森林树种类型分布是准确描述木材蓄积量和森林生态系统评估重要的因素之一。详细和准确的树种制图对于监测由气候变化引起的火灾、干旱和其他森林扰动至关重要。通过遥感技术识别树种具有快速高效、低成本和易于在大尺度上实现等优势。多时相遥感影像能够反映植被的物候信息,体现植被各个阶段的生长发育情况,捕捉相似植被在生长季的不同特征点,因此,应用多时相遥感影像能够提高树种分类精度。得益于深度卷积特征的应用,深度学习算法在树种遥感分类研究中进一步提高了自动识别类型的精度。因此,本研究选择以Sentinel-1/2遥感影像时序数据为基础数据源,结合野外调查样点数据,分别采用基于像元和面向对象的深度学习算法(一维模型和Alex Net模型)实现森林优势树种的自动识别,并比较不同模型方法的分类精度及分类结果等差异,为深度学习算法在遥感树种分类研究中的应用提供重要依据。本研究主要结论如下:一、基于像元的深度学习树种分类模型本研究选取Sentinel时序数据中的三个特征(波段、植被指数和后向散射系数)作为深度学习模型的底层特征。将这些特征依据时序变化进行横向排列获得一维向量输入到一维卷积神经网络(Conv1D),同时,将这些特征进行纵向排列获得二维数组输入到Alex Net模型中进行训练和参数优化。研究发现,对于一维模型,当卷积层为3且卷积核大小为12时分类精度最高;对于Alex Net模型,学习率设置为0.001,权值衰减系数为1e-6,动量常数为0.9时,分类精度最高。基于一维卷积神经网络和Alex Net模型的总体精度分别为81.52%和76.02%,Kappa系数分别为0.78和0.72。与Alex Net模型相比,一维卷积神经网络模型有更高的分类精度,并能更好地平衡生产者精度和用户精度。但在分类结果图中,一维卷积神经网络模型与Alex Net模型相比存在更多的斑点噪声。二、基于面向对象与深度学习算法的优势树种自动识别面向对象将影像中同质的像元合并作为处理单元,且提供了以地物对象为单元的空间拓扑和语义等信息。将深度学习方法和面向对象进行相结合可以提取目标地物对象内的更深层次特征,从而获取更高的分类精度。本研究结合一维模型和Alex Net模型进行基于面向对象的树种分类模型训练和超参数优化。将分类结果进行评价可知,基于面向对象的一维模型和Alex Net模型的总体精度分别为84.19%和79.04%,Kappa系数分别为0.84和0.78。我们将面向对象的分类结果与基于像元的分类对比得知,面向对象的分类精度要高于基于像元的分类精度。对于一维模型而言,分类精度分别为81.52%和84.19%;Alex Net模型分类精度分别为76.02%和79.04%。基于两种模型的分类图可知对于研究区的西北和东南部分分类结果存有较大差异。在研究区西北部分,一维卷积神经网络的分类结果主要为紫椴和红松,而Alex Net模型多将其分为红松和山杨,其他类型树种也存在少许分布;在研究区东南部,两种分类结果对比发现,山杨、水曲柳和色木槭较容易混淆。三、最优模型及优势树种空间分布特征本研究采用四种模型进行树种分类制图。同一深度学习算法下,基于面向对象的分类精度要高于像元尺度的分类精度;在应用同一面向对象算法下,一维卷积神经网络的分类精度要高于Alex Net模型精度。由此可知,时序数据更适用于一维卷积神经网络。我们以分类精度最高的基于面向对象一维卷积神经网络进行制图可知,色木槭多生长在研究区西南部,山杨和胡桃楸多分布于东南部;北部地区则以红松和紫椴为主,但在北部边缘地带其余树种如胡桃楸、云杉和水曲柳等也均有分布;研究区中部地区西侧以云杉和紫椴为主,北侧地区则以山杨、白桦和紫椴交错存在。