基于机载LiDAR数据估测林分平均高

[目的 ]以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础,通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。[方法 ]首先将105块实测林分平均高度的样地数据按照3:1的比例随机划分为训练样本(79)和检验样本(26),采用随机森林回归(RFR)和支持向量回归(SVR)两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标,以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。[结果 ]表明:随机森林模型的训练样本和检验样本的决定系数(R2)分别为0.886 1和0.837 5,均方根误差(RMSE)分别为1.22和1.56;支持向量机模型的训练样本和检验样本的决定系数(R2)分别为0.886 4和0.840 9,均方根误差(RMSE)分别为1.21和1.54;组合模型的训练样本和检验样本的决定系数(R2)分别为0.859 8和0.853 2,均方根误差(RMSE)分别为1.35和1.48;[结论 ]组合模型的泛化能力及预测精度最好,支持向量机次之,最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。     

基于低密度机载LiDAR和CCD数据的林分平均高提取

本文基于低密度的机载激光雷达(LiDAR)数据生成林区树冠高度模型(CHM),结合高分辨率CCD数码相机影像勾绘林分多边形,由改进的树冠识别算法提取林分平均树高。结果表明:全部有效数据林分总体精度达74.86%,刺槐精度达75.62%,油松精度达74.74% ,结果受点云密度影响,使得阔叶树种的精度稍高于针叶树种,因此,低密度激光雷达数据结合高分辨率CCD可以快速、准确地提取林分平均高。     

基于机载激光雷达和机器学习的林分平均胸径遥感估测

为探究不同模型对林分平均胸径的预测精度,使用贵州省桂花国有林场马厂工区同步获取的机载激光雷达点云数据和地面实测样地数据,通过提取样地水平的点云特征变量,采用方差膨胀因子分析和皮尔逊相关性检验进行自变量选择,建立机器学习模型估测样地平均胸径。结果表明：1)点云特征变量,如平均冠层高度和高度偏态与林分平均胸径有很强的相关性。2)机器学习模型(随机森林、支持向量机、最近邻算法)优于多元线性回归模型,其中,随机森林的拟合效果最好。随机森林的决定系数(R²)为0.71,均方根误差(RMSE)为2.50。3)通过柳杉纯林、针叶混交林、针阔混交林、马尾松纯林4种森林类型的林分平均胸径预测值与实际值差值,进一步证实随机森林模型精度最高,拟合效果最好。利用机载激光雷达点云数据提取点云特征变量,并构建基于机器学习算法的林分平均胸径估测模型是可行的,该方法的精度能满足森林资源调查的应用需求,可作为辅助林业调查工作的技术手段。     

机载LiDAR和高光谱融合实现普洱山区树种分类

[目的]通过机载遥感影像对普洱山区进行植被分类研究,为山区森林经营规划与可持续经营方案的制图提供高效应用途径。[方法]将2014年4月航拍的机载AISA Eagle II高光谱和Li DAR同步数据融合,利用点云数据提取的数字冠层高度模型(CHM)得到树种的垂直结构信息,结合经过主成分分析(PCA)的高光谱降维影像,选用支持向量机(SVM)分类器进行分类。[结果]普洱市万掌山实验区主要树种分为思茅松、西南桦、刺栲、木荷等。融合影像数据分类的总体精度和Kappa系数分别为80.54%、0.78,比单一高光谱影像数据分类精度分别提高6.55%、0.08,其中主要经营树种思茅松的制图精度达到了90.24%。[结论]该方法对山区主要树种的识别是有效的,将机载Li DAR与高光谱影像融合可以有效改善分类精度。     

基于机器学习和多源数据的湘西北森林地上生物量估测

【目的】针对传统森林资源清查方法成本高、时效性低和结果统一性差等问题,基于多源遥感数据,采用机器学习算法选择特征变量并建立估测模型,制作森林地上生物量(AGB)面分布产品,为森林资源信息化调查提供技术手段。【方法】以湖南省西北部为研究区,利用生物量异速生长方程将森林资源样地调查数据转换为AGB,筛选到393个样地AGB参考值。以Landsat-8数据为光学遥感数据源,提取各波段光谱信息、植被指数、纹理特征以及缨帽变换各分量;以ALOS PALSAR-2、Sentinel-1数据为雷达遥感数据源,提取各极化方式后向散射强度和归一化极化差分指数。结合高程、坡度、坡向地形因子,获得122个备选特征变量。采用逐步回归方法和随机森林(RF)算法筛选建模变量,分别建立多元线性回归(MLR)、RF和支持向量回归(SVR)模型。以均方根误差(RMSE)、相对均方根误差(rRMSE)和决定系数(R~2)为模型评价指标,运用十折交叉验证法评价模型效果,选择最佳模型完成生物量制图,并选取5种中国或全球尺度生物量制图产品进行比较分析。【结果】在训练集上,RF模型表现最好(RMSE=12.8 mg·hm~(-2),rRMSE=21.1%,R~2=0.93),其次为SVR模型(RMSE=26.1 mg·hm~(-2),rRMSE=43.3%,R~2=0.55),MLR模型表现最差(RMSE=30.9 mg·hm~(-2),rRMSE=50.5%,R~2=0.39);在测试集上,采用RF算法建立的模型表现(RMSE=30.1 mg·hm~(-2),rRMSE=51.3%,R~2=0.42)同样优于MLR(RMSE=32.6 mg·hm~(-2),rRMSE=54.1%,R~2=0.30)和SVR(RMSE=32.8 mg·hm~(-2),rRMSE=55.3%,R~2=0.25)。3种模型均显示出一定程度的低值高估和高值低估现象。RF模型选择出13个建模变量,包括PALSAR-2后向散射信息、高程以及Landsat-8光谱信息、植被指数、缨帽变换湿度与绿度分量差值。应用RF模型完成区域生物量制图,与其他产品对比,能够基本反映研究区内生物量分布情况,并显示出丰富的生物量分布细节信息,生物量范围为0～119 mg·hm~(-2),平均生物量为37.5 mg·hm~(-2),标准差为35.9 mg·hm~(-2)。【结论】结合多源遥感数据与机器学习算法,能够准确、快速地测算大范围生物量,具有较大应用潜力。相比SVR和MLR模型,RF模型在AGB估测上的表现更优,RF算法能够从多源变量中有效筛选出适用于AGB机器学习建模的变量。     

面向机载高光谱数据的3D-CNN亚热带森林树种分类

【目的】探讨深度卷积神经网络在机载高光谱数据分类中的应用,以提高亚热带地区森林树种分类精度。【方法】以广西南宁高峰林场为试验区,基于中国林业科学研究院Li CHy系统获取的机载高光谱数据,以三维卷积层为基础,提出一种高效的卷积神经网络(CNN)结构。CNN模型以端到端方式处理高光谱影像分析问题,将原始数据作为输入,不需要降维或特征筛选,可省去传统分类方法在不同程度上人工筛选特征的工作;网络中3D卷积层可同时提取光谱特征和空间特征,学习特征立方体空间和光谱维度的局部信号变化,利用重要的识别特征进行分类,以提高对高光谱影像的判别能力。针对机载高光谱数据维度高、训练样本相对较少的问题,对模型进行优化,以避免过拟合。【结果】相较传统的特征筛选与面向对象分割结合的方法,本研究提出的3D-CNN结构森林树种总体分类精度达98.38%,Kappa系数为0.98,与随机森林特征选择结合支持向量机分类相比,总体精度提高8.82%,Kappa系数提高0.11;小样本训练情况下(减少75%训练样本),总体精度仍可达95.89%,Kappa系数为0.94。【结论】三维卷积神经网络在处理机载高光谱影像特征提取和...     

基于高光谱和激光雷达数据的林分类型识别

【目的】探讨随机森林、支持向量机分类器下机载高光谱影像和激光雷达点云数据源对林分类型识别的影响,并检验叶绿素在林分类型识别中的作用,为提高林分类型分类精度提供科学依据,为森林资源管理和监测提供技术支持。【方法】以东北林业大学帽儿山实验林场老山施业区为研究区,以机载高光谱影像和激光雷达点云为数据源,在多尺度影像分割基础上,从高光谱影像中提取光谱、纹理和叶绿素指数等特征,从Li DAR点云中提取高度、强度等特征。通过随机森林的特征选择,选取重要性较高的特征变量,在随机森林和支持向量机分类器下,以影像分割数据为试验样本,设置6种分类方案(随机森林分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据,支持向量机分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据),对阔叶混交林、樟子松林、落叶松林、红松林和蒙古栎林5种林分类型进行识别,比较不同分类器下不同数据源的分类效果。【结果】高光谱影像数据共提取34个特征变量,激光雷达点云数据共提取72个特征变量,经特征选择后,高光谱影像数据和激光雷达点云数据各选取11个重要性较高的特征(共22个),其中高光谱影像数据提取的归一化植被指数(NDVI)重要性最大。6种分类方案中,随机森林分类器下高光谱影像与激光雷达点云数据结合的分类精度最高(88.02%),支持向量机分类器下激光雷达点云数据的分类精度最低(76.19%)。多源数据协同的平均分类精度(86.22%)高于单源数据(79.98%),随机森林分类器的平均分类精度(82.92%)高于支持向量机分类器(81.19%)。叶绿素指数参与分类后,分类精度提高约3.32%。5种林分类型中,阔叶混交林分类效果最好,平均分类精度为92.62%,红松林分类效果最差,平均分类精度为49.67%。【结论】多数据源较单源数据可更好地提高分类精度,即2种数据协同可以提高林分类型识别精度;单一数据源相比,高光谱影像数据源的分类效果更好,光谱特征是林分类型识别的重要影响因子;林分类型识别时,不同机器学习模型相比,随机森林分类器较支持向量机分类器分类效果更优;叶绿素作为生物化学参数对林分类型识别有积极影响。