摘 要：全國自然資源更新調查的主要手段之一就是通過遙感影像提取地表覆蓋物，進而掌握各種地物類型的空間分布情況，而衛(wèi)星數據源是否具備高重訪周期是開展該項工作數據源選擇的重要考量因素之一。文章以宜興市張渚鎮(zhèn)為研究區(qū)，利用Sentinel-2衛(wèi)星的高重訪優(yōu)勢，通過計算不同地物類型的時序NDVI值以及在Sentinel-2影像上不同波段的光譜差異特性構建決策樹分類模型。該模型包含7個節(jié)點層，根據分類對象之間的光譜特性差異確定不同決策節(jié)點所選取的閾值，最終成功分類提取了喬木林、灌木林、草地、耕地等9種地物，總體分類精度達到了88.26%。通過與只依靠地物光譜特性方法的提取結果對比可知，引入時序數據構建決策樹的方法準確性顯著提高，證明這種基于Sentinel-2時序數據和決策樹思想的地物信息提取分類方法具有很大的實用性，可以為以后的自然資源變更調查工作提供參考。

關鍵詞：哨兵2號；時序數據；光譜特性；地物分類；決策樹

Research on natural resource classification and extraction based on Sentinel-2 remote sensing images

LIU Zhi1，2，3， LIU Xiaosong1，2，3， YANG Bo1， WANG Xin1， ZHANG Hang1

（1.Coal Geological Geophysical Exploration Surveying amp; Mapping Institute of Shanxi Province， Jinzhong 030600， Shanxi， China;

2.Key Laboratory of Investigation， Monitoring and Protection of Natural Resources in Mining Cities， Ministry of Natural Resources，

Jinzhong 030600， Shanxi， China;

3.Shanxi Key Laboratory of Geological Disaster Monitoring， Early Warning and Prevention， Jinzhong 030600， Shanxi， China）

Abstract： One of the main means of the National Natural Resources Update Survey is to extract the surface cover through remote sensing images， and then to grasp the spatial distribution of various land types. Whether the satellite data source has a high revisit period is one of the important considerations for the selection of data sources of this work. This paper takes Zhangzhu Town of Yixing City as the study area， utilizes the high revisit advantage of Sentinel-2 satellite， and constructs a decision tree classification model by calculating the time-series NDVI values of different feature types and the spectral difference characteristics of different bands on the Sentinel-2 image. This model contains seven node layers， and determines the thresholds selected by different decision nodes according to the differences in spectral characteristics of the classified objects， and finally successfully classifies and extracts trees and shrubs. The thresholds selected by different decision nodes are determined according to the differences in spectral characteristics between the classified objects. The overall classification accuracy reaches 88.26%. By comparing with the extraction results relying only on the spectral characteristics of the features， it can be seen that the accuracy of the method of constructing a decision tree by introducing time series data is significantly improved， which proves that this method of extracting and classifying feature information based on the idea of time series data and decision tree of Sentinel-2 is of great practicability， and it can provide a methodological reference for the future investigation of the change of natural resources.

Keywords： Sentinel-2; time-series data; spectrum feature; objects classification; decision tree

地表信息提取是全國自然資源變更調查的重點內容，在人類活動日益加劇的今天，各種地表資源也在發(fā)生著不斷的變化，及時準確地掌握各種地表資源的分布狀況是新時期自然資源管理和生態(tài)保護的重大需求。因此，掌握自然資源的分布規(guī)律和覆蓋率，進一步分析各種自然資源與生態(tài)地質環(huán)境因子之間存在的相關性，提出自然資源管理和生態(tài)地質環(huán)境保護的對策建議，為國家、地方管理部門及社會公眾提供科學數據具有重要的意義。目前，遙感技術憑借其視域廣、信息量大、獲取周期短等特點在全球自然資源調查中應用廣泛（崔囤月等，2023；董勝光等，2023；CHEN Junhan et al.，2020；徐思瑜等，2022；陳浩等，2024；韓亞超等，2022），常見的地表覆蓋物信息提取主要是基于像素方法和基于面向對象方法，前者主要依據地物的光譜特性，后者在地物光譜特性的基礎上引入了形狀、紋理等空間參考信息。例如：YIN Leikun（2020）、劉通（2022）、常竹（2023）等基于Sentinel-2影像根據水稻、大豆、玉米、小麥等農作物不同物候期內的光譜指數構建了分類模型進行地類信息提取，得到了主要農作物分布圖，總體精度達到了90%以上；趙陽（2023）、林欣怡（2024）、陳遜龍（2024）等在基于高分辨率遙感影像上運用面向對象的方法對不同樹種進行了精細化分類提取，實驗證明這種多特征融合的方法可以很好地解決不同地物混淆的問題。但以往的分類研究往往只依靠特定時期或短序列的遙感影像，且使用的衛(wèi)星數據源重訪周期長，既不能快速實現地物的高精度分類，也不能及時獲取各類地表資源的動態(tài)變化情況，嚴重制約了自然資源更新調查工作追求準確性和時效性。

本文以江蘇省宜興市張渚鎮(zhèn)的部分地區(qū)為研究區(qū)，采集喬木林、灌木林、其他林地、果園、茶園、其他園地、草地、耕地、水體這9種地物在Sentinel-2的B2、B3、B4、B8波段的輻射亮度值，獲取了這9種地物在2023年共11景數據的NDVI時序曲線，分析不同地物的物候規(guī)律以及波譜反射特性，利用這些差別構建決策樹分類模型，提取這9類地表資源信息，最后結合野外實地調查的樣本數據做精度評價分析。實驗表明，這種基于Sentinel-2時序數據和決策樹思想的地物信息提取具有很大的實用性，可以為以后的自然資源調查和地理國情普查提供參考。

1 "研究區(qū)概況與數據源

1.1 "研究區(qū)概況

江蘇省宜興市張渚鎮(zhèn)位于中國經濟活力最強、發(fā)展速度最快的長三角腹地滬寧杭金三角中心地帶，江蘇、浙江、安徽三省交界，寧杭、錫宜高速交匯之處，是一座美麗富饒的山區(qū)古鎮(zhèn)，也是江蘇省百家名鎮(zhèn)之一。從地理環(huán)境來說，張渚鎮(zhèn)地處皖南山區(qū)、宜溧丘陵區(qū)加太湖湖西平原區(qū)的交界處，屬宜溧低山丘陵區(qū)，地勢東南部為山丘，起伏連綿，延伸至皖南和浙西，總稱三洲山脈，是天目山向北延伸的余脈；張渚鎮(zhèn)地貌類型多樣，既有平原區(qū)，也有山地和丘陵，其中平原區(qū)主要分布在中北部和東北部，而丘陵低山區(qū)主要分布在東南部和西南部；張渚鎮(zhèn)不僅地理位置優(yōu)越，經濟發(fā)展較好，而且氣候宜人，土地肥沃，自然資源非常豐富，包含各種植被類型，山林面積達到10 000 hm2，以及茶園、果園、花卉苗木等均占地面積廣泛，成為當地的農林特色產業(yè)基地。因此，研究區(qū)包含的豐富地類信息非常適合用于地物信息提取研究。

1.2 "遙感數據源及樣本數據

地球觀測計劃（又稱“哥白尼計劃”）是由歐洲委員會（European Commission，EC）和歐洲航天局（European Space Agency，ESA）共同倡導的，目的是使歐洲連續(xù)、獨立和可靠地獲取地球觀測數據。用于全球高分辨率和高重訪周期的陸地觀測、生物物理變化制圖、檢測海岸和內陸水域，檢測全球森林、湖泊和沿海水域污染等，增進對氣候變化中潛在現象的了解，進而更好地控制和保護環(huán)境。該計劃發(fā)射的第二和第四顆衛(wèi)星分別叫Sentinel-2A和Sentnel-2B，這兩顆衛(wèi)星均由空中客車集團防務與航天公司基于推掃概念設計與制造，并分別于2015年6月23日和2017年3月7日發(fā)射升空。Sentinel-2A衛(wèi)星（簡稱S2A）和Sentinel-2B衛(wèi)星（簡稱S2B）統稱為多光譜儀器（Multispectral Instrument，MSI），具備寬幅大、高空間分辨率、幾何精度高的光譜測量性能。兩個衛(wèi)星攜帶的多光譜成像儀包含13個譜段（443～2190 nm），幅寬度290 km，空間分辨率：10 m （3個可見光譜段和1個近紅外譜段）、20 m （6個紅光邊緣譜段和短波紅外譜段）、60 m （3 個大氣校正譜段）。本文選用的數據均為空間分辨率為10 m的藍、綠、紅、近紅外4個波段。S2B位于與S2A相對的軌道上，從而確保了最佳的覆蓋和數據傳輸。這對相對獨立的衛(wèi)星可以在5 d內覆蓋南緯85°至北緯84°間的整個地球表面，這種高頻率意味著它們將捕獲地球的全新視角，在監(jiān)測和預測植被和水生污染的變化方面具有顯著的優(yōu)勢（田穎等，2019）。

選取2023年3—12月數據質量良好且無云覆蓋的共計11景Sentinel-2數據（表1），提取地物類型信息，分別提取喬木林、灌木林、其他林地、果園、茶園、其他園地、草地、耕地以及水體，共計9種地物類型。野外樣本數據來源于野外的實地考察驗證，通過野外記錄和GPS定位，以上9種地物共采集到569個樣本（其中草地38、茶園105、果園72、其他園地54、灌木林57，喬木林86、其他林地48、水體36、耕地73）。隨機將這些樣本編號，編號為奇數的作為訓練樣本，用于類型識別方法研究，編號為偶數的作為最后的驗證樣本，用于檢驗類型識別方法的提取準確度。

2 "地物類別信息提取流程

首先對原始的S2A和S2B數據進行預處理，從而得到地表真實反射率，然后進行波段運算、NDVI指數計算和單波段亮度切割，根據野外實地采集的訓練樣本數據對計算結果進行統計分析，從中挖掘出不同植被類型和地物類型的光譜差異，確定閾值參數，構建地物分類決策樹模型，最終開展信息提取獲得研究區(qū)的地物分布，并對提取結果進行精度評價和野外核查驗證。技術路線圖見圖1。

2.1 "數據預處理

本文使用的Sentinel-2數據來源于歐空局（ESA）的官方網站，現在只能免費獲取到Level-1C級的數據，該級數據是經過了正射校正及亞像元幾何精校正后的大氣表觀反射率產品，沒有進行輻射定標和大氣校正。為了獲得可以反映地表地物的真實反射率數據，本文應用ESA發(fā)布的插件Sen2cor，Sen2cor是一款專門用于哨兵2號數據2A級產品生成和格式轉化的處理器，它可以對大氣頂層的L1C級產品進行大氣、地形和卷云校正，從而生成經過校正后的發(fā)射率數據（李海桃等，2023；蘇偉等，2018）。

首先對原始影像做輻射定標處理，目的是將圖像的數字量化值（DN）轉化為輻射亮度數據，消除傳感器本身的誤差，確定傳感器入口處的準確輻射值，輻射定標公式為

L = σ DN+μ ， （1）

式中，σ=（L_maxλ-L_minλ）/ε=（L_maxλ-L_minλ）/（DN_minλ-DN_minλ ）， μ = L_minλ 。

每個含有角標 λ 的參數表示波段不同，則取值不同，L是某個波段光譜輻射亮度，σ為增量校正系數，μ為校正偏差量，DN是圖像灰度值，DN_minλ和DN_minλ為傳感器最大最小灰度值，L_maxλ，L_minλ分別為最大最小灰度值所相應的輻射亮度。

接下來進行大氣校正，只有經過輻射定標得到輻射亮度數據才能進行大氣校正，大氣校正消除了大氣反射、散射、吸收引起的誤差，進而轉換為地表真實反射率，計算公式為

ρ=π L d^2/（δ_ESUN "cos θ） ， （2）

式中，ρ為表觀反射率，L為表觀輻亮度，d為日地距離，δ_ESUN為太陽平均輻射強度，θ為太陽天頂角。

圖2是研究區(qū)某處植被預處理過程中的波譜曲線變化圖，綠色植被對綠光有20%的反射率，因此呈現一個小的反射波峰，在紅光波段，植被具有較強的吸收特性，形成發(fā)射波谷；在紅外波段、中紅外波段，喬木、灌木和草地又具有大約70%以上的反射率，形成反射波峰，植被在近紅外波段的高反射特性和在紅光波段的高吸收特性，是植被明顯區(qū)別于其他地物的光譜特征（王愛芳等，2021；左璐等，2018）；由圖2 c可知，植被在綠波段的反射率要高于紅波段和藍波段，因此，符合植被的波譜吸收特性，故數據預處理結果可靠，可以用于下一步操作。

2.2 "Sentinel時序數據的構建

歸一化差分植被指數（Normalized Difference Vegetation Index，NDVI）能夠反映地表植被的覆蓋程度以及農作物的長勢、產量、健康程度等信息。通過計算NDVI可以擴大植被與周圍地物的光譜差異，進而將植被與其他地物（比如水體，城鎮(zhèn)村莊等）分離開來。計算公式為

f_ndvi=（ρ_nir-ρ_red）/（ρ_nir+ρ_red ） ， （3）

式中，ρnir表示近紅外波段反射率，ρred代表紅光波段反射率。

Sentinel-2衛(wèi)星最大的特點是時間分辨率高，重訪周期短，可以連續(xù)采集同一個地區(qū)的衛(wèi)星影像，不僅空間分辨率相對較高，而且可以免費從歐空局獲取。利用遙感的多時相變化數據可以實時獲得植被的長勢信息，植被的生長趨勢和物候差異也可以通過光譜曲線的變化得到顯示，因此，建立遙感影像的NDVI時序數據（姜杰等，2023；Singh et al.，2022；DOU Peng et al.，2021）用于植被生長、識別等方面的研究具有重要的意義。

2.3 "基于多特征的決策樹分類

決策樹分類法（朱贊等，2024；李中元等，2019；Safavian et al.，1991）用于地物提取已被廣泛使用，其基本原理在于根據分析已有地物的遙感特征，建立二叉樹形式的判斷模式，實現對原始數據的逐步細化和分離，其中每一個分叉點代表一個判斷條件，每一個分叉點下都會有兩個節(jié)點，用于判斷是否符合條件。本文是在Sentinel時序數據的基礎上使用多種判斷條件對研究區(qū)進行地物的分離提取，與其他方法相比，決策樹方法結構清晰，規(guī)則直觀，易于理解，最后的提取結果又與7月份單一數據僅僅依靠光譜特性的結果在提取精度上做了對比。結果表明，依靠多時相的哨兵數據在地類復雜的區(qū)域實現分離和提取優(yōu)勢明顯。

3 "典型地物光譜信息分析

各種地物因結構組成不同和理化性質不同，其光譜特征也各不相同，因此可以根據不同地物在不同波段的反射率波譜特性來辨別地物（楊甲等，2016）。從11個時相9種地物的訓練樣本得到的NDVI光譜曲線圖（圖3）可知：灌木林在7—8月的NDVI明顯高于其他地物，處于最高值，主要原因是灌木林在該段時期達到了生長的旺盛期，主要呈叢生簇狀分布；喬木林的NDVI值在6—10月份低于灌木林，但高于其他所有地物，主要原因是喬木林生態(tài)幅度較灌木林狹，分布范圍沒有灌木林延伸大，但在該段時期為快速生長期，尤其7、8月份，樹葉完全長出，樹冠伸展，幾乎處于NDVI最高值；到了冬季，隨著喬木、灌木、其他林地樹葉的脫落，他們的NDVI值也明顯降低，衰敗現象明顯；進入12月份以后到第二年春天，茶園的NDVI始終處于最頂端，主要是因為該時期茶葉進入休眠狀態(tài)，直到第二年春天才開始萌發(fā)，NDVI值也相應增長。

草地、耕地、水體三者的NDVI值基本處于低位。其中：水體NDVI值始終最小，3—12月變化不明顯，但耕地的NDVI時序曲線波動較大，這與該地區(qū)耕地組成復雜有關系，不僅包括水田和水澆地，還包括農田、菜地，不同耕地類型農作物物候期差異較大；草地除了在8月份DNVI值大于耕地外，其余時間均介于水體和耕地之間。其他林地（包括未成林地、疏林、苗圃等）、果園、其他園地（包括桑樹、藥材等）因為包含的植被類型多樣，全年的NDVI時序值總體變化趨勢相同。

僅依據NDVI時序曲線難以識別個別地物的光譜特征差異，故選取研究區(qū)影像質量較好的7月份數據單波段統計值用于地物光譜特性分析，每一類地物在不同波段的光譜相應程度通過像元值的大小反映出來。從研究區(qū)典型地物各波段的輻射亮度統計表（表2）可以得出：在2波段耕地的亮度最低，在2、3波段草地的亮度值最高，都在600以上；草地在8波段亮度值僅高于水體，低于其他各種地物；喬木林在3、4波段的亮度值均處于底部；其他林地在第4波段的亮度值低于草地、耕地、水體，但高于其余幾種地物；水體在近紅外波段具有強吸收性，因此在第8波段表現出低亮度值，而且與其余幾種地物差距明顯；果園、其他園地在2、3波段的亮度值變化趨勢相同，逐漸變小，變化幅度較小，直觀上不易區(qū)分，但其他園地從496.08變?yōu)榱?35.16，波段比為1.14，而果園亮度值從479.22下降到452.97，波段比為1.05，因此，根據二者之間的波段比大小關系，可以找到合適的條件，將果園、茶園及其他園地區(qū)分開來。

4 "決策樹提取模型

如圖4所示，本研究構建的決策樹共有7層，其中不同決策節(jié)點所選取的閾值根據分類對象之間的光譜特性差異確定。在第1節(jié)點層，利用水體在近紅外波段（B8）的低反射特性提取研究區(qū)的水體；在第2節(jié)點層主要依據冬季茶園的NDVI均值較高的特點；第3節(jié)點，因為其他林地較復雜，因此依據這一大類在紅光波段的亮度值分離；在第4層，利用喬木林和灌木林在7—8月的高NDVI特征，與其他地類區(qū)分，再依據5月份灌木林的NDVI值達到頂端，進而分離開這兩大類；第5層主要依據耕地在藍波段的像元亮度值最低；第6層節(jié)點，利用了草地在藍波段和綠波段的亮度值始終處于高點的特點；最后一個節(jié)點，依據果園與其他園地波段比率的差異進行區(qū)分。

依據上述分類決策樹得到研究區(qū)自然資源分布結果圖（圖5），圖5 a是Sentinel-2在7月份的真彩色合成影像，圖5 b為從時序數據和波段亮度值得到的分類結果，從圖5 b可以看出，研究區(qū)的右下角有大片林地未分類提取出來，經過野外實地調查，發(fā)現該區(qū)域主要是大片的竹林，因訓練樣本里沒有竹林，也就未提取出這片竹林區(qū)；此外，在圖5 b的中部和左上角有兩大塊空缺未解譯，原因是左上角為城區(qū)和城鎮(zhèn)村莊，而中間呈圓形的區(qū)域是礦山開采地，剩下的空缺區(qū)域是交通建設用地，這3種地物的反射率較高，因此在影像上高亮顯示。從圖5上可以看到，研究區(qū)剛好處于一個小型盆地位置，其中喬木林和灌木林所占比例較大，喬木林、灌木林以及其他園地呈現由中心向四周展開形式分布，其他林地主要分布在西部，果園主要分布在西南區(qū)域，茶園主要分布在東部區(qū)域。野外實際調查可知，東南部主要為低山丘陵區(qū)，地形地勢有利于茶葉的生長，而西南部主要是砂巖體或者砂質黃土，有利于果樹的生長，可以說明該提取結果與張渚鎮(zhèn)實際情況具有較高的吻合度。

5 "精度驗證與對比評價

本文使用的基于混淆矩陣的精度評價指標，涵蓋錯分誤差、漏分誤差、制圖精度、用戶精度、總體精度和Kappa系數6個指標。其中總體精度（Overall accuracy）等于正確分類的總和除以總像元數，被正確分類的像元數目沿著混淆矩陣的對角線分布，Kappa系數（Kappa coefficient）也是表征分類準確性高低的一個指標，Kappa系數值越大說明分類效果越好。本次研究的總體精度為88.26%（表3），整體達到了分類的初步預期，但由于果園與灌木林，其他林地與其他園地、草地與耕地在部分地方界限模糊、異物同譜，以及地形高低起伏等原因導致混分現象嚴重，尤其中部平原區(qū)的草地的DN值受周圍建筑物、喬木林等高大物體陰影的干擾，導致地類錯分現象嚴重；從分類結果以及分類精度評價上看，基本上完整地把水體提取出來了，這主要是利用了水體在近紅外波段的光譜特性與其他地物差別明顯的原理?？傮w來看，使用基于Sentinel時序數據的NDVI曲線圖結合地物在4個波段的亮度值，可以大致滿足地表覆蓋物信息提取的要求。

為了說明加入時序數據對地物提取效果的影響，本文專門與影像質量較好的7月份僅憑借不同地物在4個波段亮度值差異的提取結果做了對比（圖6）。在研究區(qū)中部的礦區(qū)，時序數據的加入使水體與周圍高亮的裸露地表界線分明，幾乎沒有散亂的圖斑，而單憑亮度值提取的水體大量混入周圍其他地物，圖斑散亂，可見異物同譜現象影響突出，進一步說明了時序數據的加入可以盡可能的排除干擾，有效地增加了地物分類的準確性。

6 "結論

本文以Sentinel-2號遙感影像為數據源，采用時序歸一化植被指數、典型地物光譜特性和決策樹模型構建相結合的方法，對江蘇宜興張渚鎮(zhèn)自然資源進行了信息提取和分類，并進行了驗證和對比。研究表明該方法可以很好地提取喬木林、灌木林、其他林地、果園、茶園、其他園地、草地、耕地以及水體這9類地物，提取精度和提取效果比只依靠光譜特性建立的決策樹方法有較大提高，因此在以后的自然資源調查和地理國情普查中，可以引入該研究思路，從而豐富地物的識別信息，提高識別準確率。

本研究是針對重訪周期短（5 d）、空間分辨率高（10 m）的Sentinel數據展開的，但對于高分辨率的遙感影像，由于光譜更加細微和地表信息精細化，所以對于NDVI模型本身的適用性不一定會取得更好的效果，有待進一步研究；在城鎮(zhèn)村莊以及建筑物密集區(qū)，陰影現象比較嚴重，在西南和東南部由于地形起伏較大，這些都會影響提取的精度，后續(xù)研究中可以在決策樹模型中引入其他指標克服這些干擾；此外，訓練樣本和檢驗樣本的準確性以及決策樹中閾值的選取的合理性還有進一步優(yōu)化的空間，可以進一步提高該方法的準確率。

參考文獻

常竹，李虎，陳冬花，劉玉峰，鄒陳，陳健，韓偉杰，2024.基于Sentinel-1和Sentinel-2的不同物候期農作物識別研究［J］.安徽師范大學學報（自然科學版），47（1）：33-43.

陳浩，甘建軍，劉清，2024.高光譜遙感技術在地質環(huán)境監(jiān)測中的應用與展望［J］.城市地質，19（2）：176-183.

陳遜龍，孫一銘，郭仕杰，段煜柯，唐桉琦，葉章熙，張厚喜，2024.應用無人機可見光影像和面向對象的隨機森林模型對城市樹種分類［J］.東北林業(yè)大學學報，52（3）：48-59.

崔囤月，王世東，張學軍，2023.1991—2021年雄安新區(qū)土地利用與植被覆蓋變化遙感研究［J］.自然資源遙感，35（4）：214-225.

董勝光，肖海，唐芝青，彭能舜，屈偉軍，2023.自然資源“天空地網”綜合監(jiān)測體系構建探索與實踐［J］.環(huán)境監(jiān)測管理與技術，35（6）：5-9.

韓亞超，高子弘，楊達昌，陳浩，2022.我國城市水體數量與質量遙感調查應用現狀與建議［J］.城市地質，17（4）：485-492.

姜杰，于泉洲，牛振國，梁春玲，高玉國，張玲，張宏立，2023.基于Sentinel-2影像的南四湖菹草群落遙感提取研究［J］.遙感技術與應用，38（5）：1 192-1 202.

李海桃，解學通，楊現坤，夏雪寧，張秦，2023.珠江口近岸水域實測光譜與Sentinel-2衛(wèi)星影像光譜的對比分析［J］.廣州大學學報（自然科學版），22（6）：40-48.

李中元，吳炳方，張淼，邢強，李名勇，閆娜娜，2019.利用物候差異與面向對象決策樹提取油菜種植面積［J］.地球信息科學學報，21（5）：720-730.

林欣怡，汪小欽，湯紫霞，李蒙蒙，吳瑞姣，黃德華，2024.基于面向對象CNN和RF的不同空間分辨率遙感影像農業(yè)大棚提取研究［J］.遙感技術與應用，39（2）：315-327.

劉通，任鴻瑞，2022.GEE平臺下利用物候特征進行面向對象的水稻種植分布提取［J］.農業(yè)工程學報38（12）：189-196.

蘇偉，張明政，蔣坤萍，朱德海，黃健熙，王鵬新，2018.Sentinel-2衛(wèi)星影像的大氣校正方法［J］.光學學報，38（1）：322-331.

田穎，陳卓奇，惠鳳鳴，程曉，歐陽倫曦，2019.歐空局哨兵衛(wèi)星Sentinel-2A/B數據特征及應用前景分析［J］.北京師范大學學報（自然科學版），55（1）：57-65.

王愛芳，張運，黃靜，丁癑，孟孟，2021.作物遙感分類研究進展［J］.測繪與空間地理信息，44（10）：80-83.

徐思瑜，于海明，徐譽維，張熠斌， 沈海鷗，2022.基于RSEI指數的吉林省四平市生態(tài)環(huán)境質量變化分析［J］.城市地質，17（4）：477-484.

楊甲，張珂，劉麗，王心源，宋經緯，劉潔，Khun-Neay Khuon，2016.基于SPOT-5影像的吳哥地區(qū)水體提取方法研究［J］.測繪工程，25（3）：51-55.

趙陽，李尉尉，田震，薛志泳，朱建華，2023.基于Sentinel-2 MSI影像與面向對象相結合的紅樹林樹種精細化分類方法研究（英文）［J］.Marine Science Bulletin，25（2）：43-62.

朱贊，孫山林，王建琦，姚钘，WANG Yongjun，2024.高寒山區(qū)積雪遙感提取決策樹分類模型構建與精度評價［J］.桂林航天工業(yè)學院學報，29（1）：19-25.

左璐，王煥炯，劉榮高，劉洋，商榮，2018.基于不同光譜指數的植被物候期遙感監(jiān)測差異［J］.應用生態(tài)學報，29（2）：599-606.

CHEN Junhan， YAN Feng， LU Qi， 2020. Spatiotemporal variation of vegetation on the qinghai-Tibet plateau and the influence of climatic factors and human activities on vegetation trend （2000-2019） ［J］. Remote Sensing， 12（19）： 3 150.

DOU Peng， SHEN Huangfeng， LI Zhiwei， GUAN Xiaobin， 2021. Time series remote sensing image classification framework using combination of deep learning and multiple classifiers system ［J］. International Journal of Applied Earth Observation and Geoinformation， 103（8）：102477.

SAFAVIAN S R， LANDGREBE D， 1991. A Survey of Decision Tree Classifier Methodology ［J］. IEEE Transactions on System Man and Cybernmetics， 21（3）：660-674.

SINGH R， PATEL N R， DANODIA A， 2022. Deriving Phenological Metrics from Landsat-OLI for Sugarcane Crop Type Mapping： A Case Study in North India ［J］. Journal of the Indian Society of Remote Sensing， 50（6）：1 021-1 030.

YIN Leikun， YOU Nanshan， ZHANG Geli， HUANG Jianxi， DONG Jinwei， 2020. Optimizing feature selection of individual crop types for improved crop mapping ［J］. Remote Sensing， 12（1）：162.

收稿日期：2024-04-15；修回日期：2024-07-10

基金項目：山西省地質勘查建設與發(fā)展基金項目（2023-007）、山西省地質災害防治重大專項項目（晉分采〔2020-00162〕G153-C53）聯合資助

第一作者簡介：劉知（1991- ），男，碩士，工程師，主要從事自然資源調查監(jiān)測、遙感地質找礦、地質災害防治方面的研究工作。E-mail：2454667759@qq.com

引用格式：劉知，劉小松，楊波，王鑫，張航，2024.基于Sentinel-2遙感影像的自然資源分類提取研究［J］.城市地質，19（4）：490-499