一種基于LiDAR偽垂直波形模型的樹種分類方法
【專利摘要】本發(fā)明公開了一種基于LiDAR偽垂直波形模型的樹種分類方法，包括：1）使用機(jī)載小光斑全波形LiDAR傳感器進(jìn)行數(shù)據(jù)采集，獲得完整波形信息，采樣間隔為1ns；2）LiDAR波形數(shù)據(jù)預(yù)處理；3）通過波形結(jié)構(gòu)化分解和綜合波形重組構(gòu)建偽垂直波；4）單木分割和信息綜合；5）在單木范圍內(nèi)匯總點(diǎn)云屬性并計(jì)算綜合波形特征參數(shù)；6）使用支持向量機(jī)分類器進(jìn)行樹種分類。該樹種分類方法，能增強(qiáng)獲取的LiDAR能量信號，在單木分割基礎(chǔ)上，從多個(gè)維度提取綜合波形特征變量，實(shí)現(xiàn)了通過單一數(shù)據(jù)源獲取并提升亞熱帶森林的樹種分類精度，可以更好地反映該森林類型中主要樹種的時(shí)空變異，經(jīng)實(shí)驗(yàn)驗(yàn)證結(jié)果表明，與其他使用LiDAR進(jìn)行樹種分類的方法相比總體精度提升10%；Kappa系數(shù)提升0.1。
【專利說明】-種基于Li DAR偽垂直波形模型的樹種分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于樹種分類方法【技術(shù)領(lǐng)域】，具體涉及一種基于LiDAR偽垂直波形模型的 樹種分類方法。

【背景技術(shù)】
[0002] 如何快速、定量、精確地進(jìn)行森林內(nèi)各主要樹種的自動(dòng)化提取與識別是林業(yè)遙感 研究的難點(diǎn)之一。其在森林資源經(jīng)營管理中具有重要的現(xiàn)實(shí)意義。常規(guī)的森林類型或樹 種調(diào)查方法主要依賴于野外調(diào)查以及利用大比例尺航片判讀等相結(jié)合的方法，其精度往往 不高。同時(shí)，傳統(tǒng)的光學(xué)遙感方法由于受到"同物異譜"和"同譜異物"現(xiàn)象的影響，在識別 森林類型或樹種組時(shí)往往效果也不夠理想，其在大區(qū)域上更是難于實(shí)用化推廣。激光雷達(dá) (LiDAR,Light Detection and Ranging)是通過發(fā)射激光束擊打物體表面并分析其返回信 號的一種主動(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)到亞米級的垂直精度。現(xiàn)有研究表明，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] LiDAR技術(shù)在過去的十多年里逐步發(fā)展成熟并分化為多個(gè)分支，其中"大光斑" 全波形LIDAR(Big-FW-LiDAR)、"小光斑"離散點(diǎn)云LIDAR(Small-DR-LiDAR)被較早應(yīng)用 在林業(yè)領(lǐng)域。由于Big-FW-LiDAR的地面光斑大小通常很大（如ICESat衛(wèi)星搭載的GLAS 傳感器的光斑直徑為60-70m，光斑間隔為170m)，故基于此類LiDAR技術(shù)進(jìn)行森林類型 分類的研究較為少見，進(jìn)行樹種分類更加困難。Small-DR-LiDAR數(shù)據(jù)的光斑大小通常為 0. 2-3. 0m，記錄了離散的多次（以首次和末次為主）回波峰值（3D位置與強(qiáng)度）信息，采用 此類LiDAR數(shù)據(jù)進(jìn)行森林分類通常需要與傳統(tǒng)光學(xué)遙感數(shù)據(jù)集成來實(shí)現(xiàn)。相比以上技術(shù)， "小光斑"全波形LIDAR(Small-FW-LiDAR)雖然起步較晚（直到2004年奧地利Riegl公司 才推出了世界上第一臺商業(yè)機(jī)載小光斑全波形LiDAR數(shù)字測量系統(tǒng)），但其數(shù)據(jù)處理和信 息提取方法研究已成為近年來的熱點(diǎn)。這是由于與Big-FW-LiDAR相比，Small-FW-LiDAR 可精確獲取單木冠層內(nèi)的返回信號變化；與Small-DR-LiDAR相比，Small-FW-LiDAR記錄 了包括較小能量信號在內(nèi)的所有回波信號，通過對波形數(shù)據(jù)進(jìn)行處理，能夠檢測到更多的 目標(biāo)物特征信息，理論上能夠更為豐富地反映不同樹種的結(jié)構(gòu)特征。近年來為數(shù)不多的 Small-FW-LiDAR 樹種分類研究為：Reitberger 等 2008 年發(fā)表在《International Journal of Remote Sensing》第 29 卷的"Analysis of full waveform LIDAR data for the classification of deciduous and coniferous trees"，該研究在單木識別基礎(chǔ)上借助 (提取的）波形特征參數(shù)進(jìn)行分類，從而區(qū)分了針葉林和闊葉林；Neuenschwander等2009 年發(fā)表在《Journal of Applied Remote Sensing》第 3 卷的 "Landcover classification of small-footprint, full-waveform lidar data",該研究在高斯波形分解的基礎(chǔ)上，通過 總結(jié)目標(biāo)物參數(shù)對研究區(qū)內(nèi)的不同地表覆蓋類型進(jìn)行了分類。然而，以上方法僅適用于樹 種單一（如純林）或樹種組成較為簡單的森林分類研究，在林分組成和結(jié)構(gòu)復(fù)雜的森林中 分類精度不高。


【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的是提供一種基于LiDAR偽 垂直波形模型的樹種分類方法，使其具有操作方便，提取樹種時(shí)空變異信息準(zhǔn)確，且性能穩(wěn) 定等特點(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)方案如下：
[0006] -種基于LiDAR偽垂直波形模型的樹種分類方法，包括以下步驟：
[0007] 1)使用機(jī)載小光斑全波形LiDAR傳感器進(jìn)行數(shù)據(jù)采集，獲得完整波形信息，采樣 間隔為Ins ;
[0008] 2) LiDAR波形數(shù)據(jù)預(yù)處理：包括噪聲水平估計(jì)和數(shù)據(jù)平滑、計(jì)算拐點(diǎn)、高斯擬合及 波形數(shù)據(jù)點(diǎn)云化、生成數(shù)字地形；
[0009] 3)通過波形結(jié)構(gòu)化分解和綜合波形重組構(gòu)建偽垂直波：首先利用三維體積單元 劃分地表以上的三維空間；然后在每個(gè)單元內(nèi)，匯總穿過其中的最大脈沖能量并基于數(shù)字 地形模型進(jìn)行高度歸一化；最后提取三維空間中垂直方向上的體元集合即為每束偽垂直 波；
[0010] 4)單木分割和信息綜合
[0011] a)將地面以上點(diǎn)云插值生成數(shù)字表面模型，然后減去數(shù)字地形模型從而得到歸一 化植被高度；
[0012] b)采用二維高斯濾波方法平滑CHM表面，其公式為：
[0013]

【權(quán)利要求】
1. 一種基于LiDAR偽垂直波形模型的樹種分類方法，其特征在于，包括以下步驟： 1) 使用機(jī)載小光斑全波形LiDAR傳感器進(jìn)行數(shù)據(jù)采集，獲得完整波形信息，采樣間隔 為 Ins ; 2. LiDAR波形數(shù)據(jù)預(yù)處理：包括噪聲水平估計(jì)和數(shù)據(jù)平滑、計(jì)算拐點(diǎn)、高斯擬合及波形 數(shù)據(jù)點(diǎn)云化、生成數(shù)字地形； 3) 通過波形結(jié)構(gòu)化分解和綜合波形重組構(gòu)建偽垂直波：首先利用三維體積單元?jiǎng)澐?地表以上的三維空間；然后在每個(gè)單元內(nèi)，匯總穿過其中的最大脈沖能量并基于數(shù)字地形 模型進(jìn)行高度歸一化；最后提取三維空間中垂直方向上的體元集合即為每束偽垂直波； 4) 單木分割和信息綜合 a) 將地面以上點(diǎn)云插值生成數(shù)字表面模型，然后減去數(shù)字地形模型從而得到歸一化植 被高度； b) 采用二維高斯濾波方法平滑CHM表面，其公式為：
(1) 式中，X和y為到"內(nèi)核"的距離；σ為4/π，6/π和8/π ; 采用二次拋物線表面模型擬合樹高，其公式為：
：2) 式中，X，y為像元所在位置，和y〇為表面中心，通過該模型綜合最佳分割尺度； C)借助單木分割提取的冠幅和樹高參數(shù)，在橢圓柱體范圍內(nèi)匯總其中的所有偽垂直波 形，構(gòu)成單木綜合脈沖；借助DTM對單木綜合脈沖進(jìn)行歸一化處理； 5) 在單木范圍內(nèi)匯總點(diǎn)云屬性并計(jì)算綜合波形特征參數(shù)； 6) 使用支持向量機(jī)分類器進(jìn)行樹種分類：在研究區(qū)內(nèi)均勻選取有代表性的一組數(shù)據(jù) 作為訓(xùn)練數(shù)據(jù)，與其完全獨(dú)立的另一組作為檢驗(yàn)數(shù)據(jù)；最后使用支持向量機(jī)分類器進(jìn)行樹 種識別，并借助總體分類精度和卡帕系數(shù)對這兩個(gè)定量化指標(biāo)對分類精度進(jìn)行評價(jià)； 卡帕系數(shù)計(jì)算公式：
(3) 式中，r為總的類別數(shù)，Xii為對角線上的像元數(shù)，xi+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LiDAR偽垂直波形模型的樹種分類方法，其特征在于： 步驟2)中，噪聲水平估計(jì)和數(shù)據(jù)平滑為：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。
3. 根據(jù)權(quán)利要求1所述的基于LiDAR偽垂直波形模型的樹種分類方法，其特征在于： 步驟2)中，高斯擬合（分解）及波形數(shù)據(jù)點(diǎn)云化為：對波形數(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濾波算法從處理后的波形數(shù)據(jù)上提取離散點(diǎn)云。
4. 根據(jù)權(quán)利要求1所述的基于LiDAR偽垂直波形模型的樹種分類方法，其特征在于： 步驟2)中，生成數(shù)字地形為：首先對從波形數(shù)據(jù)中提取出離散點(diǎn)云進(jìn)行分類，然后對末次 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。
5. 根據(jù)權(quán)利要求1所述的基于LiDAR偽垂直波形模型的樹種分類方法，其特征在于： 步驟4)中，使用〇 =8/π算子的平滑結(jié)果將作為"最粗糙尺度"，而使用σ =4/π算子 的平滑結(jié)果將作為"最精細(xì)尺度"。
6. 根據(jù)權(quán)利要求1所述的基于LiDAR偽垂直波形模型的樹種分類方法，其特征在于： 步驟5)中，在單木范圍內(nèi)匯總點(diǎn)云屬性并計(jì)算綜合波形特征參數(shù)包括： a) 單木分割的樹冠橢圓柱體范圍內(nèi)，針對每組高斯分解后的點(diǎn)云，計(jì)算其屬性的均值、 最大值和最小值，以此作為單木的特征變量； b) 通過設(shè)置差異閾值對比DTM提取高度和對應(yīng)位置上最后一個(gè)波峰所在高度，依此判 斷地形對應(yīng)波峰位置； c) 提取特征變量：HOME、波形距離、高度中位數(shù)比、波峰數(shù)量、返回波形能量、冠層外層 粗糙度、前坡度角和VDR。
【文檔編號】G01S7/48GK104155638SQ201410259589
【公開日】2014年11月19日 申請日期:2014年6月11日 優(yōu)先權(quán)日:2014年6月11日
【發(fā)明者】曹林, 許子乾, 代勁松, 汪貴斌 申請人:南京林業(yè)大學(xué)