2023, Vol. 15 
2. 江苏省生态环境大数据有限公司，江苏 南京 210019;
3. 南京信息工程大学，江苏 南京 210044;
4. 江苏省苏州环境监测中心，江苏 苏州 215004
2. Jiangsu Ecological Environment Big Data Co., Ltd., Nanjing, Jiangsu 210019, China;
3. Nanjing University of Information Science & Technology, Nanjing, Jiangsu 210044, China;
4. Jiangsu Suzhou Environmental Monitoring Center, Suzhou, Jiangsu 215004, China
水生植被是指能在水中生长的植被，具有净化水质、降低营养盐浓度、抑制藻类生长等生态学意义，在维持湖泊生态系统结构和功能方面扮演重要角色[1-2]。根据不同的形态特征和生态习性，水生高等植被可分为挺水植被、漂浮植被、浮叶植被和沉水植被4个生态类型。其中挺水植被可以巩固水岸、防止水土流失；浮叶植被可以为鱼类、蛙类和小型水鸟提供休息浮台；沉水植被可以供水生动物摄食，改善水生生态系统。但近几十年来，随着我国部分湖泊藻型富营养化严重，导致水生高等植被部分消失。同时由于湖泊渔业结构的调整，使得浅水草型湖泊植被群落结构发生改变[3-4]。为此，及时准确地了解和分析水生植被的空间分布和变化趋势，对指导湖泊科学管理和生态修复具有重要意义。
与陆地植被相比，水生植被的遥感信息提取更易受到多种因素影响，如水体透明度对沉水植被信息提取的干扰，蓝藻水华对浮叶植被提取精度的影响[5-6]。因此，诸多学者针对不同遥感影像和水生植被类型提出了多种分类提取方法。如Hunter等[7]利用最小距离法、最大似然法(ML)和支持向量机法(SVM)3种方法进行水生植被分类提取，结果表明，最大似然法和支持向量机法分类精度较高。Pande-Chhetri等[8]证实了ML、人工神经网络法(ANN)、SVM和光谱角映射器法(SAM)均具有分类提取黑河沉水植被的能力。Han等[9]通过SVM对鄱阳湖湿地进行分类，揭示了40年间鄱阳湖主要湿地覆盖类型的变化。Visser等[10]基于高分辨率影像和面向对象分类的方法，实现了对比利时佛兰德斯的浅水河流水生植被的分类。Husson等[11]利用高分辨率无人机遥感影像，结合面向对象分类的方法能较好地对非沉水植被进行分类。Shweta等[12]基于Landsat-8影像，应用了光谱混合分析(SMA)、SAM和二元决策树法来评估琵琶湖水生植被类别和覆盖面积，总分类准确率达到了86.5%。Zhao等[13]基于改进分类树和改进阈值，结合Landsat系列影像和真实样本数据，分析了太湖水生植被的分布和变化情况。除了以上方法，研究人员还常借助光谱指数和图像变换等方法建构多个变量增强水生植被的光谱特征，然后将多组特征变量结合决策树模型或者随机森林(RF)模型进行水生植被遥感信息提取[14-16]，如归一化植被指数(NDVI)、归一化水体指数(NDWI)、增强植被指数(EVI)、沉水植被指数(SAVI)、浮叶植被指数(FAVI)穗帽变换结果[17-20]等。但随着类别和特征变量个数的增加，决策树树形过于复杂，分类错误数量不断上升，后期需要对树进行必要的修剪，避免过度拟合现象的发生。但在修剪过程中，常会丢失一些看似无用但实际却包含重要信息的变量，限制了决策树分类精度的提高[21]。RF模型具有数据处理量大、运行速度较快、抗噪音能力强和抑制过度拟合等特点，可在不做变量选择的情况下，对特征变量的重要性进行估计，提高模型的可靠性和可解释性，在水生植被分类提取中更有优势。
太湖水生植被群落分布是影响湖泊生态系统平衡和物质循环的关键指标之一，因此开展水生植被生长状况和空间分布的长时间序列监测具有重要研究意义。赵凯等[22]对太湖水生植被演变的研究显示，1960年以来，太湖水生植被总体呈北部湖区水生植被消失，东北部、东部及南部湖区水生植被分布面积持续扩张的态势。2018年，东太湖围网拆除后，水生植被优势类群由围网拆除前的沉水植被转变为浮叶植被，且沉水植被面积减少[18, 23]。侍昊等[15]对2014年7月太湖水生植被空间分布的研究显示，环西山岛水域、七都水域和东太湖浮叶植被的分布面积较大；沉水植被主要分布在贡湖湾、胥口湾和西南区一带；挺水植被以东太湖及沿岸两侧的浅水区域分布居多。
2022年，生态环境部出台了《长江流域水生态监测方案(试行)》(环办监测函〔2022〕169号)，将对长江流域湖泊和水库的水生态环境开展例行监测，监测结果作为评价和考核各地长江水生态保护修复成效的依据，其中水生植被面积监测被列入方案。为摸清近年来全太湖水生植被分布变化区域，现以太湖区域哨兵2号(Sentinel-2)多光谱遥感影像为主要数据源，利用光谱特征波段和水生植被敏感指数构建多组特征变量，提高对不同类型水生植被的识别能力。在此基础上，以多组特征变量和影像全波段为输入量，结合RF模型提取水生植被的空间分布，并对2018—2021年太湖水生植被的动态变化及其与太湖水质的关系进行分析，以期为太湖水生态环境遥感监测与信息提取提供有效的方法补充，为太湖水生植被动态监测提供科学依据。
1 研究区域与数据来源 1.1 研究区域概况太湖是我国第三大淡水湖泊，位于江苏南部与浙江接壤处，介于30°55′40″—31°32′58″N和119°52′32″—120°36′10″E之间。湖泊面积约为2 428.7 km2，岸线全长约为393.2 km，东西宽约为34 km，南北长约为68.5 km，年均水深约为1.9 m，是典型的碟状浅水湖泊。随着全球气候变化和太湖流域经济发展，自然因素和人为因素的干扰导致整个湖区水生植被的多样性出现了显著差异，因此，基于太湖水生植被分布的动态监测尤为重要。
1.2 数据来源及预处理遥感数据以哨兵2号多光谱成像仪(Sentinel-2 MIS)的高分辨率多光谱影像为主，Sentinel-2系列在轨运行卫星有Sentinel-2a和Sentinel-2b 2颗，单颗卫星时间分辨率为10 d，组网运行后提升至5 d[24]。Sentinel-2卫星影像共13个波段，除光学卫星常见的可见光、近红外和短波红外波段外，还包含3个“红边”波段和1个窄近红外波段，不同波段数据的空间分辨率有10，20和60 m 3种类型。共选取2018—2021年太湖地区的Sentinel-2遥感影像(覆盖区域云量＜5%)开展水生植被遥感信息提取工作，遥感影像成像时间见表 1。数据来自ESA数据共享网站(Copernicus Open Access Hub，https://scihub.copernicus)。基于SNAP Sen2cor255软件模块，对Sentinel-2 L1级数据进行大气校正，得到L2A级数据，并将数据重采样至10 m，最终对重采样的数据进行地理投影、波段计算、波段合成和影像裁切。
|
表 1 遥感影像成像时间 |
太湖水生植被野外调查在2021年7月开展，调查区域集中在东太湖，调查内容包括水生植被类型和经纬度信息。根据实际情况，共设置15个调查点，并利用无人机进行大范围拍摄，通过ENVI、ArcGIS专业遥感软件进行信息提取。
无人机核查采用大疆精灵4 RTK无人机，飞行高度为120 m，影像分辨率达3 cm，幅宽约120 m×120 m。为使无人机获取的核查信息与遥感影像的解译能力和空间分辨率相匹配，获取无人机影像后对数据进行再处理，将无人机影像分为12 m×12 m的格网，当格网内水域面积占比＞60%时，判定为水域；当格网内水生植被存在多个类别时，取每个格网中覆盖度最大的类别作为最终样本类型，最终形成150个验证样本。
1.4 水质监测为进一步分析水生植被分布区域与太湖水质关系，结合江苏省环境监测中心太湖例行监测与江苏省苏州环境监测中心专项监测的结果，将太湖水质监测点位分为水生植被频发区域(东太湖)与水生植被偶发或无水生植被区域(太湖其他水域)(图 1)。
|
图 1 研究区真彩色合成影像及点位 注：波段组合R-G-B为B4(665)-B3(560)-B2(490)。 |
遥感光谱特征显示，近红外和红外是植被的敏感波段，红、绿、蓝波段能更好地识别水体，故本研究主要基于以上波段构建提取水生植被的特征变量，如藻类指数(AI)[18]、挺水植被敏感指数(EVSI)[18]、NDVI、沉水植被敏感指数(SVSI)[20]、浮叶植被敏感指数(FVSI)[20]等。也有研究表明，植被在Sentinel-2中的“红边”波段和近红外波段的光谱响应比较明显[25]，因此，基于Sentinel-2影像和不同植被类群在不同波段的光谱特征差异性，构建遥感影像特征变量(表 2)，并结合11个影像波段(B2—B8、B8a、B10、B11、B12)构建随机森林变量，最后基于随机森林算法对太湖水生植被进行分类提取。
|
|
表 2 遥感影像特征变量列表 |
根据水生植被在遥感影像上的光谱特征，一般将太湖影像类型划分为开敞水域(无明显水生植被聚集)、蓝藻水华、挺水植被、浮叶植被和沉水植被5种类型[26]。首先，利用野外调查数据结合时间相近的Sentinel-2影像，以调查中区域最大覆盖面积的植被类型为主，从影像色调、颜色、大小、形状等要素上建立水生植被的遥感影像判别标志。
2.3 随机森林模型构建RF模型是一个以分类回归树(CART)作为元分类器的组合分类器算法，它由多个决策树[h(x，θk)，k= 1，2，⋯，l]组成，其中θk是相互独立且同分布的随机向量，每个决策树对于输入给出独立的分类结果，最终根据所有决策树的分类结果，通过多数投票决定最终输出结果[27-28]。RF模型的训练样本是基于装袋算法(Bagging)和边际函数对原训练样本重采样后的训练样本。一方面，依据Bagging建立的RF模型，增加了决策树和分裂节点的随机性；另一方面，边际函数的引入保证了在森林规模增加时不会出现过度拟合的情况。模型支持定量化比较各自变量之间对于模型的重要程度，在建模时，可以从大量特征变量中选取对最终结果影响较大的特征变量，删除一些和任务无关或者冗余的特征变量[29]。因此，以AI、EVSI、FVSI、SVSI 4个特征变量及上述11个影像波段共15个特征变量为输入量，结合RF模型进行水生植被信息提取，并对模型精度和各变量的重要性进行评价。
3 结果与讨论 3.1 水生植被信息提取模型评价以2021年7月12日影像为例，采用RF模型对影像进行分类，并对分类结果进行精度验证，结果见表 3。由表 3可见，水生植被总体分类精度为85%，Kappa系数为0.79，其中挺水植被、浮叶植被和沉水植被生产者精度分别为88%，86%和83%，沉水植被的成产者精度最低，在沉水植被和水域之间的误分较为明显。
|
|
表 3 基于RF模型的影像分类精度评价 |
综上，基于RF模型的水生植被提取方法有较好的分类精度，基本达到业务化监测需求，因此利用此方法对2018—2021年太湖地区的37景Sentinel-2遥感影像进行水生植被提取及分析。
3.2 水生植被空间分布分析根据太湖水生植被提取结果，通过空间分布频率指数(SDFI)计算同一年多景太湖水生植被空间分布情况，构建不同年份浮叶植被、挺水植被和沉水植被的空间频率分布，某一区域某类水生植被分布频率越高，说明此类水生植被主要分布于该区域。SDFI的计算见公式(1)，2018—2021年太湖水生植被空间频率分布见图 2(a)—(l)。
| $ \mathrm{SDFI}=\frac{\sum\limits_{i=1}^n V_i}{t} \times 100 \% $ | (1) |
|
图 2 2018—2021年太湖水生植被空间频率分布 |
式中：n——影像数；Vi——某种水生植被类型解译栅格结果；t——监测次数。由于不同年份可用的遥感影像数量不同，因此每年的监测数据不同，2018—2021年监测次数分别为9，10，12和6次。
由图 2可见，水生植被主要分布在贡湖、东部沿岸和东太湖，太湖西部和湖心区几乎无水生植被集聚现象。太湖湖区水生植被以沉水植被为主，浮叶植被次之，挺水植被较少。浮叶植被主要分布在东太湖，2020和2021年频率分布较为集中，分别为60%和40%，2019年频率分布集中在40%~80%之间，以40%居多，而2018年频率分布较低，主要集中在20%~40%之间；挺水植被主要分布在东太湖及沿岸两侧的浅水区域，2019年频率分布高达80%~100%，2018和2020年频率分布相当，2021年频率分布最低，约为20%~40%；沉水植被作为太湖水生植被的主体，在东部沿岸拥有最高的整体频率分布，贡湖和东太湖也有分布，并且在东太湖存在明显的浮叶-沉水植被共生区域，该区域不同年份的频率分布与浮叶植被的频率分布相反，即2018年整体最高，2020年整体最低。
将水生植被平均分布面积按年份进行统计，结果见图 3。由图 3可见，2018年后，太湖水生植被平均分布面积基本保持稳定；2018—2020年间，浮叶植被呈现扩张态势，从2018年的23.6%增加至2020年的28.0%。沉水植被略有减少，从2018年的62.6%减少至2020年的57.1%，主要减少区域为东太湖。水生植被类群变化可能与围网拆除有关[18]，围网拆除后渔民不再种植沉水植被，浮叶植被竞争能力和抗风浪能力强，因此分布面积逐渐增加。2021年浮叶植被平均分布面积有所下降，占比约为22.1%，沉水植被平均分布面积上升，占比约为65.3%，二者基本恢复2018年的比例，表明沉水植被作为太湖水生植被的优势类群有所恢复，水生境状况有向好发展的趋势。
|
图 3 2018—2021年太湖水生植被平均面积占比变化 |
2018—2021年太湖水生植被面积的时间变化见图 4。由图 4可见，水生植被分类结果随时间变化较为显著，且年内变化具有明显的单峰型特征。最小分布面积均发生在1月前后，1—9月，水生植被分布面积随时间推移逐渐增大，并在9月前后达到峰值，9月后，分布面积逐渐下降。从不同水生植被类型的面积变化趋势来看，浮叶植被、挺水植被分布面积随时间的变化较为一致，1—3月鲜有分布，4—9月快速增长，10—12月面积逐渐减小；沉水植被年内面积变化规律也呈现明显的单峰型特征，面积先增长再减小，与水生植被随时间的变化趋势一致。总体而言，浮叶植被和挺水植被的生长周期在4—11月，1—3月和12月以沉水植被为主，几乎无浮叶植被和挺水植被。
|
图 4 2018—2021年太湖水生植被面积的时间变化 |
2018—2021年太湖水生植被平均面积的季节变化特征见表 4。由表 4可见，水生植被生长周期呈现明显的随季节变化趋势，其中，1—3月(春季)为沉寂期，4—6月(夏季)为快速繁殖期，7—9月(秋季)到达暴发期，10—12月(冬季)面积逐渐减退。夏季，水生植被平均分布面积占太湖总面积的5.74%，以沉水植被和浮叶植被为优势类群；秋季，水生植被平均分布面积降至4.63%，浮叶植被下降明显；冬季，水生植被平均分布面积降至1.38%，挺水植被与浮叶植被基本消失；春季，水生植被面积显著回升，占水域面积的2.98%，浮叶植被、挺水植被面积上升明显。
|
|
表 4 2018—2021年太湖水生植被平均面积的季节变化特征 |
根据现场调查结果，太湖的挺水植被和浮叶植被优势种群无明显的季节变化，挺水植被以芦苇为主，浮叶植被以菱角和荇菜为主。
而沉水植被优势种群则呈现明显的随季节变化趋势，春季的优势种群为菹草，夏季为伊乐藻，秋季为狐尾藻、微齿眼子菜和金鱼藻，冬季为苦草[22]。
3.4 水生植被分布与水质分析2018—2020年太湖水质监测结果见图 5(a)(b)。由图 5可见，水生植被主要分布的东太湖水域，其水质总体优于太湖其他水域。从总磷来看，东太湖ρ(总磷)平均值为0.065 mg/L，太湖其他水域ρ(总磷)平均值为0.075 mg/L，东太湖ρ(总磷)总体低于太湖其他水域，但ρ(总磷)存在季节性变化，在水生植被生长旺盛的季节，东太湖ρ(总磷)高于其他水域。从总氮来看，东太湖和其他水域的ρ(总氮)差异较明显，根据《地表水环境质量标准》(GB 3838—2002)，东太湖ρ(总氮)平均值为0.87 mg/L，水质类别为Ⅲ类，太湖其他水域ρ(总氮)平均值为1.28 mg/L，水质类别为Ⅳ类，水生植被主要分布的东太湖水域，ρ(总氮)总体低于太湖其他水域。夏、秋两季水生植被生长繁茂，可通过吸收水中营养盐、固氮、吸收底泥营养盐等减少水中的氮、磷等营养物；还可通过化感作用抑制藻类生长，清洁水体。冬、春两季水生植物衰亡，一方面，水生植被生物量减少；另一方面，自然腐烂分解可能会造成相关时段营养盐浓度的升高。
|
图 5 2018—2020年太湖水质监测结果 |
以Sentinel-2多光谱遥感影像为主要数据源，用光谱特征波段和水生植被敏感指数构建多组特征变量，利用RF模型提取了太湖水生植被空间分布。结果表明，该方法较好地提取了2018—2021年太湖水生植被空间信息，基本可达到业务化监测的需求。水生植被分类提取结果表明，太湖水生植被主要分布于贡湖、东部沿岸和东太湖区域，其面积有逐年增加的趋势，类型主要以沉水植被为主；水生植被活跃期在4—11月，最大分布面积出现在7—9月。水生植被分布与水质分析结果表明，水生植被主要分布的东太湖水域水质总体优于太湖其他水域。
4.2 展望利用RF模型分类提取水生植被时，优化分类树和分割节点随机变量个数的设置，以及对湖泊水体条件与水生植被群落分布的相互影响关系开展深入分析等方面还需要进一步研究探讨。应研究建立“遥感+物候学”的水生植被监测模型，例如，沉水植被和挺水植被具有“原位”性生长和区域扩张特征，浮游植被则具有日际的较大波动性，可据此特点区分水生植被和蓝藻区域；挺水植被具有“春萌”“夏长”“秋衰”“冬枯”的物候响应，可据此特点区分挺水-沉水、挺水-浮叶共生区域。
| [1] |
WANG G X, ZHANG L M, CHU A H, et al. A mosaic community of macrophytes for the ecological remediation of eutrophic shallow lakes[J]. Ecological Engineering, 2009, 35(4): 582. DOI:10.1016/j.ecoleng.2008.06.006 |
| [2] |
KOLADA A. The use of aquatic vegetation in lake assessment: Testing the sensitivity of macrophyte metrics to anthropogenic pressures and water quality[J]. Hydrobiologia, 2010, 656(1): 133-147. DOI:10.1007/s10750-010-0428-z |
| [3] |
秦伯强, 高光, 朱广伟, 等. 湖泊富营养化及其生态系统响应[J]. 科学通报, 2013, 58(10): 855-864. |
| [4] |
刘佩佩, 白军红, 赵庆庆, 等. 湖泊沼泽化与水生植物初级生产力研究进展[J]. 湿地科学, 2013, 11(3): 392-397. DOI:10.3969/j.issn.1672-5948.2013.03.015 |
| [5] |
OYAMA Y, MATSUSHITA B, FUKUSHIMA T. Distinguishing surface cyanobacterial blooms and aquatic macrophytes using Land-sat/TM and ETM+ shortwave infrared bands[J]. Remote Sensing of Environment, 2015, 157: 35-47. DOI:10.1016/j.rse.2014.04.031 |
| [6] |
罗菊花, 杨井志成, 段洪涛, 等. 浅水湖泊水生植被遥感监测研究进展[J]. 遥感学报, 2022, 26(1): 68-76. |
| [7] |
HUNTER P D, GILVEAR D J, TYLER A N. Mapping macrophytic vegetation in shallow lakes using the Compact Airborne Spectrographic Imager(CASI)[J]. Aquatic Conservation Marine & Freshwater Ecosystems, 2010, 20(7): 717-727. |
| [8] |
PANDE-CHHETRI R, ABD-ELRAHMAN A, JACOBY C. Classification of submerged aquatic vegetation in black river using hyperspectral image analysis[J]. Geomatica, 2014, 68(3): 169-182. DOI:10.5623/cig2014-302 |
| [9] |
HAN X X, CHEN X L, FENG L. Four decades of winter wetland changes in Poyang Lake based on Landsat observations between 1973 and 2013[J]. Remote Sensing of Environment, 2015, 156: 426-437. DOI:10.1016/j.rse.2014.10.003 |
| [10] |
VISSER F, BUIS K, VERSCHOREN V, et al. Mapping of submerged aquatic vegetation in rivers from very high-resolution image data, using object-based image analysis combined with expert knowledge[J]. Hydrobiologia, 2018, 812(1): 157-175. DOI:10.1007/s10750-016-2928-y |
| [11] |
HUSSON E, ECKE F, REESE H. Comparison of manual mapping and automated object-based image analysis of non-submerged aquatic vegetation from very-high-resolution UAS images[J]. Remote Sensing, 2016, 8(9): 724. DOI:10.3390/rs8090724 |
| [12] |
SHWETA Y, MINORU Y, JUNICHI S, et al. A satellite-based assessment of the distribution and biomass of submerged aquatic vegetation in the optically shallow basin of Lake Biwa[J]. Remote Sensing, 2017, 9(9): 966. DOI:10.3390/rs9090966 |
| [13] |
ZHAO D, JIANG H, YANG T, et al. Remote sensing of aquatic vegetation distribution in Taihu lake using an improved classification tree with modified thresholds[J]. Journal of Environmental Management, 2012, 95(1): 98-107. |
| [14] |
JIANG H, ZHAO D, CAI Y, et al. A method for application of classification tree models to map aquatic vegetation using remotely sensed images from different sensors and dates[J]. Sensors, 2012, 12(12): 12437-12454. |
| [15] |
侍昊, 张婷, 李旭文, 等. 基于多星遥感影像的太湖北部湖湾春季沉水植被分布动态监测[J]. 环境监控与预警, 2016, 8(1): 13-18. |
| [16] |
HERVÉ Y, ERIC P, GREGOIRE M, et al. Synergy of Sentinel-1 and Sentinel-2 imagery for wetland monitoring information extraction from continuous flow of sentinel images applied to water bodies and vegetation mapping and monitoring[C]//IEEE International Geoscience & Remote Sensing Symposium, 2016.
|
| [17] |
HAN X X, FENG L, HU C M, et al. Wetland changes of China's largest freshwater lake and their linkage with the Three Gorges Dam[J]. Remote Sensing of Environment, 2018, 204: 799-811. DOI:10.1016/j.rse.2017.09.023 |
| [18] |
杨井志成, 罗菊花, 陆莉蓉, 等. 东太湖围网拆除前后水生植被群落遥感监测及变化[J]. 湖泊科学, 2021, 33(2): 507-517. |
| [19] |
LIU X H, ZHANG Y L, SHI K, et al. Mapping aquatic vegetation in a large, shallow eutrophic lake: A frequency-based approach using multiple years of MODIS data[J]. Remote Sensing, 2015, 7(8): 10295-10320. DOI:10.3390/rs70810295 |
| [20] |
LUO J H, MA R H, DUAN H T, et al. A new method for modifying thresholds in the classification of tree models for mapping aquatic vegetation in Taihu Lake with satellite images[J]. Remote Sensing, 2014, 6(8): 7442-7462. DOI:10.3390/rs6087442 |
| [21] |
李静泰, 闫丹丹, 戚丽萍, 等. 太湖湿地植被时空变化特征及其驱动机制[J]. 北京师范大学学报(自然科学版), 2021, 57(1): 94-103. |
| [22] |
赵凯, 周彦锋, 蒋兆林, 等. 1960年以来太湖水生植被演变[J]. 湖泊科学, 2017, 29(2): 351-362. |
| [23] |
王友文, 徐杰, 李继影, 等. 东太湖围网全面拆除前后水生植被及水质变化[J]. 生态与农村环境学报, 2022, 38(1): 104-111. |
| [24] |
田颖, 陈卓奇, 惠凤鸣, 等. 欧空局哨兵卫星Sentinel-2A/B数据特征及应用前景分析[J]. 北京师范大学学报(自然科学版), 2019, 55(1): 57-65. |
| [25] |
KANKE Y, TUBANA B, DALEN M, et al. Evaluation of red and red-edge reflectance-based vegetationindices for rice biomass and grain yield prediction models in paddy fields[J]. Precision Agriculture, 2016, 17(5): 507-530. |
| [26] |
汪政辉, 辛存林, 孙喆, 等. Sentinel-2数据的小型湖泊水生植被类群自动提取方法——以翠屏湖为例[J]. 遥感信息, 2019, 34(5): 132-141. |
| [27] |
BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. |
| [28] |
BELGIU M, DRÃGUT L. Random forest in remote sensing: A review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24-31. |
| [29] |
杭鑫, 曹云, 杭蓉蓉, 等. 基于随机森林算法与高分观测的太湖叶绿素a浓度估算模型[J]. 气象, 2021, 47(12): 1525-1536. |