参考文献/References:
［1］罗芬，黄萍. 高分辨率卫星遥感影像监测林地动态变化的探讨［J］. 内蒙古煤炭经济，2021(13)：176-177.
［2］徐美荣，闫金凤，王梦涵，等. 菲律宾林地信息提取及变化分析［J］. 测绘地理信息，2021，46(4)：101-105.
［3］黄杰. 基于OBIA-CNN的高分二号卫星影像林地类型识别［D］. 北京：中国地质大学，2020.
［4］周日平. 高分一号遥感卫星数据林地信息快速提取方法的研究［J］. 中国煤炭地质，2019，31(2)：72-76.
［5］史洁青，冯仲科，刘金成. 基于无人机遥感影像的高精度森林资源调查系统设计与试验［J］. 农业工程学报，2017，33(11)：82-90.
［6］Cheng K，Wang J L. Forest type classification based on integrated spectral-spatial-temporal features and random forest algorithm-a case study in the Qinling Mountains［J］. Forests，2019，10(7)：559.
［7］孙建国，艾廷华，王沛，等. 基于NDVI-气候变量特征空间的植被退化评价［J］. 武汉大学学报(信息科学版)，2008，33(6)：573-576.
［8］符雅盛，张利华，朱志儒，等. 基于决策树-山体阴影模型的植被信息提取研究［J］. 长江流域资源与环境，2020，29(2)：386-393.
［9］熊静. 面向对象变化检测技术在林地分析中的应用［J］. 辽宁林业科技，2021(2)：76-78.
［10］乔月霞，刘烽，谭来钱，等. 基于面向对象的林地信息提取与分类［J］. 温带林业研究，2019(2)：25-33.
［11］杨飞，刘丽峰，王学成. 基于面向对象方法和SPOT5的丘陵山区林地分类研究［J］. 林业资源管理，2014(5)：92-99.
［12］孙小丹. 基于语义相关的面向对象林地信息提取［J］. 福建林业科技，2009，36(3)：36-40.
［13］侯逸晨，赵鹏祥，杨伟志，等. 基于SVM的资源三号影像林地分类及精度评价研究［J］. 西北林学院学报，2016，31(1)：180-185.
［14］刘晓娜，封志明，姜鲁光. 基于决策树分类的橡胶林地遥感识别［J］. 农业工程学报，2013，29(24)：163-172，365.
［15］Hinton G E，Salakhutdinov R R. Reducing the dimensionality of data with neural networks［J］. Science，2006，313(5786)：504-507.
［16］Long J，Shelhamer E，Darrell T. Fully convolutional networks for semantic segmentation［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. Boston，2015：3431-3440.
［17］Badrinarayanan V，Kendall A，Cipolla R. SegNet：a deep convolutional encoder-decoder architecture for image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(12)：2481-2495.
［18］Ronneberger O，Fischer P，Brox T. U-net：convolutional networks for biomedical image segmentation［M］//Lecture Notes in Computer Science.Cham：Springer International Publishing，2015：234-241.
［19］Zhao H S，Shi J P，Qi X J，et al. Pyramid scene parsing network［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu：IEEE，2017：2881-2890.
［20］Nataliia K，Mykola L，Sergii S，et al. Deep learning classification of land cover and crop types using remote sensing data［J］. IEEE Geoscience and Remote Sensing Letters，2017，14(5)：778-782.
［21］Liu Y F，Zhong Y F，Fei F，et al. Scene semantic classification based on random-scale stretched convolutional neural network for high-spatial resolution remote sensing imagery［C］//2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS).Beijing：IEEE，2016：763-766.
［22］Felix S，Teja K，Annett F，et al. Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，170：205-215.
［23］Gui Y Y，Li W，Wang Y N，et al. Woodland detection using most-sure strategy to fuse segmentation results of deep learning［C］//2019 IEEE International Geoscience and Remote Sensing Symposium.Yokohama：IEEE，2019.
［24］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//IEEE conference on computer vision and pattern recognition. Las Vegas，2016：770-778.
［25］Gong Y P，Xiao Z F，Tan X W，et al. Context-aware convolutional neural network for object detection in VHR remote sensing imagery［J］. IEEE Transactions on Geoscience and Remote Sensing，2020，58(1)：34-44.
［26］Zhang T Z，Liu S，Xu C S，et al. Mining semantic context information for intelligent video surveillance of traffic scenes［J］. IEEE Transactions on Industrial Informatics，2013，9(1)：149-160.
相似文献/References:
[1]胡永进,韩旭,高小慧,等.基于双支路全局局部感知网络的高分影像林地信息提取方法[J].江苏农业科学,2022,50(23):176.
Hu Yongjin,et al.High-resolution image forest information extraction method based on double branch global local perception network[J].Jiangsu Agricultural Sciences,2022,50(22):176.