782%、8995%和8642%，Kappa 系数分别为 0806 0、0863 3 和 0817 1，其中空间分辨率为 050 m 时，总体分类精度和Kappa 系数最高。不同空间分辨率表现出错分与漏分现象的总体趋势保持一致，引起总体分类精度较低的原因是 1 株、2 株和 3 株竹子之间的混分现象。34立竹度提取精度检验利用 43 个实测毛竹纯林样地的立木株数与不同空间分辨率对比计算，3 种空间分辨率下的平均精度均在 75%以上，其中，空间分辨率 025、050 m 的28东北林业大学学报第 51 卷立竹识别精度分别为 8097%和 8129%，空间分辨率 075 m 的立竹识别精度为 7782%。这主要与像元和毛竹的冠幅大小有关，空间分辨率越低，所能识别到毛竹顶冠层形状的精度越低，混合像元出现的概率越高22。最终得出空间分辨率为050 m 时，毛竹立竹度的提取精度最高。说明不是空间分辨率越高立竹度提取的精度越高，而是根据毛竹尾梢特征、空间分辨率和分割尺度之间的关系，能够有效表达毛竹顶冠层形状特征的空间分辨率和分割尺度，就可以提高立竹度的提取精度。表 1空间分辨率 025 m 的分类精度地物类别1 株2 株3 株其他合计 使用者精度/%1 株33725523344775392 株5941972455475633 株3672341184677302其他43171 7501 7749865合计4365194821 8053242生产者精度/%7729807370759695注:总体精度=8782%;Kappa=08060;表中“其他”为道路、土壤和林隙等非植被;表中每一列代表了分类类别，每一列的合计表示分类为该类别的数据的数目;每一行代表了数据的真实归属类别，每一行的合计表示该类别的数据实例的数目。每一列中的数值表示真实数据被分类为该类的数目，每一行中的数值表示真实数据被分类为其他类别的数目。表 2空间分辨率 050 m 的分类精度地物类别1 株2 株3 株其他合计 使用者精度/%1 株122113213888412 株1217818721582723 株101316261918482其他00027227210000合计144202183287816生产者精度/%8472881288529477注:总体精度=8995%;Kappa=08633;表中“其他”为道路、土壤和林隙等非植被;表中每一列代表了分类类别，每一列的合计表示分类为该类别的数据的数目;每一行代表了数据的真实归属类别，每一行的合计表示该类别的数据实例的数目。每一列中的数值表示真实数据被分类为该类的数目，每一行中的数值表示真实数据被分类为其他类别的数目。表 3空间分辨率 075 m 的分类精度地物类别1 株2 株3 株其他总和 使用者精度/%1 株16818101120781162 株923016325889153 株131916492058000其他13832783029205总和203275193301972生产者精度/%8276836484979236注:总体精度=8642%;Kappa=08171;表中“其他”为道路、土壤和林隙等非植被;表中每一列代表了分类类别，每一列的合计表示分类为该类别的数据的数目;每一行代表了数据的真实归属类别，每一行的合计表示该类别的数据实例的数目。每一列中的数值表示真实数据被分类为该类的数目，每一行中的数值表示真实数据被分类为其他类别的数目。4结论与讨论以福建省三明市永安市天宝岩国家级自然保护区为研究区，以大疆精灵 4 无人机获取的无人机可见光影像为原始数据，通过重采样得到空间分辨率为025 m、050 m 和075 m 图像，通过面向对象多尺度分割结合毛竹几何形态特征和毛竹定位，采用目视解译的方法确定图像各个空间分辨率下最佳分割尺度，利用 F 算法结合统计理论得到研究区的毛竹林立竹度，参照实测数据计算研究区立竹度的提取精度，通过对不同空间分辨率提取精度的比较分析，确定研究区毛竹立竹度提取的最佳空间分辨率。主要结论如下:影像空间分辨率为 025、050、075m的最佳分割尺度分别为 20、9 和 8，立竹度提取平均精度分别为 8097%、8129%和 7782%，因此，毛竹立竹度提取的适宜图像空间分辨率为 05 m，最佳分割尺度为 9。研究结果表明空间分辨率的大小影响着影像的分类精度，空间分辨率越高，虽然可以减少混合像元的比例，提高分类的精度，但空间分辨率过高也会引起类别内部光谱异质性增大，反而会降低分类精度。也有研究为了提高分类精度而加入图像的纹理特征，但对于不同空间分辨率、不同地物类型，纹理特征对分类精度的影响也不同，如果像元尺寸较小，纹理特征并不能显著提高分类精度23。将无人机可见光影像作为数据源进行遥感影像信息的充分挖掘，得到研究区毛竹立竹度提取适宜空间分辨率大小，可以实现利用普通影像对毛竹立竹度的监测，扩展了无人机可见光数据在竹资源监测中的应用范围。虽然绝大多数毛竹株数类型能够准确分割与分类，但由于地形差异、毛竹尾梢特征和毛竹高低的不同，使毛竹顶冠层存在交叉重叠现象而未能识别，从而影响毛竹立竹度的提取精度。参考文献 1林维彬坡位对毛竹立竹度的影响初探J亚热带水土保持，2009，21(3):3233，38 2吴良如，钟浩，高贵宾，等笋竹两用毛竹林立竹密度与竹笋产量关系研究 J竹子研究汇刊，2014，33(2):2528 3陈赐辉，赖玉玲，阳纯，等密度对毛竹生长的影响J 湖北林业科技，2016，45(6):1014 4孙晓艳，杜华强，韩凝，等面向对象多尺度分割的 SPOT5 影像毛竹林专题信息提取J林业科学，2013，49(10):8087 5SHEN X，CAO L Tree-species classification in subtropical forestsusing airborne hyperspectral and LiDA dataJ emote Sens-ing，2017，9(11):1180doi:103390/rs9111180 6李越帅，郑宏伟，罗格平，等集成 U_Net 方法的无人机影像胡杨树冠提取和计数J 遥感技术与应用，2019，34(5):939949 7张仓皓，杨樟平，谢巧雅，等毛竹立竹度无人机遥感识别有效高度的研究 J遥感技术与应用，2020，35(6):14361446(下转 96 页)38第 3 期陆雪婷，等:无人机可见光遥感影像的空间分辨率对毛竹立竹度识别精度的影响 6张淑炜，金宝成，陈可可，等遥感估算及分析油杉河牧场近 30年植被覆盖度变化 J 林业和草原机械，2021，2(4):4352 7孙康慧，曾晓东，李芳中国生态脆弱区叶面积指数变化的主导气象因子研究 J 自然资源学报，2021，36(7):18731892 8唐荣彬，付梅臣，王力，等喀斯特岩溶、非岩溶区植被总初级生产力与土壤呼吸的空间差异及其环境因子分析J 地球与环境，2020，48(3):307317 9柳钦火，吴俊君，李丽，等“一带一路”区域可持续发展生态环境遥感监测 J遥感学报，2018，22(4):686708 10徐涵秋区域生态环境变化的遥感评价指数J 中国环境科学，2013，33(5):889897 11宋慧敏，薛亮基于遥感生态指数模型的渭南市生态环境质量动态监测与分析J应用生态学报，2016，27(12):39133919 12李婷婷，马超，郭增长基于 SEI 模型的贺兰山长时序生态质量评价及影响因素分析 J生态学杂志，2021，40(4):11541165 13程琳琳，王振威，田素锋，等基于改进的遥感生态指数的北京市门头沟区生态环境质量评价J 生态学杂志，2021，40(4):11771185 14白星亮，任冲，李景宜，等基于 GIS 与 Fragstats 的安徽省生态安全格局研究J安徽农业科学，2020，48(13):7077 15钱贞兵，戴晓峰，陈超，等安徽省生态区生态环境状况的评价研究 J 生物学杂志，2018，35(4):7275 16毛行元，徐志扬皖南山区森林碳储量及其动态变化J森林与环境学报，2018，38(2):185190 17薛蕾，徐承红长江流域湿地现状及其保护J 生态经济，2015，31(12):1215 18LONG H L，HEILIG G K，WANG J，et al Land use and soil e-rosion in the upper reaches of the Yangtze iver:some socio-eco-nomic considerations on Chinas Grain-for-Green ProgrammerJ Land Degradation Development，2006，17(6):589603 19中华人民共和国生态环境部生态环境状况评价技术规范:HJ11722021S 北京:中国环境出版社，2021(上接 83 页)8杨樟平，曹碧凤，谢巧雅，等应用无人机影像提取毛竹林立竹度J 东北林业大学学报，2021，49(7):6671 9杨焕波，赵静，兰玉彬，等基于无人机可见光遥感和阈值法的玉米植被覆盖度提取J 福建农林大学学报(自然科学版)，2020，49(2):283288 10FISHE J B，ACOSTA E A，DENNEDY-FANK P J，et alImpact of satellite imagery spatial resolution on land use classifi-cation accuracy and modeled water qualityJ emote Sensingin Ecology and Conservation，2017，4(2):137149 11邱琳，卢必慧，孙玲，等GF1 卫星影像的空间分辨率对水稻识别精度的影响J 江苏农业学报，2019，35(1):7075 12刘婷，陈晨，范文义，等基于不同空间尺度遥感影像估算森林叶面积指数的差异J 应用生态学报，2019，30(5):16871698 13YE H C，HUANG W J，HUANG S Y，et al ecognition of ba-nana fusarium wilt based on UAV remote sensingJ emoteSensing，12(6):938doi:103390/rs12060938 14孙金彦，徐南，董丹丹，等不同空间分辨率遥感数据识别湖泊的误差分析 J人民长江，2019，50(4):2531 15BENZ U C，HOFMANN P，WILLHAUCK G，et al Multi-resolu-tion，object-oriented fuzzy analysis of remote sensing data forGIS-ready information J ISPS Journal of Photogrammetry andemote Sensing，2003，58(3/4):239258 16陈蕊，张继超基于 eCognition 的遥感图像面向对象分类方法研究 J 测绘与空间地理信息，2020，43(2):9195 17董梅，苏建东，刘广玉，等面向对象的无人机遥感影像烟草种植面积提取与监测J 测绘科学，2014，39(9):8790 18BEIMAN L andom forestsJ Machine Learning，2001，45(1):532 19BEIMAN L，FIEDMAN J H，OLSHEN A，et al Classfica-tion and regression trees M New York:outledge，1984 20CHAPELLE O，VAPNIK V，BOUSQUET O，et al Choosingmultiple parameters for support vector machinesJ MachineLearning，2002，46(1/2/3):131159 21施佩荣，陈永富，刘华，等基于分割评价函数的多尺度分割参数的选择J遥感技术与应用，2018，33(4):628637 22黄宇，陈兴海，刘业林，等基于无人机高光谱不同高度的地物快速识别研究J 安徽农业科学，2018，46(11):170173，209 23杨闫君，田庆久，占玉林，等空间分辨率与纹理特征对多光谱遥感分类的影响J地球信息科学学报，2018，20(1):99107(上接 89 页)22李晓辰，贡璐，魏博，等气候变化对新疆雪岭云杉潜在适宜分布及生态位分化的影响 生态学报，2022，42(10):40914100 23NAYAKA S Assessing the antarctic environment from a climatechange perspective M New Delhi:Springer Nature SwitzerlandAG，2022 24汪沐阳，张楚婕，宓春荣，等气候变化对中国马可波罗盘羊适宜生境的潜在影响J 应用生态学报，2021，32(9):31273135 25张俊岚，王华，谢国辉阿克苏地区地理因素对气候分布的影响J 气象，2003，29(3):4648 26MEIE E S，KIENAST F，PEAMAN P B，et al Biotic andabiotic variables show little redundancy in explaining tree speciesdistributionsJ Ecography，2010，33(6):10381048 27HSCH B Modelling the spatial distribution of montane andsubalpine forests in the central Alps using digital elevation modelsJ Ecological Modelling，2003，168(3):267282 28DYMYTOVA L，NADYEINA O，HOBI M L，et al Topograph-ic and forest-stand variables determining epiphytic lichen diversityin the primeval beech forest in the Ukrainian CarpathiansJ Biodiversity and conservation，2014，23(6):13671394 29周广胜，张新时全球变化的中国气候植被分类研究J 植物学报，1996，38(1):81730UBIO-SALCEDO M，PSOMAS A，PIETO M，et al Casestudy of the implications of climate change for lichen diversity anddistributionsJ Biodiversity and Conservation，2017，26(5):11211141 31HEK C M V，APTOOT A，DOBBEN H F V Long-term moni-toring in the Netherlands suggests that lichens respond to globalwarming J Lichenologist，2002，34(2):141154 32GIODANI P，INCETI G The influence of climate on the dis-tribution of lichens:a case study in a borderline area(Liguria，NW Italy)J Plant Ecology，2008，195(2):257272 33MAINI L，NASCIMBENE J，NIMIS P L Large-scale patternsof epiphytic lichen species richness:photobiont-dependent re-sponse to climate and forest structureJ Science of the TotalEnvironment，2011，409(20):43814386 34SVOBODA D，PEKSA O，VESELJ Epiphytic lichen diversityin central European oak forests:Assessment of the effects of natu-ral environmental factors and human influences J Environmen-tal Pollution，2010，158(3):812819 35LUCHETA F，KOCH N M，KFFE M I，et al Lichens as in-dicators of environmental quality in southern Brazil:An integra-tive approach based on community composition and functional pa-rametersJ Ecological Indicators，2019，107 doi:10 1016/jecolind201910558769东北林业大学学报第 51 卷