靳茗茗，王瑞瑞，鄭 鑫，寇瓏璇，楊致遠(yuǎn)，周彥楠

(北京林業(yè)大學(xué)林學(xué)院， 北京 100083)

基于高分辨率遙感影像多維度特征的樹種識別方法研究

靳茗茗，王瑞瑞，鄭 鑫，寇瓏璇，楊致遠(yuǎn)，周彥楠

(北京林業(yè)大學(xué)林學(xué)院， 北京 100083)

以北京市西山試驗(yàn)林場為研究區(qū)域，利用Worldview-2影像構(gòu)建各樹種的光譜特征、地形特征、植被指數(shù)特征、紋理特征以及形態(tài)特征，建立關(guān)于山地森林樹種識別的知識。采用基于像元和面向?qū)ο蟮姆椒ㄟM(jìn)行樹種識別分類。在基于像元的分類方法中，選擇決策樹分類和支持向量機(jī)分類；在面向?qū)ο蟮姆诸惙椒ㄖ校x擇基于邊緣檢測的方法分割影像，用最近鄰法分類。決策樹分類的總體分類精度為65.62%，Kappa系數(shù)為0.588 9；支持向量機(jī)分類的總體分類精度為62.42%，Kappa系數(shù)為0.552 8；面向?qū)ο蟮姆诸惙椒傮w分類精度為64.27%，Kappa系數(shù)為0.580 2。

樹種識別；遙感；多維度特征；決策樹；支持向量機(jī)；面向?qū)ο?/p>

引言

對于森林植被分類而言，中低空間分辨率的遙感影像通常難以準(zhǔn)確獲取地物信息，采用傳統(tǒng)的分類方法，其精度通常無法滿足森林資源管理的要求。然而，當(dāng)空間分辨率提高時(shí)，林區(qū)特殊的地理環(huán)境和生物分布又會導(dǎo)致“同譜異物”和“同物異譜”現(xiàn)象，極易發(fā)生錯(cuò)分和漏分，減弱影像光譜域的統(tǒng)計(jì)可分性[1-2]，在復(fù)雜的地形條件下，這種現(xiàn)象更為嚴(yán)重，一些適用于中低分辨率影像的解譯方法在處理高分辨率影像的復(fù)雜特征時(shí)面臨很大困難。

對于樹種識別而言，僅依據(jù)地物光譜特征的差異進(jìn)行分類的精度較低，因此通常要結(jié)合輔助數(shù)據(jù)或外在知識、利用改進(jìn)的分類方法進(jìn)行分類，如結(jié)合地學(xué)輔助數(shù)據(jù)、利用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、多時(shí)相和多源遙感影像融合等[3-4]。陳艷華等[5]利用C4.5算法建立決策樹，結(jié)合DEM等地學(xué)輔助數(shù)據(jù)，在GIS空間分析的基礎(chǔ)上進(jìn)行了分類后處理，與極大似然法相比顯著提高了山區(qū)植被分類的精度；張錦水等[6]基于SVM的分類方法，復(fù)合光譜、紋理和結(jié)構(gòu)等特征，對IKONOS影像進(jìn)行了分類；陳君穎等[7]采用決策樹分類算法，根據(jù)植被光譜特征建立知識庫，提出基于光譜信息的植被分類方法，繼而引進(jìn)局部一致性指數(shù)對該方法進(jìn)行改進(jìn)，提出結(jié)合紋理信息的高分辨率遙感植被分類方法。M.Baatz和A.Schape[8]根據(jù)高分辨率遙感影像的特點(diǎn)，提出了面向?qū)ο蟮倪b感影像分類方法。森林覆蓋面積大，同種森林內(nèi)部結(jié)構(gòu)較為均一，不同類型的森林結(jié)構(gòu)之間在遙感影像上差異較為明顯[9]，因此面向?qū)ο蟮姆诸愡^程更符合遙感影像森林分布的特點(diǎn)。熊軼群等[10]利用面向?qū)ο蟮姆椒ㄌ崛〕鞘芯G地信息，總體分類精度達(dá)到84.4%，比監(jiān)督分類法提高了24.4%；蘇簪鈾等[11]基于SPOT5遙感影像利用面向?qū)ο蠓诸惙椒▽?fù)雜地形條件下的景觀信息進(jìn)行提取，精度為76%；楊飛等[12]在比較了4種面向?qū)ο蠓诸惙椒?( 最鄰近法、隸屬度函數(shù)法、決策樹和支持向量機(jī))后認(rèn)為，最鄰近分類方法用于山區(qū)林地分類時(shí)分類精度和穩(wěn)定性最高。

在現(xiàn)有的研究中，同時(shí)構(gòu)建多維度分類特征并同時(shí)利用基于像元和面向?qū)ο蠓诸惖难芯枯^少，因此，本研究基于上述分析，擬構(gòu)建多維度特征，采用基于像元的決策樹分類、支持向量機(jī)分類，以及面向?qū)ο蟮姆椒ㄟM(jìn)行樹種識別與分類，以充分提取遙感影像信息，提高樹種識別的準(zhǔn)確性。

1 研究區(qū)概況

研究區(qū)位于北京市西山試驗(yàn)林場，地跨海淀、石景山、門頭溝三區(qū)，屬于城市景觀生態(tài)公益型國有林場，氣候上屬于暖溫帶大陸性季風(fēng)氣候，年平均降雨量約630 mm，年平均氣溫11.6 ℃，最高海拔約800 m。該地區(qū)土壤質(zhì)地類型為中壤土，土層較薄且含石礫量較高，平均坡度在15～35°。植被多為上世紀(jì)50年代營造的人工林，樹種主要有油松，側(cè)柏、刺槐、黃櫨、元寶楓、栓皮櫟以及山杏等。

2 數(shù)據(jù)來源與處理

2.1 數(shù)據(jù)來源

研究數(shù)據(jù)包括2016-05-18的Worldview-2遙感影像、DEM數(shù)據(jù)、2014年林業(yè)小班調(diào)查數(shù)據(jù)，以及野外實(shí)測光譜數(shù)據(jù)。其中Worldview-2遙感影像包含8個(gè)分辨率為2 m的多光譜波段以及1個(gè)分辨率為0.5 m的全色波段，影像覆蓋范圍約116°07′—116°11′E， 39°59′—40°01′N。DEM影像為30 m分辨率的ASTER GDEM V2數(shù)據(jù)。

2.2 數(shù)據(jù)處理

2.2.1 影像的校正與融合

對影像進(jìn)行大氣校正、幾何校正，并采用Gram-Schmidt變換對多光譜和全色波段進(jìn)行融合。

2.2.2 陰影區(qū)與非陰影區(qū)的劃分

由于高分辨率影像同類樹種在陰影區(qū)和非陰影區(qū)的差異較大，因此，根據(jù)許章華等[13]提出的陰影植被指數(shù)(SVI)，將影像劃分為陰影區(qū)和非陰影區(qū)，根據(jù)影像地物的實(shí)際情況，選擇恰當(dāng)?shù)拈撝颠M(jìn)行分類。其計(jì)算公式為：

(1)

其中，NDVI為歸一化植被指數(shù)；NIR為近紅外波段灰度值或反射率；R為紅光波段灰度值或反射率。

2.3 分類系統(tǒng)的構(gòu)建

將研究區(qū)劃分為林地和非林地。根據(jù)林業(yè)小班調(diào)查數(shù)據(jù)及其他文獻(xiàn)資料，在林地中確定研究區(qū)的優(yōu)勢樹種，包括油松，側(cè)柏、刺槐、黃櫨、元寶楓、栓皮櫟以及山杏共七種。

在林地的陰影區(qū)和非陰影區(qū)分別選擇以上七種樹木的樣本，包括非林地在內(nèi)，訓(xùn)練樣本共計(jì)15類。在選擇驗(yàn)證樣本時(shí)合并陰影區(qū)和非陰影區(qū)，包括非林地和七種優(yōu)勢樹種樣本共計(jì)8類。

3 研究方法

3.1 多維度特征的構(gòu)建

3.1.1 光譜特征

根據(jù)野外實(shí)測光譜及ROI樣本均值統(tǒng)計(jì)，不同樹種在近紅外波段的反射值差異最大。因此，選擇第六波段(705～745 mm)、第七波段(770～895 mm)以及第八波段(860～1040 mm)作為光譜特征。

3.1.2 地形特征

在ArcGIS中利用DEM數(shù)據(jù)生成坡度、坡向圖，作為地形特征。

3.1.3 植被指數(shù)特征

選擇ROI樣本光譜均值差異較大的指標(biāo)，最終確定為歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)和垂直植被指數(shù)(PVI)。其計(jì)算公式為：

(2)

(3)

3.1.4 紋理特征

利用原始影像的主成分第一波段提取紋理特征，選擇相關(guān)性較小且ROI樣本光譜均值差異較大的指標(biāo)，最終確定為均值(Mean)、對比度(Contrast)和二階矩(SecondMoment)。其計(jì)算公式為：

Mean=∑ni=1∑nj=1if(i,j)

(5)

Contrast=∑ni=1∑nj=1(i-j)2f(i,j) (6)

SecondMoment=∑ni=1∑nj=1f(i,j)2(7)

3.1.5 形態(tài)特征

在以上四種分類特征的基礎(chǔ)上 利用基于邊緣檢測的影像分割方法構(gòu)建形態(tài)特征。

3.2 分類方法

3.2.1 決策樹分類

決策樹分類算法是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法，它著眼于從一組無次序、無規(guī)則的事例中推理出決策樹表示的分類規(guī)則[15]。該方法先利用訓(xùn)練空間實(shí)體集生成判別函數(shù)，再根據(jù)不同取值建立樹的分支，在每個(gè)分支子集中重復(fù)建立下層結(jié)點(diǎn)和分支，形成決策樹，然后用測試數(shù)據(jù)集中的數(shù)據(jù)校驗(yàn)決策樹生成過程中產(chǎn)生的初步規(guī)則，并用代價(jià)復(fù)雜性剪枝(cost-complexity pruning)簡化過擬合的決策樹。

本研究采用CART(Classification and Regression Tree)算法建立決策樹，它采用二分遞歸分割的技術(shù)，節(jié)點(diǎn)分裂建立在Gini指數(shù)上，以找出最好的二分方法。

Gini指數(shù)刻畫了信息的純度，用于計(jì)算從相同的總體中隨機(jī)選擇的兩個(gè)樣本來自于不同類別的概率，其計(jì)算公式為：

Gini(D)=1-∑cipi2

(8)

其中c表示數(shù)據(jù)集中類別的數(shù)量，Pi表示類別i樣本數(shù)量占所有樣本的比例。

若選取的屬性為A，則分裂后數(shù)據(jù)集D的Gini指數(shù)計(jì)算公式為：

(9)

選擇基尼指數(shù)增益值最大的特征作為該節(jié)點(diǎn)的分類條件，其公式如下：

△Gini(A)=Gini(D)-GiniA(D)

(10)

3.2.2 支持向量機(jī)分類

支持向量機(jī)方法建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯(cuò)誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力，是可以克服“維數(shù)災(zāi)害”和“過學(xué)習(xí)”等傳統(tǒng)困難的有力工具[16-18]。

g(x)=w·x+b=0

(11)

滿足條件：

yi[(w·xi)+b]-1≥0，i=1,…,n

(12)

求解最優(yōu)分類面可以表示為在式(12)的約束下求以下函數(shù)的最小值

(13)

對于線性可分的訓(xùn)練集，其最優(yōu)分類函數(shù)為：

(14)

其中，sgn()為符號函數(shù)，b*是分類的閾值，可由任意一個(gè)支持向量由式(12)求得，ai*為最優(yōu)解，w*=∑ni=1ai*yixi

當(dāng)訓(xùn)練樣本集線性不可分時(shí)，需要在約束條件中引入松弛系數(shù)εi≥0，即

(15)

在此約束條件下求下列函數(shù)的極小值：

(16)

其中，C為懲罰系數(shù)。

其最優(yōu)分類函數(shù)為：

(17)

其中，sgn()為符號函數(shù)，b*是分類的閾值，k(xi，x)為核函數(shù)。

SVM的關(guān)鍵在于核函數(shù)。本研究采用RBF核函數(shù)，C和g是必備的兩個(gè)參數(shù)，分別為懲罰系數(shù)和間隔，利用libSVM做交叉驗(yàn)證可確定其具體取值。

3.2.3 面向?qū)ο蠓诸?/p>

傳統(tǒng)的分類方法主要基于像元分類，極易出現(xiàn)“椒鹽現(xiàn)象”[19]，分辨率越高，這種現(xiàn)象越嚴(yán)重。而面向?qū)ο蟮姆诸惙椒?，以影像對象為分類單元，綜合考慮了像元的光譜信息、對象內(nèi)部的結(jié)構(gòu)、紋理以及與相鄰對象之間的關(guān)聯(lián)信息，可在很大程度地減少“椒鹽現(xiàn)象”的出現(xiàn)[20-21]。

其一般步驟是：首先，對經(jīng)過預(yù)處理的遙感影像進(jìn)行多尺度分割，得到“同質(zhì)”對象；其次，根據(jù)需求提取目標(biāo)地物的各類特征，建立分類體系；最后，采用模糊分類算法進(jìn)行地物類別的自動分類和提取[22]。

圖像分割是將數(shù)字圖像細(xì)分為多個(gè)圖像子區(qū)域(像素集合)的過程，基于灰度、顏色、紋理等特征形成多類區(qū)域，在同類區(qū)域內(nèi)，圖像具有相同或相近的特征性質(zhì)，在不同類的區(qū)域間，圖像特征具有明顯差異。本研究選擇基于邊緣檢測的分割方法，分類方法為最鄰近法。

基于邊緣檢測的方法主要通過檢測出區(qū)域的邊緣來進(jìn)行分割，利用區(qū)域之間特征的不一致性，首先檢測圖像中的邊緣點(diǎn)，然后按一定策略連接成閉合的曲線，從而構(gòu)成分割區(qū)域。

最鄰近法分類類似于監(jiān)督分類，需要選擇一定的樣本[12]，通過樣本對象特征空間計(jì)算得出待分類對象到各個(gè)樣本的距離，將待分類對象判定為距離最小的樣本所屬類別[23]。

本研究利用envi軟件的Feature Extraction模塊進(jìn)行基于樣本的面向?qū)ο蠓诸悾?jīng)多次試驗(yàn)最終確定分割閾值為50，合并閾值為90。

3.3 精度評價(jià)方法

分類精度是指分類圖像中像元被正確分類的程度，最廣泛的精度評價(jià)方法是由R.G.Congalton提出的誤差矩陣法[24]，它是一個(gè)r×r的矩陣，元素表示像元數(shù)。

在矩陣中，生產(chǎn)者精度(Producer’s Accuracy)表示某一類別的正確分類數(shù)占參考數(shù)據(jù)中該類別像元總數(shù)的比例，對應(yīng)漏分誤差；用戶精度(User’s Accuracy)表示某一類別的正確分類數(shù)占分為該類的像元總數(shù)的比例，對應(yīng)錯(cuò)分誤差；總體精度(Overall Accuracy)表示被正確分類的像元總數(shù)占總樣本數(shù)的比例，代表分類結(jié)果的總體正確程度；Kappa系數(shù)作為分類精度評估的綜合指標(biāo)，其計(jì)算公式為：

(18)

其中，r為矩陣行數(shù)，Xii為第i行i列的值，Xi+和X+i是行總和和列總和，N為總觀察值。

4 結(jié)果與分析

4.1 分類結(jié)果

分類結(jié)果見圖1：

1) 在決策樹分類結(jié)果中，油松為研究區(qū)主要優(yōu)勢樹種，占研究區(qū)總面積的21.83%，其次為黃櫨，占研究區(qū)總面積的14.34%；栓皮櫟和山杏的分布較少，分別占總面積的4.85%和7.46%。

2) 在支持向量機(jī)分類結(jié)果中，黃櫨為研究區(qū)主要優(yōu)勢樹種，占研究區(qū)總面積的20.7%，其次為油松，占研究區(qū)總面積的20.23%；栓皮櫟和山杏的分布較少，分別占總面積的6.34%和8.78%。

3)在面向?qū)ο蠓诸惤Y(jié)果中，油松為研究區(qū)主要優(yōu)勢樹種，占研究區(qū)總面積的24.05%，其次為黃櫨，占研究區(qū)總面積的16.48%；栓皮櫟的分布最少，占總面積的2.89%。

a)決策樹分類

b) 支持向量機(jī)分類

c) 面向?qū)ο蠓诸?/p>

圖1分類結(jié)果

4.2 分類結(jié)果評價(jià)

1) 決策樹分類的總體精度為65.62%，Kappa系數(shù)為0.588 9。非林地的分類精度最高，林地中，山杏和栓皮櫟的分類精度較低，其余樹種的精度相近，均在60%以上(表1)。

表1 決策樹分類精度分類類型檢驗(yàn)樣本實(shí)際類型側(cè)柏刺槐黃櫨山杏栓皮櫟油松元寶楓非林地未分類總和使用者精度/%側(cè)柏410662020820621747519210602568．15刺槐6446247576435091088300935366．79黃櫨32186550293001688368560810562．05山杏170853540130410633362200338838．49栓皮櫟9422557601167115150107655．86油松72898413494918178157764301192565．53元寶楓1125152951541777441810627370．43非林地3136161714208028240314689．76未分類00000000000總和62061014280682080118611568713129100總體精度65．62生產(chǎn)者精度/%66．1661．662．2362．6950．6767．5661．9597．040Kappa0．5889

2) 支持向量機(jī)分類的總體精度為62.42%，Kappa系數(shù)為0.552 8。非林地的分類精度最高，林地中，元寶楓、油松和側(cè)柏的精度較高，山杏、黃櫨和栓皮櫟的精度較低，尤其是山杏，其用戶精度只有21.97%(表2)。

表2 支持向量機(jī)分類精度分類類型檢驗(yàn)樣本實(shí)際類型側(cè)柏刺槐黃櫨山杏栓皮櫟油松元寶楓非林地未分類總和使用者精度/% 側(cè)柏4021611194130935633810565171．16 刺槐1324625066721217755149700967864．58

表2(續(xù)) 支持向量機(jī)分類精度分類類型檢驗(yàn)樣本實(shí)際類型側(cè)柏刺槐黃櫨山杏栓皮櫟油松元寶楓非林地未分類總和使用者精度/% 黃櫨3251466426085401804825790961344．31 山杏38791365373336817310270333621．97 栓皮櫟53037912865016953410189634．28 油松179420151817774654001701007774．08 元寶楓1449397210842473590645473．37 非林地1430121027960281799．25 未分類00000000000 總和62561014280682080136711568713129100總體精度62．42生產(chǎn)者精度/%64．2761．6252．835．2447．5564．5366．496．08Kappa0．5528

3) 面向?qū)ο蠓诸惖目傮w精度為64.27%，Kappa系數(shù)為0.580 2。非林地的分類精度最高，林地中，油松的分類精度最高，栓皮櫟的分類精度最低，不同樹種間分類精度的差異相對較大(表3)。

表3 面向?qū)ο蠓诸惥确诸愵愋蜋z驗(yàn)樣本實(shí)際類型側(cè)柏刺槐黃櫨山杏栓皮櫟油松元寶楓非林地未分類總和使用者精度/% 側(cè)柏4192164284041908264711630855349．01 刺槐41749002714221001429101420801875148．01 黃櫨7661760638440305921297601157755．14 山杏1102064852742022417850406767．42 栓皮櫟2231121652033411600142036．62 油松3452676572403911000251112901254279．75 元寶楓25664312664414889774836440895154．03 非林地000000013008013008100 未分類00000000000 總和10066135311056264551399136499494137130總體精度64．27生產(chǎn)者精度/%41．6566．5360．4442．4837．1773．2850．9494．860Kappa05802

5 討論

1) 根據(jù)野外實(shí)測光譜以及ROI樣本在光譜、地形、植被指數(shù)和紋理特征上的統(tǒng)計(jì)結(jié)果，各樹種在不同的特征指標(biāo)上均有差異，某些特定樹種在一些指標(biāo)上與其他樹種有較顯著的差異。在野外實(shí)測光譜中，黃櫨的反射值最高，元寶楓次之，側(cè)柏和油松的反射值最低，但二者極為相近。根據(jù)ROI樣本在地形特征上的統(tǒng)計(jì)結(jié)果，元寶楓和刺槐一般分布在海拔高于450m的地區(qū)，油松一般分布在海拔低于450 m的地區(qū)；元寶楓一般分布在陰坡和半陰坡，側(cè)柏和刺槐一般分布在陽坡和半陽坡，這符合樹木的生長習(xí)性。在植被指數(shù)特征中，林地與非林地可以從NDVI上區(qū)分，而林地內(nèi)部各樹種在RVI和PVI上的差異更為明顯。陰影區(qū)和非陰影區(qū)樹種在紋理特征上差異較大，在對比度指標(biāo)中，非陰影區(qū)元寶楓的均值顯著高于其他樹種，在二階矩指標(biāo)中，陰影區(qū)元寶楓顯著高于其他樹種，而非陰影區(qū)的元寶楓顯著低于其他樹種。

2) 在基于像元的方法中，樹種多呈帶狀分布，在面向?qū)ο蟮姆椒ㄖ袠浞N成塊狀分布。同時(shí)，從影像上可以比較明顯看出同樣為基于像元的分類方法，支持向量機(jī)的分類結(jié)果中樹種有大面積成片分布，而決策樹則存在很多碎斑，決策樹分類可能存在過擬合現(xiàn)象，但支持向量機(jī)的分類結(jié)果中同類樹種的大面積分布與實(shí)際情況不符。

3) 根據(jù)林業(yè)小班調(diào)查數(shù)據(jù)和實(shí)地探查的結(jié)果，油松一般分布在海拔較低的地區(qū)，很多分布在非林地的周圍，分類結(jié)果與實(shí)際情況相符?；谙裨姆诸惙椒▽?cè)柏和元寶楓的分類更符合實(shí)際分布，而面向?qū)ο蠓诸惖慕Y(jié)果不準(zhǔn)確。刺槐在一些區(qū)域內(nèi)存在純林的大面積分布，在決策樹分類中，雖然其分類精度較高，但仍存在過擬合現(xiàn)象。黃櫨在決策樹分類的結(jié)果更符合實(shí)際分布，其余兩種方法的結(jié)果與實(shí)際差異較大，且在支持向量機(jī)分類中，黃櫨的范圍明顯大于實(shí)際范圍。山杏和栓皮櫟在三種方法中分類精度都很低，但面向?qū)ο蟮姆诸惤Y(jié)果更符合這兩種樹種的實(shí)際分布情況，從小班數(shù)據(jù)上看，這兩類樹種的斑塊數(shù)很少，且分布比較零散稀疏，在樣本選擇時(shí)會存在一定問題；同時(shí)，這兩類樹種樣本在統(tǒng)計(jì)特征上沒有與其他樹種產(chǎn)生較大差異，這也是分類精度較低的原因之一。

6 結(jié)論

1) 決策樹分類的總體分類精度為65.62%，Kappa系數(shù)為0.588 9；支持向量機(jī)分類的總體分類精度為62.42%，Kappa系數(shù)為0.552 8；面向?qū)ο蟮姆诸惙椒傮w分類精度為64.27%，Kappa系數(shù)為0.580 2。決策樹分類的總體精度更高。

2) 對于復(fù)雜地形條件下的森林植被分類而言，僅從單一的分類特征上進(jìn)行分類，其精度較低，受“同物異譜”和“同譜異物”的影響較大，而構(gòu)建多維度特征進(jìn)行分類，可以在一定程度上解決這類問題，提高分類精度。

[1] 李國清.南方山地丘陵森林主要樹種遙感信息提取研究[D].福建：福建農(nóng)林大學(xué)，2009.

[2] Bruzzone L，Carlin L.A multilevel Context-based System for Classification of Very High Spatial Resolution Images[J].IEEE Transactions on Geoscience and Remote Sensing，2006，44(9)：2587-2600.

[3] 張海霞，卞正富.遙感影像植被信息提取方法研究及思考[J].地理空間信息,2007,5(6):65-67.

[4] Kontoes C，Wilkinson GG，Burrill A，etal.An Experimental System for the Integration of GIS Data in Knowledge-based Analysis for Remote Sensing of Agriculture[J].International Journal of Geographical Information Systems，1993，7(3)：247-262.

[5] 陳艷華，張萬昌.地理信息系統(tǒng)支持下的山區(qū)遙感影像決策樹分類[J].國土資源遙感，2006(1):69-74.

[6] 張錦水，何春陽，潘耀忠.基于SVM的多源信息復(fù)合的高空間分辨率遙感數(shù)據(jù)分類研究[J].遙感學(xué)報(bào)，2006,10(1):50-57.

[7] 陳君穎，田慶久.高分辨率遙感植被分類研究[J].遙感學(xué)報(bào)，2007,11(2):221-227.

[8] Baatz M,Schape A.Object-oriented and Multi-scale Image Analysis in Semantic Networks[C].In:Proc of the 2nd International Symposium on Operationalization of Remote Sensing，1999.

[9] 馬浩然.基于多層次分割的遙感影像面向?qū)ο笊址诸怺D].北京:北京林業(yè)大學(xué),2014.

[10] 熊軼群，吳健平.面向?qū)ο蟮某鞘芯G地信息提取方法研究[N].華東師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2006(4)：84-90.

[11]蘇簪鈾，邱炳文，陳崇成.基于面向?qū)ο蠓诸惣夹g(shù)的景觀信息提取研究[J]．遙感應(yīng)用，2009，10(2)：42-46．

[12]楊飛，劉麗峰，王學(xué)成.基于面向?qū)ο蠓椒ê蚐POT5的丘陵山區(qū)林地分類研究[J].林業(yè)資源管理，2014,10(5):92-99.

[13]許章華，劉健，余坤勇，等.陰影植被指數(shù)的構(gòu)建及其在四種遙感影像中的應(yīng)用效果[J].光譜學(xué)與光譜分析，2013，33(12)： 3359-3365．

[14] Qi J, Chehbouni A, Huete AR.etal.A Modified Soil Adjusted Vegetation Index[J].Remote Sensing of Environment,1994(48):119-126.

[15]史忠植.高級人工智能(第二版)[M].北京:科學(xué)出版社,2006.

[16]何靈敏,沈掌泉,孔繁勝.SVM 在多源遙感圖像分類中的應(yīng)用研究[J].中國圖象圖形學(xué)報(bào),2007,12(04):648-654.

[17]Cortes C, Vapnik V.Support-Vector Networks[J].Machine Learning,1995,20(3):37-297.

[18]張友靜,高云霄,黃浩,等.基于 SVM 決策支持樹的城市植被類型遙感分類研究[J].遙感學(xué)報(bào),2006,10(2):191-196.

[19]常春艷，趙庚星，王凌，等．濱海光譜混淆區(qū)面向?qū)ο蟮耐恋乩眠b感分類[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28(5):226-231．

[20]張秀英，馮學(xué)智，江洪．面向?qū)ο蠓诸惖奶卣骺臻g優(yōu)化[J].遙感學(xué)報(bào)，2009，13(4): 664-669．

[21]陶超，譚毅華，蔡華杰．面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級提取方法[J].測繪學(xué)報(bào)，2010，39(1): 39-45．

[22]王新輝.面向?qū)ο蟮母叻直媛视跋裣汩挤植夹畔⑻崛⊙芯縖D].浙江：浙江大學(xué)，2008.

[23]韓凝，張秀英，王小明，等．基于面向?qū)ο蟮腎KONOS影像香榧樹分布信息提取研究[J]．浙江大學(xué)學(xué)報(bào)，2009，35(6):670-676．

[24] Congalton RG.A review of Assessing the Accuracy of Classifications of Remotely Sensed Data[J]. Remote Sensing of Environment. 1991，37(1)：35-46.

StudyonTreeSpeciesRecognitionMethodsBasedonMulti-DimensionalFeatureofHighResolutionRemoteSensingImage

JIN Mingming，WANG Ruirui，ZHENG Xin，KOU Longxuan，YANG Zhiyuan，ZHOU Yannan

(The College of Forestry of Beijing Forestry University, Beijing 100083，China)

Taking the Xishan Experimental Forest Farm in Beijing as the research area , we established the spectral features, topographic features, vegetation index features, texture features and morphological features of the tree species based on the Worldview-2 remote sensing data, established knowledge about mountain forest tree species recognition. Image classification based on pixel and object-oriented methods were used in this study. In the pixel-based classification method, decision tree classification and support vector machine classification were chosen. In the object-oriented method, the image was segmented by edge detection and classified by k-nearest neighbor method. The overall classification accuracy of the decision tree was 65.62% and the Kappa coefficient was 0.5889. The overall classification accuracy of the support vector machine was 62.42% and the Kappa coefficient was 0.552 8. The overall classification accuracy of the object-oriented method was 64.27% and the Kappa coefficient was 0.5802.

tree species recognition；remote sensing；multi-dimensional features；decision tree；support vector machines；object-oriented

2017-04-14

北京市大學(xué)生科學(xué)研究與創(chuàng)業(yè)行動計(jì)劃(S201610022013)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助(YX2014-09)。

靳茗茗(1994-)，女，北京林業(yè)大學(xué)林學(xué)院地理信息科學(xué)專業(yè)本科生。

王瑞瑞(1983-)，女，北京林業(yè)大學(xué)林學(xué)院副教授，主要研究方向?yàn)榱謽I(yè)遙感智能信息提取。

TP 392

A

1003-6075(2017)03-0030-07

10.16166/j.cnki.cn43-1095.2017.03.008