陳健昌，陳一銘，劉正軍

(1.蘭州交通大學(xué) 測繪與地理信息學(xué)院，蘭州 730070；2.中國測繪科學(xué)研究院，北京 100036；3.地理國情監(jiān)測技術(shù)應(yīng)用國家地方聯(lián)合工程研究中心，蘭州 730070；4.甘肅省地理國情監(jiān)測工程實(shí)驗室，蘭州 730070)

0 引言

激光雷達(dá)(light detection and ranging，LiDAR)是一種能精確、快速獲取研究對象坐標(biāo)、反射強(qiáng)度的主動遙感技術(shù)[1-2]，已被應(yīng)用于三維重建[3]、自動駕駛[4]、電力巡線[5]、農(nóng)業(yè)規(guī)劃[6]、室內(nèi)定位[7]等研究領(lǐng)域，并取得理想效果。

近年來LiDAR也被應(yīng)用于林業(yè)樹種分類識別，許多學(xué)者通過獲取的樹木激光點(diǎn)云提取結(jié)構(gòu)、紋理、冠型等典型特征參數(shù)，利用機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)樹種分類。陳向宇等[8]提出基于地基激光雷達(dá)點(diǎn)云的樹種分類，通過提取水杉、柳樹、女貞、竹子和蘋果樹的結(jié)構(gòu)特征參數(shù)、紋理特征參數(shù)、冠形特征參數(shù)，使用支持向量機(jī)(support vector machine，SVM)分類算法進(jìn)行樹種分類研究，精度可達(dá)85%。Cao 等[9]使用機(jī)載點(diǎn)云基于體素的復(fù)合波形方法提取全波形指標(biāo)，并利用隨機(jī)森林分類器對六種亞熱帶樹種進(jìn)行分類，結(jié)果表明分六類時精度為68.6%，四類為75.8%，只分針葉樹和闊葉樹為86.2%。王佳等[10]使用地面激光雷達(dá)點(diǎn)云提取立木胸徑、枝下高、樹高、冠高、最長冠幅、垂直最長方向冠幅六個測樹因子，同時提取冠長樹高比、胸徑樹高比、冠高樹高比、分枝角、冠長最大冠幅之比、最長冠幅與垂直方向冠幅之比參數(shù)，采用SVM、分類回歸決策樹和隨機(jī)森林的方法，根據(jù)大量參數(shù)對樹種冠幅自動識別。實(shí)驗結(jié)果表明，組合特征參數(shù)法識別精度高于測樹因子法，隨機(jī)森林算法與其他算法相比效果最好。Sothe等[11]使用無人機(jī)影像密集匹配生成的點(diǎn)云和高光譜數(shù)據(jù)并將其提取的特征參數(shù)相結(jié)合，通過SVM對亞熱帶森林中的樹種分類，實(shí)驗結(jié)果表明樹種分類的總體精度為72.4%，Kappa系數(shù)為0.7。Terryn等[12]提取樹木的17個結(jié)構(gòu)特征，根據(jù)這些結(jié)構(gòu)特征使用KNN(k-nearestneighbor)、邏輯回歸算法和SVM進(jìn)行樹種分類。Harikumar等[13]提出一種基于樹冠量化的樹種分類方法，將整個三維樹冠量化為更小的體積元，從而有效地捕捉樹冠的莖、枝、葉和空冠體積的空間分布，最后使用SVM進(jìn)行分類，實(shí)驗結(jié)果表明該方法更容易識別樹冠特征，進(jìn)而更容易識別樹木種類?，F(xiàn)有研究多采用遙感影像與激光雷達(dá)數(shù)據(jù)聯(lián)合進(jìn)行樹種分類，方法適用于大范圍樣區(qū)，但機(jī)載激光雷達(dá)難以準(zhǔn)確獲取樹冠下層數(shù)據(jù)。而地基LiDAR存在難以獲取完整樹冠信息的問題，樹種分類主要基于機(jī)器學(xué)習(xí)算法，需要提取并輸入大量的樹木結(jié)構(gòu)特征參數(shù)，增加了數(shù)據(jù)預(yù)處理的時間和難度。

近年來，深度學(xué)習(xí)技術(shù)已被廣泛應(yīng)用于圖像分類和點(diǎn)云分類研究，但用于激光點(diǎn)云樹種分類的研究較少。本文提出一種基于點(diǎn)云深度學(xué)習(xí)模型的地基激光雷達(dá)點(diǎn)云數(shù)據(jù)林區(qū)樹種分類識別方法PointNet-GS(pointnet geometric sampling)。與PointNet使用均勻采樣法進(jìn)行數(shù)據(jù)下采樣不同，本文提出的PointNet-GS使用幾何采樣法對數(shù)據(jù)下采樣處理，對局部特征的提取更有優(yōu)勢。

1 研究方法

深度學(xué)習(xí)算法在圖像分類識別、目標(biāo)檢測、語義分割等領(lǐng)域取得顯著效果，大量研究結(jié)果表明深度學(xué)習(xí)算法可解決常規(guī)方法無法解決的問題。于是研究人員嘗試使用深度學(xué)習(xí)方法處理點(diǎn)云數(shù)據(jù)，方法可分為三類：基于多視圖的方法[14]、基于體素的方法[15]、點(diǎn)云端到端直接學(xué)習(xí)方法[16]。將點(diǎn)云數(shù)據(jù)轉(zhuǎn)為多視圖或體素數(shù)據(jù)均存在轉(zhuǎn)換繁瑣、特征丟失、計算復(fù)雜的問題。本研究為解決林業(yè)單木點(diǎn)云數(shù)據(jù)難以直接作為訓(xùn)練樣本輸入深度學(xué)習(xí)模型和數(shù)據(jù)轉(zhuǎn)換過程中存在的特征丟失問題，使用點(diǎn)云數(shù)據(jù)端到端直接學(xué)習(xí)的方法進(jìn)行模型訓(xùn)練。通過對PointNet采樣方法的改進(jìn)，提出PointNet-GS，實(shí)現(xiàn)了樹種精確分類。PointNet-GS主要由三部分組成：輸入點(diǎn)云樣本的采樣處理、聚合特征信息處理、輸入特征對齊網(wǎng)絡(luò)，如圖1所示。

圖1 PointNet-GS設(shè)計圖

1.1 輸入點(diǎn)云樣本的采樣處理

首先，計算單木點(diǎn)云樣本每個點(diǎn)的K鄰域，因為分割后的單木組成樣本點(diǎn)數(shù)量不一致，鄰域范圍閾值可根據(jù)單木點(diǎn)云樣本點(diǎn)數(shù)與網(wǎng)絡(luò)輸入特征點(diǎn)數(shù)的比值向上取整設(shè)置。假設(shè)曲面z=r(x，y)逼近該鄰域點(diǎn)云，這個點(diǎn)的曲率可用該區(qū)域曲面的曲率來表示，因此只需提取該區(qū)域曲率即可。其次，使用最小二乘擬合曲面，表達(dá)如式(1)至式(2)所示。

z(x，y)=ax2+bxy+cy2

(1)

(2)

式中：a、b、c為曲面公式擬合系數(shù)；x、y、z為鄰域內(nèi)點(diǎn)的坐標(biāo)；Q為殘差；k為鄰域內(nèi)點(diǎn)的個數(shù)；i(1≤i≤k)為鄰域內(nèi)點(diǎn)的索引號。對式(2)求導(dǎo)可得式(3)。

(3)

式(3)中符號含義與式(1)和式(2)相同。求出曲面近似方程參數(shù)后，再求出平均曲率H，表達(dá)如式(4)所示。

(4)

1.2 聚合特征信息處理

輸入的單木點(diǎn)云是由一定數(shù)量的三維離散點(diǎn)組成。通過卷積操作聚合每個點(diǎn)的特征，并將其升至更高維度空間，進(jìn)一步提取特征。每個單木點(diǎn)云都是向量的無序集合，為保持輸入模型排列不變性，將輸入點(diǎn)云按照一定的規(guī)范進(jìn)行排序。為減少損失幾何點(diǎn)信息，采用多層感知機(jī)(multilayer perceptron，MLP)提取點(diǎn)特征并對特征點(diǎn)進(jìn)行升維得到高維特征。最后使用對稱函數(shù)來聚合每個點(diǎn)的信息，對稱函數(shù)的實(shí)質(zhì)如式(5)所示。

f({dv})=g(h(dv))

(5)

式中：dv(v=1，2，3…)為輸入網(wǎng)絡(luò)點(diǎn)數(shù)據(jù)；h(dv)為特征升維函數(shù)；g(h(dv))為最大池化特征聚合函數(shù)。

1.3 輸入特征對齊網(wǎng)絡(luò)

引入T-Net網(wǎng)絡(luò)實(shí)現(xiàn)仿射變化矩陣的預(yù)測，將這個變化直接應(yīng)用到輸入點(diǎn)坐標(biāo)上。T-Net網(wǎng)絡(luò)結(jié)構(gòu)與整體網(wǎng)絡(luò)結(jié)構(gòu)相似，由點(diǎn)特征提取、最大池化、全連接層組成。這個小型神經(jīng)網(wǎng)絡(luò)根據(jù)輸入數(shù)據(jù)生成變換參數(shù)，輸入數(shù)據(jù)與變換矩陣相乘。第一個T-Net生成3×3的點(diǎn)旋轉(zhuǎn)矩陣，與輸入矩陣相乘得到點(diǎn)對齊矩陣。經(jīng)過MLP提取點(diǎn)特征后，數(shù)據(jù)輸入第二個T-Net，生成64×64的特征旋轉(zhuǎn)矩陣，與輸入矩陣相乘再次得到特征對齊矩陣。之后通過最大池化操作得到全局特征，MLP進(jìn)行分類預(yù)測。

教師在教學(xué)中通過實(shí)際例子導(dǎo)出概念、公理、性質(zhì)和規(guī)律，充分利用這些實(shí)例，讓學(xué)生親自動手操作、體驗、總結(jié)和歸納，從而得到結(jié)論；充分利用教材中的練習(xí)題、想一想、選做題、復(fù)習(xí)題等習(xí)題，注意“閱讀材料”，課堂上適時運(yùn)用，逐步使學(xué)生體會到數(shù)學(xué)應(yīng)用社會實(shí)踐，進(jìn)而將實(shí)踐操作變?yōu)閷W(xué)好數(shù)學(xué)的自覺行動；重視學(xué)具制作，把數(shù)學(xué)與學(xué)生實(shí)際相聯(lián)系，在課外活動中感到生活中處處有數(shù)學(xué)，喚起學(xué)習(xí)數(shù)學(xué)的激情，培養(yǎng)的實(shí)踐能力，達(dá)到學(xué)知識用知識的目的。

具體流程如下。先將每個單木點(diǎn)云經(jīng)PointNet-GS中的幾何下采樣處理保留1 024個點(diǎn)，每個點(diǎn)的維度均是三維(x，y，z)，整個單木點(diǎn)云構(gòu)成1 024×3的特征矩陣，與T-Net生成3×3矩陣相乘，得到1 024×3的對齊矩陣。經(jīng)過MLP將每個特征點(diǎn)映射到64維空間。用另一個T-Net生成的64×64的矩陣與之相乘，得到1 024×64的特征對齊矩陣。再次通過MLP將每個特征點(diǎn)映射到1 024維，得到1 024×1 024的特征矩陣。最后通過最大池化操作，對稱函數(shù)得到1×1 024維的全局特征，再經(jīng)過一個MLP后，使用softmax函數(shù)計算單木樹種類別概率，選概率最大的作為預(yù)測結(jié)果，表達(dá)如式(6)所示。

(6)

式中：r表示類別數(shù)；yw為輸出概率；yu為輸入神經(jīng)元值；e為自然常數(shù)。使用交叉熵計算各分類損失，評估真實(shí)樣本與預(yù)測樣本之間差距，表達(dá)如式(7)所示。

(7)

式中：qn為真實(shí)單木樣本；pn為預(yù)測概率；N為批次樣本數(shù)；n為樣本索引。

2 實(shí)驗與結(jié)果分析

實(shí)驗設(shè)計如圖2所示。對獲取的原始數(shù)據(jù)進(jìn)行預(yù)處理主要包括數(shù)據(jù)去噪、分離地面點(diǎn)、點(diǎn)云歸一化等操作。之后單木分割、挑選訓(xùn)練和測試樣本，制作數(shù)據(jù)集。最后訓(xùn)練模型，完成樹種分類，評估模型精度。

圖2 實(shí)驗流程圖

2.1 實(shí)驗數(shù)據(jù)

本文研究區(qū)是河北省塞罕壩機(jī)械林場(117°23′50.420 4″E，42°22′0.404 4″N)，實(shí)驗數(shù)據(jù)是2020年8月份采集的落葉松和白樺兩個樹種。由于樹木之間遮擋影響架站通視性，將樣地分為四個小樣地，待每個樣地掃描結(jié)束后將其拼接為整個研究區(qū)域。地基激光雷達(dá)掃描數(shù)據(jù)范圍較大，遠(yuǎn)超過所劃定的樣地范圍，因此在樣地四個角點(diǎn)樹干上纏旗子作為標(biāo)志，便于樣地數(shù)據(jù)裁剪。

林區(qū)激光雷達(dá)數(shù)據(jù)獲取時，地形環(huán)境相對復(fù)雜，易產(chǎn)生大量離群點(diǎn)。高斯濾波算法根據(jù)距離均值和方差消除范圍以外的離群點(diǎn)適用于此環(huán)境，因此選擇高斯濾波消除噪聲[17]。林地存在大量雜草和低灌叢，會影響地面點(diǎn)分離效果。地面點(diǎn)和非地面點(diǎn)臨界區(qū)域也非常模糊，導(dǎo)致常規(guī)地面濾波算法參數(shù)設(shè)置困難，因此選擇參數(shù)設(shè)置簡單的點(diǎn)云地面點(diǎn)濾波(cloth simulation filter，CSF)算法分離地面點(diǎn)[18]，對參數(shù)的設(shè)置要根據(jù)森林樣地的現(xiàn)場勘察。樹種識別分類的基礎(chǔ)和前提是準(zhǔn)確的單木分割。目前，常見單木分割算法包括分水嶺分割算法[19]、影像與點(diǎn)云匹配分割算法[20]、圖分割算法[21]等。由于分水嶺算法在單木分割領(lǐng)域應(yīng)用廣泛，適合大多數(shù)單木分割場景，因此本文使用分水嶺算法進(jìn)行單木分割。分水嶺分割算法主要利用圖像分割技術(shù)進(jìn)行單木分割，具體如下：①將點(diǎn)云數(shù)據(jù)經(jīng)過投影轉(zhuǎn)為圖像；②設(shè)置滑動窗口提取圖像局部最高點(diǎn)，將局部最高點(diǎn)作為樹頂；③通過種子點(diǎn)區(qū)域增長法提取單木。單木分割效果取決于滑動窗口設(shè)置大小。當(dāng)窗口設(shè)置過大，局部最高點(diǎn)漏檢，出現(xiàn)漏分割現(xiàn)象；滑動窗口設(shè)置過小，局部最高點(diǎn)過多則出現(xiàn)過分割現(xiàn)象。因此，參數(shù)設(shè)置應(yīng)考慮樣地面積和單木數(shù)量，單木分割流程如圖3所示。

圖3 單木分割流程圖

從所有樣本中選出分割完整的落葉松300棵、白樺260棵，按照訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集比例8∶2劃分。單木點(diǎn)云樣本從多個角度轉(zhuǎn)為圖像，為保持其他模型與PointNet-GS的訓(xùn)練和測試樣本數(shù)量一致，挑選落葉松圖像300張、白樺260張，同樣劃分比例為8∶2。體素訓(xùn)練樣本和測試樣本也按照上述比例劃分，各樣本屬性如表1所示。

表1 單木樣本屬性

2.2 實(shí)驗分析

使用PointNet-GS對落葉松和白樺單木點(diǎn)云數(shù)據(jù)下采樣效果如圖4所示。由于不同樹種之間樹木結(jié)構(gòu)的差異性，各樹種之間的外形輪廓差距明顯，尤其是冠層和樹干部分。突出其局部特征更易使網(wǎng)絡(luò)進(jìn)行特征提取。如圖4所示，PointNet-GS在局部特征提取保留原始信息的效果非常明顯。

圖4 點(diǎn)云數(shù)據(jù)下采樣

1)點(diǎn)云端到端。通過實(shí)驗分析，PointNet-GS開始趨向穩(wěn)定時，訓(xùn)練精度為0.781，對應(yīng)的損失函數(shù)也在此范圍內(nèi)有明顯變化。當(dāng)訓(xùn)練結(jié)束時，模型訓(xùn)練精度到達(dá)0.887，損失函數(shù)為0.263。由于PointNet-GS提取了更加明顯的特征，所以模型精度以及損失函數(shù)在后期出現(xiàn)的波動相對較小。PointNet與PointNet-GS幾乎同時開始趨向穩(wěn)定，隨著模型的繼續(xù)訓(xùn)練其損失函數(shù)波動相對較大。造成波動的原因有兩方面：①數(shù)據(jù)訓(xùn)練樣本數(shù)量相對較少，使用均勻采樣保留樣本局部特征信息較少；②參數(shù)設(shè)置問題，學(xué)習(xí)率設(shè)置過大，樣本批次設(shè)置過小，使得梯度和訓(xùn)練精度出現(xiàn)震蕩，模型收斂困難。當(dāng)訓(xùn)練結(jié)束時，模型的訓(xùn)練精度達(dá)到0.874,接近本文所提出的方法，損失函數(shù)為0.41。

2)點(diǎn)云轉(zhuǎn)體素。體素數(shù)據(jù)的特征取決于體素網(wǎng)格原點(diǎn)、分辨率、方向，通過卷積、池化、全連接層等操作提取特征。經(jīng)過單木分割提取的單木點(diǎn)云數(shù)據(jù)，將其轉(zhuǎn)為三維體素數(shù)據(jù)，本文使用VoxNet對樹種進(jìn)行分類識別。與PointNet-GS和PointNet相比，VoxNet訓(xùn)練開始逐漸趨向穩(wěn)定比較緩慢。由于點(diǎn)云數(shù)據(jù)體素化會造成幾何信息缺失，描述的對象不具有完整性，并且體素數(shù)據(jù)計算成本又遠(yuǎn)高于點(diǎn)云數(shù)據(jù)，因此需要更多的訓(xùn)練才能趨向穩(wěn)定。訓(xùn)練數(shù)據(jù)集的樣本數(shù)量受限使得VoxNet模型訓(xùn)練趨向穩(wěn)定的過程中損失函數(shù)變化較大。當(dāng)訓(xùn)練結(jié)束時，模型訓(xùn)練精度為0.886，與上述兩種方法的模型訓(xùn)練精度相近，損失函數(shù)為0.102。

3)點(diǎn)云轉(zhuǎn)圖像。點(diǎn)云數(shù)據(jù)轉(zhuǎn)為二維圖像后，按之前劃分的樣本比例分別輸入AlexNet、Vgg19、ResNet101。AlexNet網(wǎng)絡(luò)層數(shù)少，結(jié)構(gòu)簡潔，參數(shù)量較少，開始趨向穩(wěn)定時模型訓(xùn)練精度為0.72，訓(xùn)練結(jié)束時模型訓(xùn)練精度為0.75，訓(xùn)練模型精度已難以提升，此時損失函數(shù)為0.193。使用Vgg19對同樣的圖像數(shù)據(jù)進(jìn)行訓(xùn)練，模型訓(xùn)練精度持續(xù)波動，訓(xùn)練結(jié)束時模型訓(xùn)練精度為0.795。在模型訓(xùn)練過程中，損失函數(shù)也出現(xiàn)了較大波動，但其波動連續(xù)性較短，之后趨向于收斂，訓(xùn)練結(jié)束時損失函數(shù)為0.263。與前兩種模型相比，ResNet101結(jié)構(gòu)相對復(fù)雜，卷積神經(jīng)網(wǎng)絡(luò)層數(shù)較多，模型訓(xùn)練趨向穩(wěn)定時的精度為0.855。隨著模型繼續(xù)訓(xùn)練，ResNet101也出現(xiàn)了與Vgg19同樣的現(xiàn)象，訓(xùn)練精度出現(xiàn)較大幅度波動，訓(xùn)練結(jié)束時模型訓(xùn)練精度為0.895，與AlexNet和Vgg19相比，模型訓(xùn)練精度提高了0.145和0.1。

總結(jié)以上三種方法，AlexNet模型精度難以提升的原因是單木分割樣本較少，轉(zhuǎn)為二維圖像數(shù)量有限，訓(xùn)練樣本較少，模型通過卷積操作提取特征較少；Vgg19和ReNet101出現(xiàn)同樣問題，主要原因是模型結(jié)構(gòu)較為復(fù)雜，網(wǎng)絡(luò)層數(shù)和參數(shù)較多，而訓(xùn)練樣本受單木提取樣本數(shù)量和特征的限制，又為保持實(shí)驗訓(xùn)練樣本與三維深度學(xué)習(xí)模型訓(xùn)練樣本數(shù)量一致性，訓(xùn)練樣本較少，從而出現(xiàn)這種現(xiàn)象。

2.3 模型精度評估

本文引入準(zhǔn)確率(accuracy)、精確率(precision)、召回率(recall)以及Kappa系數(shù)來評估各模型性能。提取兩種樹的胸徑、樹高、冠幅參數(shù)，使用SVM、KNN、隨機(jī)森林(random forest，RF)機(jī)器學(xué)習(xí)算法，根據(jù)提取的參數(shù)對樹種進(jìn)行識別分類，與深度學(xué)習(xí)模型精度進(jìn)行比較。

用訓(xùn)練模型對測試數(shù)據(jù)集進(jìn)行樹種分類。通過表2可知，本文使用的PointNet-GS方法對落葉松精確率達(dá)到0.914，白樺的召回率為0.904，樹種識別分類準(zhǔn)確度達(dá)到0.893，Kappa系數(shù)為0.785，均為所有模型最高。與PointNet相比，模型測試精度高出0.027，Kappa系數(shù)高出0.054，其他精度評估指標(biāo)均低于本文方法，說明幾何采樣更加適用于樹種分類中的單木樣本下采樣。VoxNet樹種分類精度評估指標(biāo)均低于PointNet-GS和PointNet，證明數(shù)據(jù)類型轉(zhuǎn)換使數(shù)據(jù)丟失了特征信息，模型無法提取更多特征，因此將點(diǎn)云直接訓(xùn)練得到模型樹種分類效果優(yōu)于轉(zhuǎn)為三維體素的效果。ResNet101在分類中，測試精度為0.875，Kappa系數(shù)為0.748，與Vgg19相比分別高出0.027和0.054，與AlexNet相比分別高出0.107和0.216。其他樹種分類精度評估指標(biāo)也均高于這兩種模型，證明ResNet101依靠其強(qiáng)大的網(wǎng)絡(luò)可從圖像中提取更多特征，提高了樹種分類精度。ResNet101與本文所提出的PointNet-GS相比，樹種分類精度低0.018，與PointNet相比高出0.009，但前期需要將點(diǎn)云轉(zhuǎn)為圖像，數(shù)據(jù)預(yù)處理較為繁瑣。Vgg19和ResNet101的Kappa系數(shù)和樹種分類精度均高于VoxNet，而AlexNet則低于VoxNet。當(dāng)網(wǎng)絡(luò)層數(shù)多，特征提取能力強(qiáng)時，將點(diǎn)云轉(zhuǎn)圖像進(jìn)行樹種分類的效果優(yōu)于點(diǎn)云轉(zhuǎn)體素；網(wǎng)絡(luò)層數(shù)少，特征提取能力較弱以及數(shù)據(jù)量樣本受限時，點(diǎn)云轉(zhuǎn)體素樹種分類效果優(yōu)于轉(zhuǎn)圖像。機(jī)器學(xué)習(xí)樹種分類算法中，SVM樹種分類精度和Kappa系數(shù)優(yōu)于其他算法。總結(jié)以上模型測試效果，本文提出的基于點(diǎn)云深度學(xué)習(xí)PointNet-GS樹種識別效果優(yōu)于PointNet、點(diǎn)云轉(zhuǎn)體素和點(diǎn)云轉(zhuǎn)圖像方法，樹種識別平均精度高出0.06。從整體分類效果分析，基于深度學(xué)習(xí)方法對于樹種分類識別效果優(yōu)于機(jī)器學(xué)習(xí)方法，平均精度高出0.1，Kappa系數(shù)高出0.2。

表2 各模型精度評估指標(biāo)

3 結(jié)束語

本文基于深度學(xué)習(xí)方法實(shí)現(xiàn)樹種識別分類，基于PointNet提出PointNet-GS。與PointNet均勻采樣方式不同，PointNet-GS使用幾何采樣，保留更多的點(diǎn)云數(shù)據(jù)局部特征。PointNet-GS訓(xùn)練精度和測試精度均高于原始PointNet方法，其中模型測試精度為89.3%，Kappa系數(shù)為0.785。與其他基于深度學(xué)習(xí)樹種識別方法相比，本文方法可將點(diǎn)云直接作為訓(xùn)練樣本輸入網(wǎng)絡(luò)模型，無需前期數(shù)據(jù)類型轉(zhuǎn)換，避免了數(shù)據(jù)特征丟失。將點(diǎn)云轉(zhuǎn)為二維圖像后輸入深度學(xué)習(xí)網(wǎng)絡(luò)模型訓(xùn)練，出現(xiàn)模型訓(xùn)練精度、損失函數(shù)波動，表明存在過擬合效應(yīng)，說明訓(xùn)練樣本不足。由于不同樹種之間差異性較小，樹木自身復(fù)雜性較強(qiáng)，通過機(jī)器學(xué)習(xí)方法測試精度低于深度學(xué)習(xí)方法。本文提出的PointNet-GS模型為林區(qū)樹種識別提供新的方法并展現(xiàn)出應(yīng)用潛力。未來工作將研究單木分割算法，提取更多訓(xùn)練樣本，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而提高模型精度，實(shí)現(xiàn)多樹種智能化識別。