[1] 陶江玥,劉麗娟,龐勇,李登秋,馮云云,王雪,丁友麗,彭瓊,肖文惠.基于機(jī)載激光雷達(dá)和高光譜數(shù)據(jù)的樹種識別方法[j].浙江農(nóng)林大學(xué)學(xué)報,2018,35(02):314-323.
? 摘要：
訓(xùn)練樣本的選取是影響監(jiān)督分類精度的直接原因之一,數(shù)據(jù)空間分辨率越高,訓(xùn)練樣本要求越準(zhǔn)確,而人機(jī)交互訓(xùn)練樣本選取推廣力有限。利用機(jī)載高光譜(aisa)和激光雷達(dá)(lidar)主被動遙感數(shù)據(jù),探討基于高分辨率影像的訓(xùn)練樣本自動提取技術(shù)以及適合樹種識別的遙感變量。根據(jù)樹木的結(jié)構(gòu)和高度差異,開展樹高分層掩膜試驗,并計算光譜間夾角,在每個高度層中自動化優(yōu)選樹種的高純度訓(xùn)練樣本。計算植被指數(shù)、主成分分析等特征變量,基于支持向量機(jī)分類器對研究區(qū)進(jìn)行樹種精細(xì)分類。實驗表明:通過對闊葉林、馬尾松pinus massoniana,毛竹phyllostachys edulis,杉木cunninghamia lanceolata,油茶camellia oleifera的訓(xùn)練樣本分層自動提取后再進(jìn)行分類,激光雷達(dá)和不敏感色素指數(shù)變量能有效提高樹種分類精度。其中高光譜+激光雷達(dá)+結(jié)構(gòu)不敏感色素指數(shù)變量組合的分類精度高,其總體精度和kappa系數(shù)分別為89.12%和0.86,闊葉林、馬尾松、毛竹、杉木、油茶的用戶精度分別為75.00%,100.00%,86.36%,90.91%和96.55%。該方法對本研究區(qū)森林樹種的識別是有效的。
? 結(jié)論與討論
高光譜是光學(xué)被動遙感數(shù)據(jù)，其窄波段特性在較小的空間尺度上能區(qū)分地表細(xì)微變化，在樹種識別方面有顯著優(yōu)勢。但由于 “同物 異譜、 異 物 同 譜” 現(xiàn) 象 的 存在， 導(dǎo)致分類精度受限。 機(jī)載 lidar 是主動遙感數(shù)據(jù)，可獲得樹種垂直結(jié)構(gòu)及強(qiáng)度信息， 與高光譜優(yōu)勢互補(bǔ)，有效解決不同高度下不同地物因具有相似光譜特征而導(dǎo)致的混分問題。 采用分層訓(xùn)練樣本自動提取技術(shù)， 不僅提高了訓(xùn)練樣本選取的速度還有效提高訓(xùn)練樣本選取精度， 更從一定程度上盡可能地避免混分現(xiàn)象。本研究結(jié)合 高光譜與機(jī) 載 lidar 的數(shù)據(jù)優(yōu) 勢， 為評估 lidar 垂直結(jié)構(gòu)信息與特征變量參與分類的貢獻(xiàn)，比較了基于 aisa， chm， sipi 和 pca1 這 4 種不同變量組合的分類精度。 其中 aisa+chm+sipi 變量組合的分類精度高， 其總體精度 和 kappa 系數(shù)分 別為 89.12%和 0.86， 比僅 aisa 分類的總體精度高 23.81%， 比 aisa+chm 高 12.25%， 比 aisa+sipi 高 11.57%。 但結(jié)果同時表明， pca 降維變量的分類貢獻(xiàn)要明顯弱于 sipi。 本研究區(qū)為典型的亞熱帶森林， 其中闊葉林內(nèi)樹種種類繁多， 與其他類型的樹種混雜生長， 所以純林區(qū)較少， 易產(chǎn)生混合像元。 在 aisa+chm+sipi 的分類結(jié)果中闊葉樹種的制圖精度和用戶精度高， 分別為 87.10%和 75.00%， 優(yōu)于 aisa+chm（70.97%， 66.67%）以及僅 aisa 的分類結(jié)果（41.94%， 61.90%）。 這說明將機(jī)載 lidar 數(shù)據(jù) chm 與高光譜 aisa 融合， 并添加植被指數(shù) sipi 能有效區(qū)分混合像元并提高分類精度， 對古田山國家自然保護(hù)區(qū)進(jìn)行樹種類型的精細(xì)分類具有可行性。 但由于陰影區(qū)域的存在、 樹冠間相互遮擋、 少部分邊緣像元的光譜混合等， 對樹種分類的精度有一定影響。 后續(xù)擬研究基于高空間分辨率數(shù)據(jù)的像元解混技術(shù)， 希望能有效提高復(fù)雜林區(qū)的樹種識別精度。
? 相關(guān)產(chǎn)品
atp9000/9020/9010-無人 atp9100-25 可見近紅外 atp9100 便攜式地物光譜儀
機(jī)載超輕型高光譜成像儀 全波段便攜式地物波譜儀