基于高分辨率遥感影像的城市典型乔木树种分类研究

李 丹，柯 樱 海，宫 辉 力，李 小 娟，邓 曾

(首都师范大学城市环境过程与数字模拟国家重点实验室培育基地,资源环境与地理信息系统北京市重点实验室，北京100048)

基于高分辨率遥感影像的城市典型乔木树种分类研究

李 丹，柯 樱 海*，宫 辉 力，李 小 娟，邓 曾

(首都师范大学城市环境过程与数字模拟国家重点实验室培育基地,资源环境与地理信息系统北京市重点实验室，北京100048)

为探索高分辨率遥感影像对城市复杂环境优势乔木树种分类的有效性，采用面向对象分类方法，基于WorldView-2影像对首都师范大学及周边地区(CNU)、北京师范大学及周边地区(BNU)两个研究区进行优势乔木树种(泡桐、法国梧桐、杨树、国槐、银杏)分类。首先对WorldView-2影像进行分割，获得树冠区域及其49个属性特征，包括31个光谱属性和18个纹理属性；随后利用随机森林RF与支持向量机SVM两种分类算法对树冠区域进行分类。CNU研究区SVM与RF总体分类精度分别为86.5%、75.8%，Kappa系数为0.801、0.648；BNU研究区SVM与RF总体分类精度分别为66.9%、65.3%，Kappa系数为0.541、0.520。实验表明WorldView-2影像能有效实现城市非阴影区域优势乔木树种分类，但异质性较高、树种分布分散的区域分类精度低于异质性较小、树种分布密集的区域；WorldView-2影像的4个新增波段尤其是红边波段的派生属性在分类过程中所占权重值较高。

WorldView-2影像；面向对象；树种分类；随机森林；支持向量机

0 引言

城市林木是城市生态系统的重要组成部分，定量评估城市林木的生态服务功能，分析人类活动与城市林木生长的相互影响，提高林木的生态效益，是近年来城市生态领域的研究重点[1-3]。对城市林木树种进行分类、制图是实现城市林木生态服务功能评价的先决条件，对进一步改善城市生态环境具有重要意义。传统的森林或城市树种分布制图主要依靠人工实地采集树种信息，成本较高。近年来，利用高分辨率卫星影像(如IKONOS、QuickBird以及国产资源二号、三号卫星等)进行树种信息提取、分类研究取得了丰硕的研究成果[4-11]，为实现树种制图提供了有效方式。然而，现有树种分类研究主要集中于林木密集的森林地区[12-14]，对于城市地区树种的分类研究较少。城市地表环境复杂，林木分布相对稀疏，加之建筑物阴影的影响，给城市树种分类带来挑战，传统IKONOS、QuickBird等卫星的光谱分辨率(4个波段)已不能满足城市树种分类的需要。2009年WorldView-2(WV-2)数据投入使用，与IKONOS、QuickBird等卫星相比，其空间分辨率与光谱分辨率的提高为实现城市树种分类提供了条件。Pu 等[17]利用高分辨率卫星遥感对城市树种分类进行了代表性的研究。Pu等实验中的坦帕研究区人口密度较小，高层建筑物稀疏，冠层面积较大且分布均一，而我国城市高层建筑物分布密集，地表环境更为复杂，空间上也具有高度的异质性，会增加同类植物种群的光谱差异性，导致很难有效提取树种信息。因此，探讨复杂城市环境中基于高分辨率遥感影像数据进行树种分类的可行性以及城市环境对于树种分类的影响具有重要意义。

本文以北京两所学校及其周边作为研究区域，以高分辨率遥感影像WorldView-2为数据源，采用面向对象结合机器学习算法，对研究区非阴影区域内优势乔木树种进行分类，探索高分辨率遥感影像对复杂城市环境中树种分类的有效性。

1 研究区与数据集

1.1 研究区域

选取首都师范大学及周边地区(CNU)、北京师范大学及周边地区(BNU)两个研究区，均位于北京市海淀区的东南部(北纬39°55′30″-39°57′30″，东经116°17′30″-116°22′0″)，平均海拔为40 m，属温带季风性气候，植被以落叶阔叶林为主。CNU研究区面积约为1.4 km2，BNU研究区面积约为1.6 km2。CNU区域的优势乔木树种为泡桐、杨树、国槐、银杏，树冠密度较大，树种分布较为密集、均匀;而BNU区域的优势乔木树种为法国梧桐、杨树、国槐、银杏,树冠密度相对较小，且树种分布较为分散。

1.2 数据集

采用2012年9月14日获取的WorldView-2影像。WorldView-2卫星由DigitalGlobe公司于2009年发射，是全球第一颗具有8个多光谱波段的高分辨率商业卫星，其8个多光谱波段(海岸波段：400～450 nm；蓝波段：451～510 nm；绿波段：510～580 nm；黄波段：585～625 nm；红波段：630～690 nm；红边波段：705～745 nm；近红外1：770～895 nm；近红外2：860～1 040 nm)影像分辨率为2 m，全色波段(450～800 nm)影像分辨率为0.5 m，其中，红、绿、蓝、近红外1波段为业内标准波段，海岸、黄、红边、近红外2波段为新增波段。

分类参考数据集于2014年7-9月通过实地样本采集与目视解译建立。利用ArcGIS10.1软件根据树冠形状手绘参考多边形，选取两个研究区的优势乔木树种样本，用做分类时的训练样本与验证样本。两个研究区采样面积、优势树种所占比例见表 1。图1为两个研究区的光谱差异统计，CNU区中杨树与国槐8个波段的反射率值接近；银杏在绿、黄、红边、近红外1、近红外2波段的反射率高于杨树与国槐；泡桐在可见光波段的反射率低于银杏，在近红外1、2波段的反射率明显高于银杏。BNU区中4个树种的差异与CNU区类似，但银杏在绿、黄、红、红边、近红外1、近红外2波段处与杨树、国槐的反射率差异明显较大，法国梧桐在近红外1、近红外2波段处的反射率与银杏接近。

表1 两个研究区采样面积分布

Table 1 Area and percentage of dominant tree at both study sites

研究区树种面积(m2)百分比(%)CNU泡桐893816.2杨树27803.2550.49国槐1753431.84银杏793.251.44合计55068.5100BNU法国梧桐14360.75 17.06杨树3310639.33国槐31472.537.39银杏52326.22合计84171.25 100

图1 CNU、BNU区域样本光谱差异统计

Fig.1 Spectral difference from samples delineated for CNU and BNU areas

2 研究方法

城市树种分类包括：1)遥感影像预处理；2)影像分割与树冠提取；3)属性提取与树种分类。各研究区均采用随机森林(Random Forest，RF)及支持向量机(Support Vector Machine,SVM)算法对树冠区域进行分类(图2)，最后进行分类结果评价。

2.1 数据预处理

首先对两个研究区WorldView-2影像进行辐射定标，并采用6SV模型对全色及多光谱波段进行大气校正，得到地表反射率；6SV模型中550 nm波段的气溶胶厚度参数通过当日MODIS气溶胶产品数据获得，气溶胶模型为城市模型。采用Gramm-Schmidt Spectral Sharpening(GSPS)[18]方法将2 m多光谱影像和 0.5 m全色影像融合，得到8个波段0.5 m分辨率的多光谱影像。

图2 研究方法流程

Fig.2 The flowchart of tree species classification procedure

2.2 影像分割与树冠提取

采用易康8.7软件中多尺度分割方法实现影像分割。首先从一个像元对象开始，通过迭代运算，生成较大的影像对象[19]。分割参数包括：1)波段权重，主要根据波段的重要性确定；2)尺度(scale)，主要决定分割对象的大小；3)颜色(color)(或形状(shape))权重，决定分割时光谱值在整个均质度中相对于形状所占比重；4)紧致度(compactness)(或平滑度(smoothness))权重，决定生成对象的形状特征。研究中，8个光谱波段的波段权重全部设置为1，形状、紧致度参数均设为0.2与0.5，试验5次尺度参数(100，120，130，150，160)，根据目视判断确定最佳参数。经过反复实验及目视解译(以CNU区为例，见图3)，CNU区尺度参数为150、BNU区尺度参数为130时，分割对象与参考多边形的树种区域吻合程度总体最高，因此，选为最佳尺度参数。

图3 CNU分割尺度选取

Fig.3 Optimal scale parameter selection in CNU area

影像分割后按照阈值法与层次分类法进行影像对象分类，以提取非阴影区下的冠层区域。由于城市环境较为复杂，部分树冠受到高层建筑物的遮挡，其光谱信息受到阴影的影响而不能准确地表达树冠的真实特性，故不考虑阴影下的树冠区域。首先根据波段7的反射率提取非阴影区，随后根据NDVI与波段2的反射率提取非阴影区的植被覆盖区域。研究区植被覆盖区域主要由树冠和草地组成，本文综合利用树冠与草地的色调、强度信息与纹理指数(GLCM与GLDV)提取树冠区域(相关阈值见表 2)。GLCM(Gray Level Co-occurrence Matrix)为灰度共生矩阵，反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，以及相同的灰度级像素之间的位置分布特征；GLDV(Grey Level Difference Vector)反映对象与周边对象的变化差异量。冠层区提取效果以CNU局部区域为例(图 4)，冠层对象的边界与地面真实树冠的边界基本吻合。

表2 阈值相关参数

Table 2 Threshold parameters of each level step

研究区非阴影区植被区树冠区CNUBNUb7≥0.083b7≥0.063NDVI>0.35&b2<0.075NDVI>0.43&b2<0.077hue_GME7>2.6int_GDA7<0.0019

注：b7为近红外1波段； hue_GME7=hue(5,3,2)* GLCM b7；int_GDA7=intensity(7,5,3)* GLDA_b7。

图4 CNU局部分割效果

Fig.4 Segmentation objects of tree species in local CNU site

2.3 属性提取与树种分类

实验针对每一幅分割影像均提取了对象的49个属性特征(表 3)，包括31个光谱属性以及18个纹理属性。其中31个光谱属性分别为1-8波段的光谱平均值、标准差、波段比率以及相应的NDVI指数等，18个纹理属性分别为波段7与波段8的GLCM与GLDV一系列参数，如同质性(Homogeneity)、差异性(Dissimilarity)、熵(Entropy)、对比度(Contrast)等。实验利用与实地采集样本多边形相交的影像对象作为样本集，按照分层采样的思想从每类样本中随机选出2/3作为训练样本，剩余的1/3作为验证样本，训练样本与验证样本分布见表 4。其中，CNU区域共获取650个样本，BNU区域共获取1 681个样本。最后采用RF与SVM算法对样本分别建立分类模型并进行验证。

表3 属性特征描述

Table 3 Summary of 49 features determined

属性名称属性描述Mean1-8波段1-8的平均值STD1-8波段1-8的标准差Ratio1-8第i波段平均值除以1-8波段平均值的总和BTRA波段2、3、5、7的平均值BADD波段1、4、6、8的平均值NDVI75(波段7-波段5)/(波段7+波段5)NDVI86(波段8-波段6)/(波段8+波段6)NDVI84(波段8-波段4)/(波段8+波段4)NDVI61(波段6-波段1)/(波段6+波段1)NDVI65(波段6-波段5)/(波段6+波段5)GLCMHGLCMhomogeneity波段7-8GLCMCONGLCMcontrast波段7-8GLCMDGLCMdissimilarity波段7-8GLCMEGLCMentropy波段7-8GLCMSDGLCMstandarddeviation波段7-8GLCMCORGLCMcorrelation波段7-8GLDVAGLDVangularsecondmoment波段7-8GLDVEGLDVentropy波段7-8GLDVCGLDVcontrast波段7-8

RF与SVM算法均为机器学习算法。RF通过训练多个决策树，生成模型，然后综合利用多个决策树进行分类，其分类模型的建立主要受两个参数影响：1)决策树的树目(ntree)，即bootstrap样本迭代次数，bootstrap又称自助抽样法[20]，是基于给定训练集进行有放回的抽样，是用小样本估计总体值的一种非参数方法；2)节点处参与分类的变量个数(mtry)，一般为每个节点输入分类变量个数的开方根值。本文选用ntree=500，mtry=7。 SVM方法在小样本、非线性情况下，具有较好的泛化性能，可通过非线性映射把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为线性可分的问题。研究选用径向基核函数(RBF)作为模型核函数，利用网格搜索法获取最优参数惩罚系数c与核函数半径g，从而建立模型。

表4 训练样本与验证样本分布

Table 4 Training and validation samples

训练样本验证样本合计CNU样本泡桐7537112杨树18492276国槐13667203银杏401959合计435215650BNU样本法国梧桐18893281杨树383191574国槐360180540银杏19195286合计11225591681

3 结果与分析

对每一研究区，分别采用RF与SVM算法进行优势树种分类及评价，混淆矩阵见表5、表6。实验表明，两种分类算法在两个研究区的分类结果总体精度均在65%以上。利用两种分类方法，CNU研究区的总体精度为75.8%～86.5%，BNU研究区总体精度为65.3%～66.9%。以总体精度较高的SVM算法为例，CNU树种用户精度在83.9%与88.9%之间，生产者精度在75.7%与95.7%之间；BNU研究区树种用户精度在56.3%与77.6%之间，生产者精度在53.8%与87.4%之间。说明在两个研究区内，WorldView-2遥感影像对于城市非阴影区域优势乔木树种的分类结果与实际情况比较一致，尤其是CNU研究区，具有较高的一致性,Kappa系数高达到0.801。

表5、表6表明，无论采用哪种分类方法，两个研究区中杨树与银杏的分类精度均高于其他树种，这是由于杨树分布较为密集且分布面积较广；银杏分类精度基本最高，银杏与其他树种的光谱差异较大，尤其是在绿(波段3)、黄(波段4)、红(波段5)波段处反射率明显高于其他树种，而在红边(波段6)、近红外1(波段7)与近红外2(波段8)波段处反射率明显低于泡桐与法国梧桐(图 1)，因此，通过光谱信息即可有效地将银杏从其他树种中分离出来。此外，国槐与杨树光谱特征相似(图1)，错分误差较大。例如，在CNU区RF分类结果中,近1/5的验证样本错分为杨树，而在BNU区SVM、RF分类结果中，也有近1/4、1/3的验证样本错分为杨树。

表5 研究区RF结果

Table 5 Classification results for RF

CNU区分类样本泡桐杨树国槐银杏合计PA泡桐263713770.3%杨树582509289.1%国槐14123836756.7%银杏101171989.5%合计46975121215UA56.5%84.5%74.5%80.9%OA为75.8%;KAPPA为0.648BNU区分类样本法国梧桐杨树国槐银杏合计PA法国梧桐5452869358.1%杨树913839519172.3%国槐2057901318050.0%银杏228839587.4%合计85202165107559UA63.5%68.3%54.5%77.6%OA为65.3%;KAPPA为0.520

注：PA代表生产者精度，UA代表用户精度，下同。

表6 研究区SVM结果

Table 6 Classification results for SVM

CNU区分类样本泡桐杨树国槐银杏合计PA泡桐282703775.7%杨树288209295.7%国槐395236777.6%银杏001181994.7%合计33996221215UA84.9%88.983.9%85.7%OA为86.5%;kappa为0.801BNU区分类样本法国梧桐杨树国槐银杏合计PA法国梧桐50112579353.8%杨树414243219174.4%国槐2046991518055.0%银杏219839587.4%合计76200176107559UA65.8%71.0%56.3%77.6%OA为66.9%;kappa为0.541

对比两个研究区的分类结果发现，尽管二者的树种类别相似，但无论采用哪种分类方法，CNU区树种总体分类精度均高于BNU区。以采用SVM的最终分类结果为例(图5，见封3)，BNU区域相对于CNU区域分类斑块更破碎，这是因为BNU区域同类树种分布较分散，且不同树种树冠交错分布现象较严重，使得影像分割过程中相邻的不同树种冠层边缘存在欠分割现象，造成不同树种树冠光谱信息产生混合；而CNU区域同类树种分布较为密集，且树冠密度较大，使得同类树种树冠光谱信息较为一致。此外，BNU区域居民区较为密集，城市环境异质性表现尤为突出，这也加大了树冠光谱与纹理信息提取的难度。因此，城市环境的复杂程度影响了树种分类的精度，复杂程度越高，分类精度则越低。

就分类器而言，SVM的分类精度整体高于RF。其中，CNU区SVM比RF分类结果高出10.7%，Kappa系数高0.153；BNU区SVM比RF分类结果高出1.6%，Kappa系数高出0.021。有研究表明，SVM在不平衡分类性能上优于RF[21]，由表1、表4可知，CNU区中4个树种参与分类的样本数量差异较大，银杏的样本数量明显偏低，样本分布的不平衡造成了RF分类精度较低；而在BNU区中，杨树与国槐的样本数量接近，法国梧桐与银杏的样本数量接近，样本分布较为平衡，因此，SVM与RF分类结果相差较小。

实验针对总体分类精度较高的SVM方法，利用F-score特征选择法[22-24]与SVM相结合，计算参与分类的各属性特征的权重值，代表其在分类中的重要性。表7列出了CNU与BNU研究区分类中权重值高于0.15的属性，实验发现其中光谱特征所占比重较高。CNU区中权重>0.15的11个属性特征均为光谱特征，而在BNU区15个属性中仅有3个为纹理特征，均为近红外1波段衍生的特征参数。此外，CNU区11个属性特征中，有6个属性来自于新增波段，尤其是红边波段(波段6)的派生属性占新增波段属性特征总数的67%，BNU区权重值>0.15的15个属性特征中，红边波段的派生属性占新增波段属性总数的50%，表明WorldView-2的新增波段在城市树种分类过程中扮演着重要角色。

表7 CNU区与BNU区 SVM分类结果属性排序

Table 7 Feature weights ranking during classification for SVM in CNU and BNU

排序CNU区属性权重BNU区属性权重1Mean30.493NDVI860.4702Mean40.319Mean30.4013NDVI860.242Mean40.3644STD60.188Ratio60.3385Ratio60.187Mean50.2596Mean50.187STD60.2487STD70.173Mean60.2338Mean20.162GLDVE70.1809Mean60.156BTRA0.17710STD80.155GLCMD70.16611BTRA0.151BADD0.16012Ratio40.15913GLDVA70.15714STD10.15515Mean20.151

4 结论

实验基于WorldView-2高分辨率影像，采用面向对象方法，利用随机森林RF与支持向量机SVM分类器进行城市优势乔木树种分类，探索WorldView-2影像在城市树种分类中的可行性以及复杂城市环境对树种分类的影响。研究表明：1)在具有高度异质性的复杂城市环境下，高分辨率WorldView-2遥感影像能够实现城市非阴影区域的优势乔木树种分类。2)WorldView-2的光谱属性比纹理属性更有利于树种分类，并且其新增波段尤其是红边波段在分类过程中占有重要地位。3)树种分布较为密集、树冠密度较大的区域分类精度高于树种分布较为分散、树冠密度较小的区域。4)分类性能比较结果表明，SVM总体分类精度高于RF，错分误差减小，在样本分布不平衡的研究区其精度优势更加明显。

由于城市地表环境比较复杂，空间上具有高度的异质性，部分树种由于高层建筑物的遮挡在影像上表现为处于阴影区域中，因此，今后研究将重点考虑对阴影下树种进行光谱信息恢复，实现城市区域全部优势乔木树种的分类。

[1] YANG J,MCBRIDE J,ZHOU J,et al.The urban forest in Beijing and its role in air pollution reduction[J].Urban Forestry & Urban Greening，2005,3(2):65-78.

[2] YANG J,ZHAO L,MCBRIDE J,et al.Can you see green assessing the visibility of urban forests in cities[J].Landscape and Urban Planning.2009,91(2):97-104.

[3] STROHBACH M W,HAASE D.Above-ground carbon storage by urban trees in Leipzig,Germany:Analysis of patterns in a European city[J].Landscape and Urban Planning，2012，104(1):95-104.

[4] 张秀英，冯学智，丁晓东，等.基于面向对象方法的IKONOS影像城市植被信息提取[J].浙江大学学报(农业与生命科学版)，2007(5):568-573.

[5] LI X,SHAO G.Object-based urban vegetation mapping with high-resolution aerial photography as a single data source[J].International Journal of Remote Sensing，2013,34(3):771-789.

[6] PU R,LANDRY S,YU Q.Object-based urban detailed land cover classification with high spatial resolution IKONOS imagery[J].International Journal of Remote Sensing,2011,32(12):3285-3308.

[7] ZHOU W,HUANG G,TROY A,et al.Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas:A comparison study[J].Remote Sensing of Environment，2009，113(8):1769-1777.

[8] MATHIEU R,ARYAL J,CHONG A K.Object-based classification of Ikonos imagery for mapping large-scale vegetation communities in urban areas[J].Sensors，2007,7(11):2860-2880.

[9] 张友静，高云霄，黄浩，等.基于SVM决策支持树的城市植被类型遥感分类研究[J].遥感学报，2006(2):191-196.

[10] WASER L,K CHLER M,J TTE K,et al.Evaluating the potential of WorldView-2 data to classify tree species and different levels of ash mortality[J].Remote Sensing,2014,6(5):4515-4545.

[11] KAMAL M,PHINN S,JOHANSEN K.Object-based approach for multi-scale mangrove composition mapping using multi-resolution image datasets[J].Remote Sensing,2015，7(4):4753-4783.

[12] 马浩然，赵天忠，曾怡.面向对象的最优分割尺度下多层次森林植被分类[J].东北林业大学学报，2014(9):52-57.

[13] IMMITZER M,ATZBERGER C,KOUKAL T.Tree species classification with random forest using very high spatial resolution 8-Band WorldView-2 satellite data[J].Remote Sensing,2012，4(12):2661-2693.

[14] DALPONTE M,BRUZZONE L,GIANELLE D.Tree species classification in the Southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data[J].Remote Sensing of Environment，2012,123:258-270.

[15] KE Y,QUACKENBUSH L J,IM J.Synergistic use of QuickBird multispectral imagery and LIDAR data for object-based forest species classification[J].Remote Sensing of Environment,2010,114(6):1141-1154.

[16] 陈旭，徐佐荣，余世孝.基于对象的QuickBird遥感图像多层次森林分类[J].遥感技术与应用,2009，24(1):22-26.

[17] PU R,LANDRY S.A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species[J].Remote Sensing of Environment,2012,124:516-533.

[18] NICHOL J,WONG M S.Remote sensing of urban vegetation life form by spectral mixture analysis of high-resolution IKONOS satellite images[J].International Journal of Remote Sensing，2007,28(5):985-1000.

[19] BAATZ M,BENZ U,DEHGHANI S,et al.eCognition Professional User Guide,version 4.0[S].Definiens Imaging GmbH.Definiens,München,Germany,2004.

[20] KREISS J,PAPARODITIS E.Bootstrap methods for dependent data:A review[J].Journal of the Korean Statistical Society,2011,40(4):357-378.

[21] 黄衍，查伟雄.随机森林与支持向量机分类性能比较[J].软件，2012(6):107-110.

[22] 谢娟英，王春霞，蒋帅，等.基于改进的F-score与支持向量机的特征选择方法[J].计算机应用,2010(4):993-996.

[23] 杨立才，李金亮，姚玉翠，等.基于F-score特征选择和支持向量机的P300识别算法[J].生物医学工程学杂志，2008(1):23-26.

[24] CHEN Y,LIN C.Combining SVMs with Various Feature Selection Strategies[M].Feature extraction,Springer,2006.315-324.

Urban Tree Species Classification with Machine Learning Classifier Using WorldView-2 Imagery

LI Dan,KE Ying-hai,GONG Hui-li,LI Xiao-juan,DENG Zeng

(Key Lab of 3D Information Acquisition and Application,Beijing Key Lab of Resources Environment and GIS,Capital Normal University,Beijing 100048,China)

Urban trees play important roles in urban ecosystems,such as air quality improvement,carbon sequestration,and urban flood control.This study aimed to evaluate the utility of WorldView-2 image(acquired on September 14,2012) for urban tree species identification.Two study sites in Beijing,China including CNU and BNU were examined and five tree species including Royal Paulownia (PaulowniaSieb.),London Plane (Platanusacerifolia),Chinese white poplar(PopulustomentosaCarrière),Chinese Scholar tree (SophoraJaponica),and Gingko (GinkgobilobaL.) were classified.Tree species distribution in CNU is spatially more variable than those in BNU.First,urban tree crowns in non-shadowed areas were extracted using object-based hierarchical threshold method.A total of 49 features including 31 spectral features and 18 textural features were extracted for both areas.Two machine learning classifiers including Support Vector Machine(SVM) and Random Forest(RF) were applied for dominant tree species classification within tree crown areas.The results showed that overall accuracy(OA) in CNU area was higher than BNU area regardless of classification algorithm(86.5% vs.66.9% using SVM and 75.8% vs.65.3% using RF),indicating that spatial variability of tree species distribution had negative effects on classification accuracy;greater variability resulted in lower classification accuracy.At both study sites,SVM with optimal parameters produced higher OA than RF.Besides,the features derived from 4-additional bands,especially red-edge band,were more important than traditional bands during classification.This study proved that WorldView-2 images were effective in dominant tree species classification at non-shadowed urban area.Future study will explore tree species classification in shadowed area by shadow restoration.

WorldView-2 image;object-based method;tree species classification;random forest;support vector machines

2015-03-20；

2015-07-20

国家自然科学基金资助项目(41401493;41130744);教育部博士点基金项目(20131108120006);北京市科技新星项目(Z151100000315092);中国水利水电科学研究院科研专项基金(JZ0145B042014)

李丹(1988-)，女，硕士研究生，主要研究方向为遥感与GIS应用。*通讯作者E-mail:yke@cnu.edu.cn

10.3969/j.issn.1672-0504.2016.01.016

TP75;TP183

A

1672-0504(2016)01-0084-06