王妮，闵婕，郭家乐，何念

（1.滁州学院 地理信息与旅游学院，安徽 滁州239000；2.滁州学院 实景地理环境安徽省重点实验室，安徽 滁州239000）

随着遥感图像分辨率和分类方法的提高，遥感图像分类已成为森林资源管理和监测的重要手段[1]，及时、准确地监测森林资源，掌握森林资源的变化规律，对社会、生态和经济都具有重要意义。尽管目前遥感影像分类已取得长足的进展， 但树种类型信息获取方面中仍存在很多问题， 例如分类精度不高、数据量不足、详细程度低等[2]。近十余年来， 面向对象分类方法在高分影像树种分类领域显示出巨大的潜力[3]。 Robert 等人[4]将Landsat-7TM 影像应用于俄亥俄州南部的一个地区， 采用面向对象的模糊分类方法对大面积常绿落叶林的覆盖度进行了区分。李丹等[5]使用高分影像为数据源，利用面向对象、SVM（support vector machine）和RF（support vector machine）算法对城市优势乔木进行分类。刘金丽[6]等人以黑龙江省伊春市华皮羌子林场为研究区域，基于GF-2 遥感影像数据进行了面向对象的分类分割实验。 面向对象的分类方法能够综合社区影像空间的局部均匀区域、 纹理和光谱信息的各种特征，克服传统方法的缺点。

深度卷积神经网络 （Convolutional Neural Networks,CNN）已广泛应用于遥感图像的分类、提取、识别和检索[7]。 利用深度学习对图像分类时，其分类精度、 分类时间等方面已经完全超越了传统方法[8]。 Nogueira 等[9]利用CNN 对少量标记样本进行植被物种识别。 何海清等[10]采用深度CNN 递归识别模型，成功地适应了不同尺度地物的变化，提高了场景分类的精度。……