论文部分内容阅读
树种识别对森林资源的管理和可持续性发展具有非常重要的意义,单木尺度的树种识别为林木的精细调查提供了更加详细的树种信息,也为森林单木参数和结构信息的提取奠定基础。机载CCD影像数据获取便捷,受大气影响较小,并且具有丰富的空间结构信息,对于单木分割和树种识别具有独特的优势。同时,机载激光雷达技术以其局限性小,对森林冠层穿透性强等优势已广泛应用在林业调查中,成为森林树冠精确分割的有效方式之一。因此,结合机载CCD影像和LiDAR数据进行单木树种分类具有很大的潜力。传统的遥感树种分类受数据的局限,多为区域或林分尺度的分类,难以实现单木类型识别。分类方法主要以基于像元的分类和面向对象的分类,但基于像元的分类方法进行高分辨率影像分类时,容易产生“椒盐”现象,面向对象分类方法如支持向量机等,在不同程度上都需要进行有效特征的筛选。而深度学习技术能够自动提取影像的有效特征,以原始影像输入,实现端到端分类,对于森林树种分类具有很大的应用潜力。本文以广西省南宁市高峰林场界牌分场中树种类型较为丰富的区域为研究区,以机载高分辨率CCD影像及同步获取的激光雷达数据作为数据源,研究深度学习分类与树冠分割结合的单木树种分类方法。首先,将U-Net和Res Net网络相结合,构建改进的Res-UNet网络模型,将U-Net网络的卷积层使用Res Net的残差单元表示,在上采样中,使用双线性插值代替反卷积,并在网络的输出端加入条件随机场后处理(Conditional Random Field,CRF)操作,通过梯度反向传播优化模型参数。然后使用CRF后处理优化树种分类图,并与单独使用U-Net网络和Res Net网络的分类结果进行对比,验证所提出网络的分类性能。改进的Res-UNet网络在进行特征提取时能够提取影像多尺度、更深层次的树种信息,同时在网络加深过程中避免网络退化问题。在此基础上,对同步获得的LiDAR点云数据分别使用基于冠层高度模型的分水岭分割算法和基于点云的距离判别聚类法,进行单木树冠分割,选择最优的分割方法。最后将得到的分割结果与改进的Res-UNet分类结果结合,实现单木树种分类。应用本文提出的改进Res-UNet网络对研究区影像进行分类,总体精度为90.03%、平均精度为88.39%、Kappa系数为87.54%。对比单独使用U-Net和Res Net网络,分类精度分别提升了22.90%和13.45%。在单木树冠分割中,基于0.8m分辨率的分水岭分割算法取得了最优的单木树冠分割精度,生产者精度为73.83%、用户精度80.05%、F测度76.81%。基于改进Res-UNet网络的树种分类结果和分水岭分割算法得到的树冠分割结果,单木树种分类精度为73.13%。研究结果表明,本文提出的改进的Res-UNet网络能够更好地提取影像的深层次空间和光谱特征。条件随机场后处理操作能够减小阔叶树种的混分现象,使得分类边界更加清晰平滑,双线性插值代替反卷积有效地减少了需要训练的模型参数,降低模型复杂度。结合基于分水岭分割算法的单木树冠分割,可以有效地实现复杂林分的单木树种分类,为单木树种分类提供新思路。