代 震, 何 榮, 王宏濤, 白偉森
(河南理工大學 測繪與國土信息工程學院,河南 焦作 454000)
樹高、植被范圍等是極為重要的植被信息數據,常常被應用于森林反演、生物量估計等方面[1]。然而傳統(tǒng)獲取植被信息的方法多是通過測高儀等進行野外測量,耗費人力物力且無法應對大面積森林區(qū)域。隨著無人機(Unmanned Aerial Vehicle,UAV)載荷能力的增加,搭載可見光相機,可獲取高精度影像,包含物體的紋理、光譜和物體間拓撲關系等二維表層信息,準確識別地物類型[2-4];搭載激光雷達系統(tǒng)(Light Detection And Ranging,LiDAR)能夠穿透植被冠層獲取植被冠層表面和林下地形,從而快速獲取植被樹高胸徑等深層信息[5-7]。
無人機影像數據可生成精細的數字正射影像(Digital Orthophoto Model,DOM),利用可見光植被指數對DOM 進行分割,獲取精確的植被范圍[8-9]。其中,汪小欽等[10]依據歸一化植被指數原理構建可見光波段差異植被指數,結果表明該指數提取精度可達90%以上;周濤等[11]針對綠色植被比重較大的城市區(qū)域,提出了一種差異增強植被指數(Differential Enhanced Vegetation Index,DEVI),加強了綠色植被綠波段反射率同時大于紅、藍波段的特性;Shen 等[12]結合多光譜數據與RGB 影像,估算森林結構屬性,但由于植被作物混雜,很難區(qū)分光譜相近的目標地物。
樹高的獲取主要通過構建冠層高度模型(Canopy Height Model,CHM),模型的精確性尤為重要。雖然無人機影像數據可生成包含各類地物的空間位置和高度特征的密集點云,但楊勇強等[13]通過無人機影像數據展現了不同郁閉度下的天山云杉單木分割效果,其在高郁閉度的林區(qū)精度欠佳。而Yang 等[14]通過無人機LiDAR數據提取植被冠層高度模型,能夠輕松獲取準確的空間信息,即使是在密集林區(qū),也能穿透枝葉獲取部分的林下地形,生成的冠層高度模型誤差更小。張海清等[15]通過LiDAR 點云提取準確冠層模型,分析不同坡度下CHM 的畸變程度,結合數字表面模型校正冠層高度,確定了精細CHM的必要性。
然而,可見光影像對植被信息的提取存在局限性,只能提供植被表面的光譜紋理信息,難以區(qū)分相同地形條件下的垂直植被結構,且光譜信號存在飽和現象[16];生成的CHM 具有精確空間結構,卻容易受到貼合地面的低矮植被影響,降低最終提取植被信息的精度。針對上面問題,李佳等[17]結合無人機影像中的顏色與高程信息,將公園綠地植被進一步細分,能克服植被提取局限但精度相對不足;肖冬娜等[18]分別融合不同植被指數與CHM,對人工種植的火龍果樹進行單木分割,聚焦于每株植被的冠幅輪廓,排除樹下低矮植被的干擾?;诖祟愃枷?,本文結合兩種數據來源的優(yōu)勢,將CHM 與可見光植被指數進行融合,構建具有顏色信息和空間結構的CHM+DEVI 圖像,并通過分類回歸樹算法(Classification and Regression Tree,CART)[19]對植被垂直結構自適應細分,針對喬木區(qū)域進行單木分割。
分水嶺算法是單木分割最常見的算法,Meyer 等[20]在1990年首次提出了基于標記的分水嶺算法(Mark-Controlled Watered Segmentation,MCWS),避免了噪聲對影像的過分割;馬學條等[21]通過形態(tài)學開閉重建來清除圖像中的噪聲點,修正不合理值,進一步削弱過分割現象。MCWS 缺點是圖像分割效果與標記選取密切相關,因此精確的標記選取尤為重要,徐偉萌等[22]利用高斯濾波平滑影像,通過自適應閾值分割算法提取區(qū)別于種子點的塊狀區(qū)域,獲得更為準確的標記范圍,提高了算法精度;Xu 等[23]修正局部最大值算法,以此獲取更為合理的提取標記,最終提高個體樹冠檢測精度。
以上述的融合圖像對單木分割方法進行改進,利用形態(tài)學重建算法修正融合圖像,構建訓練樣本,采用CART 算法分離出喬木、灌木和草地,在喬木區(qū)域采用局部最大值算法進行標記[24],通過提高標記選取區(qū)域的準確性,達到提高分水嶺算法精度的目的。確定四個樣方區(qū)域,對比4 種單木分割算法的分割精度,將提取的植被信息與實測數據進行精度驗證,證明算法能夠在剝離混雜植被影響的前提下進一步提取單木,獲得較為準確的植被信息。
僅僅通過LiDAR 點云或植被指數獲取的植被信息都有其局限性,在植被混雜區(qū)域存在較大的精度誤差,難以運用到實際生活中。本文結合兩種數據的獨特優(yōu)勢,構建一種包含顏色信息和空間結構的融合數據,并以此提取植被,方法及流程如圖1 所示。
圖1 總體流程圖Fig.1 Overall flow chart
首先以機載激光點云通過布料模擬濾波算法得到地面點云,采用不規(guī)則三角網生成數字高程模型(Digital Elevation Model,DEM),結合激光一次回波生成的數字表面模型(Digital Surface Model,DSM)構建包含空間信息的CHM,以無人機影像數據得到高精度的DOM,計算可見光植被指數,在比較不同植被指數精度后選擇差異增強算法計算包含顏色信息的DEVI 指數。然后融合CHM 和DEVI,生成同時具有空間結構和顏色信息的CHM+DEVI 圖像,以此對標記控制分水嶺算法進行改進。融合圖像后進行形態(tài)學重建,去除小的突刺和融合的不平滑區(qū)域;建立相應的訓練樣本,通過分類回歸樹算法,分割地面范圍并自適應提取植被為喬木、灌木和草地,對喬木區(qū)域采用局部最大值算法探測樹頂點,作為前景標記,非喬木區(qū)域賦為后景標記,標記圖像進行分水嶺變換得到分割結果。為驗證植被信息的估算精度,將該方法提取的樹木棵樹、樹高與實測數據分別進行精度分析。
植被指數是指對遙感圖像的兩個及兩個以上的光學波段進行組合運算,放大不同地物類別之間的差異性,從而達到有效區(qū)分地物的作用。在已有植被指數中,大多數是利用可見光與近紅外范圍的波段進行組合運算,主要包括干旱或碳衰減指數、窄帶綠度指數、寬帶綠度指數、冠層氮指數、光利用率指數、冠層含水量指數與葉綠素指數等七大類。其中可見光植被指數,是利用健康綠色植被的光譜反射特性呈現綠波段反射率同時大于紅、藍波段反射率這一特點,處理更容易獲取的RGB 影像。但是僅基于可見光波段構造的植被指數相對較少,各自的適用范圍也不同,部分可見光植被指數的計算公式如表1 所示。
表1 可見光植被指數Tab.1 Visible vegetation index
通過無人機影像數據得到的高清數字正射影像,包含準確的RGB 三色波段,根據表1 可見光植被指數公式在ENVI 中進行計算,得到各指數結果,如圖2(a)~圖2(d)。同時采用人機交互的方式,將影像逐像元分成植被與非植被區(qū)域,植被區(qū)域像元個數為327 728,非植被區(qū)域像元個數為67 200,由于各可見光植被指數都無法分辨山火灼燒后的植被范圍,整體提取精度都受到影響,提取的植被區(qū)域的精度評價如表2 所示。以相應的植被指數構建直方圖,采用雙峰法確定準確的閾值,分割圖像得到植被和非植被區(qū)域,如圖2(e)~圖2(h)。根據表2,MGRVI 的統(tǒng)計直方圖不屬于雙峰直方圖,無法用雙峰直方圖法確定閾值;圖2 圈中的區(qū)域,RGRI、NGRDI 較大范圍出現過度分割現象,VDVI 較小區(qū)域出現欠分割現象。分析發(fā)現,對比另兩種指數,DEVI 和VDVI 能形成良好的直方圖雙峰圖像,獲得的分割閾值更為準確;另一方面,實驗數據的采集時間是夏季,綠色植被較多,而DEVI 可顯著增強綠色植被綠波段反射率同時大于紅、藍波段反射率這一特性,比VDVI 具有更強的針對性,因此選用DEVI 進行后續(xù)實驗,該指數植被提取效果最好,且雙峰直方圖閾值的范圍更容易確定,保持在0.9 到1 之間。
表3 標記分水嶺算法單木分割精度評價Tab.3 Accuracy evaluation of single tree segmentation in MCWS algorithm
圖2 可見光植被指數選取圖Fig.2 Selection of visible light vegetation index
數據預處理時,機載激光數據和影像數據來自于不同的無人機系統(tǒng),初始設置難以統(tǒng)一。解決方法是將無人機影像進行空三處理,生成大量密集點云,與激光點云通過迭代最近點算法(Iterative Closest Point,ICP )進行配準,在三維空間上進行旋轉、平移,得到兩者誤差最小的配準結果。點云是后續(xù)一系列數字產品的基礎,匹配好點云數據的空間地理坐標,能夠降低精度誤差,保證生成的CHM 和DEVI 圖像空間三維坐標、分辨率一致。
融合思路:矢量化經可見光植被指數計算RGB 影像得到的提取結果,進行形態(tài)學重建處理去除不合理值,在matlab 中將其與激光點云數據經CHM 分割得到的矢量數據進行交集融合處理,得到完全融合后的CHM+DEVI 圖像。
融合效果對比如圖3 所示,在高清影像中通過人機交互劃分出準確的草地和喬木范圍,并在DEVI 指數、CHM 和融合圖像中疊加顯示??梢悦黠@看到,林區(qū)植被的垂直分層現象中,DEVI 植被指數提取結果無法分辨出喬木層、灌木層和草地的區(qū)別,三者是同一灰度顯示(圖3(f)),而其中裸地與植被的辨別區(qū)分十分容易,可以精準的分離植被和地面范圍(圖3(b));CHM 中包含空間信息,起伏的地形坡度變化容易與草地高程產生混淆,如圖3(c)虛線標識范圍,部分草地會誤判成地面,降低該區(qū)域的植被提取精度,而其準確的林下高程信息可以有效分離垂直植被結構(圖3(g));兩種來源數據在一定程度上是互補的,融合的CHM+DEVI 圖像明顯增加草地區(qū)域(圖3(d)),提高地面分割精度,同時能夠區(qū)分出區(qū)域植被喬木層、灌木層和草地(圖3(h)),精準描繪部分單木冠幅輪廓,顯示出來的結果更加貼合真實林區(qū)地貌。
圖3 融合效果對比圖Fig.3 Comparison of fusion effects
對融合后的圖像進行處理,構建訓練樣本集,采用分類回歸樹進行計算,在不同的實驗區(qū),所構建的決策樹模型會有不同的自適應變化,以更貼合對應林區(qū)的地形地物條件。CART 算法由Breiman 于1984年提出,是采用二分循環(huán)分割的方法,遞歸地構建二叉決策樹的過程。算法針對分支屬性的度量指標是Gini 系數,根據Gini 系數對未分類的訓練樣本集進行二分分割,每次分割后形成一個節(jié)點和兩個分支,不斷迭代循環(huán),直至當前待分類的樣本集被判定為葉節(jié)點或滿足停止分裂的條件,最后生成一個簡潔明了的決策樹模型。
設S為大小為m、分類屬性為n的樣本集,用來定義n個不同分類Ci(i=1,2,…,n),則Gini 系數的計算公式為:
針對樣本集S,選取屬性H作為分支條件,將樣本集S分裂為條件H的子樣本集S1,與其余樣本組成的樣本集S2,條件Gini 系數為:
Gini 增益系數表示在一個條件下,信息不確定性減少的程度,以增益系數最大的屬性作為決策樹根節(jié)點屬性,公式為:
直接使用分水嶺算法易出現過度分割現象,尤其是經過融合后的CHM+DEVI 圖像,疊加兩種圖像后的噪聲數量較大。因此需要采用圖像去噪算法,實驗發(fā)現,普通算法大多僅僅能濾除一些噪聲,針對融合后產生的不合理值效果欠佳。本文采用形態(tài)學開閉重建運算處理數據,去除噪聲并修正區(qū)域極大值與極小值,其中基于重建的開操作能夠去除小的突刺和樹冠間的牽連,重建的閉操作能夠填補小的像素空洞。
大小為1 的標記圖像P關于模板圖像G的測地膨脹和測地腐蝕定義為:
大小為n的標記圖像P關于模板圖像G的測地膨脹和測地腐蝕的定義為:
來自標記圖像P對模板圖像G的膨脹形態(tài)學重建表示為,腐蝕形態(tài)學重建表示為,大小確定的初始圖像經過測地膨脹和測地腐蝕后,會在k次迭代后收斂并趨于穩(wěn)定。公式為:
形態(tài)學開閉重建運算主要以原始圖像作為模板圖像,對原始圖像進行腐蝕或膨脹操作,以處理后的圖像作為標記圖像,最后利用標記圖像與模板圖像進行重建。開運算重建為先腐蝕后膨脹,閉運算重建為先膨脹后腐蝕,表達式如式(7)所示:
其中,m為結構單元B對圖像P的迭代次數。
分水嶺算法通過識別圖像灰度的細微變化來進行單木分割。主要原理是顛倒各像元的灰度值,圖像中的每個像素值都對應地形中的海拔高度,使局部最大值變?yōu)榫植孔钚≈?,以浸沒模擬思想從最小值開始注水,隨著水位上升,形成的相鄰盆地會接壤,在臨界處構建壩體,即單木輪廓。標記控制分水嶺法將分水嶺中自動探測的局部極小值變換為固定值,再進行分水嶺變換,去除偽樹冠點,減少過度分割,從而更準確地分割單木。
以CHM+DEVI 融合圖像對標記控制分水嶺分割算法進行改進,改進算法流程如圖4。圖像實現融合后先進行形態(tài)學重建,即基于重建的形態(tài)學開閉運算,去除圖像噪聲并修正不合理值;然后采用分類回歸樹算法,以包含顏色和高程信息的融合圖像構建訓練樣本集,分割地面范圍,自適應提取植被為喬木、灌木和草地;最后在喬木區(qū)域采用局部最大值算法探測樹頂點,作為前景標記,非植被區(qū)域圈為后景標記,以標記圖像進行分水嶺變換。算法主要通過matlab 實現,標記圖像設為unit8 位圖像,前景標記賦值為255,后景標記賦為0,然后執(zhí)行分水嶺變換。
圖4 標記分水嶺算法改進流程Fig.4 Improvement process of marking watershed algorithm
3.1.1 機載LiDAR 數據和影像數據
試驗區(qū)位于河南省洛陽市新安縣云夢山附近,選取自然樹林和人工種植林交叉的區(qū)域,采用六旋翼無人機搭載RIEGL VUX-1 激光掃描系統(tǒng)于2022年7 月20 日采集激光點云數據。無人機航高200 m,航帶旁向重疊率為70%。同時采用四旋翼無人機搭載高清數碼相機采集相同區(qū)域的遙感影像,傾斜攝影作業(yè)模式,航高150 m,航向重疊度、旁向重疊度均為80%,獲取RGB 影像259 張。對初始數據處理得到實驗區(qū)域的兩種點云數據,LiDAR 點云密度為112/m2,影像點云密度為276/m2,如圖5 所示。
圖5 初始數據生成點云Fig.5 Initial data generation point cloud
兩種點云數據經過ICP 算法進行配準后,LiDAR 點云通過布料模擬濾波算法得到研究區(qū)地面點云,采用不規(guī)則三角網算法構建DEM,激光一次回波只采集物體表面信息,以此構建DSM,兩者相減得到冠層高度模型;以影像點云生成高清DOM,根據RGB 信息計算可見光植被指數,得到DEVI 影像。數據預處理中,生成的模型精度均為25 cm,較低的空間分辨率會造成標記分水嶺算法過分割,較高也會產生欠分割現象[29]。
3.1.2 地面實測數據
地面實測數據與機載數據同步開展,樹高由手持勃魯萊測高器測量。利用GPS 測量樣地單木位置,并人工標記。根據植被水平和垂直分布條件選取4 塊樣方區(qū)域,其中三塊位于自然林區(qū),一塊位于人工種植區(qū)域,采用激光即時定位與制圖(Simultaneous Localization and Mapping,SLAM)掃描儀采集樣方實際地貌,并按高程顯示,如圖6 所示。
圖6 SLAM 高程顯示植被層次Fig.6 SLAM elevation displays vegetation hierarchy
樣方1 共有野生樹木89 棵,主要為櫟樹,區(qū)域內有山火侵蝕的痕跡,中心與邊界的冠幅差距較大,植被混雜程度為中等,平均樹高約為7.9 m;樣方2 共有小型樹木153 棵,人工種植痕跡明顯,植被主要為梨子樹和女貞樹,平均樹高約為2.2 m,區(qū)域內植被混雜程度高;樣方3 共有樹木73 棵,包含大部分的櫟樹和少量的山楂,樹木間隙低矮植被多有分布,混雜程度為中等,平均樹高約為7.6 m;樣方4 靠近山體,主要樹種為櫟樹,共有樹木162 棵,只有道路邊界分布少量灌木和草地,混雜程度低,平均樹高約為8.5 m。
分類回歸樹是典型的監(jiān)督分類算法,樣本的選擇要具有代表性和典型性,在研究區(qū)內構建訓練樣本的好壞程度,直接影響地物分類的最終優(yōu)劣。研究區(qū)位于山腳林區(qū)附近,只存在個別低矮建筑物,少部分水域為人工魚塘,這兩種地物不參與分類。區(qū)域內地表植被類型復雜多樣,地面的樣本來自林間小路和部分林中裸地,裸巖石礫地為山丘、山脈等;草地在道路旁、森林邊緣和內部空地均有分布;灌木包括多種植被類型,種類復雜難以分辨,但分布廣泛;喬木以區(qū)域櫟樹、山楂樹等為主,分布于密閉林區(qū)。通過對上述地物分布情況進行解譯,將研究區(qū)分為喬木、灌木、草地和地面4 類地物類型,在此分類體系下,本文對CHM+DEVI 融合圖像進行處理,用人機交互的方法選擇63 個樣本區(qū)域作為訓練對象,所選樣本均勻分布在研究區(qū)內,并且代表每一類別的象征區(qū)域。
通過訓練樣本,自適應提取的細分結果如圖7(c),不同地物類別用不同顏色進行標識(彩圖見期刊電子版),在水平方向上,喬木多分布于密閉林區(qū),草地在道路兩側和森林邊緣生長茂盛;分析垂直結構,顯示出草地范圍包裹灌木層再到喬木層的由低到高植被結構,喬木的冠幅輪廓清晰可見,整體結果符合研究區(qū)地形生長條件。同時,試驗區(qū)緊鄰樣方1的樹林,如圖7中虛線所示,存在大面積山火灼燒的痕跡,(a)中可見光植被指數在該區(qū)域只提取中心區(qū)域的部分植被,無人機影像中火焰灼燒后的土地顏色呈現黑灰色,黑色區(qū)域降低了可見光波段的反射率,是植被指數分割失誤的根本原因;而融合圖像具有CHM 的空間信息,在可見光植被指數大面積失誤的同時,仍可以有效分離出植被和地面范圍,更進一步表示出喬木和灌木層。
圖7 植被細分結果與影響因素Fig.7 Vegetation subdivision results and influencing factors
自適應提取出研究區(qū)喬木、灌木、草地和地面后,根據喬木區(qū)域約束標記分水嶺算法,得到最終的植被提取信息。將得到的單木分割信息與高清RGB 圖像進行疊加顯示,如圖8 所示,分別代表研究區(qū)4 個樣方的單木分割結果,可以明顯看出分割效果。
圖8 單木分割疊加效果Fig.8 Single tree segmentation overlay effect
圖8(a)中準確顯示出林間空地,同時靠近道路邊界的喬木較為稀疏,山火灼燒較大影響了喬木的冠幅輪廓,缺失的水分使植被生長的枝葉較少;圖8(b)中人工種植林間隔較大,大量灌木植被,喬木層與灌木層混雜,單木提取效果比較好,能準確提取出各植被;圖8(c)中植被情況與圖8(a)相似,但植被生長更加茂盛,樹木間隙存在部分低矮植被,自適應提取出喬木區(qū)域并對喬木區(qū)域分割,明顯提高了分割效果;圖8(d)中喬木郁閉度較高,樹木間隙較少,垂直結構不明顯,分割效果也較差,對應本文改進方法的局限性。
將4 個樣方植被的棵數與實測數據進行精度評價,具體以查全率R、查準率P、總體準確度F1得分指標評價單木分割精度[30-31],計算公式如下:
其中:TP為正確檢測果樹棵數;FN為未檢測到果樹棵數;FP為錯誤檢測果樹棵數。
原算法和改進算法的單木分割精度評價結果如表2~表4 所示,樣方1、樣方2、樣方3 和樣方4 查全率R分別提高了3.3%,4.6%,4.2% 和1.3%,查準率P分別提高3.5%,6.3%,4.3%和1.8%,準確度F1 分別提高3.4%,5.5%,4.2%和1.6%,總體查全率R提高3.2%,查準率P提高3.9%,F1 得分提高3.5%。分析發(fā)現,單木分割準確度的提高程度與樣本區(qū)域樹木混雜程度有關聯,樣方1 與樣方3 相似的樹木混雜程度對應接近的F1 提高效果,樣方1 中的山火影響并未直接干擾到樹木的生長棵樹變化。其中,樣方2區(qū)域主要為人工植被,樹木間距較大,產生誤判的可能性小,在排除其他混雜植被的干擾后有了更好的單木提取效果;而樣方4 的精度提高程度最差,原因是該區(qū)域的植被較為茂密且混雜程度低,在相同條件下更難以分割,錯分現象也難以改善,改進算法在郁閉單一林區(qū)的提高效果不明顯。
表4 改進算法單木分割精度評價Tab.4 Accuracy evaluation of single tree segmentation based on improved algorithm
為了更客觀、清楚地評判改進算法的優(yōu)劣性,對本文算法的分割結果與已測試過的其他3種單木分割算法的精度進行比較分析,包括MCWS 算法、點云距離聚類算法和深度學習算法,如圖9。分析發(fā)現,在4 個樣方中,分割精度高低為深度學習算法=改進算法>MCWS 算法>點云距離聚類算法,改進算法與深度學習算法分割精度總體相似,而深度學習受限于訓練樣本,需要手動選取大量具有代表性的喬木樣本,當樣方區(qū)域干擾因素過多,比如在植被混雜程度高的樣方2,深度學習算法的精度就略低于改進算法;同樣,在植被混雜度低的樣方4 區(qū)域,單一樹種便于深度學習訓練分割,精度就優(yōu)于改進算法。
圖9 多種單木分割算法對比Fig.9 Comparison of multiple single tree segmentation algorithms
最后以實測值樹高H與提取值h進行植被信息精度分析,分別計算各研究區(qū)實測值與提取值平均高程精度驗證結果ΔH[15]:
植被信息提取精度對比分析結果如圖10 所示,通過對標記分水嶺算法進行改進,在樣方1、樣方2、樣方3 和樣方4 中的提取樹高精度分別提高了1.7%,6.4%,1.8% 和0.3%。分析發(fā)現,改進算法與標記分水嶺算法的精度提高效果與各樣方喬木層、灌木層及草地混雜程度相關聯,樣方1 與樣方3 喬木、灌木混雜程度相似對應接近的提取效果。其中,樣方2 植被垂直分布不均勻,人工種植植被高度較低,更容易受到其他層植被的干擾,因此改進后的提取效果更為明顯;樣方4 植被郁閉度較大,喬木、灌木及草地的混雜程度最低,改進的效果有限。
圖10 植被提取結果對比精度評價Fig.10 Comparison accuracy evaluation of vegetation extraction results
本文結合LiDAR 點云和可見光植被指數,新構建一種具有顏色信息和空間結構的CHM+DEVI 融合圖像,自適應提取研究區(qū)的植被垂直結構,并以喬木區(qū)域對標記分水嶺算法進行改進,研究結果表明:
(1)以融合圖像構建訓練樣本,采用分類回歸樹算法自適應分割出喬木、灌木、草地和地面。借助可見光植被指數區(qū)分草地和地面范圍,通過LiDAR 點云三維空間信息分離植被垂直結構,同時改善可見光植被指數在山火區(qū)域的局限,有效分離出植被和地面范圍,更進一步表示出山火區(qū)域喬木和灌木分布。
(2)改進標記分水嶺算法的提取精度高于原算法。形態(tài)學重建修復融合圖像,去除噪聲和不合理值;在喬木區(qū)域約束標記范圍,提高了單木提取的精度;對比4 種單木分割算法在4 個樣方中的分割精度,并結合實測數據驗證改進算法單木分割效果,總體查全率R提高3.2%,查準率P提高3.9%,F1 得分提高3.5%,平均提取樹高提高2.55%,研究區(qū)植被混雜程度越高改進算法的提取效果越好。
相比于單獨數據的片面植被信息,本方法可以有效綜合激光和可見光不同來源數據的優(yōu)勢,獲取更廣泛、更深層的林地植被信息,對提升林業(yè)資源調查的準確性有重要意義。