今天给大家解读一篇4月发表在《iScience》上的题目为“Intelligent classification of dominant tree species in urban forests based on UAV hyperspectral remote sensing images.”的文章。这篇文章发表于2026年4月，主题是基于无人机高光谱遥感影像的城市森林优势树种智能分类。研究首先通过分析典型地物光谱特性，构建了优化的NDVI (680,748)指数用于精准提取植被。随后，从高光谱数据中提取了MNF变换后的特征波段、14种植被指数和基于GLCM的纹理特征，并利用RFECV方法进行特征选择。最后，设计了四种特征组合方案（全波段、特征波段、特征波段+植被指数、特征波段+植被指数+纹理特征），分别输入RF、SVM和2D-CNN模型进行树种分类。实验结果表明，融合多模态特征的RF模型取得了最优效果，OA达到86.91%，Kappa系数为0.85，验证了该方法在城市复杂环境中进行高精度树种识别的潜力。（请持续关注我们，每天为您解读最新见刊的文献!）想薅生信资料羊毛？直接在对话框回复 “资料”，免费领取干货大礼包！包括数据集、绘图代码、图表复现、思路总结、参考文献……0代码！鼠标点点点即可轻松完成5-10分生信SCI全文复现！
不想做实验，没数据，还想要快速发表文章，没问题的！公共数据库就是我们的数据宝藏！没思路不用担心，作为专业的生信团队，我们很乐意为你们效劳，提供研究路线设计和数据挖掘分析，扫码联系我们吧！
团队成员合影（位于上海陆家嘴中心，可随时预约参观）
题目：《基于无人机高光谱遥感影像的城市森林优势树种智能分类》Intelligent classification of dominant tree species in urban forests based on UAV hyperspectral remote sensing images
发表期刊：iScience
影响因子：4.1
研究背景：
- 现实需求
快速城市化使居民对生态环境的需求增加，城市森林（包括市内及周边以树木为主的森林生态系统）对缓解热岛效应、固碳、提供休闲空间等至关重要。获取准确的树种尺度的数据是城市绿化评估、管理和规划的关键。然而，城市树木分布高度碎片化、空间不均匀，科学有效地识别树种是核心挑战。 - 技术瓶颈
卫星遥感受限于成本高、重访周期长、易受大气干扰等问题，难以满足城市精细化应用。而无人机遥感具有灵活性高、成本效益好、空间分辨率高等优势，成为理想工具。 - 研究空白
尽管高光谱影像在树种分类方面已取得进展，但将其专门应用于城市森林树种识别的研究相对较少。特别是，不同分类算法和特征组合如何影响城市森林树种识别精度，有待系统研究。
研究思路：
- 数据获取与预处理
利用无人机搭载高光谱相机获取研究区高分辨率影像，并进行辐射定标、几何校正、大气校正、镶嵌裁剪等预处理。同时进行地面样地调查，确定7种优势树种及其样本位置。 - 植被提取
通过分析典型地物（植被、道路、建筑等）的光谱反射率曲线，利用红边区域（680-750 nm）的特性，采用系统性搜索策略构建了最优的双波段归一化植被指数NDVI (680,748)，并确定最优阈值进行二值化，精准提取植被区域，生成植被掩膜。 - 特征工程
- 特征提取
对高光谱数据进行MNF变换，保留前30个特征波段；计算14种常用的植被指数；提取基于GLCM的8种纹理特征（经窗口大小优化后选用5×5窗口）。 - 特征选择
使用RFECV方法对所有特征（特征波段、植被指数、纹理）进行递归筛选，剔除冗余特征，最终确定15个特征波段、7个植被指数和5个纹理特征为最优特征子集。 - 模型构建与评估
设计四种特征组合方案，分别输入RF、SVM和2D-CNN模型进行训练。采用滑动窗口法生成样本，并进行数据增强（旋转）。使用混淆矩阵计算OA、Kappa、PA、UA等指标，系统比较不同方案和模型的表现。
研究亮点：
- 开发了基于红边光谱特征的NDVI (680，748)植被指数
该指数在城市环境中显著提升了植被提取的精度，总体精度达到97.82%，Kappa系数为0.95。 - 采用RFECV方法选择关键特征
以最大化树种识别的准确性，有效降低了特征冗余。 - 系统评估了不同算法和特征组合对分类结果的影响
证实了多模态特征融合策略的有效性。 - 为城市森林监测和城市规划提供了可扩展的技术支持
研究结果：
- 植被提取结果
新构建的NDVI (680,748)指数表现最佳，总体精度达到97.82%，Kappa系数为0.95。相比之下，其他常用指数（如EVI、SVI等）存在不同程度的植被“过提取”或“欠提取”问题，尤其是在篮球场、彩色建筑物等非植被地物上出现误判。这表明该优化指数在城市环境中具有更强的鲁棒性。 - 树种分类结果
- 最优方案
在所有方案中，采用 “MNF变换特征 + 植被指数 + 纹理特征” 输入 随机森林（RF） 分类器获得了最高的分类性能，在测试集上总体精度达到86.91%**，Kappa系数为0.85**。 - 特征组合影响
仅使用特征波段时，RF表现优于SVM，OA为83.27%。加入植被指数后，RF和SVM的OA分别提升2.39%和0.96%，表明植被指数增强了分类能力。 进一步加入纹理特征后，RF和SVM的OA分别再提升1.25%和3.18%，证实纹理信息作为光谱信息的补充，对区分光谱相似但结构不同的树种至关重要。 - 模型对比
基于多模态特征的RF模型显著优于SVM（OA=84.31%）和仅基于特征波段的2D-CNN模型（OA=85.55%）。这表明在样本集相同的情况下，模型性能很大程度上依赖于所提供的特征信息。 - 树种分类难点
樟树的分类精度最低（UA=65.97%，PA=53.28%），主要原因是其光谱特征与其他树种相似，且样本数量在增强后仍存在不平衡问题。
研究总结：
结论：
- 特征波段是树种分类的基础
植被指数和纹理特征的加入能有效提升整体分类精度。 - 识别7种优势树种的最优方案
采用多特征集（特征波段+植被指数+纹理特征）输入RF模型，OA达86.91%，Kappa系数0.85，实现了高精度城市优势树种分布制图。模型性能高度依赖于所提供特征信息的质量。 - 本研究开发的NDVI (680，748)指数
在植被提取方面的表现优于其他传统植被指数，有效抑制了城市典型地物的光谱干扰。
讨论：
- 方法论价值
本研究证明了通过系统搜索红边区域构建优化植被指数，并结合多模态特征与RFECV特征选择，能显著提升城市森林树种分类精度，为高精度城市森林制图和可持续管理提供了技术支撑。 - 实际应用
该方法可用于生成详细的树木空间分布图，并支持对树木生长、胁迫响应和健康状态的监测，为城市绿地规划、生态功能评估和病虫害预警等提供关键数据。 - 研究局限性
- 单时相数据
研究仅使用了单时相的遥感数据，限制了结果的泛化能力。多时相数据通常能提供更优的识别结果，需进一步研究不同环境条件下树种光谱的变化。 - 数据源单一
研究仅依赖无人机高光谱数据，未融合多源遥感数据（如LiDAR数据），后者可提供互补的结构信息。未来研究应整合多源数据以提高分类的稳健性和精度。 - 固定窗口问题
纹理特征提取时使用了固定的5×5窗口，对于冠幅差异较大的树种（如冠幅广阔的朴树和冠幅紧凑的枇杷树），可能无法完全代表其冠层结构，导致部分树种分类精度下降。
结果译文：
1.实验环境与流程
2.植被提取与精度评估
3.树种分类实验
在本研究中，提取了三组不同的特征变量以评估它们在树种分类任务中的有效性。为系统评估不同特征和分类器对树种分类性能的影响，设计了四种方案：全波段、特征波段、特征波段+植被指数、特征波段+植被指数+纹理特征，分别结合RF、SVM分类和2D-CNN，如表8所示。
4.树种分类精度分析
本研究系统比较了九种识别方案在验证集上的性能。结果表明，将MNF变换后特征、植被指数和纹理特征输入RF分类器的方案取得了最优分类性能，总体精度为86.91%。相比之下，仅使用MNF变换后特征时，RF和SVM的分类精度分别为83.27%和80.17%。当直接使用所有原始光谱波段时，两种方法的精度分别降至74.62%和75.03%。总体而言，基于RF的多特征融合方法显著优于单特征或全波段方法。此外，通过MNF降维后的特征集显示出比全波段方法更高的分类潜力，表明特征选择和组合在提升模型性能中起着关键作用。各方法的详细精度结果见表9，基于高光谱图像的树种分类结果见图6。
5.特征组合对城市树种分类精度的影响
更多结果和补充图表：doi： 10.1016/j.isci.2026.115633
扫描上方二维码或登录平台官网后添加CNSknowall客服微信咨询！官网地址：https://cnsknowall.com
CNSknowall：24年最新问世的遥遥领先的颠覆性科研数据（0代码生信+统计学）分析平台，同时含有机制图模块（原创3000多素材和机制图模板）+AI一键生成高质量比国自然标书初稿+汉化版Pubmed融合Deepseek高效筛选目标文献同时一键提炼全文核心创新点+SCI文献例句/语料检索模块+全文翻译+文献求助+图片查重+期刊查询+OPenAI官方GPT接口，＞500款CNS级别图表皆可一秒内一键出图，登录即秒变数据分析大神，体验前所未有的便捷数据分析之旅，开启科研天骄之路！
可向下滑动发掘更多科研秘籍！
