基于高分辨率遙感影像的城市典型喬木樹種分類研究

李 丹，柯 櫻 海，宮 輝 力，李 小 娟，鄧 曾

(首都師范大學城市環境過程與數字模擬國家重點實驗室培育基地,資源環境與地理信息系統北京市重點實驗室，北京100048)

基于高分辨率遙感影像的城市典型喬木樹種分類研究

李 丹，柯 櫻 海*，宮 輝 力，李 小 娟，鄧 曾

(首都師范大學城市環境過程與數字模擬國家重點實驗室培育基地,資源環境與地理信息系統北京市重點實驗室，北京100048)

為探索高分辨率遙感影像對城市復雜環境優勢喬木樹種分類的有效性，采用面向對象分類方法，基于WorldView-2影像對首都師范大學及周邊地區(CNU)、北京師范大學及周邊地區(BNU)兩個研究區進行優勢喬木樹種(泡桐、法國梧桐、楊樹、國槐、銀杏)分類。首先對WorldView-2影像進行分割，獲得樹冠區域及其49個屬性特征，包括31個光譜屬性和18個紋理屬性；隨后利用隨機森林RF與支持向量機SVM兩種分類算法對樹冠區域進行分類。CNU研究區SVM與RF總體分類精度分別為86.5%、75.8%，Kappa系數為0.801、0.648；BNU研究區SVM與RF總體分類精度分別為66.9%、65.3%，Kappa系數為0.541、0.520。實驗表明WorldView-2影像能有效實現城市非陰影區域優勢喬木樹種分類，但異質性較高、樹種分布分散的區域分類精度低于異質性較小、樹種分布密集的區域；WorldView-2影像的4個新增波段尤其是紅邊波段的派生屬性在分類過程中所占權重值較高。

WorldView-2影像；面向對象；樹種分類；隨機森林；支持向量機

0 引言

城市林木是城市生態系統的重要組成部分，定量評估城市林木的生態服務功能，分析人類活動與城市林木生長的相互影響，提高林木的生態效益，是近年來城市生態領域的研究重點[1-3]。對城市林木樹種進行分類、制圖是實現城市林木生態服務功能評價的先決條件，對進一步改善城市生態環境具有重要意義。傳統的森林或城市樹種分布制圖主要依靠人工實地采集樹種信息，成本較高。近年來，利用高分辨率衛星影像(如IKONOS、QuickBird以及國產資源二號、三號衛星等)進行樹種信息提取、分類研究取得了豐碩的研究成果[4-11]，為實現樹種制圖提供了有效方式。然而，現有樹種分類研究主要集中于林木密集的森林地區[12-14]，對于城市地區樹種的分類研究較少。城市地表環境復雜，林木分布相對稀疏，加之建筑物陰影的影響，給城市樹種分類帶來挑戰，傳統IKONOS、QuickBird等衛星的光譜分辨率(4個波段)已不能滿足城市樹種分類的需要。2009年WorldView-2(WV-2)數據投入使用，與IKONOS、QuickBird等衛星相比，其空間分辨率與光譜分辨率的提高為實現城市樹種分類提供了條件。Pu 等[17]利用高分辨率衛星遙感對城市樹種分類進行了代表性的研究。Pu等實驗中的坦帕研究區人口密度較小，高層建筑物稀疏，冠層面積較大且分布均一，而我國城市高層建筑物分布密集，地表環境更為復雜，空間上也具有高度的異質性，會增加同類植物種群的光譜差異性，導致很難有效提取樹種信息。因此，探討復雜城市環境中基于高分辨率遙感影像數據進行樹種分類的可行性以及城市環境對于樹種分類的影響具有重要意義。

本文以北京兩所學校及其周邊作為研究區域，以高分辨率遙感影像WorldView-2為數據源，采用面向對象結合機器學習算法，對研究區非陰影區域內優勢喬木樹種進行分類，探索高分辨率遙感影像對復雜城市環境中樹種分類的有效性。

1 研究區與數據集

1.1 研究區域

選取首都師范大學及周邊地區(CNU)、北京師范大學及周邊地區(BNU)兩個研究區，均位于北京市海淀區的東南部(北緯39°55′30″-39°57′30″，東經116°17′30″-116°22′0″)，平均海拔為40 m，屬溫帶季風性氣候，植被以落葉闊葉林為主。CNU研究區面積約為1.4 km2，BNU研究區面積約為1.6 km2。CNU區域的優勢喬木樹種為泡桐、楊樹、國槐、銀杏，樹冠密度較大，樹種分布較為密集、均勻;而BNU區域的優勢喬木樹種為法國梧桐、楊樹、國槐、銀杏,樹冠密度相對較小，且樹種分布較為分散。

1.2 數據集

采用2012年9月14日獲取的WorldView-2影像。WorldView-2衛星由DigitalGlobe公司于2009年發射，是全球第一顆具有8個多光譜波段的高分辨率商業衛星，其8個多光譜波段(海岸波段：400～450 nm；藍波段：451～510 nm；綠波段：510～580 nm；黃波段：585～625 nm；紅波段：630～690 nm；紅邊波段：705～745 nm；近紅外1：770～895 nm；近紅外2：860～1 040 nm)影像分辨率為2 m，全色波段(450～800 nm)影像分辨率為0.5 m，其中，紅、綠、藍、近紅外1波段為業內標準波段，海岸、黃、紅邊、近紅外2波段為新增波段。

分類參考數據集于2014年7-9月通過實地樣本采集與目視解譯建立。利用ArcGIS10.1軟件根據樹冠形狀手繪參考多邊形，選取兩個研究區的優勢喬木樹種樣本，用做分類時的訓練樣本與驗證樣本。兩個研究區采樣面積、優勢樹種所占比例見表 1。圖1為兩個研究區的光譜差異統計，CNU區中楊樹與國槐8個波段的反射率值接近；銀杏在綠、黃、紅邊、近紅外1、近紅外2波段的反射率高于楊樹與國槐；泡桐在可見光波段的反射率低于銀杏，在近紅外1、2波段的反射率明顯高于銀杏。BNU區中4個樹種的差異與CNU區類似，但銀杏在綠、黃、紅、紅邊、近紅外1、近紅外2波段處與楊樹、國槐的反射率差異明顯較大，法國梧桐在近紅外1、近紅外2波段處的反射率與銀杏接近。

表1 兩個研究區采樣面積分布

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

研究區樹種面積(m2)百分比(%)CNU泡桐893816.2楊樹27803.2550.49國槐1753431.84銀杏793.251.44合計55068.5100BNU法國梧桐14360.75 17.06楊樹3310639.33國槐31472.537.39銀杏52326.22合計84171.25 100

圖1 CNU、BNU區域樣本光譜差異統計

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

2 研究方法

城市樹種分類包括：1)遙感影像預處理；2)影像分割與樹冠提取；3)屬性提取與樹種分類。各研究區均采用隨機森林(Random Forest，RF)及支持向量機(Support Vector Machine,SVM)算法對樹冠區域進行分類(圖2)，最后進行分類結果評價。

2.1 數據預處理

首先對兩個研究區WorldView-2影像進行輻射定標，并采用6SV模型對全色及多光譜波段進行大氣校正，得到地表反射率；6SV模型中550 nm波段的氣溶膠厚度參數通過當日MODIS氣溶膠產品數據獲得，氣溶膠模型為城市模型。采用Gramm-Schmidt Spectral Sharpening(GSPS)[18]方法將2 m多光譜影像和 0.5 m全色影像融合，得到8個波段0.5 m分辨率的多光譜影像。

圖2 研究方法流程

Fig.2 The flowchart of tree species classification procedure

2.2 影像分割與樹冠提取

采用易康8.7軟件中多尺度分割方法實現影像分割。首先從一個像元對象開始，通過迭代運算，生成較大的影像對象[19]。分割參數包括：1)波段權重，主要根據波段的重要性確定；2)尺度(scale)，主要決定分割對象的大小；3)顏色(color)(或形狀(shape))權重，決定分割時光譜值在整個均質度中相對于形狀所占比重；4)緊致度(compactness)(或平滑度(smoothness))權重，決定生成對象的形狀特征。研究中，8個光譜波段的波段權重全部設置為1，形狀、緊致度參數均設為0.2與0.5，試驗5次尺度參數(100，120，130，150，160)，根據目視判斷確定最佳參數。經過反復實驗及目視解譯(以CNU區為例，見圖3)，CNU區尺度參數為150、BNU區尺度參數為130時，分割對象與參考多邊形的樹種區域吻合程度總體最高，因此，選為最佳尺度參數。

圖3 CNU分割尺度選取

Fig.3 Optimal scale parameter selection in CNU area

影像分割后按照閾值法與層次分類法進行影像對象分類，以提取非陰影區下的冠層區域。由于城市環境較為復雜，部分樹冠受到高層建筑物的遮擋，其光譜信息受到陰影的影響而不能準確地表達樹冠的真實特性，故不考慮陰影下的樹冠區域。首先根據波段7的反射率提取非陰影區，隨后根據NDVI與波段2的反射率提取非陰影區的植被覆蓋區域。研究區植被覆蓋區域主要由樹冠和草地組成，本文綜合利用樹冠與草地的色調、強度信息與紋理指數(GLCM與GLDV)提取樹冠區域(相關閾值見表 2)。GLCM(Gray Level Co-occurrence Matrix)為灰度共生矩陣，反映圖像灰度在相鄰的方向、相鄰間隔、變化幅度的綜合信息，以及相同的灰度級像素之間的位置分布特征；GLDV(Grey Level Difference Vector)反映對象與周邊對象的變化差異量。冠層區提取效果以CNU局部區域為例(圖 4)，冠層對象的邊界與地面真實樹冠的邊界基本吻合。

表2 閾值相關參數

Table 2 Threshold parameters of each level step

研究區非陰影區植被區樹冠區CNUBNUb7≥0.083b7≥0.063NDVI>0.35&b2<0.075NDVI>0.43&b2<0.077hue_GME7>2.6int_GDA7<0.0019

注：b7為近紅外1波段； hue_GME7=hue(5,3,2)* GLCM b7；int_GDA7=intensity(7,5,3)* GLDA_b7。

圖4 CNU局部分割效果

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

2.3 屬性提取與樹種分類

實驗針對每一幅分割影像均提取了對象的49個屬性特征(表 3)，包括31個光譜屬性以及18個紋理屬性。其中31個光譜屬性分別為1-8波段的光譜平均值、標準差、波段比率以及相應的NDVI指數等，18個紋理屬性分別為波段7與波段8的GLCM與GLDV一系列參數，如同質性(Homogeneity)、差異性(Dissimilarity)、熵(Entropy)、對比度(Contrast)等。實驗利用與實地采集樣本多邊形相交的影像對象作為樣本集，按照分層采樣的思想從每類樣本中隨機選出2/3作為訓練樣本，剩余的1/3作為驗證樣本，訓練樣本與驗證樣本分布見表 4。其中，CNU區域共獲取650個樣本，BNU區域共獲取1 681個樣本。最后采用RF與SVM算法對樣本分別建立分類模型并進行驗證。

表3 屬性特征描述

Table 3 Summary of 49 features determined

屬性名稱屬性描述Mean1-8波段1-8的平均值STD1-8波段1-8的標準差Ratio1-8第i波段平均值除以1-8波段平均值的總和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與SVM算法均為機器學習算法。RF通過訓練多個決策樹，生成模型，然后綜合利用多個決策樹進行分類，其分類模型的建立主要受兩個參數影響：1)決策樹的樹目(ntree)，即bootstrap樣本迭代次數，bootstrap又稱自助抽樣法[20]，是基于給定訓練集進行有放回的抽樣，是用小樣本估計總體值的一種非參數方法；2)節點處參與分類的變量個數(mtry)，一般為每個節點輸入分類變量個數的開方根值。本文選用ntree=500，mtry=7。 SVM方法在小樣本、非線性情況下，具有較好的泛化性能，可通過非線性映射把樣本空間映射到一個高維乃至無窮維的特征空間中(Hilbert空間)，使得在原來的樣本空間中非線性可分的問題轉化為線性可分的問題。研究選用徑向基核函數(RBF)作為模型核函數，利用網格搜索法獲取最優參數懲罰系數c與核函數半徑g，從而建立模型。

表4 訓練樣本與驗證樣本分布

Table 4 Training and validation samples

訓練樣本驗證樣本合計CNU樣本泡桐7537112楊樹18492276國槐13667203銀杏401959合計435215650BNU樣本法國梧桐18893281楊樹383191574國槐360180540銀杏19195286合計11225591681

3 結果與分析

對每一研究區，分別采用RF與SVM算法進行優勢樹種分類及評價，混淆矩陣見表5、表6。實驗表明，兩種分類算法在兩個研究區的分類結果總體精度均在65%以上。利用兩種分類方法，CNU研究區的總體精度為75.8%～86.5%，BNU研究區總體精度為65.3%～66.9%。以總體精度較高的SVM算法為例，CNU樹種用戶精度在83.9%與88.9%之間，生產者精度在75.7%與95.7%之間；BNU研究區樹種用戶精度在56.3%與77.6%之間，生產者精度在53.8%與87.4%之間。說明在兩個研究區內，WorldView-2遙感影像對于城市非陰影區域優勢喬木樹種的分類結果與實際情況比較一致，尤其是CNU研究區，具有較高的一致性,Kappa系數高達到0.801。

表5、表6表明，無論采用哪種分類方法，兩個研究區中楊樹與銀杏的分類精度均高于其他樹種，這是由于楊樹分布較為密集且分布面積較廣；銀杏分類精度基本最高，銀杏與其他樹種的光譜差異較大，尤其是在綠(波段3)、黃(波段4)、紅(波段5)波段處反射率明顯高于其他樹種，而在紅邊(波段6)、近紅外1(波段7)與近紅外2(波段8)波段處反射率明顯低于泡桐與法國梧桐(圖 1)，因此，通過光譜信息即可有效地將銀杏從其他樹種中分離出來。此外，國槐與楊樹光譜特征相似(圖1)，錯分誤差較大。例如，在CNU區RF分類結果中,近1/5的驗證樣本錯分為楊樹，而在BNU區SVM、RF分類結果中，也有近1/4、1/3的驗證樣本錯分為楊樹。

表5 研究區RF結果

Table 5 Classification results for RF

CNU區分類樣本泡桐楊樹國槐銀杏合計PA泡桐263713770.3%楊樹582509289.1%國槐14123836756.7%銀杏101171989.5%合計46975121215UA56.5%84.5%74.5%80.9%OA為75.8%;KAPPA為0.648BNU區分類樣本法國梧桐楊樹國槐銀杏合計PA法國梧桐5452869358.1%楊樹913839519172.3%國槐2057901318050.0%銀杏228839587.4%合計85202165107559UA63.5%68.3%54.5%77.6%OA為65.3%;KAPPA為0.520

注：PA代表生產者精度，UA代表用戶精度，下同。

表6 研究區SVM結果

Table 6 Classification results for SVM

CNU區分類樣本泡桐楊樹國槐銀杏合計PA泡桐282703775.7%楊樹288209295.7%國槐395236777.6%銀杏001181994.7%合計33996221215UA84.9%88.983.9%85.7%OA為86.5%;kappa為0.801BNU區分類樣本法國梧桐楊樹國槐銀杏合計PA法國梧桐50112579353.8%楊樹414243219174.4%國槐2046991518055.0%銀杏219839587.4%合計76200176107559UA65.8%71.0%56.3%77.6%OA為66.9%;kappa為0.541

對比兩個研究區的分類結果發現，盡管二者的樹種類別相似，但無論采用哪種分類方法，CNU區樹種總體分類精度均高于BNU區。以采用SVM的最終分類結果為例(圖5，見封3)，BNU區域相對于CNU區域分類斑塊更破碎，這是因為BNU區域同類樹種分布較分散，且不同樹種樹冠交錯分布現象較嚴重，使得影像分割過程中相鄰的不同樹種冠層邊緣存在欠分割現象，造成不同樹種樹冠光譜信息產生混合；而CNU區域同類樹種分布較為密集，且樹冠密度較大，使得同類樹種樹冠光譜信息較為一致。此外，BNU區域居民區較為密集，城市環境異質性表現尤為突出，這也加大了樹冠光譜與紋理信息提取的難度。因此，城市環境的復雜程度影響了樹種分類的精度，復雜程度越高，分類精度則越低。

就分類器而言，SVM的分類精度整體高于RF。其中，CNU區SVM比RF分類結果高出10.7%，Kappa系數高0.153；BNU區SVM比RF分類結果高出1.6%，Kappa系數高出0.021。有研究表明，SVM在不平衡分類性能上優于RF[21]，由表1、表4可知，CNU區中4個樹種參與分類的樣本數量差異較大，銀杏的樣本數量明顯偏低，樣本分布的不平衡造成了RF分類精度較低；而在BNU區中，楊樹與國槐的樣本數量接近，法國梧桐與銀杏的樣本數量接近，樣本分布較為平衡，因此，SVM與RF分類結果相差較小。

實驗針對總體分類精度較高的SVM方法，利用F-score特征選擇法[22-24]與SVM相結合，計算參與分類的各屬性特征的權重值，代表其在分類中的重要性。表7列出了CNU與BNU研究區分類中權重值高于0.15的屬性，實驗發現其中光譜特征所占比重較高。CNU區中權重>0.15的11個屬性特征均為光譜特征，而在BNU區15個屬性中僅有3個為紋理特征，均為近紅外1波段衍生的特征參數。此外，CNU區11個屬性特征中，有6個屬性來自于新增波段，尤其是紅邊波段(波段6)的派生屬性占新增波段屬性特征總數的67%，BNU區權重值>0.15的15個屬性特征中，紅邊波段的派生屬性占新增波段屬性總數的50%，表明WorldView-2的新增波段在城市樹種分類過程中扮演著重要角色。

表7 CNU區與BNU區 SVM分類結果屬性排序

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

排序CNU區屬性權重BNU區屬性權重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 結論

實驗基于WorldView-2高分辨率影像，采用面向對象方法，利用隨機森林RF與支持向量機SVM分類器進行城市優勢喬木樹種分類，探索WorldView-2影像在城市樹種分類中的可行性以及復雜城市環境對樹種分類的影響。研究表明：1)在具有高度異質性的復雜城市環境下，高分辨率WorldView-2遙感影像能夠實現城市非陰影區域的優勢喬木樹種分類。2)WorldView-2的光譜屬性比紋理屬性更有利于樹種分類，并且其新增波段尤其是紅邊波段在分類過程中占有重要地位。3)樹種分布較為密集、樹冠密度較大的區域分類精度高于樹種分布較為分散、樹冠密度較小的區域。4)分類性能比較結果表明，SVM總體分類精度高于RF，錯分誤差減小，在樣本分布不平衡的研究區其精度優勢更加明顯。

由于城市地表環境比較復雜，空間上具有高度的異質性，部分樹種由于高層建筑物的遮擋在影像上表現為處于陰影區域中，因此，今后研究將重點考慮對陰影下樹種進行光譜信息恢復，實現城市區域全部優勢喬木樹種的分類。

[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] 張秀英，馮學智，丁曉東，等.基于面向對象方法的IKONOS影像城市植被信息提取[J].浙江大學學報(農業與生命科學版)，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] 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].遙感學報，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] 馬浩然，趙天忠，曾怡.面向對象的最優分割尺度下多層次森林植被分類[J].東北林業大學學報，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] 陳旭，徐佐榮，余世孝.基于對象的QuickBird遙感圖像多層次森林分類[J].遙感技術與應用,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] 黃衍，查偉雄.隨機森林與支持向量機分類性能比較[J].軟件，2012(6):107-110.

[22] 謝娟英，王春霞，蔣帥，等.基于改進的F-score與支持向量機的特征選擇方法[J].計算機應用,2010(4):993-996.

[23] 楊立才，李金亮，姚玉翠，等.基于F-score特征選擇和支持向量機的P300識別算法[J].生物醫學工程學雜志，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

國家自然科學基金資助項目(41401493;41130744);教育部博士點基金項目(20131108120006);北京市科技新星項目(Z151100000315092);中國水利水電科學研究院科研專項基金(JZ0145B042014)

李丹(1988-)，女，碩士研究生，主要研究方向為遙感與GIS應用。*通訊作者E-mail:yke@cnu.edu.cn

10.3969/j.issn.1672-0504.2016.01.016

TP75;TP183

A

1672-0504(2016)01-0084-06