基于無人機可見光和LiDAR數據的單木樹種識別

李華玉 張 超 陳 巧 王 娟 彭 希,3 徐志揚,4 劉浩棟 白明雄 陳永富

（1. 西南林業大學林學院，云南 昆明 650233；2. 中國林業科學研究院資源信息研究所，國家林業和草原局林業遙感與信息技術重點實驗室，北京 100091；3. 四川農業大學林學院，四川 成都 611130；4. 國家林業和草原局華東調查規劃設計院，浙江 杭州 310019）

森林類型/樹種（組）的精準識別是森林參數提取和計算的前提，是林業遙感領域的重要研究方向，對于森林生態系統和生物多樣性的宏觀監測具有深遠意義[1-2]。傳統的森林類型/樹種（組）識別主要依靠地面調查手段，根據林木的根、莖、葉、花、果等外部形態特征識別和鑒定樹種。這種方法雖然相對準確，但野外調查成本高工作量大，很難在短時間內實現宏觀尺度的樹種識別[3]。遙感技術的發展為樹種識別提供了更為方便的數據源，但高分辨率衛星遙感影像獲取困難、時效性較差，且易受外界環境因素的干擾，開源衛星數據針對精確至樹種層面的分類空間分辨率仍不夠高。近年來，無人機作為一種新興遙感平臺，可搭載可見光、多光譜和激光雷達等傳感器，具有靈活、高效、便捷的特點，且獲取影像過程中受大氣因素的干擾較小，在小區域遙感應用方面前景較好[4]。利用無人機進行數據獲取為提取樹種空間信息提供了新的手段，準確快速提取樹種信息的技術則是無人機在林業應用發揮作用的關鍵。

從大多數研究看來，高分辨率無人機影像為樹種識別提供豐富的紋理信息，是應用較多的一種數據源。Chenari等[5]應用無人機可見光數據對伊朗法爾斯省一個開闊林地中的2個樹種進行了分類研究，總體精度達90%。滕文秀等[6]使用無人機可見光影像數據通過深度遷移學習的方法對江蘇省東臺林場中的4個樹種進行了分類，精度達96%。此外，利用無人機搭載高光譜、多光譜和激光雷達傳感器獲得地表森林植被的高空間分辨率、高光譜分辨率的影像，為實現森林類型/樹種（組）的識別提供了更豐富的光譜信息和空間結構信息。Valderrama-Landeros等[7]利用多光譜數據對墨西哥太平洋沿岸的紅樹林區域進行分類識別，并進一步對紅樹林的不同健康狀況進行了分析，為紅樹林的保護提供了一定的參考。相比光學遙感，激光雷達穿透性較強，生成密集的三維點云數據，能夠提供與單木結構、冠層高度模型及森林垂直結構等相關的特征，在單木水平上，復雜的幾何特征有助于樹種分類識別。陳向宇等[8]充分利用LiDAR點云數據提供的單木結構、紋理特征和冠型結構特征，按照不同的組合方式對5個森林樹種進行識別，精度達85%。不同遙感數據既可以單獨用來進行森林樹種識別，也可通過多源優勢互補，輔助結合應用，以提高樹種分類識別的精度。Matsuki等[9]在對日本的森林進行分類時，通過結合光譜信息和LiDAR數據的冠層結構特征，對16種森林樹種的分類精度達82%。多源數據結合后相應的特征維度就會增加，過多的特征會對精度造成影響，因此需要從包含豐富信息的諸多特征中選擇信息量大且冗余度低的特征進行樹種識別，張大力[10]的研究表明經過隨機森林特征篩選之后的分類識別精度明顯提高。除了數據源和特征之外，樹種識別另一個關鍵是分類器的選擇，傳統的最大似然法、決策樹屬于傳統的需要進行參數優化的分類器，而非參數化分類器如隨機森林（RF）、支持向量機（SVM）等則不需要假設數據符合正態分布，有利于將光譜、非光譜等特征數據納入分類過程來提高精度[11]。Dalponte等[12]通過結合高光譜數據和LiDAR數據識別復雜森林地區樹種并證明支持向量機（SVM）分類器對多源數據分類結果的準確性。林志瑋等[13]基于無人機搭載光學相機獲取的影像，采用隨機森林算法建立植被識別模型。

因此，利用無人機平臺的優勢，獲取多源數據進行森林參數提取和樹種的識別是目前林業遙感領域的一大熱點，但大部分研究采用的數據源較為單一或者在對特征選擇和篩選組合方面的研究較少。為研究不同數據源和不同特征組合對樹種識別精度的影響，本研究基于無人機可見光和LiDAR數據，結合特征篩選方法，采用隨機森林和支持向量機進行樹種分類，旨在為今后無人機在森林類型/樹種（組）的識別中提供一定參考。

1 研究區概況

研究區為中國林業科學研究院亞熱帶林業實驗中心年珠實驗林場，位于江西省新余市分宜縣西南部（114°30′～114°45′E，27°30′～27°45′N）。年平均氣溫16.8℃，年降雨量1 950.9 mm，主要集中在3—6月，年珠林場屬低山丘陵地貌，海拔高度220～1 092 m，母巖以千枚巖為主，土壤類型多為黃紅壤。主要植被類型為常綠闊葉林、落葉闊葉林、混交林（杉闊、杉竹、杉竹闊混交等）及灌叢（丘陵灌叢與山頂灌叢），主要樹種有杉木（Cunninghamia lanceolata）、馬尾松（Pinus massoniana）、鵝掌楸（Liriodendron chinense）、榿木（Alnus cremastogyne）等人工林樹種，山礬（Symplocos sumuntia）、毛竹（Phyllostachys heterocycla）、木荷（Schima superba）、絲栗栲（Castanopsis fargesii）、刨花楠（Machilus pauhoi）等天然次生林樹種。

2 材料與方法

2.1 數據來源

無人機影像數據由數字綠土公司GV2000無人機搭載可見光傳感器和激光雷達傳感器獲取。可見光傳感器為Sony ILCE-6000，有效像素2 430萬。影像獲取時以地面為基準，設置相對高度160 m，飛行速度為6 m/s，平均航向重疊率為83.2%，獲取的可見光影像分辨率為0.05 m。LiDAR傳感器為RIEGL VUX-1LR，通過近紅外激光束和快速掃描實現數據的高速獲取，波長1 550 nm，激光離散束角0.5 mrad，激光脈沖發射頻率820 kHz，視場角330°，垂直精度15 mm，獲得的LiDAR數據點云密度234 pts/m2。將獲取的可見光單幅影像利用Limapper軟件進行預處理，使用自動空中三角測量和光束平差法原理自動提取影像特征點，計算正確的位置參數，經過幾何校正、正射校正后自動拼接成一幅影像，數據坐標系統為WGS-84，采用UTM投影。

樣地數據在無人機飛行區域內樹種豐富的區域選取100 m×100 m樣地，郁閉度0.7，進行每木檢尺，記錄樹種名稱、胸徑、樹高、冠幅等信息，具體信息見表1。通過羅盤定位皮尺拉距離記錄每木相對位置，同時選取樣地內在影像上較為明顯的單木和樣地空曠區域的地物點作為控制點定位。

表1 樣地信息統計Table 1 Information statistics of sample plot

2.2 數據預處理

對獲取的可見光數據以LiDAR數據為基準進行幾何校正，LiDAR數據預處理包括：1）去除空中噪點，提高數據質量；2）從點云數據中分離地面點；3）基于地面點生成數字高程模型（DEM）；4）利用DEM對點云進行歸一化，將原始LiDAR點云的高程值減去其對應地面的DEM值，去除地形影響，使得點云能呈現地物真實形態；5）利用首次回波插值生成的數字表面模型（DSM）與DEM差值生成冠層高度模型（CHM）。由于CHM生成過程中因個別柵格的高度值小于周圍相鄰像元現象明顯而產生灰色或者黑色的空洞，會使樹冠區域變得不連續，導致LiDAR變量提取不準確，因此需要對CHM進行優化，研究采用Ben-Arie等[14]提出的平滑濾波方法進行空洞填充，優化前后的CHM見圖1。

圖1 優化前后的CHMFig. 1 CHM before and after optimization

2.3 單木分割

單木分割算法將點云或影像分割成多個部分，每個部分可以看作一棵單木。高郁閉林區單木樹頂難以確定導致嚴重的過分割現象；同時，樹冠與樹冠之間的重疊存在欠分割現象。本研究采用分水嶺算法基于郁閉林區的CHM進行單木分割，獲取單木位置、冠幅直徑和面積，以及單木邊界。再以CHM分割結果為輔助參考，在eCognition中基于預處理后的影像進行多尺度分割，分割尺度設置為60，形狀因子0.2，緊致度0.5，得到單木樹冠分割結果，根據地面實測數據進行單木分割結果檢驗。

將分割出來的矢量數據與實地調查數據進行1對1匹配，匹配規則為：若分割矢量樹冠內僅包含一個實地調查單木數據，則認為分割準確；若分割矢量樹冠不包含實地調查單木數據，則認為過分割，刪除該樹冠；若分割矢量樹冠內包含多個實地調查單木數據，則認為欠分割，通過手動調整保留分割結果，以滿足分類要求[15]。

2.4 特征提取與篩選

2.4.1 特征提取

對可見光影像提取影像各波段的均值、標準差、偏度、貢獻率，以及紋理特征、幾何特征和植被指數共32個特征。紋理特征基于灰度共生矩陣（GLCM）提取，包括均值、方差、信息熵、角二階矩、相關性、異質性、對比度和同質性8個紋理參數。幾何特征主要提取面積、長寬比、形狀指數、緊致度、密度和不對稱性等特征[5]。植被指數主要包括歸一化差異綠度指數（NDGI）、紅色植被指數（RI）、可見光波段差異植被指數（VDVI）[16]，計算方法如下：

式中：R為紅光波段的值，G為綠光波段的值，B為藍光波段值。

LiDAR數據提取特征包括首次回波和所有回波高度和強度的均值、最小值、最大值、標準差、方差、變異系數、峰度、偏度和分位數等。相關研究表明以5%為間隔的分位數之間相關度較高[17]，因此，以1%為起始，5%為間隔提取所有高度和強度特征的15個百分位數用于分類識別。

2.4.2特征篩選

為了避免維數災難，產生過擬合現象，需要進行特征約簡，減少冗余特征，保留對樹種識別貢獻度較大的特征。常用的特征篩選方法有主成分分析法、特征遞歸消除法、遺傳算法和隨機森林算法等。隨機森林回歸算法可以在進行分類前對要進行分類的特征進行重要值排序，獲得特征的重要值，計算模型的準確率，方便篩選出識別效果較好的特征，進而解決大量特征的冗余問題[18]。因此，本研究在R中使用random Forest進行特征篩選，解決原始特征過多問題。

2.5 分類方案

利用遙感數據獲取森林類型信息有多種方法，諸如最小距離法、最大似然法以及神經網絡、決策樹、隨機森林和支持向量機等。其中，隨機森林（RF）是一種非常有效的分類器集成算法，不需要對數據的分布進行估計，對不同類型或不同尺度的輸入變量很有意義，且隨機森林具有對結果的可解釋性，這些優異的性能使得隨機森林適用于基于遙感的森林樹種識別[19]。支持向量機（SVM）是一種常用的非參數方法，分類時可將非遙感變量納入其中，所需訓練數據相對較少且無需分布假設，在樣本數量較少時，依然有較好的泛化能力[20]。因此，研究選擇隨機森林和支持向量機兩種分類器進行分類識別。

根據最新的林場森林資源調查數據，結合樣地實測數據，最終將分類系統定為杉木、馬尾松、山礬和其他闊葉樹（主要包括鵝掌楸、絲栗栲、苦櫧等數量較少的樹種）4類。為更好的研究多源遙感數據對單木樹種識別的作用，探索特征篩選的效果以及不同特征在分類識別中的重要程度，以單木分割結果為對象，研究分別使用2種數據（可見光和LiDAR數據），是否經過特征篩選，以及2種分類器（RF、SVM），共12種分類方案對實驗區的4個樹種進行研究，具體分類方案見表2。

表2 不同組合分類方案Table 2 Different combinations of classifications

2.6 精度評價

單木分割精度評價分為3種情況：正確分割、欠分割和過分割。正確分割是指分割結果和實測結果一對一的關系，真正的個體樹被分割為一棵單獨的樹，即有效單木分割，用TP表示；過分割指的是一對多的關系，把本來屬于一個整體的單木分成了多株單木，用FP表示；欠分割是一或幾棵樹被劃分到其臨近的單木中，未被檢測出來，用FN表示[21]。研究了采用召回率（r）、正確率（p）、綜合考慮r和p的調和值（F）來評價單木分割精度。r表示有效單木探測株數占真實參考數據的比例，p表示有效單木探測株數占整個提取結果的比率，r、p、F的變化范圍為0～1[22]，具體計算方法如下：

對于正確分割出來的單木，采用隨機抽樣的方法，將所有數據的70%作為訓練樣本，30%作為驗證樣本。采用混淆矩陣中的生產者精度（PA）、用戶精度（UA）、總體精度（OA）、和Kappa系數4個指標檢驗識別結果[23]。

3 結果與分析

3.1 單木分割結果

將單木分割矢量結果與藍綠紅3波段的可見光影像疊加，見圖2。根據實地調查結果，剔除枯立木、瀕死木和一些冠幅被大樹遮擋的小樹后共有461株，總共探測到樹冠437個，正確分割樹冠372個，欠分割36個，過分割29個，計算得召回率為91.17%，調和值0.91，總體精度為80.69%，分割精度較好，滿足識別需求。

圖2 單木分割結果Fig. 2 Segmentation result

3.2 特征篩選結果

經過RF特征篩選后，可見光保留紅光波段均值、藍綠紅3個波段的貢獻率、紅光波段、綠光波段的標準差、紋理因子冠幅面積等13個特征；LiDAR數據保留首次回波高度和強度變量的平均絕對偏差、最大值、最小值、中位數和峰度等17個特征；可見光和LiDAR結合保留共18個特征，不同數據源特征對分類識別的重要性見圖3。

圖3 隨機森林特征篩選后保留特征及重要性排名Fig. 3 The results of feature selection by RF and importance

從特征重要性排名可以看出，在使用可見光數據時，藍光波段比率的貢獻度最大，紅色植被指數、歸一化差異綠度指數貢獻度次之，紅光和綠光波段比率、紅光波段偏度、冠幅面積和紋理信息也有較好的表現；在使用LiDAR數據時，25%累積高度百分位貢獻度最大，總體看來，強度變量的貢獻度大于高度變量；當2種數據結合后，不同數據源的特征重新組合，原本單一數據源特征的重要性就會改變，形成對分類結果貢獻度最佳的特征組合。

3.3 分類結果

經過不同數據源組合，應用RF、SVM分類后結果見表3。僅使用可見光數據時，方案Ⅷ（經過特征篩選后SVM分類）識別結果最好，精度達88.89%，其中山礬的精度最高，達90.86%，杉木次之；僅使用LiDAR數據時，方案X（經特征篩選進行SVM分類）識別效果最好，精度達78.47%，其中馬尾松識別效果最好，其他闊葉樹最低，僅74.68%；當可見光與LiDAR數據結合進行樹種識別時，方案Ⅻ（經過特征篩選之后進行SVM分類）識別結果最好，精度高達90.93%，杉木識別結果最好，其他闊葉樹精度最低。

表 3 分類結果Table 3 Classification result

續表 3

4 結論與討論

在以無人機可見光和激光雷達數據為基礎進行樹種識別時，結合CHM和多尺度分割的方法能夠有效提取出單木樹冠，以便于單木樹種識別；經過隨機森林特征篩選之后精度優于未進行特征篩選的結果；針對本研究區，支持向量機的分類結果優于隨機森林分類器。

單木分割結果。先基于CHM分割提取出大概樣木邊界，再以分割結果為基礎進行多尺度分割，能夠將樹冠邊緣細化，得到單木精細樹冠邊界，滿足單木樹種識別要求，這與曾霞輝等[24]在利用無人機影像進行樹冠信息提取的研究結果是一致的。

特征篩選對分類識別結果的影響。采用多源遙感數據對樹種進行識別時，在進行特征篩選之后，相比未進行特征篩選結果，僅使用可見光數據時，RF和SVM的精度均提高1.25%和1.19%，僅使用LiDAR數據的精度提高了0.31%和1.76%，2種數據源結合的精度提高了1.86%和2.32%，不論單一數據源還是2種結合，在經過特征篩選之后，總體平均精度提高1.45%。由此可以看出，本研究和趙穎慧等[11]的研究結果一致，特征篩選能夠減少冗余特征和特征共線性的影響，提高分類精度和計算效率。不同的特征對樹種識別貢獻度不同，從分類結果中可以看出，光譜特征對于分類的貢獻度最大，藍光波段和綠光波段對識別有較大影響，可能因為不同樹種的色素含量不同，色素中葉綠素、類胡蘿卜素、花青素、葉黃素的含量和綠色波段的反射率有緊密聯系[25]。幾何特征、紋理特征貢獻度次之，這些特征能夠表征樹的冠型，杉木冠幅面積小，馬尾松樹冠較為分散，山礬和其他闊葉樹冠幅較大且較圓，紋理特征是一種全局特征，可以描述圖像區域對應地物的表面性質，因而對分類有較大的潛力。LiDAR數據的高度變量和密度變量對于樹種區分同樣有著不可或缺的貢獻，其中強度變量在區分樹種時表現得更加穩定，高度變量精度下降的較快，主要是因為首次回波受冠幅的影響較大，能夠很好的表現冠形結構特征，而高度特征受點云遮擋效應的影響，對樹冠下面的表現能力有限，高度特征存在一定局限性[15]。有研究表明，特征重要性會隨著數據源的組合而發生改變[26]，單個特征的重要性可能會受特征組合的影響，在加入其他數據源特征后，原本單一數據源特征的重要性可能會下降，因此，在多種特征結合時，需要考慮其他特征對原本貢獻度高的特征的影響，這需要通過更多的實驗來驗證它們的穩定性。

數據源對識別結果的影響。從不同分類器的識別結果中可以看出，不同數據源對樹種識別的影響不同，可見光數據分辨率較高，在單木分割時能夠準確區分各個樹冠，其光譜特征和紋理特征對識別的貢獻度較大，LiDAR數據的首回波強度對分類也有很大貢獻且表現穩定，首回波強度均值對冠層條件較敏感，能夠很好地代表樹冠結構和形態學特征。將2種數據源結合，能夠充分利用可見光的光譜和紋理特征，與LiDAR數據特征結合，提高樹種分類精度，總體平均精度提高6.01%，這與許多研究得出的結果是一致的[19]。目前的研究僅使用可見光和LiDAR數據，缺少近紅外波段等光譜相關特征，無法計算歸一化植被指數等森林樹種識別的重要遙感參量[27]。Ferreira等[28]在對巴西大西洋沿岸熱帶森林樹種識別時發現，可見光、近紅外和短波紅外波段是研究森林樹種分類的重要波段，在以后的研究可以增加數據源，以此來試驗多源結合對識別精度的影響。

通過將2種數據源進行不同組合，在特征篩選和未進行特征篩選下用RF和SVM進行分類，分析不同組合方案下的精度。2種數據源各有優勢，無論是單一數據源還是2種數據源結合，在經過特征篩選之后，樹種識別精度較單一數據源結果均有不同程度的提高，除了LiDAR數據外，精度均達85%以上。

從研究結果看，特征優選對分類精度的提升起到積極的作用，應予以充分利用，但由于不同特征優選方法所基于的模型和原理存在一定差異，單一特征優選方法所得結果可能存在片面之處，故應考慮通過多種特征優選方法聯合使用的方式獲取優選特征。RF分類方法在本研究中由于樣本量太小，適用性較低，相比之下，SVM分類器在訓練樣本數量有限的情況下能表現出良好的性能，減少了錯分漏分現象。研究表明，多源數據結合能大幅提高分類識別精度，近地低空無人機平臺在森林樹種的識別上有很大發展空間，未來，以多源無人機遙感數據為基礎的森林樹種的快速高效識別將會向多模式方向發展。