李佳檸 李明澤 全迎 王斌 莫祝坤

(東北林業(yè)大學(xué)，哈爾濱，150040)

森林是陸地生態(tài)系統(tǒng)的主體，在全球生態(tài)系統(tǒng)中發(fā)揮舉足輕重的作用[1]。研究森林的樹(shù)種組成及不同樹(shù)種單木的空間分布對(duì)評(píng)估森林生境質(zhì)量和森林生物多樣性以及制定合理的森林管理策略具有重大影響，對(duì)于估測(cè)森林生產(chǎn)力、生物量和碳儲(chǔ)量有很好的輔助作用[2-3]。隨著航天技術(shù)的迅速發(fā)展和傳感器技術(shù)的不斷成熟，遙感技術(shù)在森林資源監(jiān)測(cè)方面的應(yīng)用越來(lái)越廣泛[4]。使用遙感數(shù)據(jù)進(jìn)行樹(shù)種分類(lèi)，可以減少外業(yè)調(diào)查的工作量，節(jié)約人力成本，提高森林資源調(diào)查的效率[5-6]。

光學(xué)遙感數(shù)據(jù)中的高光譜數(shù)據(jù)具有較高的光譜分辨率和較寬的光譜范圍[7]，因此可以為樹(shù)種分類(lèi)研究提供更多信息。然而，高光譜數(shù)據(jù)作為一種平面遙感數(shù)據(jù)，雖然能夠很好的反應(yīng)冠層表面的信息，卻難以反映垂直方向上冠層結(jié)構(gòu)的特征。而激光雷達(dá)(LiDAR)點(diǎn)云數(shù)據(jù)可以很好的反映森林冠層的立體結(jié)構(gòu)特征，從而彌補(bǔ)高光譜數(shù)據(jù)的不足[8]。因此，使用激光雷達(dá)與高光譜遙感協(xié)同進(jìn)行樹(shù)種分類(lèi)成為了近期的一個(gè)研究熱點(diǎn)。早期的研究普遍借助激光雷達(dá)點(diǎn)云數(shù)據(jù)及其生成的冠層高度模型(CHM)進(jìn)行樹(shù)冠邊界的精確勾繪，在此基礎(chǔ)上利用植被的光譜特征進(jìn)行分類(lèi)[9-10]。后來(lái)，使用激光雷達(dá)提取的高度、強(qiáng)度變量與光譜數(shù)據(jù)協(xié)同分類(lèi)的研究逐漸增多[11]。激光雷達(dá)提取的高度和強(qiáng)度變量能夠用于描述單木樹(shù)冠在垂直結(jié)構(gòu)上的特性，在樹(shù)種分類(lèi)研究中具有積極意義[12]。后來(lái)，隨著無(wú)人機(jī)技術(shù)的發(fā)展和成熟，無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)(UAV-LiDAR)被越來(lái)越多的應(yīng)用于單木尺度的參數(shù)提取當(dāng)中[13]。相較于星載或機(jī)載激光雷達(dá)，無(wú)人機(jī)激光雷達(dá)通常具有掃描高度低、點(diǎn)云密度高的優(yōu)勢(shì)[14]。因此，無(wú)人機(jī)激光雷達(dá)對(duì)樹(shù)冠的三維結(jié)構(gòu)特征提取更為準(zhǔn)確[15]。但是，過(guò)去的相關(guān)研究主要是將高光譜數(shù)據(jù)與激光雷達(dá)提取的點(diǎn)云的回波高度及回波強(qiáng)度變量結(jié)合進(jìn)行分類(lèi)[16]，較少將激光雷達(dá)提取的樹(shù)冠形態(tài)應(yīng)用于樹(shù)種分類(lèi)當(dāng)中。

綜上所述，使用多源遙感協(xié)同進(jìn)行樹(shù)種分類(lèi)的研究是林業(yè)遙感的一個(gè)重要研究方向。然而，相關(guān)研究中很少將單木樹(shù)冠的形態(tài)特征，即描述樹(shù)冠形狀大小結(jié)構(gòu)的參數(shù)[17]，用于樹(shù)種的分類(lèi)研究。因此，本文以機(jī)載高光譜數(shù)據(jù)與無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)為數(shù)據(jù)源結(jié)合機(jī)器學(xué)習(xí)算法，通過(guò)對(duì)比多種方案的分類(lèi)效果，探究多源遙感數(shù)據(jù)協(xié)同在單木尺度上進(jìn)行樹(shù)種分類(lèi)的科學(xué)應(yīng)用途徑，同時(shí)，定量評(píng)估無(wú)人機(jī)激光雷達(dá)提取的樹(shù)冠三維參數(shù)在單木樹(shù)種分類(lèi)研究中的應(yīng)用潛力。

1 研究區(qū)概況

研究區(qū)位于黑龍江省尚志市帽兒山實(shí)驗(yàn)林場(chǎng)(127°18′～127°41′6″E,45°2′20″～45°18′16″N)，平均海拔高度300 m，最高海拔為805 m，坡度在10°～15°，屬長(zhǎng)白山系張廣才嶺西部小嶺余脈，屬中溫帶大陸性季風(fēng)氣候，是東北東部山區(qū)較典型的天然次生林區(qū)，主要植被類(lèi)型是溫帶針闊混交林[18]。主要樹(shù)種有白樺(Betulaplatyphylla)、水曲柳(Fraxinusmandshurica)、落葉松(Larixgmelinii)、榆樹(shù)(Ulmuspumila)、柞樹(shù)(QuercusmongolicaFisch)、紅松(PinuskoraiensisSieb.)、色木(AcerpictumThunb)和椴樹(shù)(TiliatuanSzyszyl.)等10多種。

2 研究方法

2.1 數(shù)據(jù)源和數(shù)據(jù)預(yù)處理

2.1.1 數(shù)據(jù)源

本研究的樣地調(diào)查數(shù)據(jù)采集于2019年8月，在研究區(qū)內(nèi)選取典型針闊混交林，設(shè)置100 m×100 m樣地，在樣地中以20 m為間隔設(shè)置子樣地，共計(jì)25個(gè)(如圖1所示)，對(duì)子樣地進(jìn)行每木檢尺，獲取單木的樹(shù)高、胸徑、冠幅、樹(shù)種等參數(shù)。采集時(shí)，利用實(shí)時(shí)動(dòng)態(tài)載波相位差分技術(shù)(RTK)標(biāo)記了各個(gè)子樣地中角點(diǎn)絕對(duì)位置以及每個(gè)單木在子樣地內(nèi)的相對(duì)位置。以株數(shù)量為標(biāo)準(zhǔn)，該林分內(nèi)的主要樹(shù)種為白樺、水曲柳、落葉松、榆樹(shù)和柞樹(shù)，同時(shí)還有少量的紅松、椴樹(shù)等其他樹(shù)種。

圖1 試驗(yàn)區(qū)基本概況

本研究中使用的無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)采集于2019年8月。掃描設(shè)備是由飛馬D200無(wú)人機(jī)平臺(tái)攜帶的超輕RIEGL mini VUX-1無(wú)人機(jī)激光雷達(dá)掃描儀。無(wú)人機(jī)按交叉條帶飛行，飛行高度為80 m，速度為5 m/s，條帶間有80 m的旁向重疊。激光雷達(dá)脈沖的掃描頻率為105 Hz，掃描速度約100次/s，每束激光最多能產(chǎn)生5次回波，點(diǎn)云的平均點(diǎn)密度為243.5個(gè)/m2。機(jī)載高光譜數(shù)據(jù)是由運(yùn)20型飛機(jī)攜帶AISA Eagle II高光譜傳感器對(duì)林分進(jìn)行掃描得到的。掃描覆蓋面積約360 km2，相對(duì)航高1 200 m，飛行速率約65 m/s，高光譜圖像的地面分辨率為1.5 m，共有64個(gè)波段，波譜范圍380～1 000 nm，光譜分辨率為3.3 nm。高光譜數(shù)據(jù)采集于2015年9月，雖然與無(wú)人機(jī)數(shù)據(jù)存在時(shí)間差，但二者均為生長(zhǎng)季采集，相對(duì)于季節(jié)性的周期變化，單木種內(nèi)光譜信息在相同生長(zhǎng)季保持相對(duì)穩(wěn)定[19]。同時(shí)，在數(shù)據(jù)采集間隔期內(nèi)，研究區(qū)內(nèi)沒(méi)有進(jìn)行過(guò)采伐等人為干擾活動(dòng)，也沒(méi)有發(fā)生過(guò)火災(zāi)、病蟲(chóng)害等自然干擾，因此可以認(rèn)為樣地內(nèi)的樹(shù)種及分布沒(méi)有變化。綜上所述，可以認(rèn)為時(shí)間差異對(duì)單木樹(shù)種分類(lèi)的結(jié)果影響較小。

2.1.2 激光雷達(dá)數(shù)據(jù)預(yù)處理

原始激光雷達(dá)數(shù)據(jù)的預(yù)處理包括航帶拼接、噪聲去除、數(shù)字高程模型(DEM)和CHM的生成、點(diǎn)云的高程歸一化處理以及單木分割等。

CHM是激光雷達(dá)遙感在林業(yè)應(yīng)用中的一個(gè)重要模型，能夠用于描述冠層的水平和垂直分布情況，從而勾繪出精確的樹(shù)冠輪廓[20]?；贑HM的單木分割可以以較小的時(shí)間成本快速識(shí)別樹(shù)冠頂點(diǎn)和樹(shù)冠輪廓。本研究對(duì)歸一化點(diǎn)云采用Khosravipour et al.[21]2016年提出的孔洞填充算法生成無(wú)孔洞的CHM。根據(jù)樣地點(diǎn)云密度與單木最小冠幅將CHM的空間分辨率設(shè)置為0.5 m。選擇這一空間分辨率既可以保證一定的分割精度[22]，也避免了和高光譜影像的空間分辨率差異過(guò)大。

使用標(biāo)記控制分水嶺分割算法[23]對(duì)CHM進(jìn)行單木分割以得到樣地內(nèi)單木樹(shù)冠邊界及單木結(jié)構(gòu)參數(shù)。利用實(shí)測(cè)數(shù)據(jù)的單木位置及冠幅作為參考對(duì)單木分割結(jié)果進(jìn)行評(píng)價(jià)。在單木分割基礎(chǔ)上，根據(jù)單木位置及樹(shù)冠邊界提取單木點(diǎn)云，以進(jìn)一步計(jì)算單木的樹(shù)冠形態(tài)特征。

2.1.3 圖像配準(zhǔn)和單木匹配

在提取單木特征之前，首先要將高光譜數(shù)據(jù)和激光雷達(dá)數(shù)據(jù)進(jìn)行配準(zhǔn)。本研究以樣地邊界內(nèi)的CHM圖像為基準(zhǔn)，將高光譜影像與CHM進(jìn)行相對(duì)配準(zhǔn)。由于樣地為林地，缺少可以用于配準(zhǔn)的標(biāo)志性地物。因此，本研究將形狀、大小、位置都較為明顯的林隙作為配準(zhǔn)依據(jù)，以林隙周?chē)^為明顯的單木作為控制點(diǎn)，用目視解譯的方法對(duì)不同圖像進(jìn)行了相對(duì)配準(zhǔn)，以高光譜圖像為參考，將位置誤差控制在0.5個(gè)像元內(nèi)。

將實(shí)測(cè)單木的位置與CHM圖像進(jìn)行相對(duì)配準(zhǔn)，隨后將激光雷達(dá)識(shí)別的樹(shù)冠和實(shí)測(cè)單木按樹(shù)冠位置進(jìn)行匹配[16]。根據(jù)研究區(qū)具體情況，定義實(shí)測(cè)單木與其匹配的LiDAR識(shí)別單木樹(shù)高誤差小于識(shí)別單木30%時(shí)，可以做為1∶1匹配單木，否則剔除不用。

2.2 特征提取與特征篩選

2.2.1 高光譜特征的提取

在單木分割的基礎(chǔ)上，本研究根據(jù)樣地內(nèi)的主要樹(shù)種，在每個(gè)樹(shù)種中隨機(jī)選取了10株單木樣本，并繪制其光譜曲線(xiàn)，作為光譜特征選取的依據(jù)(圖2)?？梢钥闯觯瑤讉€(gè)主要樹(shù)種在光譜上的差異主要集中在近紅外波段和“紅邊”部分，因此在光譜特征的選擇上，應(yīng)對(duì)相關(guān)的波段加以關(guān)注。因此，本研究使用高光譜數(shù)據(jù)的原始波段、最小噪聲分?jǐn)?shù)變換及主成分變換變量、植被指數(shù)作為單木樹(shù)種分類(lèi)的特征變量。其中，主成分變量選取了方差貢獻(xiàn)率在95%以上的部分，最小噪聲分?jǐn)?shù)變量則提取經(jīng)過(guò)最小噪聲分?jǐn)?shù)變換后，信噪比大于3的變量。具體的光譜特征變量見(jiàn)表1和表2。

圖2 5個(gè)主要樹(shù)種的光譜曲線(xiàn)

表1 光譜特征列表

表2 植被指數(shù)列表

2.2.2 LiDAR特征的提取

本研究同樣提取了激光雷達(dá)數(shù)據(jù)的高度、強(qiáng)度變量和葉面積指數(shù)等參數(shù)作為分類(lèi)特征，用于探究激光雷達(dá)變量的加入對(duì)分類(lèi)結(jié)果的影響。其中，高度變量包括高度平均絕對(duì)偏差、冠層起伏率、高度百分位數(shù)(5個(gè))及四分位間距、均值、標(biāo)準(zhǔn)差、方差、最小值、中位數(shù)、最大值、變異系數(shù)、偏度、峰度、高度累計(jì)百分位數(shù)(5個(gè))及四分位間距等共23個(gè)變量，強(qiáng)度變量包括平均絕對(duì)偏差、強(qiáng)度百分位數(shù)(5個(gè))及四分位間距、均值、標(biāo)準(zhǔn)差、方差、最小值、中位數(shù)、最大值、變異系數(shù)、偏度、峰度、累計(jì)百分位數(shù)(5個(gè))及四分位間距等共22個(gè)變量。其中，在高度、強(qiáng)度百分位數(shù)的選擇上，由于5%～10%間距的高度、強(qiáng)度百分位數(shù)具有共線(xiàn)性[24]。因此，本研究以25%為間隔，提取1%、25%、50%、75%、99%的高度及強(qiáng)度百分位數(shù)。

2.2.3 樹(shù)冠形態(tài)特征的提取

為了探究樹(shù)冠形態(tài)特征對(duì)單木樹(shù)種分類(lèi)的影響，本研究還利用無(wú)人機(jī)激光雷達(dá)數(shù)據(jù)提取了3個(gè)與樹(shù)冠形態(tài)有關(guān)的參數(shù)[25]，分別為樹(shù)冠率指數(shù)(RCi)、冠形率指數(shù)(RCSi)、樹(shù)冠體積比(RVH)。在進(jìn)行分類(lèi)之前，對(duì)取得的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以降低因不同屬性的數(shù)據(jù)數(shù)值的差異對(duì)分類(lèi)造成的影響[26]。3種樹(shù)冠形態(tài)特征及其計(jì)算方式如下：

LCi=VC/AC,

(1)

RCi=LCi/H,

(2)

RCSi=LCi/WC,

(3)

RVH=VC/H。

(4)

式中：H為探測(cè)樹(shù)高；WC為探測(cè)冠幅；AC為探測(cè)冠面積；VC為探測(cè)冠體積；LCi為冠長(zhǎng)指數(shù)。

2.2.4 特征變量的篩選

本研究采用隨機(jī)森林的OOB(袋外數(shù)據(jù))檢驗(yàn)結(jié)果對(duì)變量的重要性進(jìn)行排序和篩選[27]。隨機(jī)森林的OOB檢驗(yàn)原理是在隨機(jī)森林的每一次抽取時(shí)，將未被抽取的“袋外數(shù)據(jù)”作為檢驗(yàn)樣本，對(duì)分類(lèi)器精度進(jìn)行檢驗(yàn)。同時(shí)將每個(gè)分類(lèi)參數(shù)分別置換為隨機(jī)數(shù)，對(duì)比其對(duì)分類(lèi)結(jié)果的影響，由此得到各個(gè)變量的重要性[28]。本研究以平均下降精度(MDA)和平均基尼系數(shù)衰減(MDG)兩個(gè)指標(biāo)作為衡量變量重要性的依據(jù)。其中MDA表示將該變量用隨機(jī)數(shù)替換后，分類(lèi)精度的下降情況;MDG表示計(jì)算每個(gè)變量對(duì)分類(lèi)樹(shù)每個(gè)節(jié)點(diǎn)上觀(guān)測(cè)值的異質(zhì)性的影響。二者都是數(shù)值越大，對(duì)分類(lèi)的影響越大。根據(jù)OOB檢驗(yàn)結(jié)果，篩選掉重要性較低的變量，多次篩選直到得到精度符合要求的變量組合。

2.3 分類(lèi)方案

本研究以樣地內(nèi)的白樺、水曲柳、落葉松、榆樹(shù)和柞樹(shù)5個(gè)樹(shù)種作為分類(lèi)對(duì)象。其他樹(shù)種由于在樣地內(nèi)數(shù)量過(guò)少，無(wú)法有效區(qū)分訓(xùn)練集和測(cè)試集，因此不作為分類(lèi)目標(biāo)。本研究共設(shè)計(jì)8種單木樹(shù)種分類(lèi)的方案，具體分類(lèi)方案見(jiàn)表3。其中方案1、3、5和7對(duì)應(yīng)方案2、4、6和8用于對(duì)比兩種機(jī)器學(xué)習(xí)分類(lèi)器在單木樹(shù)種分類(lèi)上的優(yōu)劣；方案1～6用于對(duì)比單一數(shù)據(jù)源和多源遙感協(xié)同分類(lèi)效果的差異；方案7和8相對(duì)于方案5和6，主要用于探究樹(shù)冠形態(tài)特征對(duì)分類(lèi)的影響。

表3 8組分類(lèi)方案簡(jiǎn)介

2.4 機(jī)器學(xué)習(xí)算法分類(lèi)及精度評(píng)價(jià)

為保證訓(xùn)練樣本和測(cè)試樣本中各個(gè)樹(shù)種分布均衡，本研究采用分層抽樣的方法將樣本分成5組，使用5折交叉檢驗(yàn)的方式評(píng)價(jià)不同分類(lèi)器在不同樣本和變量下的分類(lèi)效果。對(duì)不同樣本的分類(lèi)結(jié)果進(jìn)行分析，對(duì)比不同分類(lèi)器以及不同樣本之間分類(lèi)精度的差異，并對(duì)差異做出討論。最后，將激光雷達(dá)提取的樹(shù)冠形態(tài)特征加入分類(lèi)器中，用相同方式對(duì)模型進(jìn)行檢驗(yàn)，對(duì)比這些變量加入前后分類(lèi)結(jié)果的差異，評(píng)價(jià)這些參數(shù)對(duì)單木樹(shù)種分類(lèi)的精度影響。本研究使用以下4個(gè)指標(biāo)評(píng)價(jià)分類(lèi)精度，分別是每個(gè)類(lèi)的生產(chǎn)者精度(AP)和用戶(hù)精度(AU)，以及模型的總體精度(AO)和Kappa系數(shù)(Ikappa)，兩種分類(lèi)器均在R語(yǔ)言環(huán)境下進(jìn)行構(gòu)建。指標(biāo)的計(jì)算方法如下：

AP=(Xii/N)×100%，

(5)

AU=(Xii/X+i)×100%，

(6)

AO=(Xii/Xi+)×100%，

(7)

(8)

式中：Xii是檢驗(yàn)樣本中為第i類(lèi)樹(shù)種且分類(lèi)結(jié)果正確的總數(shù)；X+i是被識(shí)別為第i類(lèi)樹(shù)種檢驗(yàn)樣本總數(shù)；Xi+為第i類(lèi)樹(shù)種的檢驗(yàn)樣本總數(shù)；N為檢驗(yàn)樣本數(shù)量；r為單木種類(lèi)數(shù)。

3 結(jié)果與分析

3.1 圖像匹配和單木分割

由于樣地林分密度較大，因此樹(shù)冠會(huì)出現(xiàn)互相遮擋的情況，致使低矮單木的樹(shù)冠無(wú)法在遙感影像上或是激光雷達(dá)上探測(cè)出來(lái)。因此，在進(jìn)行單木匹配之前，本研究對(duì)枯死木和被遮擋的低矮單木進(jìn)行了剔除，剔除后，共得到單木854株。通過(guò)單木匹配，得到完全匹配的單木共計(jì)719株，單木匹配的生產(chǎn)者精度為80.7%，用戶(hù)精度為84.2%。圖3中紅色方框?yàn)橥涣窒稑?biāo)識(shí)物，可以看出，兩種遙感數(shù)據(jù)匹配的效果良好，樣地內(nèi)成功匹配的單木位置如圖4所示。最終用于分類(lèi)的樣本及數(shù)量分別為：白樺258株、落葉松84株、水曲柳167株、榆樹(shù)60株、柞樹(shù)67株。

圖3 按林隙配準(zhǔn)柵格圖像

圖4 成功匹配單木分布圖

3.2 特征變量的篩選

根據(jù)隨機(jī)森林OOB檢驗(yàn)對(duì)兩種遙感數(shù)據(jù)所提取的分類(lèi)特征變量進(jìn)行篩選，結(jié)果如圖5所示。其中，僅以高光譜數(shù)據(jù)作為單一數(shù)據(jù)源時(shí)，提取了12個(gè)變量；僅以L(fǎng)iDAR數(shù)據(jù)作為單一數(shù)據(jù)源時(shí)，提取了13個(gè)變量；同時(shí)使用高光譜和LiDAR數(shù)據(jù)時(shí)，提取了15個(gè)變量(表5)。高光譜數(shù)據(jù)提取的變量的重要性比LiDAR提取的變量的重要性更高。LiDAR提取的變量中，高度變量的重要性要高于強(qiáng)度變量。僅使用高光譜數(shù)據(jù)時(shí)，最重要的變量為第1主成分變換變量和第54波段。僅使用LiDAR數(shù)據(jù)時(shí)，高度平均數(shù)和累計(jì)高度50%分位數(shù)重要性最高。

表5 各個(gè)變量對(duì)分類(lèi)的影響

3.3 分類(lèi)結(jié)果

對(duì)樣地內(nèi)各樹(shù)種的分類(lèi)結(jié)果如表6和表7所示。多源遙感協(xié)同分類(lèi)的整體精度要明顯高于使用單一數(shù)據(jù)源分類(lèi)的精度。其中，多源遙感數(shù)據(jù)協(xié)同結(jié)合隨機(jī)森林進(jìn)行分類(lèi)的精度最高，為80.53%，而僅采用LiDAR數(shù)據(jù)作為單一數(shù)據(jù)源結(jié)合BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)方案精度最低，為51.33%。對(duì)比不同分類(lèi)器，隨機(jī)森林的分類(lèi)精度要高于BP神經(jīng)網(wǎng)絡(luò)，平均高4.2%。在5個(gè)分類(lèi)樹(shù)種中，白樺的分類(lèi)精度相較于其他樹(shù)種較高。

表6 前6組分類(lèi)方案樹(shù)種分類(lèi)結(jié)果

加入樹(shù)冠形態(tài)特征后，得到分類(lèi)結(jié)果如表8所示。對(duì)比方案5和6，加入樹(shù)冠形態(tài)特征后，模型的整體精度平均提高了1.19%。其中，對(duì)于落葉松的識(shí)別精度提高較為明顯，平均提高了5.98%。本研究最終采用分類(lèi)精度最高的方案7對(duì)樣地內(nèi)的樹(shù)種進(jìn)行分類(lèi)，分類(lèi)結(jié)果如圖5所示。

表7 前6組分類(lèi)方案的模型精度

表8 加入樹(shù)冠輪廓因子后的分類(lèi)結(jié)果

圖5 樣地內(nèi)樹(shù)種分類(lèi)結(jié)果

4 討論

通過(guò)對(duì)比不同分類(lèi)方案的分類(lèi)結(jié)果可以看出，多元遙感協(xié)同進(jìn)行單木樹(shù)種分類(lèi)的精度要略高于只使用單一數(shù)據(jù)源的分類(lèi)結(jié)果。在使用多源遙感數(shù)據(jù)時(shí)，高光譜數(shù)據(jù)可以提供更為豐富的光譜信息，LiDAR數(shù)據(jù)則補(bǔ)充了冠層垂直結(jié)構(gòu)上的信息，使得分類(lèi)器對(duì)于單個(gè)樹(shù)種特征的識(shí)別更為充分，從而可以獲得更高的精度[29-30]。分樹(shù)種來(lái)看，僅使用光譜特征時(shí)，白樺和柞樹(shù)的分類(lèi)效果較好，精度在70%以上。這是由于這二者的光譜特異性表現(xiàn)更為明顯且樣本數(shù)也較多，以往也有研究得出過(guò)類(lèi)似的結(jié)論[31]。僅使用LiDAR數(shù)據(jù)時(shí)，落葉松的分類(lèi)精度較高，這是因?yàn)槁淙~松是本研究選取的5個(gè)樹(shù)種中唯一的針葉樹(shù)種，LiDAR數(shù)據(jù)很好地反映了針、闊葉樹(shù)種在垂直結(jié)構(gòu)上的差異。

對(duì)比方案1、3、5、7和2、4、6、8的分類(lèi)結(jié)果可以看出，隨機(jī)森林的分類(lèi)精度和Kappa系數(shù)相比與BP神經(jīng)網(wǎng)絡(luò)更高，這證明隨機(jī)森林分類(lèi)器在單木樹(shù)種分類(lèi)應(yīng)用中的準(zhǔn)確性和可靠性更高。隨機(jī)森林可以提供多個(gè)決策樹(shù)的不同解釋?zhuān)诜诸?lèi)問(wèn)題上具有更好的性能，而神經(jīng)網(wǎng)絡(luò)算法則對(duì)數(shù)據(jù)量要求較高，需要較大的數(shù)據(jù)量才能取得更好的分類(lèi)效果[32]。由于本研究采用的數(shù)據(jù)樣本量相對(duì)較少，因此很難發(fā)揮BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的的優(yōu)勢(shì)。

對(duì)比方案7、8和方案5、6的分類(lèi)結(jié)果可以看出，樹(shù)冠形態(tài)特征的加入使得單木樹(shù)種識(shí)別精度平均提高了1.19%。雖然LiDAR提取的高度、強(qiáng)度變量可以一定程度上反映單木樹(shù)冠在垂直方向上的結(jié)構(gòu)特性，但難以描述樹(shù)冠整體的形態(tài)特征[33]。相比之下，本研究提取的樹(shù)冠形態(tài)特征參數(shù)可以更好的描述樹(shù)冠整體的形態(tài)，從而補(bǔ)充了樹(shù)冠在垂直方向上的結(jié)構(gòu)信息。由于各個(gè)樹(shù)種樹(shù)冠形狀存在差異，因此引入樹(shù)冠形態(tài)特征可以進(jìn)一步提高單木樹(shù)種分類(lèi)的精度。此外，加入樹(shù)冠形態(tài)特征變量后，落葉松識(shí)別精度的提高最為明顯。這是因?yàn)獒橀熑~的樹(shù)冠形狀差異更大[34]。但是因?yàn)闃拥貎?nèi)的各個(gè)闊葉樹(shù)之間樹(shù)冠的形態(tài)差異較小，且樣地內(nèi)林分密度較大并存在樹(shù)冠重疊的現(xiàn)象，因此分類(lèi)精度提升幅度較小。不同樹(shù)種的樹(shù)冠點(diǎn)云如圖6。

圖6 5個(gè)主要樹(shù)種的點(diǎn)云

與此同時(shí)，本研究存在一些不足之處。首先，研究中采用的高光譜數(shù)據(jù)與實(shí)地?cái)?shù)據(jù)的采集時(shí)間相差4 a，這可能導(dǎo)致遙感圖像所提取的光譜曲線(xiàn)與樣地樹(shù)木的實(shí)際光譜存在一定的差異。其次，本研究選取的范圍較小，且樹(shù)種的數(shù)量并不平衡，導(dǎo)致部分樹(shù)種無(wú)法進(jìn)行分類(lèi)，這些不足將在日后的研究中加以彌補(bǔ)。

5 結(jié)論

本研究以無(wú)人機(jī)激光雷達(dá)及機(jī)載高光譜數(shù)據(jù)為數(shù)據(jù)源，結(jié)合機(jī)器學(xué)習(xí)算法，探討了8種分類(lèi)方案下的單木樹(shù)種分類(lèi)結(jié)果。結(jié)果表明，相較于使用單一數(shù)據(jù)源，多源遙感協(xié)同分類(lèi)的分類(lèi)精度有顯著提高。且在使用單一數(shù)據(jù)源時(shí)，高光譜數(shù)據(jù)的分類(lèi)精度要高于激光雷達(dá)數(shù)據(jù)。隨機(jī)森林分類(lèi)器在單木樹(shù)種分類(lèi)中的應(yīng)用效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。無(wú)人機(jī)激光雷達(dá)所提取樹(shù)冠形態(tài)參數(shù)能夠有效提高單木樹(shù)種的識(shí)別精度，尤其在針、闊葉樹(shù)種的區(qū)分上具有較大的潛力。