潘鎖艷，管海燕

南京信息工程大學遙感與測繪工程學院，江蘇 南京 210044

與傳統(tǒng)的攝影測量和光學遙感手段相比，LiDAR具有自動化程度高、受天氣影響小、可獲得高精度與高密度地球空間信息等優(yōu)點，而得到了廣泛的關注和應用。文獻[1—4]指出利用LiDAR數據可以生成高精度的數字高程模型、等高線圖和數字地表模型。文獻[5]提出了去除LiDAR幾何特征中一些不相關或冗余特征的特征選擇策略，提高城市土地覆蓋分類精度。文獻[6]根據LiDAR三維點云數據分布特點，通過分類多時相LiDAR數據，成功提取出建筑物信息。文獻[7]分析LiDAR全波形數據，利用樹木和建筑物不同的回波特性區(qū)分樹木和建筑物。

然而常規(guī)的LiDAR技術是單個近紅外波段的不連續(xù)的空間點，無法達到無縫覆蓋；同時缺乏有效的光譜信息，難以實現(xiàn)地物覆蓋目標的無縫估算。因此，文獻[8—12]指出融合LiDAR數據和高光譜或多光譜數據能夠有效地提高地物幾何結構以及在不同環(huán)境下地物識別的精度。如文獻[13]融合高分辨率遙感影像與低密度的LiDAR點云，采用基于三維模型的方法計算樹頂高度。文獻[14]融合高光譜分辨率影像和機載LiDAR點云數據反演地表植被生物量，其結果精度比單獨使用高光譜影像或者LiDAR點云數據時更高。文獻[15]結合GeoEye高分辨率遙感影像和機載LiDAR數據，提出基于面向對象的模糊分類方法，試驗結果的總體精度達到93.92%，分類精度相比單一遙感數據明顯提高。

但是融合LiDAR點云數據與光譜影像數據進行地物目標識別時，如何將不同類型的數據精確地統(tǒng)一到同一空間坐標系仍然存在著巨大的問題。隨著硬件技術的發(fā)展，一些研究機構與公司相繼推出了多光譜甚至高光譜LiDAR系統(tǒng)原型，文獻[16—18]研究發(fā)現(xiàn)多光譜/高光譜LiDAR系統(tǒng)可廣泛應用于地形測繪、土地覆蓋分類、無縫潛水測深、環(huán)境建模、森林調查和植被類型分類、自然資源管理和災害響應等。文獻[19]指出加拿大Optech公司2014年12月發(fā)布的第一臺商業(yè)化多光譜LiDAR系統(tǒng)Optech Titan(包含3個波段：532、1064和1550 nm)；國內的武漢大學也研制了多光譜LiDAR系統(tǒng)(包含4個波段：556、670、700和780 nm)。多光譜機載LiDAR技術具有數據獲取速度快、光譜與空間幾何數據在空間上(分辨率、配準等)，時間上(動態(tài)場景、觀測條件的變化等)相對完整和一致性的特點。文獻[20]利用高光譜LiDAR數據實現(xiàn)云杉和松樹的分類。文獻[21]采用k-means算法從多光譜LiDAR數據中檢測人造目標和自然目標。相對于多光譜LiDAR系統(tǒng)硬件設備和數據獲取方法相比，基于多光譜LiDAR數據的地物目標識別與分類等研究剛剛起步。因此，研究提高多光譜LiDAR數據的智能化解譯水平與目標識別的自動化程度具有重要的應用價值。本文提出了基于支持向量機(SVM)的多光譜LiDAR數據地物分類研究。

1 試驗數據

本文研究區(qū)域是位于加拿大安大略省惠特徹奇-史托維爾的一個小鎮(zhèn)，該城鎮(zhèn)中心區(qū)域的經緯度為(43°58′00″N，79°15′00″W)。本文的試驗數據是由加拿大Optech公司的Titan機載多光譜LiDAR系統(tǒng)采集。Titan多光譜LiDAR系統(tǒng)包括3個不同波段的脈沖通道(532、1064和1550 nm波段)，這3個激光脈沖通道在相同的震蕩鏡像上有3.5°偏轉角的間隔，因此，該多光譜LiDAR系統(tǒng)可提供3個獨立的激光點云。每個波段的平均點密度近似為每平方米3.6個點。

Optech Titan多光譜LiDAR系統(tǒng)總共采集了19條垂直交叉的航帶數據，覆蓋范圍大約為25 km2。本研究從Titan多光譜LiDAR數據中裁剪一個面積為2052 m×1566 m的區(qū)域，作為本論文的試驗數據。該研究區(qū)域內包含建筑物、道路、樹木、草地、裸地和水體等豐富的地物類型。研究區(qū)數據包括上述3個波段下的獨立點云數據集，1550 nm波段的三維點云數據(按照高程進行渲染)如圖1所示。

圖1 Titan多光譜LiDAR試驗數據的三維立體顯示(1550 nm，按照高程進行渲染)Fig.1 3D display of Titan multispectral LiDAR test data(1550 nm，render by elevation)

為了提高訓練樣本選取精度以及評價基于多光譜LiDAR數據的地物分類精度，根據研究區(qū)域的經緯度，從Google Earth上下載與研究區(qū)域對應的高分辨率遙感影像，如圖2所示，輔助本文訓練樣本和精度評價參考數據集的選取。

圖2 研究區(qū)域的Google Earth高分辨率影像Fig.2 High resolution Google Earth image in the study area

2 數據預處理

2.1 數據融合

Optech Titan多光譜LiDAR點云數據包含3個波段獨立點云數據集。本文首先將這3個獨立點云數據集合并成單一點云數據，其中每個激光點包含這3個波段的地物反射信息。具體地說，將這3個點云數據集中的任意一個波段的點云數據作為參照數據，遍歷參考點云中的每個激光點，選取一定搜索范圍，通過最近鄰域搜索算法獲取其他兩個波段點云數據的強度值。根據點密度，設定其搜索范圍為1 m。在選取的搜索范圍內，對于參考激光點在其他兩個波段中存在兩種情況：①若有多個最鄰近激光點，本文采用雙線性內插方法獲得參考激光點在其他波段的強度值；②若無多個最鄰近激光點，本文將該波段的強度值設置為0。融合后的假彩色點云數據如圖3所示。

2.2 數據插值

融合后的Optech Titan多光譜LiDAR數據是不規(guī)則的、海量的三維離散點云，如圖1所示。為了快速、有效地對多光譜LiDAR數據進行地物分類，本文通過內插的方法將海量三維多光譜LiDAR數據根據其高程和多光譜信息轉換為距離和多光譜影像。結合LiDAR數據的特點，采用距離加權平均法插值理論[22]，生成距離和多光譜影像，根據每個波段平均點密度3.6個/平方米，二維影像的分辨率設置為0.5 m。

圖4(a)—(c)所示分別為上述3個單獨波段的強度影像， 圖4(d)為融合激光點云的距離影像(或稱高程影像)，圖4(e)為融合后的多光譜影像。

3 多光譜LiDAR點云地物分類

20世紀90年代，Vapnik研究團隊提出支持向量機分類(SVM)方法[23]。該理論是建立在統(tǒng)計學習理論基礎上的機器學習方法。SVM可以自動尋找出那些對分類有較好區(qū)分能力的支持向量，由此構造出的分類器可以最大化類與類的間隔，因而有較好的適應能力和較高的分類準確率，同時該方法只需要由各類域的邊界樣本的類別來決定最后的分類結果。SVM分類方法的目的在于尋找一個超平面。該超平面可以將訓練集中的數據分開，且與類域邊界的沿垂直于該超平面方向的距離最大。

SVM適用于小樣本的分類問題，可以很好地處理LiDAR數據中己知樣本較少的情況。另外，其特征向量構造方法簡單，算法運行速度較快，可以有效地進行維度較高數據的線性分類。因此，SVM在LiDAR數據地物分類領域得到了廣泛的應用。本文利用SVM算法進行多光譜LiDAR數據的地物覆蓋分類研究。

3.1 特征提取

3.1.1 光譜特征

Optech Titan機載多光譜LiDAR系統(tǒng)采用如圖5所示的532 nm(可見光綠波段)、1064 nm(近紅外)和1550 nm (中紅外)3個波段激光束進行數據采集。水體、植被和裸地3個地物的地物波譜曲線如圖5所示，發(fā)現(xiàn)這些地物在3個特定的波段內反射能量有所差異，可區(qū)分性較明顯。因此，可根據不同地物在Titan多光譜LiDAR數據的波譜特征進行地物分類。

從圖5可以看出：

(1) 在1064 nm近紅外波段處，植被反射率強；但是在可見光532 nm的綠色波段處，其反射率較低。

(2) 在1064 nm和1550 nm波段處，裸地和植被易于區(qū)別。

(3) 在532 nm波段處，可以很好地分辨水體。

為了描述多光譜LiDAR數據的光譜特征，將這3個獨立波段數據組成光譜特征向量記為XB=[B1，B2，B3]T。

圖3 融合后含有3個波段信息的單一點云數據的三維點云顯示圖(532、1064和1550 nm 3個波段合成的假彩色點云數據)Fig.3 3D point cloud display of single point cloud data with three wave lengths intensity information fusion pseudo-color rendered point data of 532，1064 and 1550 nm)

3.1.2 多光譜LiDAR的植被指數

從Optech Titan LiDAR系統(tǒng)的3個獨立波段信息，可計算相應植被指數，將其作為地物分類的特征信息。其具體表達見式(1)—(3)

GDVI=NIR-GREEN

(1)

GNDVI=(NIR-GREEN)/(NIR+GREEN)

(2)

GRVI=NIR/GREEN

(3)

式(1)中GDVI(green difference vegetation index)是綠色差值植被指數[25]，該指數最初是用來從彩色與紅外影像中預測谷物的氮含量。式(2)中GNDVI(green normalized difference vegetation index)是綠色歸一化差值植被指數[26]。

圖4 插值結果Fig.4 Interpolation results

圖5 Optech Titan LiDAR系統(tǒng)4個波段，以及水體、植被和裸地地物波譜曲線[24]Fig.5 Three wave lengths of an Optech Titan LiDAR system and spectral curves of three object samples (e.g. soil，water，vegetation)

由于GNDVI是利用540 nm到570 nm的綠色波段來代替NDVI(normalized difference vegetation index)中的紅色波段，因而GNDVI對葉綠素濃度更敏感。式(3)中GRVI(green ratio vegetation index)是綠色比值植被指數[25]，該指數對森林冠層光合作用速率較為敏感。相應的GDVI、GNDVI和GRVI植被指數分別如圖6(a)—(c)所示。這里將GDVI、GNDVI和GRVI組成多光譜LiDAR植被指數特征向量，記為XI=[I1，I2，I3]T。

3.1.3 多光譜紋理特征

紋理是特定圖像范圍內(或地物類)像素之間關系的度量，利用紋理特征可以很好地描述像素的空間關系和結構。提取紋理特征的一種有效方法就是以灰度級的空間相關矩陣即共生矩陣為基礎。從灰度共生矩陣可導出一些反映圖像特征的參數：中值、協(xié)方差、同質性、反差、差異性、熵、二階距、自相關等。

圖6 多光譜LiDAR數據的植被指數Fig.6 Multispectral LiDAR-based vegetation index

對Titan試驗數據中的3個獨立波段的強度影像，采用灰度共生矩陣生成紋理特征，其窗口大小為3×3。通過多次試驗，本論文分別選擇了3個波段的熵與自相關紋理特征，如圖7(a)—(f)所示，將其紋理特征向量記為XT=[T1，T2，T3，T4，T5，T6]T。

圖7 紋理特征Fig.7 Texture features

3.1.4 高程特征

LiDAR數據的高程數據中包含著物體的垂直結構信息，有助于區(qū)分地物，比如人造物體的建筑物與道路，草地與樹木。內插后的距離影像每個像素值代表著該點的高程信息，因此，可將距離影像中灰度值信息作為特征向量E1(圖4(d))。類似強度影像，利用內插后的距離影像數據也可以通過灰度共生矩陣生成熵與自相關分類特征，如圖8(a)—(b)所示。結合高度灰度值信息，其高程特征向量記為XE=[E1，E2，E3]T。

圖8 高程特征Fig.8 Elevation features

結合多光譜LiDAR數據的光譜特征向量XB、植被指數向量XI、紋理特征向量XT以及高程特征向量XE，構成總向量X=[XB，XI，XT，XE]，作為多光譜LiDAR數據的分類特征向量輸入到SVM分類器實現(xiàn)地物分類。根據研究區(qū)域特點，本文將Optech多光譜LiDAR數據分類為建筑物、道路、樹木、草地、裸地和水體六類地物類型。訓練樣本與參考數據在Google Earth高分辨率影像輔助下，人工從Titan多光譜LiDAR試驗數據集獲取。

4 試驗與分析

4.1 基于單波段和多光譜LiDAR數據的地物分類

不同波段的強度影像，其傳輸特性、目標回波的后向散射特性等都是不同的，理論上多波段數據具有比單波段更豐富、更可靠、更有用的信息。本論文對Optech Titan試驗數據中包含的3個單波段影像以及多光譜LiDAR數據進行地物分類，分析其分類結果。

SVM有兩個關鍵參數：懲罰系數和核函數。本次試驗中，SVM的核函數設置為徑向基核函數，懲罰系數設置為100。在此參數下，本節(jié)設計了5個比較試驗，見表1：

5個試驗結果分別如圖9(a)—(e)所示。根據Google Earth高分辨率影像(圖2)發(fā)現(xiàn)：該6類地物分類結果在單個波段LiDAR數據差距較大。例如：在1550 nm波段數據中，道路可以很好地區(qū)分出來，但無法正確識別裸地；在1064 nm波段數據中，無法將建筑物和樹木正確區(qū)別，也很難區(qū)別裸地和道路；在532 nm波段數據中，無法正確區(qū)別建筑物和樹木，也無法正確區(qū)別裸地和道路?？傊趩尾ǘ蔚腖iDAR數據的分類結果難以令人滿意。

表1 基于單波段和多光譜LiDAR數據的地物分類的比較試驗

然而，與單波段的LiDAR數據分類結果相比，多光譜LiDAR數據分類精度明顯提高。如圖9(d)所示，在單波段LiDAR數據中無法區(qū)分的目標類別(例如：1064 nm和532 nm波段數據中無法識別的水體)在多光譜LiDAR數據分類結果中能夠正確識別。

為了進一步來驗證單波段LiDAR數據與多光譜LiDAR數據分類結果，利用誤差矩陣計算的總體精度、Kappa系數以及每組試驗數據的生產者精度和用戶精度來進行定量分析。本次5個試驗的分類精度對比表以及生產者精度和用戶精度對比表分別見表2和表3。

根據表2發(fā)現(xiàn)：相較于單波段LiDAR數據的分類精度，多光譜LiDAR數據分類精度明顯提高，其中總體精度提高了4.6%～25.2%，Kappa系數提高了0.086～0.333。根據表3(a)—(c)表格可發(fā)現(xiàn)單波段LiDAR數據對裸地的識別能力太差，同時表3(d)—(e)表格說明多光譜LiDAR數據能夠較好地識別單波段數據中不能識別的地物。

表2單波段和多光譜LiDAR數據的地物分類精度對比表

Tab.2Comparisonofland-coverclassificationaccuracyofsingle-wavelengthandmulti-spectralLiDARdata

試驗總體精度(%)Kappa系數試驗137.180.208試驗246.900.363試驗357.750.455試驗462.320.541試驗572.220.665

在多光譜LiDAR數據試驗4分類基礎上，在試驗5中分類特征增加了多光譜LiDAR植被指數(XI)、多光譜紋理特征(XT)以及高程特征(E2，E3)，其分類精度較試驗4有了明顯提高。

總之，本次對比試驗結果表明多光譜LiDAR數據可以結合各波段的優(yōu)勢和互補信息，從而比基于單波段LiDRA數據的地物分類獲取更高的分類精度。同時，多光譜LiDAR植被指數特征和紋理特征也可以進一步提高分類精度，優(yōu)化分類結果。

表3 單波段和多光譜LiDAR數據的生產者精度和用戶精度對比表

4.2 對比試驗

文獻[27]指出SVM分類方法的線性判別分類器理論與實際結合較好，它是一種基于小樣本的學習方式。從本質上看，它避開了從歸納到演繹的傳統(tǒng)過程，實現(xiàn)了高效地從訓練樣本到預報樣本的“轉導推理”，大大簡化了通常的分類問題。本節(jié)通過與常見的4種分類方法(最小距離、最大似然、神經網絡、隨機森林)對比，來評價SVM分類方法在多光譜LiDAR數據地物分類的適用性。

參與對比試驗分類方法參數設置為：最小距離分類法—(最小距離：4像素)；最大似然分類法—(正態(tài)分布的概率密度函數)；采用神經網絡分類法—(活化函數：對數函數，訓練次數：1000)；SVM分類法—(核函數：徑向基核函數，懲罰系數：100)；隨機森林分類法—(決策樹個數：50)。前4種分類的試驗結果如圖10(a)—(d)所示，SVM分類結果如圖9(d)所示。

從圖10(a)—(c)可以看出：最小距離、最大似然和神經網絡這3種分類方法對多光譜LiDAR數據的水體識別能力極差；最小距離(圖10(a))和極大似然(圖10(b))對裸地的分類效果較差；神經網絡(圖10(c))對樹木和草地的區(qū)分能力較差；隨機森林分類(圖10(d))對道路和裸地的區(qū)分能力較差；SVM(圖9(d))則難以區(qū)分裸地和建筑物?？梢姡钚【嚯x、最大似然、神經網絡、隨機森林以及SVM這5種分類方法，在多光譜LiDAR數據地物分類上各有各的缺陷。比較隨機森林(圖10(d))與SVM(圖9(d))，發(fā)現(xiàn)這兩種分類方法的分類結果較為相似，地物區(qū)分能力較其余3種分類有明顯的優(yōu)勢。但是隨機森林算法較為復雜，算法的實現(xiàn)花費時間較長，為2 548.83 s(大致為42 min)，SVM花費761 s(大致12 min)(算法都是運行在HP EliteDesk 880 G2 TWR計算機上，其內核為 Intel?CoreTMi5-6500 CPU 3.20 GHz)。因此，對于Optech Titan多光譜LiDAR數據，SVM算法效率要優(yōu)于隨機森林算法。

為了進一步驗證這5種分類方法對多光譜LiDAR數據地物分類精度，本文通過總體精度和Kappa系數對他們分類結果進行定量分析。本次對比試驗的分類精度對比見表4。

表4基于Titan多光譜LiDAR數據的地物分類精度對比表

Tab.4Comparisonofland-coverclassificationaccuracybasedonTitanmultispectralLiDARdata

分類方法總體精度(%)Kappa系數最小距離51.130.415最大似然53.060.436神經網絡60.200.521隨機森林55.290.452SVM62.320.541

根據表4發(fā)現(xiàn)：最小距離分類精度最低，SVM的分類精度最高。SVM總體分類精度比其他4個分類方法提高了大約2.1%～11.2%，Kappa系數則提高了大約0.020～0.126。

定性與定量試驗結果表明：相較于最小距離、最大似然、神經網絡和隨機森林，SVM可獲得較高的分類精度。主要原因在于SVM算法可在小樣本數據量下具有自動尋找對分類有較好區(qū)分能力，因而能夠提高多光譜LiDAR數據的分類精度。

圖9 基于單波段和多光譜LiDAR數據的地物分類結果圖Fig.9 Comparison of land-cover classification results by using single-wavelength and multi-spectral LiDAR data

圖10 4種分類算法分類結果圖Fig.10 Classification results of comparative trials

4.3 SVM參數敏感性分析

SVM中有兩個關鍵參數：核函數和懲罰系數，該參數的大小很大程度上決定了分類精度。因此，基于多光譜LiDAR數據進行核函數以及懲罰系數兩個參數敏感性試驗。

4.3.1 最優(yōu)核函數

SVM一般有線性核函數、多項式核函數、徑向基核函數和感知核函數4種核函數。為了進行合理的精度分析，所有核函數均采用默認參數(懲罰系數都設置為100)。在給定的相同訓練樣本的情況下，對多光譜LiDAR數據進行地物分類的比較試驗。基于多光譜LiDAR數據的SVM 4個核函數分類精度對比見表5。

從表5中可發(fā)現(xiàn)：在利用SVM分類方法進行多光譜LiDAR數據地物分類時，徑向基核函數獲得的總體精度和Kappa系數最高。因此，針對本文多光譜LiDAR數據，徑向基核函數是SVM分類的最優(yōu)核函數。

表5基于4種核函數的多光譜進行地物分類精度對比表

Tab.5ComparisonofSVMland-coverclassificationaccuracybasedonfourkindsofSVMkernelfunctions

核函數類型總體精度/(%)Kappa系數線性核函數(liner)71.540.657多項式核函數(polynomial)69.040.628徑向基核函數(radialbasisfunction)72.220.665感知核函數(sigmoid)65.300.582

4.3.2 懲罰系數

根據4.3.1節(jié)試驗選用徑向基核函數為SVM分類算法的核函數。在徑向基核函數中，懲罰系數對分類精度也有著很大的影響。本節(jié)針對本文多光譜LiDAR數據，確定徑向基核函數的懲罰系數最佳值。

本試驗將懲罰系數從50到400逐漸變化進行參數敏感性測試。多光譜LiDAR數據分類精度的試驗結果如圖11所示。

圖11 懲罰系數對多光譜LiDAR數據分類精度影響Fig.11 Influence of penalty parameter on SVM classification accuracy

根據圖11試驗結果可發(fā)現(xiàn)：當懲罰系數在50～200區(qū)間，多光譜LiDAR數據分類精度隨著懲罰系數的變化波動較大，然而隨著懲罰系數繼續(xù)增加，多光譜LiDAR數據分類精度趨于穩(wěn)定。從參數敏感性試驗可以看出當懲罰系數為190左右時，本文多光譜LiDAR數據可獲得最佳的分類精度。

5 結 論

本文利用加拿大Optech公司Titan多光譜LiDAR數據，提出了基于支持向量機(SVM)的地物分類研究，將研究區(qū)地物分類為建筑物、道路、樹木、草地、裸地和水體6個類別。研究發(fā)現(xiàn)：①將多光譜LiDAR的多個波段三維點云數據融合為包含多光譜信息的單一點云數據，也就是說該數據集合中每個激光點包含多光譜信息，這樣在增加點云數據光譜信息同時可以減少點云數據處理復雜度；②將離散的多光譜點云數據轉換成二維多光譜和距離影像數據，有助于減小處理數據的復雜性，利用成熟的圖像分類技術，可提高基于多光譜LiDAR數據的地物分類效率；③通過分析Titan 試驗數據發(fā)現(xiàn)，利用多光譜LiDAR點云數據的地物分類精度要高于傳統(tǒng)的單一波段點云數據地物分類精度；④通過與最小距離、最大似然、神經網絡和隨機森林分類方法對比，SVM對多光譜LiDAR點云數據的地物分類精度最高，其總體精度提高了2.1%～11.2%，Kappa系數提高了0.020～0.126；⑤通過對SVM參數敏感性分析可知，最優(yōu)核函數為徑向基核函數，其懲罰系數在190左右時，SVM可獲得較高的分類精度。筆者進一步研究從多個分類特征自動選擇算法，運用深度學習抽取高層次分類特征，提高分類精度等方面展開，提高多光譜LiDAR數據的目標判讀和解譯精度。

[1] 張繼賢, 林祥國, 梁欣廉. 點云信息提取研究進展和展望[J]. 測繪學報, 2017, 46(10): 1460-1469. DOI: 10.11947/j.AGCS.2017.20170345.

ZHANG Jixian, LIN Xiangguo, LIANG Xinlian. Advances and Prospects of Information Extraction from Point Clouds[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 1460-1469. DOI: 10.11947/j.AGCS.2017.20170345.

[2] 高廣, 馬洪超, 張良, 等. 顧及地形斷裂線的LiDAR點云濾波方法研究[J]. 武漢大學學報(信息科學版), 2015, 40(4): 474-478.

GAO Guang, MA Hongchao, ZHANG Liang, et al. A Ground Filtering Algorithm for Airborne LiDAR in Consideration of Terrain Break Lines[J]. Geomatics and Information Science of Wuhan University, 2015, 40(4): 474-478.

[3] 張齊勇, 岑敏儀, 周國清, 等. 城區(qū)LiDAR點云數據的樹木提取[J]. 測繪學報, 2009, 38(4): 330-335. DOI: 10.3321/j.issn:1001-1595.2009.04.008.

ZHANG Qiyong, CEN Minyi, ZHOU Guoqing, et al. Extracting Trees from LiDAR Data in Urban Region[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(4): 330-335. DOI: 10.3321/j.issn:1001-1595.2009.04.008.

[4] AZADBAKHT M, FRASER C S, KHOSHELHAM K. Improved Urban Scene Classification Using Full-Waveform LiDAR[J]. Photogrammetric Engineering & Remote Sensing, 2016, 82(12): 973-980.

[5] DONG Weihua, LAN Jianhang, LIANG Shunlin, et al. Selection of LiDAR Geometric Features with Adaptive Neighborhood Size for Urban Land Cover Classification[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 60: 99-110.

[6] SHIROWZHAN S, TRINDER J. Building Classification from LiDAR Data for Spatio-temporal Assessment of 3D Urban Developments[J]. Procedia Engineering, 2017, 180: 1453-1461.

[7] 李振玉. 基于激光雷達波形和點云數據的建筑物與樹木的分類[J]. 黑龍江科技信息, 2015(29): 24.

LI Zhenyu. Classification of Buildings and Trees Based on LiDAR Waveform and Point Cloud Data[J]. Heilongjiang Science and Technology Information, 2015(29): 24.

[8] 吳杭彬. 融合航空影像的機載激光掃描數據分類與特征提取[J]. 測繪學報, 2011, 40(1): 134.

WU Hangbin. Classification and Feature Extraction of Airborne LiDAR Data Fused with Aerial Image[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(1): 134.

[9] WANG Hongzhou, GLENNIE C. Fusion of Waveform LiDAR Data and Hyperspectral Imagery for Land Cover Classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 1-11.

[10] 劉麗娟, 龐勇, 范文義, 等. 機載LiDAR和高光譜融合實現(xiàn)溫帶天然林樹種識別[J]. 遙感學報, 2013, 17(3): 679-695.

LIU Lijuan, PANG Yong, FANG Wenyi, et al. Fused Airborne LiDAR and Hyperspectral Data for Tree Species Identification in A Natural Temperate Forest[J]. Journal of Remote Sensing, 2013, 17(3): 679-695.

[11] 高利鵬, 史文中, 呂志勇, 等. 基于機載LiDAR和高分辨率遙感影像的城市道路網提取[J]. 遙感技術與應用, 2013, 28(4): 562-568.

GAO Lipeng, SHI Wenzhong, LV Zhiyong, et al. Road Network Extraction Based on Airborne LiDAR and High Resolution Remote Sensing Imagery[J]. Remote Sensing Technology and Application, 2013, 28(4): 562-568.

[12] HAMEDIANFAR A, SHAFRI H Z M, MANSOR S, et al. Improving Detailed Rule-based Feature Extraction of Urban Areas from WorldView-2 Image and LiDAR Data[J]. International Journal of Remote Sensing, 2014, 35(5): 1876-1899.

[13] PARIS C, BRUZZONE L. A Three-dimensional Model-based Approach to the Estimation of the Tree Top Height by Fusing Low-density LiDAR Data and Very High Resolution Optical Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(1): 467-480.

[14] SWATANTRAN A, DUBAYAH R, ROBERTS D, et al. Mapping Biomass and Stress in the Sierra Nevada Using LiDAR and Hyperspectral Data Fusion[J]. Remote Sensing of Environment, 2011, 115(11): 2917-2930.

[15] 許傳陽, 李建紅. 高分辨率遙感影像結合LiDAR數據的面向對象分類方法[J]. 河南理工大學學報(自然科學版), 2015, 34(2): 222-225.

XU Chuanyang, LI Jianhong. Object-oriented Classification with High Resolution Image and LiDAR Data[J]. Journal of Henan Polytechnic University (Natural Science), 2015, 34(2): 222-225.

[16] WANG Chengkai, TSENG Y H, CHU H J. Airborne Dual-wavelength LiDAR Data for Classifying Land Cover[J]. Remote Sensing, 2014, 6(1): 700-715.

[17] WALLACE A M, MCCARTHY A, NICHOL C J, et al. Design and Evaluation of Multispectral LiDAR for the Recovery of Arboreal Parameters[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(8): 4942-4954.

[18] WALLACE A, NICHOL C, WOODHOUSE I. Recovery of Forest Canopy Parameters by Inversion of Multispectral LiDAR Data[J]. Remote Sensing, 2012, 4(2): 509-531.

[19] GONG Wei, SUN Jia, SHI Shuo, et al. Investigating the Potential of Using the Spatial and Spectral Information of Multispectral LiDAR for Object Classification[J]. Sensors, 2015, 15(9): 21989-22002.

[20] VAUHKONEN J, HAKALA T, SUOMALAINEN J, et al. Classification of Spruce and Pine Trees Using Active Hyperspectral LiDAR[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(5): 1138-1141.

[21] PUTTONEN E, HAKALA T, NEVALAINEN O, et al. Artificial Target Detection with a Hyperspectral LiDAR Over 26-h Measurement[J]. Optical Engineering, 2015, 54(1): 013105.

[22] 李新, 程國棟, 盧玲. 空間內插方法比較[J]. 地球科學進展, 2000, 15(3): 260-265.

LI Xin, CHENG Guodong, LU Ling. Comparison of Spatial Interpolation Methods[J]. Advance in Earth Sciences, 2000, 15(3): 260-265.

[23] 鄭紅軍, 周旭, 畢篤彥. 統(tǒng)計學習理論及支持向量機概述[J]. 現(xiàn)代電子技術, 2003(4): 59-61.

ZHENG Hongjun, ZHOU Xu, BI Duyan. Introduction Statistical Learning Theory and Support Vector Machines[J]. Modern Electronic Technique, 2003(4): 59-61.

[24] 施健, 柳欽火, 聞建光, 等. 面向電子政務的全國典型地物波譜數據服務平臺設計與實現(xiàn)[J]. 遙感技術與應用, 2011, 26(4): 520-526.

SHI Jian, LIU Qinhuo, WEN Jianguang, et al. Design and Realization of the Service Platform for Typical Ground Objects Spectrum Data in China Based on E-government[J]. Remote Sensing Technology and Application, 2011, 26(4): 520-526.

[25] SRIPADA R P, HEINIGER R W, WHITE J G, et al. Aerial Color Infrared Photography for Determining Early In-Season Nitrogen Requirements in Corn[J]. Agronomy Journal, 2005, 98(4): 968-977.

[26] GITELSON A A, MERZLYAK M N. Remote Sensing of Chlorophyll Concentration in Higher Plant Leaves[J]. Advances in Space Research, 1998, 22(5): 689-692.

[27] 楊凱歌, 馮學智, 肖鵬峰, 等. 優(yōu)化子空間SVM集成的高光譜圖像分類[J]. 遙感學報, 2016, 20(3): 409-419.

YANG Kaige, FENG Xuezhi, XIAO Pengfeng, et al. Optimal Subspace Ensemble with SVM for Hyperspectral Image Classification[J]. Journal of Remote Sensing, 2016, 20(3): 409-419.

[28] 李清泉, 李必軍, 陳靜. 激光雷達測量技術及其應用研究[J]. 武漢測繪科技大學學報, 2000, 25(5): 387-392.

LI Qingquan, LI Bijun, CHEN Jing. Research on Laser Range Scanning and Its Application[J]. Journal of Wuhan Technical University of Surveying and Mapping, 2000, 25(5): 387-392.