随着遥感技术不断的成熟发展,多源遥感数据已被广泛应用于森林树种分类,使大尺度上的植物多样性调查与监测成为可能。受高分辨率遥感数据采集和处理的限制,目前大多数研究集中在欧洲或北美的温带森林和北方针叶林,在物种多样性高、地形复杂的热带或亚热带森林的相关研究却很少。此外,树种的物候特征在树种分类中常被忽略。我国亚热带山地森林众多,植物种类丰富,季相变化明显,较多孑遗植物和特有植物分布于此,对森林树种进行准确分类识别对亚热带森林的监测、保护与管理具有重要意义。本论文采用高分辨率(~5 cm)无人机RGB影像对浙江天目山常绿落叶阔叶混交林约100 ha范围内的6种常见树种、枯立木和林窗进行分类识别。在基于对象的多尺度分割的基础上,建立了包含光谱、空间几何和纹理特征的特征空间,采用最邻近距离(K-nearest neighbor,KNN)、分类和回归树(classification and regression tree,CART)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)4种分类算法进行树种分类,分析高空间分辨率且低成本的无人机RGB遥感影像在较大研究范围的复杂亚热带森林树种分类与识别中的应用潜力,分析丰富的物候信息、纹理特征在提高树种分类精度上的贡献。同时,利用地形数据对研究区进行生境划分,探究复杂地形因素是否会对亚热带树种的识别产生影响。结果表明:(1)无人机RGB遥感影像在较大面积的亚热带森林树种分类与识别中有较强的应用潜力,KNN与光谱特征、空间几何特征的组合实现了最高分类精度(总体精度=83.30%,Kappa系数=0.799),其次是RF与光谱特征、空间几何特征及纹理特征的组合(总体精度=83.13%,Kappa系数=0.798),CART总体表现最差。(2)光谱特征和物候特征对树种分类的贡献最大,空间几何特征其次,而纹理特征在不同分类算法中表现不同。在CART和RF中,纹理特征提高了约4%的总体分类精度;而在KNN和SVM中,纹理特征降低了约5%的分类精度。这与RGB影像本身特性有较大相关性,由于影像是在树种颜色差异较大的特殊物候期获取,且获取时对地距离较高,因此影像本身的光谱和物候特征较丰富,而纹理特征较模糊。(3)针叶树种(除黄山松(Pinus Taiwanensis))的分类结果优于阔叶树种;缺萼枫香(Liquidambar acalycina)、柳杉(Cryptomeria fortunei)、枯立木和林窗在4种算法中都可准确识别。各树种分类结果存在差异主要是由于物种自身的生物学特性,不同物候期表现出的颜色与形态差异是最直接原因,不同树种地面参考样本的数量与质量差异也会影响分类结果。(4)复杂地形因素对森林树种的分类识别有较明显的影响,且不同树种对地形因素的响应不同;同一树种在不同生境分区内的表现不同,整体趋势是在高海拔陡坡区内分类精度较高,特别是柳杉、银杏(Ginkgo biloba)和金钱松(Pseudolarix amabilis)。综上所述,对于地形复杂、生物多样性较高的亚热带森林,利用无人机搭载数码相机获取RGB影像进行树种分类与识别是一种廉价而高效的方法,适用于较大范围,特别是在地形复杂的山区,该方法可以极大地降低森林资源调查和物种空间分布研究的困难,为生物多样性监测与保护提供重要的数据基础。