生态学杂志 ›› 2022, Vol. 41 ›› Issue (5): 1024-1032.doi: 10.13292/j.1000-4890.202203.004
郑迪1,2,沈国春3,王舶鉴1,2,戴冠华1,蔺菲1,胡家瑞1,叶吉1,房帅1
ZHENG Di1,2, SHEN Guo-chun3, WANG Bo-jian1,2, DAI Guan-hua1, LIN Fei1, HU Jia-rui1, YE Ji1, FANG Shuai1, HAO Zhan-qing4, WANG Xu-gao1, YUAN Zuo-qiang1*
摘要: 快速、准确识别树种及其分布格局是森林资源经营管理和生物多样性保护的基础和前提。与传统实地调查的方法相比,近年来飞速发展的近地面遥感技术可以灵活、高效和便捷地获取高分辨率高光谱遥感影像,而如何从包含丰富信息的诸多特征中选择信息量大且冗余度低的特征进行树种自动识别,是当前研究亟待解决的问题。本研究以长白山25 hm2温带针阔混交样地为主要研究平台,于2019年8月使用无人机搭载的光谱传感器获取面积为6 hm2的高光谱影像,选择红松、春榆、蒙古栎、水曲柳、大青杨和紫椴6种林冠层树种作为实地标记树种,使用实时载波相位差分技术对所选目标树种进行精确定位,结合2019年样地复查结果对研究区的影像进行目视解译,分别使用卷积神经网络法、最大似然法和马氏距离3种分类方法进行冠层树种的自动分类研究。结果表明:(1)卷积神经网络的树种分类总体精度和Kappa系数(99.85%、0.998)优于最大似然法(89.11%、0.86)和马氏距离法(79.65%、0.75)。(2)在3种分类方法中,单个优势树种分类精度均在卷积神经网络中为最高精度,红松、春榆、蒙古栎、水曲柳、大青杨和紫椴的最高分类精度分别为100%、99.9%、99.9%、99.8%、99.8%和99.5%。(3)从分类效果看,卷积神经网络混分程度最低,马氏距离法混分程度最严重。研究表明,基于深度学习的卷积神经网络模型能够完成对温带天然林林冠树种的准确高效分类,在树种多样性监测和林业资源调查应用中具有较大潜力。