一種基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及森林資源管理與保護(hù)技術(shù)領(lǐng)域，具體涉及一種基于全波形LiDAR冠層 剖面模型的樹種識(shí)別方法。
【背景技術(shù)】
[0002] 精確的樹種分類對(duì)于林業(yè)調(diào)查、生物多樣性研宄以及模擬指定樹種的單木生長(zhǎng)有 重要意義。同時(shí)，這些信息也可以用于參數(shù)化森林生長(zhǎng)模型和生態(tài)過程模型從而指導(dǎo)和優(yōu) 化森林資源管理。常規(guī)的森林樹種調(diào)查方法主要依賴于野外調(diào)查及利用大比例尺航片判讀 等，其精度往往不高，且難于在大區(qū)域上實(shí)用化推廣。激光雷達(dá)（LiDAR，LightDetection andRanging)是通過發(fā)射激光束擊打物體表面并分析其返回信號(hào)的一種主動(dòng)遙感技術(shù)。通 過LiDAR可獲得高精度的地球表面及地表實(shí)體的高度信息，如地形和植被等可達(dá)到亞米級(jí) 的垂直精度?，F(xiàn)有研宄表明，LiDAR可穿透森林冠層獲得其三維結(jié)構(gòu)特征，特別適合植被覆 蓋度高且森林結(jié)構(gòu)復(fù)雜地區(qū)森林信息提取。
[0003] 近年來基于小光斑LiDAR數(shù)據(jù)進(jìn)行樹種分類研宄為：0rka等2009年在《Remote SensingofEnvironment〉〉第 113 卷上發(fā)表的"Classifyingspeciesofindividual treesbyintensityandstructurefeaturesderivedfromairbornelaserscanner data"，該研宄在已有的單木位置和冠幅信息基礎(chǔ)上，提取了單木的多個(gè)高度（如最大高， 平均高和高度百分位數(shù)等）及統(tǒng)計(jì)（如高度分布的峰度和偏度等）特征變量，并據(jù)此對(duì)挪 威寒帶森林中的針葉和闊葉樹種進(jìn)行了分類；Li等2013年在《AgriculturalandForest Meteorology〉〉第 171 卷上發(fā)表的"Classificationoftreespeciesbasedonstructural featuresderivedfromhighdensityLiDARdata"，該研宄首先基于LiDAR點(diǎn)云提取單木 冠幅，然后在冠幅內(nèi)匯總和計(jì)算三維質(zhì)地，葉片聚集尺度以及孔隙分布等水平和垂直信息， 并依據(jù)這些特征信息對(duì)北美溫帶森林進(jìn)行樹種分類。然而，以上分類方法都是基于點(diǎn)云特 征變量的，并不包含完整的森林垂直結(jié)構(gòu)信息（即存在信息缺失）。同時(shí)，點(diǎn)云數(shù)據(jù)也存在 "盲區(qū)"（即兩次反射回波需要有一定的垂直間距才能被系統(tǒng)區(qū)分開），會(huì)影響林下低矮植被 的提取和分類。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：針對(duì)現(xiàn)有技術(shù)中存在的不足，本發(fā)明提出一種基于全波形LiDAR冠層 剖面模型的樹種識(shí)別方法，有效提高樹種分類的總體精度，易于推廣應(yīng)用等特點(diǎn)。
[0005] 技術(shù)方案：為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：
[0006] 一種基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，包括以下步驟：
[0007] 1)借助機(jī)載小光斑全波形LiDAR傳感器進(jìn)行數(shù)據(jù)采集；傳感器記錄每束激光脈沖 返回的完整波形信息；
[0008] 2)LiDAR波形數(shù)據(jù)預(yù)處理：
[0009]A)噪聲水平估計(jì)和數(shù)據(jù)平滑：首先把原始數(shù)據(jù)轉(zhuǎn)換到頻率域，再將頻率較高的低 值部分作為噪聲水平的判斷標(biāo)準(zhǔn)；然后選用高斯濾波器進(jìn)行平滑。
[0010] B)高斯擬合分解及波形數(shù)據(jù)點(diǎn)云化：基于回波數(shù)據(jù)是多個(gè)高斯函數(shù)的累加這一 假設(shè)，對(duì)波形數(shù)據(jù)采用非線性最小二乘法進(jìn)行擬合；然后通過局部最大峰值檢測(cè)濾波算法 從處理后的波形數(shù)據(jù)上提取離散點(diǎn)云，每個(gè)離散點(diǎn)中記錄了返回信號(hào)的能量和振幅信息；
[0011] C)生成數(shù)字地形：首先對(duì)從波形數(shù)據(jù)中提取出離散點(diǎn)云進(jìn)行分類，然后對(duì)末次回 波進(jìn)行Kraus濾波處理用以去除非地面點(diǎn)，最后使用濾波后的末次回波數(shù)據(jù)并借助自然鄰 近法插值生成數(shù)字地形模型DTM;
[0012] 3)單木定位和冠幅提取：
[0013] A)對(duì)地面以上點(diǎn)云進(jìn)行中值濾波，然后將點(diǎn)云中的高度信息柵格化生成數(shù)字表面 模型DSM;將DSM減去數(shù)字地形模型，得到歸一化植被高度CHM;
[0014] B)通過局部最大值法確定單木樹頂所在位置；
[0015]C)單木冠幅的確定：首先以樹頂為中心擬合16個(gè)半徑方向上的冠幅剖面，然后 計(jì)算到局部最小值的水平距離，最后將這些距離值進(jìn)行水平方向上的平均從而得到冠幅半 徑；
[0016] 4)結(jié)合Weibull分布和三次樣條函數(shù)模型，擬合單木垂直結(jié)構(gòu)和返回能量信息的 冠層剖面模型，并提取模型參數(shù)作為特征變量；
[0017] 5)使用隨機(jī)森林分類器進(jìn)行樹種分類：
[0018]A)隨機(jī)森林分類是由很多決策樹分類模型{h(X，0k)，k= 1，2，...}組成的組 合分類模型，且參數(shù)集{0k}是獨(dú)立同分布的隨機(jī)向量，在給定自變量X下，每個(gè)決策樹 分類模型都由一票投票權(quán)來選擇最優(yōu)的分類結(jié)果；通過k輪訓(xùn)練，得到一個(gè)分類模型序列 (X)，h2 (X)，…h(huán)k (X)}，再用它們構(gòu)成一個(gè)多分類模型系統(tǒng)，其最終的分類決策函數(shù)為：
[0019]
【主權(quán)項(xiàng)】
1. 一種基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在于，包括以下步驟： 1) 借助機(jī)載小光斑全波形LiDAR傳感器進(jìn)行數(shù)據(jù)采集；傳感器記錄每束激光脈沖返回 的完整波形信息； 2. LiDAR波形數(shù)據(jù)預(yù)處理： A) 噪聲水平估計(jì)和數(shù)據(jù)平滑：首先把原始數(shù)據(jù)轉(zhuǎn)換到頻率域，再將頻率較高的低值部 分作為噪聲水平的判斷標(biāo)準(zhǔn)；然后選用高斯濾波器進(jìn)行平滑。 B) 高斯擬合分解及波形數(shù)據(jù)點(diǎn)云化：基于回波數(shù)據(jù)是多個(gè)高斯函數(shù)的累加這一假設(shè)， 對(duì)波形數(shù)據(jù)采用非線性最小二乘法進(jìn)行擬合；然后通過局部最大峰值檢測(cè)濾波算法從處理 后的波形數(shù)據(jù)上提取離散點(diǎn)云，每個(gè)離散點(diǎn)中記錄了返回信號(hào)的能量和振幅信息； C) 生成數(shù)字地形：首先對(duì)從波形數(shù)據(jù)中提取出離散點(diǎn)云進(jìn)行分類，然后對(duì)末次回波進(jìn) 行Kraus濾波處理用以去除非地面點(diǎn)，最后使用濾波后的末次回波數(shù)據(jù)并借助自然鄰近法 插值生成數(shù)字地形模型DTM ; 3) 單木定位和冠幅提?。? A) 對(duì)地面以上點(diǎn)云進(jìn)行中值濾波，然后將點(diǎn)云中的高度信息柵格化生成數(shù)字表面模型 DSM ;將DSM減去數(shù)字地形模型，得到歸一化植被高度CHM ; B) 通過局部最大值法確定單木樹頂所在位置； C) 單木冠幅的確定：首先以樹頂為中心擬合16個(gè)半徑方向上的冠幅剖面，然后計(jì)算到 局部最小值的水平距離，最后將這些距離值進(jìn)行水平方向上的平均從而得到冠幅半徑； 4) 結(jié)合Weibull分布和三次樣條函數(shù)模型，擬合單木垂直結(jié)構(gòu)和返回能量信息的冠層 剖面模型，并提取模型參數(shù)作為特征變量； 5) 使用隨機(jī)森林分類器進(jìn)行樹種分類： A) 隨機(jī)森林分類是由很多決策樹分類模型{h(X，0k)，k= 1，2，...}組成的組合 分類模型，且參數(shù)集{?k}是獨(dú)立同分布的隨機(jī)向量，在給定自變量X下，每個(gè)決策樹分 類模型都由一票投票權(quán)來選擇最優(yōu)的分類結(jié)果；通過k輪訓(xùn)練，得到一個(gè)分類模型序列 Ih 1 (X)，h2 (X)，…h(huán)k (X) }，再用它們構(gòu)成一個(gè)多分類模型系統(tǒng)，其最終的分類決策函數(shù)為：
式中，H(X)表示組合分類模型，h是單個(gè)決策樹分類模型，Y表示輸出變量，I為示性 函數(shù)； B) 使用特征變量1-4和隨機(jī)森林分類器進(jìn)行分類，并借助總體分類精度和卡帕系數(shù)這 兩個(gè)定量化指標(biāo)對(duì)分類精度進(jìn)行評(píng)價(jià)；卡帕系數(shù)計(jì)算公式：
式中，r為總的類別數(shù)，Xii為對(duì)角線上的像元數(shù)，X i+和X +i是列和行的總像元，N是總像 元數(shù)。
2. 根據(jù)權(quán)利要求1所述的基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在 于：步驟1)中，所述的LiDAR傳感器為奧地利的Riegl LMS-Q680i。
3. 根據(jù)權(quán)利要求1所述的基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在 于：步驟1)中，所使用的遙感平臺(tái)為運(yùn)-5固定翼飛機(jī)。
4. 根據(jù)權(quán)利要求1所述的基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在 于：步驟1)中，所述傳感器的采樣間隔為Ins。
5. 根據(jù)權(quán)利要求1所述的基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在 于：步驟3)的B)中，通過圓形的搜索框在CHM上"滑行"遍歷柵格圖層，通過逐個(gè)比較搜索 框內(nèi)的高度信息來確定最大值點(diǎn)；搜索框的半徑通過高度信息和參數(shù)0 0及自：來確定；后^ 及則通過地面實(shí)測(cè)數(shù)據(jù)擬合來獲取，公式為： Cff (m) = 0 0+ 0 j X h2 (1) 式中，CW為地面實(shí)測(cè)冠幅半徑，h為樹高（m)，ejp e i為模型參數(shù)。
6. 根據(jù)權(quán)利要求1所述的基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在 于：步驟4)的步驟為： A) 對(duì)非地面點(diǎn)云數(shù)據(jù)進(jìn)行垂直分布信息匯總：該點(diǎn)云提取自波形數(shù)據(jù)，且高度信息為 相對(duì)高度；匯總的垂直間隔為〇. 3m，每個(gè)間隔內(nèi)匯總點(diǎn)云的數(shù)量； B) 通過Weibull分布擬合點(diǎn)云的累積垂直分布，Weibull的密度函數(shù)為：
式中，a和0為模型擬合參數(shù)，H為最大冠幅高度；其中，參數(shù)a為表達(dá)了冠層剖面分 布的垂直尺度及位置的"特征變量1"，參數(shù)e為描述了分布寬度的增減的"特征變量2"； C) 對(duì)非地面點(diǎn)云數(shù)據(jù)的強(qiáng)度信息匯總：匯總的垂直間隔同樣為0.3m，每個(gè)間隔內(nèi)匯總 點(diǎn)云中包含的強(qiáng)度信息，通過三次樣條函數(shù)擬合強(qiáng)度分布信息，并提取峰值所在位置作為 "特征變量3"，函數(shù)內(nèi)包含的總面積作為"特征變量4"。
7. 根據(jù)權(quán)利要求6所述的基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在 于：A)中的相對(duì)高度為絕對(duì)高度減去地形高度。
8. 根據(jù)權(quán)利要求6所述的基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在 于：B)中的最大冠幅尚度為最尚點(diǎn)返回彳目息。
9. 根據(jù)權(quán)利要求1所述的基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，其特征在 于：步驟5)中的B)中的總體分類精度為對(duì)角線像元數(shù)/總體像元數(shù)X 100%。
【專利摘要】本發(fā)明公開了一種基于全波形LiDAR冠層剖面模型的樹種識(shí)別方法，包括：借助機(jī)載小光斑全波形LiDAR傳感器進(jìn)行數(shù)據(jù)采集；傳感器記錄每束激光脈沖返回的完整波形信息；LiDAR波形數(shù)據(jù)預(yù)處理；單木定位和冠幅提??；結(jié)合Weibull分布和三次樣條函數(shù)模型，擬合單木垂直結(jié)構(gòu)和返回能量信息的冠層剖面模型，并提取模型參數(shù)作為特征變量；使用隨機(jī)森林分類器進(jìn)行樹種分類。本發(fā)明的驗(yàn)證結(jié)果表明，與其他使用遙感方法進(jìn)行樹種分類的方法相比，在四個(gè)主要樹種的分類級(jí)上總體精度提升了9%左右；Kappa系數(shù)提升了0.1左右。
【IPC分類】G06K9-00
【公開號(hào)】CN104820830
【申請(qǐng)?zhí)枴緾N201510234717
【發(fā)明人】曹林, 朱興洲, 許子乾
【申請(qǐng)人】南京林業(yè)大學(xué)
【公開日】2015年8月5日
【申請(qǐng)日】2015年5月8日