[1] 吴炳方, 张淼, 曾红伟, 等. 全球农情遥感速报系统20年. 遥感学报, 2019, 23(6): 1053-1063 [2] 刘旭升, 张晓丽. 森林植被遥感分类研究进展与对策. 林业资源管理, 2004(1): 61-64 [3] 陈丽萍, 孙玉军. 基于不同决策树的面向对象林区遥感影像分类比较. 应用生态学报, 2018, 29(12): 3995-4003 [4] Thompson ID, Maher SC, Rouillard DP, et al. Accuracy of forest inventory mapping: Some implications for boreal forest management. Forest Ecology and Management, 2007, 252: 208-221 [5] 李哲, 张沁雨, 邱新彩, 等. 基于高分二号遥感影像树种分类的时相及方法选择. 应用生态学报, 2019, 30(12): 4059-4070 [6] Tokola T, Sarkeala J, Van DLM. Use of topographic correction in Landsat TM-based forest interpretation in Nepal. International Journal of Remote Sensing, 2001, 22: 551-563 [7] 黄华国. 林业定量遥感研究进展和展望. 北京林业大学学报, 2019, 41(12): 1-14 [8] 毛学刚, 魏晶昱. 基于多源遥感数据的面向对象森林类型识别. 应用生态学报, 2017, 28(11): 3711-3719 [9] Li CC, Wang J, Hu LY, et al. A circa 2010 thirty meter resolution forest map for China. Remote Sensing, 2014, 6: 5325-5343 [10] Xiao X, Boles S, Liu J, et al. Characterization of forest types in Northeastern China, using multi-temporal SPOT-4 VEGETATION sensor data. Remote Sensing of Environment, 2002, 82: 335-348 [11] Masek JG, Goward SN, Kennedy RE, et al. United States forest disturbance trends observed using Landsat time series. Ecosystems, 2013, 16: 1087-1104 [12] 田庆久, 闵祥军. 植被指数研究进展. 地球科学进展, 1998, 13(4): 327-333 [13] 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. 西南林业大学学报: 自然科学, 2022, 42(1): 124-132 [14] 杨闫君, 占玉林, 田庆久, 等. 基于GF-1/WFV NDVI时间序列数据的作物分类. 农业工程学报, 2015, 31(24): 155-161 [15] 马婷, 李崇贵, 郭瑞霞, 等. 运用植被指数时间序列特征对落叶松人工林分类. 东北林业大学学报, 2020, 48(3): 56-59 [16] 张健康, 程彦培, 张发旺, 等. 基于多时相遥感影像的作物种植信息提取. 农业工程学报, 2012, 28(2): 134-141 [17] 贾明明, 任春颖, 刘殿伟, 等. 基于环境星与MODIS时间序列数据的面向对象森林植被分类. 生态学报, 2014, 34(24): 7167-7174 [18] 鲁楠, 王新杰, 汪锦, 等. 依据季相特征GF-2影像的植被分类. 东北林业大学学报, 2019, 47(3): 62-67 [19] 詹国旗, 杨国东, 王凤艳, 等. 基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究. 地球信息科学学报, 2018, 20(10): 1520-1528 [20] 吕杰, 郝宁燕, 李崇贵, 等. 利用随机森林和纹理特征的森林类型识别. 遥感信息, 2017, 32(6): 109-114 [21] Wang B, Li J, Jin X, et al. Mapping tea plantations from multi-seasonal Landsat-8 OLI imageries using a random forest classifier. Journal of the Indian Society of Remote Sensing, 2019, 47: 1315-1329 [22] Zhou FQ, Zhang AN. Optimal subset selection of time-series MODIS images and sample data transfer with random forests for supervised classification modelling. Sensors, 2016, 16: 1783 [23] 王斌, 何丙辉, 林娜, 等. 基于随机森林特征选择进行茶园遥感提取. 吉林大学学报: 工学版, 2021, doi: 10.13229/j.cnki.jdxbgxb20210138 [24] 杨红艳, 杜健民, 阮培英, 等. 基于无人机遥感与随机森林的荒漠草原植被分类方法. 农业机械学报, 2021, 52(6): 186-194 [25] 刘凯, 龚辉, 曹晶晶, 等. 基于多类型无人机数据的红树林遥感分类对比. 热带地理, 2019, 39(4): 492-501 [26] 浮媛媛, 赵建军, 张洪岩, 等. 基于生态地理分区的大兴安岭植被物候时空变化. 应用生态学报, 2016, 27(9): 2797-2806 [27] 侯学会, 牛铮, 高帅. 近十年中国东北森林植被物候遥感监测. 光谱学与光谱分析, 2014, 34(2): 515-519 [28] 李智峰, 朱谷昌, 董泰锋. 基于灰度共生矩阵的图像纹理特征地物分类应用. 地质与勘探, 2011, 47(3): 456-461 [29] 陈波, 胡玉福, 喻攀, 等. 基于纹理和地形辅助的山区土地利用信息提取研究. 地理与地理信息科学, 2017, 33(1): 1-7 [30] 吴焕丽, 崔可旺, 张馨, 等. 基于改进K-means图像分割算法的细叶作物覆盖度提取. 农业机械学报, 2019, 50(1): 42-50 [31] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 森林资源规划设计调查技术规程(GB/T 26424-2010) [EB/OL]. (2011-01-14) [2021-10-12]. http://www.foodcta.com/spbz/detail70962.html [32] Breiman L. Random forests. Machine Earning, 2001, 45: 5-32 [33] 祝宁, 江洪, 金永岩. 中国东北天然次生林主要树种的物候研究. 植物生态学报, 1990, 14(4): 336-349 [34] 李若楠, 欧光龙, 代沁伶, 等. 基于GEE和Landsat时间序列数据的香格里拉森林类型分类研究. 西南林业大学学报:自然科学版, 2020, 40(5): 115-125 [35] Jakubauskas ME, Legates DR, Kastens JH. Crop identification using harmonic analysis of time-series AVHRR NDVI data. Computers and Electronics in Agriculture, 2002, 37: 127-139 [36] 何云, 黄翀, 李贺, 等. 基于Sentinel-2A影像特征优选的随机森林土地覆盖分类. 资源科学, 2019, 41(5): 992-1001 [37] 刘杰, 刘吉凯, 安晶晶, 等. 基于时序Landsat 8 OLI多特征与随机森林算法的作物精细分类研究. 干旱地区农业研究, 2020, 38(3): 281-288 |