单木是构成森林的基本单元，是森林资源调查与生态系统监测的关键因素。随着无人机技术与深度学习方法的发展，单木参数的高效提取逐渐成了可能。基于此，本研究以四川省乐山市夹江县的桉树人工林为研究区，通过无人机可见光影像，利用单阶段目标检测算法（SSD）和两阶段目标检测算法（Faster R-CNN）两种深度学习模型对影像进行单株立木识别及冠幅分级，并对两个模型进行验证集精度、测试集精度、训练时间等多维度的对比。结果表明：两个模型验证集精度均在83%以上，拟合效果较好，其中Faster R-CNN模型在测试集中平均精确率为95.13%，平均召回率为88.62%，平均F1分数达91.76%；SSD平均精确率为91.03%，平均召回率为82.66%，平均F1分数达86.64%。Faster R-CNN在精度和稳定性等方面优于SSD；而SSD模型在训练时间和检测效率方面具有明显优势。综合对比两种模型识别结果后，将Faster R-CNN模型结果用于后续分析。Faster R-CNN模型共识别129 045棵桉树，以四分位距法将所有桉树的生长状况分为三级，正常生长林木（Ⅱ级）占比为96.07%，生长旺盛林木（Ⅰ级）占比约为3.84%，生长缓慢林木（Ⅲ级）占比仅为0.09%。研究结果验证了深度学习算法对于无人机可见光影像在单株立木识别的良好应用潜力，证实了冠幅分级对于指导林业生产、制定抚育措施的重要实践意义。

结构参数和生物量是衡量森林碳储量与碳循环的核心指标，而激光雷达（Light Detection and Ranging，LiDAR）是精确测量单木参数的关键技术。以上海市崇明岛某水杉林为研究对象，基于手持（HLS）、地基（TLS）和机载（ALS）3种平台获取的LiDAR点云数据，提出了一种整合点云强度和密度以及三维连通性聚类的单木茎叶分离技术，并结合树木定量结构模型（TreeQSM）和随机森林算法，系统比较了各平台及其联合数据在单木参数提取与生物量估算中的性能差异。结果表明：①整合单木粗分割和精分割、单木茎叶分离、TreeQSM以及随机森林机器学习，本研究方法可以精确地实现不同平台LiDAR单木结构参数提取和生物量反演；②不同平台在数据采集效率和点云质量上各有侧重，适用场景不同。TLS点云密度最高，枝干结构刻画最精细，但成本最高；ALS覆盖范围广，能高效完整获取树高与冠层信息（树高相对完整度均为100%）；HLS则在树木胸径的快速测量上表现突出（胸径闭合度全部处于75%~100%等级）；③多源数据融合可以实现优势互补，显著提升关键参数的提取精度，如融合地面平台数据可将ALS的胸径精度R²从0.19提升至0.82以上；④在生物量预测方面，基于TreeQSM多维参数构建的随机森林模型表现出良好性能（所有模型R²>0.7），联合数据集的精度普遍优于单源数据集，其中，HLS+TLS数据集的模型精度最高（R²=0.94）。整体来看，基于TreeQSM的地面端高精度枝干参数是生物量估算的关键，在已有高精度地面数据时，ALS提供的冠层补充信息对生物量精度的边际增益有限，研究结果可为多平台LiDAR数据在林业调查中的优化组合与应用提供理论指导和技术参考。

星载激光雷达ICESat-2 ATL08数据对全球森林冠层结构监测具有重要意义，但其在不同分辨率下的性能差异尚未得到全面评估。该研究以ICESat-2 ATL08数据为研究对象，基于美国38个国家生态观测网络（National Ecological Observatory Net Work，NEON）站点的高精度机载激光雷达数据，系统验证了ATL08数据在100 m×12 m和20 m×12 m两种空间尺度的冠层高度反演精度，并探讨了多种因素对其精度的影响。结果表明：①在100 m×12 m空间尺度上，冠层高度反演精度为RMSE=5.67 m，Bias=0.03 m，%RMSE=32.7%；经滤除未包含冠层顶部光子的低质量分段后，20 m×12 m空间尺度数据精度为RMSE=5.28 m，Bias=-0.43 m，%RMSE=34.2%；②夜间数据反演精度优于白天，强波束数据在穿透性和信噪比方面表现更佳，当使用两个空间尺度数据进行冠层高度反演时，夜间获取的强波束数据估算精度最高（RMSE<4.0 m，R²>0.83）；③冠层高度反演精度受地形坡度、植被特性、冠层光子数及分辨率的显著影响，研究还验证了冠层高度不确定性参数作为高分辨率数据质量筛选指标的有效性。

森林冠层高度是计算和衡量森林生物量、碳汇的重要指标，陆地生态系统碳监测卫星植被系统全波形激光雷达数据（简称句芒号全波形数据）能够获取森林垂直结构参数等信息，如何利用句芒号全波形数据准确提取森林冠层高度至关重要。以根河市为研究区，对句芒号全波形数据和无人机激光雷达数据进行预处理得到光斑和冠层高度模型（Canopy Height Model，CHM），通过数据筛选得到位于CHM范围内的光斑，并计算光斑范围内的平均CHM（简称光斑平均CHM）；其次，对筛选过后的全波形数据进行滤波去噪、滤波评价、阈值处理后得到位于波峰区域的全波形数据并提取波形特征；最后，将波形特征与光斑平均CHM分别构建XGBoost模型、AdaBoost模型、CatBoost模型、GBRT模型，利用十折交叉验证法进行预测，将R²、RMSE、MAE、ME、Acc作为评价指标。结果表明：筛选得到的108个高质量光斑含有201个全波形数据，每个全波形提取出109个波形特征，模型总体精度按高到低分别为XGBoost模型 、CatBoost模型、GBRT 模型、AdaBoost 模型，最优模型精度为：R²=0.67、RMSE=3.13 m、MAE=2.31 m、ME=0.12 m、Acc=68.54%。研究发现通过数据筛选、滤波去噪和评价、阈值处理、波形特征提取、模型构建能够准确地从句芒号全波形数据中获取森林冠层高度，为森林碳汇估算、生物量监测提供了新的技术路径。

森林冠层高度是评估森林结构与生态系统功能的核心参数，对于森林资源管理与碳储量监测具有重大意义。星载激光雷达因其高精度的垂直穿透能力被广泛应用于森林冠层信息的提取，然而国内基于自主星载全波形激光雷达数据的相关研究仍较为有限。我国森林资源丰富，且多处于地形复杂区域，不同的植被覆盖和复杂地形会给全波形激光雷达信号的特征提取带来不同程度的影响。为此，本研究利用我国首颗陆地生态系统碳监测卫星句芒号获取的多波束全波形激光雷达数据，通过对原始光斑波形进行滤波和特征点提取，并分类设定阈值，优化了波形信号起始和截止点位置；随后以优化后的信号截止点位置结合激光雷达回波模型，校正了地形坡度效应，并在东北虎豹国家公园和海南热带雨林国家公园两个典型示范区进行了森林冠层高度反演和验证。结果表明，在坡度≤15°的地形条件下，优化后的句芒号激光测高数据所得的森林冠层高度与样地CHM参考数据的最大冠层高度一致性良好，相关系数（r²）均在0.85以上，RMSE在东北虎豹国家公园与海南热带雨林国家公园两个区域分别由4.52 m降至2.56 m、5.51 m降至3.20 m，估测精度显著提升，进一步证明了句芒号卫星在激光足印尺度上的森林冠层高度估测中具有较大的应用潜力。

森林郁闭度是森林资源调查中的重要参数，在评价和监测森林生态系统的稳定性上有重要作用。随着遥感技术的不断发展，利用多源遥感数据进行大范围森林郁闭度估测已成为热点。本研究基于激光点云和多源光学遥感数据，使用机器学习算法构建回归模型，用以估测大范围森林区域的郁闭度。首先，由机载激光雷达（Airborne Laser Scanner，ALS）点云数据计算森林郁闭度真值作为回归模型因变量；其次，通过Sentinel-2 MSI、Landsat-8 OLI和Sentinel-1 SAR影像数据提取植被指数、纹理等18种特征作为回归模型自变量；然后，以广西区域的14块森林样地为例，使用随机森林回归（Random Forest Regression，RFR）和支持向量机回归（Support Vector Regression，SVR）两种机器学习模型，实验不同的自变量组合方案对森林郁闭度反演的影响；最后，选择最优的变量组合和机器学习方法对广西区域进行森林郁闭度制图。实验结果表明：RFR比SVR的反演效果好，S2+S1组合的精度最高，相关系数R² = 0.703，均方根误差RMSE = 0.19，平均绝对误差MAE = 0.13，同时，极化特征可明显提高森林郁闭度的反演精度。

为了进一步优化三维激光点云数据单木胸径提取精度，引入分层策略，针对胸径测量关键范围（1.2~1.4 m）的点云数据进行不同厚度切片，筛选出最优切片厚度；然后在分层处理的基础上，采用最小二乘法、Hough变换法和RANSAC法3种圆拟合模型进行单木胸径提取对比分析。研究结果表明：全场景条件，与常规处理提取的胸径相比，采用分层处理后3种圆拟合方法的胸径提取精度都有比较显著的提高，其中MAE和RMSE都降低，R²值也都有不同程度的提高。在复杂场景下，与常规处理相比，采用分层处理后3种圆拟合方法提取胸径精度均有更显著的提高，决定系数R²分别提升至0.969 1（最小二乘法）、0.779 1（Hough变换法）及高达0.980 5（RANSAC法）。分层策略结合优化的圆拟合模型能有效降低因胸径范围点云缺失或不规则分布而导致的胸径错估问题，显著提高单木胸径提取精度，为三维激光点云数据在林业资源调查等领域的应用提供了理论基础。

激光雷达点云数据是森林资源清查的重要数据来源，但森林场景中多视角地面激光雷达点云数据配准存在效率低的问题，针对当前研究的不足，提出了一种基于点云法向特征为特征描述符的无标靶、快速的点云配准方法。首先对原始点云进行去噪和体素化处理，然后计算点云法向量并进行特征匹配，最后利用最近邻迭代算法完成精配准。在3类不同林况的样地对上述方法进行验证，实验结果显示：最佳体素化采样间隔为30~50 cm，平均水平平移误差和平均垂直平移误差分别为3.13 cm和0.86 cm，平均旋转误差为1.39′，平均运行时间为5.2 s，平均逐点误差为6.5 cm。算法成功地提高了点云自动化配准的效率和精度。

针对森林资源精准监测的需求，探索背包激光雷达（Light Detection and Ranging， LiDAR）在生产实践中的森林结构参数提取能力，以浙江建德林场为研究区，基于野外调查采集的8块样地背包LiDAR数据，提出一种改进的K-means分层聚类算法进行单木分割，从分割后的单木点云中分别提取胸径、树高、冠幅、树冠投影面积、树冠体积、间隙率等6个单木结构参数，并计算56个点云分层高度特征，利用随机森林方法，构建单木材积估测模型并估测样地蓄积量。结果表明：改进的K-means分层聚类算法综合分割精度F的平均值为0.87，胸径的提取精度为91.26%，树高的提取精度为85.77%；仅用6个单木结构参数作为输入特征变量的单木材积估测模型，模型拟合结果的决定系数（R²）为0.89，均方根误差（RMSE）为0.053 m³；采用Person相关系数和随机森林特征重要性筛选单木结构参数和分层高度特征后，得到最终的单木材积估测模型，模型拟合结果的R²为0.93，RMSE为0.041 m³；利用最优估测模型估算每个样地的蓄积量，平均精度为94.20%。研究结果表明，提出的改进的K-means分层聚类算法能够有效分割单木点云，随机森林方法可以较好地估测单木材积和样地蓄积量，为背包激光雷达在森林资源参数提取方面提供重要的参考价值。

森林年龄显著影响其碳汇的变化趋势，降低区域和全球森林碳汇估算的不确定性需要森林年龄分布数据。森林年龄与冠层高度紧密联系，近年来高分辨率森林冠层高度遥感数据不断产生，为森林年龄高分辨率制图创造了条件。但是，基于森林高度遥感数据的温带森林年龄高分辨率制图的可行性尚不清楚。因此，研究基于森林高度遥感数据进行温带森林年龄的估算及制图，对提升区域碳汇动态监测精度、优化森林管理策略及深化温带森林生态系统固碳机制认知具有重要意义。实验以黑龙江省为研究区，利用落叶阔叶林、常绿针叶林、落叶针叶林和混交林共1 821个样地的数据，确定了描述不同森林类型冠层高度随年龄变化的最优生长方程，对样地数据进行了时间订正；随机选择70%的样地观测数据用于模型训练、其余的30%样本用于模型验证，以基于激光雷达数据生成的森林高度和环境因子（包括生长季长度、最高月平均气温和坡度）为自变量，分别采用随机森林（RF）、支持向量机（SVM）和LightGBM方法构建森林年龄估算模型；遴选最优模型，进行研究区2020年森林年龄30 m分辨率制图，分析森林年龄变化特征。结果表明：对于建模样本和验证样本，RF模型的R²最高（0.77）而均方根误差（RMSE）最低（10.20），LightGBM模型次之，SVM模型R²最低（0.63）而RMSE最高（11.85）。采用RF模型估算的森林年龄存在明显的空间差异，大兴安岭地区和伊春市的森林年龄显著高于其它地区，黑河市的森林年龄较低；落叶针叶林的平均年龄最高，其次为常绿针叶林和混交林，落叶阔叶林的平均年龄最低；研究区森林平均年龄为73年，其中75%的森林年龄为40~100年，17%的森林年龄大于100年，8%的森林年龄低于40年。研究表明：将森林高度遥感数据与环境因子结合，采用机器学习方法可以有效估算中国温带森林的年龄，将为区域和全球森林年龄的高分辨率遥感制图提供参考。

为实现更加准确的红树林提取与监测，以温州市鳌江沿岸等4个红树林种植区为研究区域，采用Sentinel-2遥感影像数据，基于DeepLabV3+语义分割模型对红树林的分布进行识别提取与精度验证，并应用于2019~2023年红树林的时序变化分析。结果表明：①由DeepLabV3+网络构建的红树林信息提取模型，能较好的区分红树林与非红树林区域，误提、漏提现象较少；②与传统机器学习方法相比，语义分割算法明显更优，其中DeepLabV3+方法的精度最高，其精确率为84.89%，Kappa系数为0.82；③红树林的生长受地理位置和生长环境的影响较大，海岸潮间带或入海口处的红树林更易受到台风、潮汐等的影响，互花米草等外来物种对红树林生长空间的侵占等因素都是造成红树林幼苗成活率低、生长速度慢的关键因素之一。因此，基于DeepLabV3+的语义分割模型能较好地识别与提取红树林，为温州市红树林的监测与评估提供数据基础支撑。

研究提出了一种针对热带常绿阔叶林的不同叶龄组分叶面积指数（Leaf Area Index，LAI）拆分方法。该方法将冠层简化为不同叶龄阶段的三大叶片（即幼叶，成熟叶和老龄叶），基于叶片光合生化模型和大尺度卫星遥感气候数据，反演出不同叶龄阶段的叶片碳同化过程，再在邻近相似理论基础上利用带有约束条件的最小二乘法实现了对LAI的有效拆分。经地基物候相机数据验证，各叶龄段LAI的季节动态均与验证数据相似，幼叶R²均值可达0.32，成熟叶R²均值达到0.61，老龄叶R²也可达0.49，表明该方法在捕捉3组LAI的季节性方面呈现出良好的性能。同样，经该方法分解后生产的叶龄组分LAI数据具有较均匀的空间异质性，其聚类格局与由太阳诱导的叶绿素荧光、降水、入射短波辐射等多源遥感数据绘制出的物候格局一致。

松材线虫病是毁灭性的松树病害，严重威胁我国森林生态安全。及时可靠的获取松材线虫病发生范围和病害程度对于森林管理和病害防控极其重要。然而松材线虫病传播速度快、防治难度大，传统人工调查方法难以满足需求。无人机遥感能够快速、准确的获取森林病虫害空间分布和病害程度，为森林病虫害防治和管理提供可靠的信息支撑。本研究利用无人机获取高分辨率红绿蓝（red-green-blue，RGB）可见光影像，首先使用面向对象的多尺度分割算法进行单木树冠提取，并计算植被指数（VIs）、纹理特征（GLCM），再利用特征选择算法优化特征集，使用随机森林分类（Random Forest，RF）和支持向量机分类（Support Vector Machine，SVM）算法构建松材线虫病分类模型，通过消融实验选取最优分类模型，最终实现松材线虫病病害程度和空间分布状况制图。结果表明：在面向对象单木树冠尺度上不同病害程度的松树冠层植被指数和纹理特征有所差异，使用植被指数（VIs RF：OA=76.52%，Marco-F1=0.77；SVM：OA=79.68%，Marco-F1=0.79）分类结果精度优于纹理特征（GLCM RF：OA=46.74%，Marco-F1=0.47；SVM：OA=62.09%，Marco-F1=0.54）；相比使用单一特征集，植被指数和纹理特征的组合可显著提高分类精度，说明多特征组合可以有效提高病害分类效果（VIs&GLCM RF：OA=79.47%，Marco-F1=0.80；SVM：OA=85.45%，Marco-F1=0.85）；无论是单一特征集建模，还是组合特征集建模，SVM模型分类效果都优于RF模型。本研究为全面掌握松材线虫病病害程度及空间分布情况提供及时、可靠的信息支持，有助于推动重大林业有害生物防治体系建设，维护生态安全。

火灾威胁人类的生命和财产安全，对生态系统造成巨大破坏。火烧迹地的遥感响应特征研究，对于火烧迹地的准确提取、火灾损失的定量评估及植被恢复有重要意义。本研究基于Sentinel-1 SAR遥感影像，针对6个火灾案例分析了森林、火烧迹地、建筑物、水体等地物在雷达图像的响应特征，并分析了火烧迹地在灾前1年至灾后2年的时间序列变化规律。结果表明：火烧迹地的交叉极化比值和VH极化后向散射强度相比于未过火区更低，建筑物VH和VV极化的后向散射强度远高于其他地物，水体在两种极化的后向散射均非常低，而交叉极化比值较高。在时间序列方面，VV极化后向散射强度呈现明显的季节变化；多数案例中灾后一个月内VV极化的后向散射强度明显升高，交叉极化比值迅速下降。Sentinel-2 MSI遥感影像计算的归一化燃烧指数NBR时间序列变化与SAR影像有一致的规律，呈现明显的季节变化，灾后半个月内迅速下降，随后逐步恢复。

森林是世界上生产力最高的可再生自然资源之一，但由于火灾、洪水、砍伐等多种自然或人为因素干扰，森林的生态环境受到严重威胁。准确掌握林地资源变化的情况，可以为森林资源的管理与保护提供有效信息。由于林地类别及树种差异较大，在林地变化检测任务中传统的机器学习变化检测方法难以捕捉深层次语义信息，存在提取特征适应性差、识别能力弱以及因季相导致的伪变化等问题。提出以孪生残差神经网络构建深度学习模型，进行林地变化的检测实验。分别采用残差神经网络ResNet50、添加不同轻量级注意力机制如卷积注意力机制模块CBAM和压缩和激励模块SE 3种不同特征提取方法作为主干特征提取模块。3种主干特征提取网络都基于预训练权重进行训练，通过将提取的多尺度的特征图进行融合，使得不同特征图中信息粗略细节和精细细节互补，从而改善变化检测效果，同时具有相同数量的参数，共享权值的优点。以浙江省建德林场为实验区，获取2015年和2020年两期高分二号卫星影像，构建一套分辨率为1 m的林地变化检测数据集。对孪生残差神经网络变化检测的结果和真实变化标签进行比较，其中主干特征提取网络SE-ResNet50综合结果最好，精确率为0.91，召回率为0.78，F1分数为0.83，要优于主流的变化检测模型FC-Siam-conc、FC-Siam-diff。证明孪生残差神经网络在高分辨率遥感影像林地变化检测任务中能够准确捕捉林地变化，为森林资源管理部门提供了新的林地变化检测方法。

相比于传统的人工实地调查的方法，通过无人机倾斜摄影测量技术多角度拍摄提取单木树冠信息，具有高效、准确和低成本等优势。以内蒙古自治区赤峰市喀喇沁旗西南部旺业甸林场的落叶松近成熟林为研究对象，以倾斜摄影测量技术获取的无人机影像为数据源，提出一种结合可见光植被指数和分水岭算法的单木冠幅提取方法。首先通过数字正射影像计算可见光波段超绿超红差分指数；选择合理阈值对图像进行二值化，并利用中值滤波对树冠区域图进行去噪处理，分离出植被与非植被区域；以植被区域为掩膜范围对冠层高度模型进行掩膜；最后，利用分水岭分割算法提取单木树冠进行精度验证。在树冠区域提取过程中，基于超绿超红差分指数结合阈值法成功分离出植被与非植被区域；通过中值滤波有效地去除了因亮度不均、阴影及非植被区域的纹理等信息所造成的斑点和噪声，保证了树冠边缘的完整性及树冠内部的连通性，同时减少了分水岭算法的过分割现象。单木尺度上，树冠参数信息提取的准确率分别为88.72%和79.38%，召回率分别为93.29%和88.60%，F测度分别为90.59%和83.74%；样地尺度上，相对误差分别为15.45%和22.92%。研究结果表明：基于数字正射影像采用可见光植被指数提取植被区域很好地消除了林内裸地等背景因素的影响，同时基于冠层高度模型利用分水岭分割算法能够精确的区分单木信息。基于无人机倾斜摄影测量技术得到的两种数据源结合发挥了各自的优势，能够高效、准确地提取较高郁闭度林分的单木树冠信息。

红树林是全球净初级生产力最高的生态系统之一，其在全球气候变化和海岸带地理环境演变研究中发挥着重要作用。快速且准确地获取大范围红树林空间分布，对于红树林资源的有效管理和开发利用具有重要意义。Landsat系列卫星影像已成为大范围、长周期红树林分布信息提取的重要数据源。选取华南沿海的英罗湾和珍珠港作为实验区，利用Landsat-8 OLI影像结合归一化差异红树林指数（Normalized Difference Mangrove Index， NDMI）、综合红树林识别指数（Combined Mangrove Recognition Index， CMRI）、模块化红树林识别指数（Modular Mangrove Recognition Index， MMRI）、红树林指数（Mangrove Index， MI）和红树林植被指数（Mangrove Vegetation Index， MVI）5种指数来提取红树林分布信息，并对比5种指数用于红树林提取的效果，筛选适用于Landsat-8 OLI影像的最佳红树林提取指数。提出了结合归一化差异水体指数（Normalized Difference Water Index， NDWI）优化的红树林分布信息提取方案，以提升红树林分布信息的遥感监测能力，并应用于广西沿海大范围红树林空间分布的提取。研究结果表明：①基于Landsat-8 OLI影像和指数法可以有效提取红树林分布信息；用于提取红树林的5种指数中MVI指数的提取效果最好，CMRI指数的提取效果最差。②结合NDWI指数可以进一步提高红树林提取精度，优化后的MVI指数应用于广西沿海红树林的提取结果最佳，总体精度达到97.10%。本文提出的研究方案和红树林指数阈值范围，可为大范围红树林分布提取提供参考和决策支持。

毛竹（Phyllostachys edulis）是我国南方集约经营广泛且十分重要的森林资源之一，叶绿素含量（CCI，chlorophyll content index）是反映植物健康状况和生长情况的重要指标，实现毛竹林叶绿素含量遥感反演对监测毛竹林健康程度具有重要意义。本研究以毛竹为对象，基于卫星遥感影像与无人机多光谱数据，通过运用HSV（Hue-Saturation-Value）变换、GS（Gram-Schmidt Pan Sharpening）变换、PCA（Principal Component Analysis）变换3种方式，实现Landsat 8多光谱影像与无人机（UAV，Unmanned Aerial Vehicle）高分辨率单波段影像数据融合；选取8种植被指数，利用K邻近（KNN，k-Nearest Neighbor）回归、随机森林（RF，Random Forest）回归和CatBoost回归3种机器学习模型构建毛竹林叶片叶绿素单位含量反演模型。结果表明：①就融合效果而言，GS为最优模型，其变换均值、标准差、平均梯度联合熵、空间频率均最高，分别为73.407 8、80.672 9、29.699 2、9.765 5、74.876 9；②在基于融合多光谱数据、Landsat 8多光谱数据和无人机数据验证集上，最优算法均为RF算法（R²分别为0.687 6、0.576 1、0.425 4，RMSE分别为2.918 4 μg/cm²、3.559 5 μg/cm²、3.974 5 μg/cm²）。③基于融合数据的叶绿素含量反演效果优于仅使用Landsat 8数据和无人机数据的反演效果。本研究耦合多源遥感数据实现毛竹林叶绿素含量遥感反演，可为动态监测毛竹林健康情况提供科学参考。

研究毛竹扩张机制可为推进森林资源科学经营和提升林权制度改革成效提供依据，遥感难以直接探测毛竹地下茎的生长潜向，必须依赖毛竹扩张的表面特征变化，方可监测毛竹扩张过程的变化。为此研究以竹—杉混交林为对象，选择毛竹扩张杉木林过程中遥感可量化的表观因子（林分光谱特征、林分密度、林分叶面积指数），构建表观特征综合监测模型，分析表观特征综合指数与扩张程度的内在关系，揭示毛竹向杉木林扩张过程的动态变化。其中各表观因子的获取方式为：①通过无人机多光谱影像的植被指数获得林分光谱特征和林分叶面积指数；②采用面向对象多尺度分割获取林分密度。结果表明：林分光谱特征中复合植被指数、林分密度、林分叶面积指数均随扩张程度的加深呈上升趋势，林分光谱特征中的黄色因子反之；表观特征综合指数为0.348×复合植被指数+0.054×黄色因子+0.041×林分密度+0.558×林分叶面积指数，表观特征综合指数与扩张程度呈较正相关（R²=0.574），利用表观特征综合指数指示毛竹扩张程度具有合理性，表观特征综合指数随扩张程度的加深而上升。

为探索机载点云与无人机可见光影像在乔木树种识别与分类领域的应用潜力，提出了一种多模态特征与决策混合融合的无人机单木尺度树种分类识别方法。首先使用Kendall Rank相关系数法与排列重要性分析（Permutation Importance， PI）进行特征选择，采用高效低秩多模态融合算法（Low-rank Multimodal Fusion， LMF）融合点云与影像特征。再引入集成学习，将点云、影像及融合特征分别输入Stacking集成的极限梯度提升机（eXtreme Gradient Boosting， XGBoost）、轻型梯度提升机（Light Gradient Boosting Machine， LightGBM）与随机森林（Random Forest， RF）3个基分类器，最后采用元分类器—朴素贝叶斯进行决策融合。实验数据表明：所提方法独立测试精度达99.4%，较传统的特征串联融合随机森林分类器提升了22.58%，Kappa系数提升了0.285 4。与卷积神经网络（Convolutional Neural Network， CNN）对比实验证明：所提算法在小样本训练的优势明显，且具有更好的泛化能力。

森林地上生物量（Above Ground Biomass， AGB）是衡量森林生态系统生产能力的重要参考指标，也是研究地表碳循环和碳平衡的重要组成部分。立足国内高分三号（GF-3）SAR数据，探索不同类型反演模型的适宜性，以提高森林地上生物量的反演精度有着重要意义。以云南省昆明市宜良县花园林场小哨林区西南地区典型针叶林为研究对象，以GF-3 SAR数据为数据源，结合地面样地调查数据将GF-3 SAR数据的4个通道极化后向散射系数和极化分解特征作为森林地上生物量的建模因子；使用参数模型中的多元线性逐步回归（Multivariable Linear Stepwise Regression， MLSR）算法及非参数模型中的K最近邻（K-Nearest Neighbor Method， K-NN）、支持向量回归（Support Vector Regression， SVR）和随机森林（Random Forest， RF）共4种算法，对该研究区域森林AGB进行了反演；并采用皮尔逊相关系数（R²）、均方根误差（RMSE）及总精度（Acc.）3个指标对4种模型的反演结果精度进行了分析。得出结果：多元线性逐步回归模型反演结果的R²为0.37、RMSE为20.70 t/hm²、总精度Acc.为61.85%；K-NN模型R²为0.34、RMSE为20.29 t/hm²、总精度Acc.为62.60%；SVR模型R²为0.33、RMSE为20.95 t/hm²、总精度Acc.为61.39%；RF模型R²为0.35、RMSE为20.40 t/hm²、总精度Acc.为62.40%。通过对比分析形成以下结论：①4种模型中MLSR算法精度相对最高，较适宜于本研究区以云南松为优势树种的针叶林森林AGB反演；②非参数模型中RF算法反演精度略高，但略低于MLSR算法的精度指标；4种模型估测精度总体上偏低，可能与研究区域地形起伏造成的阴影叠掩及抽样调查的样地数据在异质性和代表性上表现欠佳有关。

森林冠层郁闭度（Forest Canopy Closure，FCC）是评估森林资源的重要因素，准确估算森林郁闭度对森林经营和管理具有重要意义。基于Li-Strahler几何光学模型，无人机激光雷达和高分六号宽幅（GF-6 Wide Field of View，GF-6 WFV）数据估测森林郁闭度，并针对混合像元的问题提出了一种可靠的方法。首先，利用无人机激光雷达衍生的高精度森林结构参数计算无人机飞行覆盖区域的光照背景分量。然后，利用连续最大角凸锥（Sequential Maximum Angle Convex Cone， SMACC）算法及线性光谱分解模型对GF-6 WFV进行混合像元分解，确定研究区最优场景分量。最后，利用Li-Strahler几何光学模型估测研究区域森林冠层郁闭度，并利用野外样地实测数据进行精度验证。结果表明：估测郁闭度与实测郁闭度之间的决定系数（R²）为0.692 8，均方误差根（RMSE）为0.059 4，总体精度为93.4%，Li-Strahler几何光学模型可以有效的在森林郁闭度反演中发挥作用。

开展复杂地形区竹林的遥感精细化识别有助于及时摸清竹林分布，充分发挥竹林的生态和经济社会价值。在“基于片层―面向类”（FB-CO）算法基础上，尝试对该算法进行改进，并利用Sentinal-2A MSI影像验证改进的有效性。改进的“基于片层―面向类”（MFB-CO）竹林信息遥感提取算法利用归一化阴影植被指数NSVI代替单波段阈值分割明亮区与阴影区林地，采用线性回归模型增强阴影区信息，并引入BPNN、SVM和RF等3种分类器提取竹林。结果表明，基于NSVI的明亮区和阴影区林地分割总精度（OA）为96.00%，优于基于NIR的83.50%；阴影信息增强后，各波段拟合模型R² 均大于0.82，MRE均小于5%；FB-CO算法的竹林提取OA为82.41%，在MFB-CO算法框架下，BPNN、SVM、RF等3种分类器的竹林提取OA分别为86.51%、88.43%、88.92%，均优于FB-CO算法。由此可见，MFB-CO算法通过改进FB-CO算法几个关键步骤的具体实现途径，有效提升了竹林信息提取能力，可为竹林的精细化识别提供技术支撑。

现有地基激光雷达林下植被滤除研究精度不高且自动化程度较低，针对当前研究存在的不足，以两块地基激光雷达天然林样地点云数据为研究对象，提出了一种基于点云主方向的林下植被自动滤除方法。首先对数据进行裁剪、去噪、滤波和高度归一化等预处理后，根据样地林下植被的生长高度，将数据以一定高度分为上下两层，上层为乔木点云，下层为包含林下植被点云。然后，计算下层点云的空间邻域内特征以提取点云主方向，根据主方向与Z轴方向的法向量之间的夹角提取林下主干，滤除大量林下植被点云。最后，利用欧式距离聚类方法对林下主干提取结果进行聚类，精细提取林下主干，实现林下植被的完全滤除。根据以上方法，研究以两块天然林样地进行实验，结果表明，当样地1的邻域值k为100，夹角阈值t 为30°，样地2的k邻域值为150，夹角阈值t为30°时，两块样地林下主干数量都实现了100%的完全提取，说明林下植被滤除结果较好。通过对邻域值k和夹角阈值t进行讨论，研究认为k值选择100~150为宜，t值选择30°为宜。该方法参数少，自动化程度高，可为以灌木或乔木为对象的研究提供一定的技术参考。

森林扰动影响森林生态系统碳循环和碳平衡，植被净初级生产力（NPP）是表征植被固碳能力的重要指标，分析森林扰动对NPP的影响对于全球变化研究及生态系统承载力和恢复力评估具有重要意义。选取大兴安岭北段地区作为研究区，使用生产的每8 d 30 m分辨率叶面积指数数据集，基于MuSyQ-NPP植被生产力模型估算了该地区2002~2018年森林生长季30 m分辨率时间序列NPP，并使用30 m分辨率森林扰动时间序列产品分析了森林扰动对NPP的影响。研究结果表明：在大兴安岭北段地区，2002~2018年森林生长季NPP多年均值多分布于400~600 g C·m^-2·a^-1之间，总体呈现缓慢增加趋势；火干扰是研究区的主要扰动因子；2002~2017年森林扰动导致生长季NPP年平均减少量为0.01 Tg C·a^-1，在2003年、2006年和2017年，受到面积较大且强度较大的森林扰动后生长季NPP降低幅度较大，分别为0.11 Tg C、0.03 Tg C和0.03 Tg C；发生中高强度森林扰动的2006年扰动区，生长季NPP自2009年开始出现高于扰动前一年的情况。因此，面积大且强度大的扰动对NPP影响大，中高强度森林扰动区域NPP恢复迅速。

不透水面的精确提取对区域人口密度估计、环境评估、灾害预测、水文模型构建、城市热岛效应研究以及气候变化分析等具有重要意义。传统大尺度不透水面提取方法主要受限于遥感数据质量和提取特征的选择，提取的不透水面空间分辨率较低，难以满足现阶段不透水面的精细化需求。以Sentinel-1 SAR和Sentinel-2 MSI为遥感数据源，从光谱、纹理、时序等3个维度选取不透水面的多个提取特征，构建了基于随机森林的不透水面提取模型，并利用GEE平台开展了2020年长三角地区的10 m空间分辨率不透水面提取实验。结果表明：在不同类型实验区，与仅用光谱特征、光谱特征和时序特征相比，该方法的总体精度、Kappa系数分别提升5%、9%和2%、6%，且针对不透水面覆盖水平不同的各类城市，均具有较好的提取效果；长三角地区全域尺度不透水面提取的总体精度和Kappa系数分别达93.75%和0.88，不透水面面积为61 591.38 km²，占全域总面积的比例约为17%，主要分布在长三角的东部区域，西、北部不透水面占比较低且呈放射性分布。该方法针对10 m分辨率遥感影像提出的，适用于山区、乡村、城区、城乡结合部等不同类型区，方法简单易操作，精度较高且适用于云平台大区域计算。

快速准确获取森林的空间分布对评估森林资源和生态环境状况具有重要的意义。以云南省普洱市为研究区，基于Google Earth Engine（GEE）平台和Sentinel-2影像数据，结合实地调查数据、机载遥感数据及地形辅助数据，提取影像的光谱特征、纹理特征以及地形特征，通过特征筛选，得到适合森林分类的最优特征数据集。结合简单线性非迭代聚类（Simple Non-Iterative Clustering，SNIC）超像素分割算法，探究不同分类方法、特征变量等因素对分类精度的影响。结果表明：面向对象分类方法的分类精度要优于基于像元分类方法，分类总体精度为88.21％，Kappa系数为0.87，可以较为准确地对普洱市进行森林覆盖制图。面向对象方法可以有效减轻“椒盐现象”，特征优选避免了冗余信息对分类结果的影响，有效提高了分类效率。GEE平台与面向对象方法结合可以提供大区域、高精度的森林覆盖遥感快速制图。

基于Google Earth Engine（GEE）云计算平台，协同Sentinel-2影像、WordClim生物气候数据、SRTM地形数据、森林资源二类调查数据等数据，以随机森林（Random Forest， RF），支持向量机（Support Vector Machine， SVM）和最大熵（Maximum Entropy， MaxEnt）3种机器学习算法为组件分类器，开展多源特征、多分类器决策融合的优势树种分类研究。通过3种组件分类器分别构建了两种串行集成和3种贝叶斯并行集成模型，用于确定云南香格里拉地区10种主要优势树种的空间分布。分类结果显示：3个组件分类器的总体精度均低于67.17%；3种并行集成方法总体精度相当，约为72%；两种串行集成方法精度高于78.48%，其中MaxEnt-SVM串行集成方法获得最佳精度（OA：80.66%， Kappa：0.78），与组件分类器相比精度至少提高了13.49%。研究表明：决策融合方法在优势树种分类中比组件分类器精度更高，并且有效改善了小样本树种的分类精度，可用于大范围山区优势树种分类。

高精度的森林林龄可以改善森林生物量、蓄积量、碳储存量等的估算精度。为提高频繁发生干扰区域森林年龄估算精度，以森林干扰强度较大的福建省将乐县为例，通过构建将乐县1987~2019年Landsat时序数据集，利用LandTrendr算法获得森林干扰开始时间节点特征，与林龄建模，实现干扰区林龄估算；接着利用GF-1号影像的波段、植被指数、纹理以及地形因子特征，通过递归特征消除的随机森林算法，与林龄建模，实现非干扰区林龄估算；最后将两部分的林龄合并，得到研究区2019年森林年龄。结果表明：①将乐县森林干扰总面积为346.37 km²，其中，针叶林、阔叶林干扰面积占比75.06%；②利用LandTrendr算法的干扰开始时间节点估算的林龄误差（RMSE=1.91 a）较小，模型精度（R2=0.94）较高；③通过递归特征消除的随机森林算法估算的针叶林、阔叶林林龄的R2和RMSE分别为0.64、0.48和4.71 a、12.71 a。研究表明：结合长时间序列的干扰算法可以有效提高干扰区森林年龄估算精度，为亚热带山区的区域尺度上进行森林林龄估计提供参考。

严守生态红线，保护森林资源，是构建生态文明，推动绿色发展的重要措施。及时掌握林地的变化，尽早发现林地的破坏行为，对森林资源保护和管理具有重要意义。目前对于林地砍伐等破坏行为的监测都是被动与事后的，如何主动地进行防范，对易发生砍伐的区域进行高频次全方位的监管，就需要探究林地砍伐区域的空间分布特征，评估和预测林地砍伐的风险。基于多源遥感变化检测和实地调查获取海南省保亭县公益林连续2 a林地砍伐的图斑，研究林地砍伐与人为活动和地形地貌的关系，进而评估林地砍伐风险，为地方林业部门开展更具针对性的巡查、监测和保护措施提供支持，加强林地监管的有效性，真正将林地砍伐等破坏行为遏制在萌芽阶段，严守生态红线，推动生态文明建设。

结合国产主被动遥感数据高分六号（GF-6） PMS和高分三号（GF-3）双极化PolSAR估测森林蓄积量，并针对多源遥感数据的冗余问题进行特征组合优化。以新疆巩留县天然林地为研究区，提取GF-6 PMS数据的光谱信息、植被指数、纹理以及植被覆盖度信息和GF-3 PolSAR数据的后向散射系数、极化分解参数，结合地形因子，在森林样地调查数据的基础上，利用快速迭代特征选择的 K 最近邻法（K-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS）估测研究区的森林蓄积量。对比国产主被动遥感数据和单一遥感数据源时的估测结果，基于最优特征组合反演研究区的森林蓄积量，结果表明：联合GF-3 PolSAR和GF-6 PMS数据估测研究区森林蓄积量的精度为 R2=0.72，RMSE=92.48 m3/hm2，相比于仅使用GF-6 PMS数据估测的精度（R2=0.56，RMSE=118.8 m3/hm2），R2提高了0.16，提高了28.6%，RMSE降低了26.32 m3/hm2，降低22.2%。说明主被动遥感数据协同反演可以提高森林蓄积量估测精度，KNN-FIFS方法可以有效地估测天然林森林蓄积量。

基于无人机提取喀斯特退化天坑地下森林的树高特征，探索乔木树高的生长策略与天坑局部圈闭化生境的关系，研究退化天坑作为物种避难所的价值。通过无人机遥感技术对退化天坑进行三维重建，提取退化天坑内外的树高信息。结果表明：退化天坑地下森林平均树高较地表高出约5 m。地下森林平均树高为10.47 m，地表平均树高为5.43 m，地表南坡平均树高为5.75 m，坑内树高的分布特征受海拔影响显著。在喀斯特天坑微生境的作用下，与坑外地表相比，坑内地下森林在树高方面具有显著的优势，光照是地下森林乔木类植物种内和种间竞争的主要因子，垂直梯度是退化天坑植被树高分布格局的首要特征。无人机遥感技术能够快速地获取退化天坑地下森林的树高信息，具有推广潜力。

三维遥感机理模型是开展定量遥感反演教学和新方法试验的重要工具。介绍全波段多传感器三维遥感机理模型RAPID的原理、输入输出和常见应用方法。RAPID模型基于辐射度（Radiosity）理论和计算机图形学算法，提出了针对植被的孔隙面元（Porous individual object）概念，大幅降低三维辐射传输的计算量；并将模拟能力扩展到光学、热红外和微波波段，实现反射率、亮度温度、点云、波形和后向散射系数的统一模拟。RAPID非常适合定量遥感教学、简单模型验证、复杂场景模拟和多源数据融合探索。全面介绍全波段多传感器三维遥感机理模型RAPID的原理、输入输出和常见应用方法。

三维辐射传输模型能够准确地刻画太阳辐射与异质地表之间的相互作用，近年来已成为定量遥感建模与反演研究中的重要工具。LESS模型是基于光线追踪的三维真实冠层辐射传输模型，充分利用了光线追踪的前向追踪模式模拟能量平衡问题以及后向追踪模式模拟大尺度（公里级）遥感影像，从而实现在同一模型中多种遥感数据的模拟。目前，LESS模型可以模拟多角度反射率、多/高光谱影像、鱼眼相机、复杂地形区上下行短波辐射、冠层分层FPAR等数据，可以为验证物理模型、发展参数化模型以及训练神经网络模型等提供更为可靠的模拟数据集。本文主要介绍了LESS模型的基本原理和典型的应用。LESS模型可以从www.lessrt.org网站下载。

针对基于多模式遥感手段的大区域森林地上生物量（AGB）定量反演效率低的问题，充分集成主、被动遥感对森林AGB多维观测特征，提高区域定量反演结果；针对两期反演结果分析，揭示区域森林AGB空间变化格局，为科学评估区域生态环境保护（如天然林保护）、提升国家生态环境遥感连续动态监测与预警能力提供支撑。以内蒙古大兴安岭林区为研究区，以2009年为主的光学LandsatTM5（TM）与ALOS-1 PALSAR，以及2014年为主的高分一号（GF-1）与ALOS-2 PALSAR两期主、被动遥感数据提取特征因子，利用快速迭代特征选择的k-NN方法（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS），实现主、被动遥感特征组合快速优化及最优估测模型构建；基于第七次、第八次森林资源连续清查样地数据，对两期研究区森林（乔木）AGB进行定量反演与留一法（LOO）验证；根据两期反演结果叠加对比，在样地和区域尺度上定量分析研究区2009~2014年间森林AGB变化。在样地尺度上，基于森林资源清查样地结果与LOO法验证结果表明，2009年的AGB反演结果R²=0.56，RMSE=25.95 t/hm²；2014年R²=0.64；RMSE=24.55 t/hm²。2009年反演均值较样地计算结果均值偏高（预测：81.59 t/hm²，实测：78.64 t/hm²）；而2014年反演均值较样地计算结果偏低（预测：79.63 t/hm²；实测：82.48 t/hm²）。从区域尺度来看，2009年平均森林AGB为88.33 t/hm²；2014年的为94.61 t/hm²；平均AGB增长量为6.28 t/hm²；与前期研究利用扩展生物量因子法计算的结果接近（2008年和2013年分别为87.14 t/hm²、92.20 t/hm²）。采用基于快速迭代的KNN-FIFS方法，可大幅度提升高维度多模式遥感特征优选效率；充分融合主、被动遥感的多维观测特征，提高森林AGB反演精度及饱和点。在像素尺度上（30 m）利用LOO法对KNN-FIFS反演结果进行了验证，具有更强鲁棒性，避免了由于训练、检验样本抽选造成的随机误差。2009~2014年期间，内蒙古大兴安岭林区植被覆盖度整体呈现了明显的增长趋势；森林AGB也相应增加。自天然林保护工程实施以来，尽管森林火灾造成了局部较为严重的森林退化（覆盖度、AGB），但整体森林资源状况得到有效改善。

塔里木河流域的胡杨林是该荒漠区域典型的森林资源，胡杨树冠大小和株数信息对塔里木河流域森林资源监测、生态保护和恢复具有重要意义。由于该流域乔灌草植物群落分布的复杂性，传统方法很难实现胡杨树冠的精准分割和大范围的株数提取。以塔里木河中游胡杨林为研究区，选取几块典型胡杨林区域，提出集成深度学习和分水岭分割的处理方法，对密集胡杨树冠的精准分割和单株胡杨的提取进行了深入探讨。首先，将无人机影像（空间分辨率0.16 m）无缝拼接生成正射影像；采用U-Net卷积神经网络对胡杨树冠覆盖区域进行精准分割；在U-Net模型分割的基础上使用标记分水岭方法对密集胡杨树冠进行自动再分割和单株计数，计算出所选研究区的胡杨株数并精准定位。结果表明U-Net卷积神经网络对胡杨的所有树冠区域提取的平均精度可达94.1%，在胡杨树冠覆盖区域识别分割的基础上，用标记分水岭分割方法对胡杨单木计算总体精度为93.3%。研究认为，结合深度学习和标记分水岭方法为自动化大范围森林资源监测提供了新思路和借鉴经验。

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度，利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量，该模型包含了多层土壤模块、物候模块以及管理模块；其次，利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中，并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比，Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange， NEE）、生态系统呼吸量（Ecosystem respiration， ER）和蒸散发（Evapotranspiration， ET）模拟精度，站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后，碳、水通量模拟结果有了进一步的提升（NEE： R² = 0.70， RMSE = 1.16 gC·m^–2·d^–1； ER： R² = 0.85， RMSE = 1.97 gC·m^–2·d^–1； ET： R² = 0.81， RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。

为探索国产高分一号宽幅（GF-1 Wide Field of View，GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band，RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure，FCC）定量反演中的潜力，本研究以GF-1 WFV多光谱数据为基础，添加哨兵2号（Sentinel-2A）红边波段，模拟GF-6红边波段特性，并提取相关纹理信息（Texture Information，TI）、植被指数（Vegetation Index，VI）和红边指数（Red- edge Index，RI），同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors，TF）对FCC估测的影响，利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS）模型，实现了内蒙古大兴安岭根河研究区FCC的定量反演，并对比逐步多元线性回归（Stepwise Multiple Linear Regressions，SMLR）和支持向量机（Support Vector Machine，SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性，R²=0.52，RMSE=0.08；GF-1 WFV+VI+TI估测结果为R²=0.56，RMSE=0.08；GF-1 WFV+RE+RI+TI的精度明显提高，R²=0.63，RMSE=0.07；GF-1 WFV+RE+RI+TI+TF的精度最高，R²=0.68，RMSE=0.07，并高于SMLR（R²=0.39，RMSE=0.10）和SVM（R²=0.49，RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测，且添加红边信息经地形校正后，能有效提高FCC的估测精度。

为推广国产高分数据在森林树种分类方面的应用，以北京市延庆区八达岭国家森林公园主要区域的6期高分二号影像为数据源，在分层分类的基础上，利用支持向量机递归特征消除、C5.0决策树、FSO 3种特征优选方法，从4种特征维度下实现面向对象的支持向量机和随机森林的森林树种分类，最终取得总体精度平均为83.65%，特定树种生产者精度介于93.75%（山杏）和38.10%（刺槐）之间，特定树种用户精度介于100%（华北落叶松）和44.74%（榆树）之间的良好结果。结果表明：C5.0决策树耗时最短（0.01 h）且其所选特征应用于分类总体精度最高（86.90%）；在不同特征维度下支持向量机分类的总体精度比随机森林平均高出3.28%；支持向量机和随机森林均对特征维度不敏感，但良好的特征优选结果仍会对支持向量机的分类效率（最高提升86.98%）和随机森林的分类精度（最高提升9.22%）产生较大影响。