森林是地面生态系统的重要组成部分,对全球的生态、气候、碳循环等有着深远的影响。森林由各种类型的树种构成,准确的树种分类信息有助于林业保护部门更有效地应对环境问题。另外,树种分类可以为森林资源清查、估算地上碳储量等方面提供重要依据。树种遥感分类是林业遥感的一大难点,传统的树种分类方法效率低下,且在进行大面积森林资源调查时只能采用抽样调查的方法,精度难以得到保证。而无人机影像具有现势性高、获取影像速度快、纹理丰富、空间分辨率高等特点,并且结合在影像分类中表现良好的深度学习方法,在极大程度上弥补了传统树种分类方法的不足。同时进行基于全卷积神经网络分类方法的实践与分类系统的制作,为相关工作者提供技术上的支持。本文以潜川镇一林场的无人机影像作为研究数据,以期寻找针对无人机影像树种分类的最佳方法。首先,运用面向对象方法和全局平均得分准则对影像进行最优分割,在此基础上制作样本标签。之后应用卷积神经网络、全卷积神经网络(分别基于Res-U-Net模型和VGGNet19模型)、随机森林、支持向量机这四种方法分别对无人机影像进行树种分类,运用随机点精度评价法比较这些方法的优劣。结果显示基于Res-U-Net的全卷积神经网络结果最优。然后,为了优化分类算法,通过最优样本尺寸选择、特征变量的选择与添加、面向对象方法来优化分类过程,提高分类精度,并在另一研究区应用并验证。最后,将上述分类方法制成一个简易系统,以便更好地实现自动化与推广。本文得到的结论主要如下:(1)面向对象分割效果主要受形状指数、紧致度参数及分割尺度影响,应用计算全局评分准则可以快速判定最优尺度及参数,本文最优尺度为160,形状指数为0.1,紧致度参数为0.5。(2)采用卷积神经网络、基于Res-U-Net的全卷积神经网络、基于VGGNet19的全卷积神经网络、随机森林、支持向量机这五种方法分别对影像进行树种分类,精度分别为92.97%、95.41%、94.18%、89.04%、76.55%。因此选择基于Res-U-Net模型架构的全卷积神经网络为后续实验的分类器。(3)最佳样本尺寸的选择、特征变量的添加、面向对象方法的结合都能够有效提高分类精度。本实验的最佳输入样本尺寸为128*128;最佳特征变量是利用随机森林筛选出的重要性水平和显著性水平最高的可见光差异植被指数和过绿减过红指数,相比于全卷积神经网络对原始影像的树种分类既提高了分类精度(从95.41%上升至97.82%),减弱了椒盐噪声的影像,也加快了损失率的下降速度,提高了效率;应用基于最优分割的面向对象分割结果对分类结果进行修正,可以提升空间一致性,基本消除了“椒盐噪声”和“边缘效应”,有助于优化像元分类结果,同时提高了树种分类精度(从97.82%上升至98.75%)。(4)经优化的基于Res-U-Net模型架构的全卷积神经网络适用于树种较多且类型较为接近的无人机遥感影像的树种分类中,并在训练样本较少的情况下仍能得到较高的分类精度,因此其具有广泛的适用范围。