摘" 要： 精準(zhǔn)城區(qū)植被提取對(duì)城市建設(shè)、氣候調(diào)節(jié)及固碳評(píng)估具有重要意義。針對(duì)目前城區(qū)植被邊界模糊導(dǎo)致提取精度低的問題，提出一種基于分層特征DS合成的機(jī)載LiDAR植被提取方法。首先，對(duì)LiDAR數(shù)據(jù)進(jìn)行特征提取和適用性分析得到特征分層結(jié)構(gòu)；其次，以DS證據(jù)為理論基礎(chǔ)，構(gòu)建具有模糊類的信任分配函數(shù)，對(duì)每個(gè)特征進(jìn)行概率分配并引入中值濾波去除噪聲；最后，根據(jù)正交信任函數(shù)最大值規(guī)則進(jìn)行決策，得到植被提取結(jié)果。在TopoSys數(shù)據(jù)集上對(duì)所提方法進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，文中所提方法有效提升了提取精度，準(zhǔn)確率達(dá)到了90%以上，能夠滿足植被提取高精度的要求。

關(guān)鍵詞： 機(jī)載LiDAR系統(tǒng)； 植被提?。?DS證據(jù)理論； 信任分配函數(shù)； 特征提??； 分層結(jié)構(gòu)

中圖分類號(hào)： TN911?34； TP751" " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " "文章編號(hào)： 1004?373X（2025）03?0001?06

Airborne LiDAR vegetation extraction method based on hierarchical feature DS synthesis

ZHANG Lin， YANG Fengbao， ZHAO Danjing， LIU Zhaohui

（School of Information and Communication Engineering， North University of China， Taiyuan 030051， China）

Abstract： Accurate extraction of urban vegetation is of great significance for urban construction， climate regulation， and carbon sequestration assessment. A hierarchical feature DS synthesis based airborne LiDAR vegetation extraction method is proposed to address the issue of low extraction accuracy caused by blurred vegetation boundaries in urban areas. Feature extraction and applicability analysis are performed on LiDAR data to obtain a hierarchical structure of features. A trust allocation function with fuzzy classes is constructed on the basis of the DS evidence theory to assign probabilities to each feature. The median filtering is introduced to remove noise. The decision is made based on the maximum value rule of the orthogonal trust function， and the vegetation extraction results are obtained. The proposed method was tested on the TopoSys dataset， and the experimental results showed that the proposed method improved the extraction accuracy effectively， with an accuracy rate of over 90%， so the method can meet the high?precision requirements of vegetation extraction.

Keywords： airborne LiDAR system; vegetation extraction; DS evidence theory; trust allocation function; feature extraction; hierarchical structure

0" 引" 言

城市植被作為城市生態(tài)系統(tǒng)中唯一的初級(jí)生產(chǎn)者，具有凈化污水、降低噪音、防治風(fēng)沙和監(jiān)測(cè)環(huán)境污染等作用[1?2]。因此，精準(zhǔn)城區(qū)植被提取對(duì)于城市規(guī)劃和生態(tài)環(huán)境保護(hù)都具有重要意義[3?4]。傳統(tǒng)的人工調(diào)查方法需要在現(xiàn)場(chǎng)進(jìn)行大量的實(shí)地勘察，這一過程繁瑣耗時(shí)，勞動(dòng)強(qiáng)度大。而機(jī)載激光雷達(dá)掃描與測(cè)距系統(tǒng)[5]（Light Detection And Rangjing， LiDAR）作為新型的遙感探測(cè)技術(shù)，具有作業(yè)范圍廣泛、操作簡單靈活、空間分辨率高等優(yōu)勢(shì)，在森林樹種分類、智慧城市發(fā)展、道路檢測(cè)、地物分類與提取等方面有著廣泛的應(yīng)用前景[6?8]。現(xiàn)今，利用LiDAR數(shù)據(jù)進(jìn)行高精度植被提取已成為當(dāng)前研究和應(yīng)用的熱點(diǎn)。

常用的LiDAR數(shù)據(jù)植被提取方法主要有機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩類。機(jī)器學(xué)習(xí)通過學(xué)習(xí)和訓(xùn)練構(gòu)建更加復(fù)雜的非線性模型，從而捕捉特征與地物類別之間的關(guān)系，為地物信息的提取提供了可行方法。文獻(xiàn)[9]發(fā)現(xiàn)，最大似然算法可以通過結(jié)合使用原始波段和植被比率指數(shù)來提取植被獲得更高的精度。文獻(xiàn)[10]提出了一種基于隨機(jī)森林模型的城市植被提取方法。文獻(xiàn)[11]通過對(duì)K?means聚類算法進(jìn)行改進(jìn)優(yōu)化，提出了一種快速的植被提取算法。文獻(xiàn)[12]提出了一種基于過度分割的上坡聚類算法，用于提取城市街區(qū)的樹木，得到精度較高的樹木提取結(jié)果。以上方法能夠有效地利用從數(shù)據(jù)中學(xué)習(xí)到的模式和規(guī)律，實(shí)現(xiàn)高精度的預(yù)測(cè)、分類、提取、聚類等任務(wù)。然而，在這種方法中，依賴人工提取特征無法充分捕捉數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)和模式，這導(dǎo)致了特征提取的準(zhǔn)確性不足，從而限制了其廣泛應(yīng)用。相比之下，深度學(xué)習(xí)模型能夠利用多層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，自動(dòng)從原始數(shù)據(jù)中提取出具有代表性的特征，減少了人為設(shè)計(jì)特征的不完備性，在許多應(yīng)用中具有優(yōu)異的識(shí)別或分類性能。近年來，隨著深度學(xué)習(xí)方法的發(fā)展[13]，越來越多的學(xué)者將其應(yīng)用于植被提取領(lǐng)域。文獻(xiàn)[14]基于高分辨率遙感圖像中提取植被，結(jié)合卷積模型的結(jié)構(gòu)，提出了一種基于深度注意力模型VEDAM的植被提取方法；文獻(xiàn)[4]通過在U?Net中引入密集連接、可分離卷積、批量歸一化層和激活函數(shù)，提出了一種可分離密集U?Net用于從遙感影像中提取城區(qū)植被。然而，這兩類方法在訓(xùn)練過程中都需要依賴大量的標(biāo)注數(shù)據(jù)，對(duì)于復(fù)雜城市環(huán)境，獲取足夠數(shù)量的訓(xùn)練樣本仍然是一項(xiàng)挑戰(zhàn)。

雖然上述算法能夠?qū)崿F(xiàn)整體高精度的植被提取，但仍存在超細(xì)植被遺漏、容易與其他共存的地物特征混淆等問題。Dempster?Shafer（DS）證據(jù)理論作為一種處理不確定性問題的基本方法，在植被提取中通過構(gòu)建信任分配函數(shù)描述地物類別與不同特征之間的關(guān)聯(lián)程度表征二者之間的不確定性關(guān)系，最后利用決策規(guī)則進(jìn)行證據(jù)間的合成。在以往的研究中，許多學(xué)者利用DS證據(jù)理論基礎(chǔ)，基于信任分配函數(shù)將概率分配到各個(gè)類別中，進(jìn)行地物信息提取與分類。文獻(xiàn)[15]通過對(duì)DS證據(jù)理論進(jìn)行改進(jìn)，并構(gòu)建了一種基本信任分配函數(shù)，提出了一種快速地物分類方法；文獻(xiàn)[16]提出了一種基于可能性分布構(gòu)建和DS證據(jù)理論的方法，用于機(jī)載激光雷達(dá)土地覆蓋分類。但以往的方法對(duì)于類別間的不確定性問題只是簡單的區(qū)間化，而無法準(zhǔn)確表征數(shù)據(jù)特征與地物邊界信息之間的映射關(guān)系，導(dǎo)致提取精度不高。

綜上所述，本文基于基本DS證據(jù)理論，引入模糊集理論，改進(jìn)基本信任分配函數(shù)表征特征與模糊點(diǎn)間的關(guān)系。結(jié)合特征分層思想和濾波技術(shù)，提出了一種基于分層特征DS合成的機(jī)載LiDAR植被提取方法，顯著提高了提取精度，為基于DS證據(jù)理論的植被提取研究提供了新思路。

1" 理論基礎(chǔ)

1.1" 特征提取與分析

特征提取是表達(dá)數(shù)據(jù)隱含地物屬性的過程。在處理機(jī)載LiDAR數(shù)據(jù)時(shí)，選擇和提取有效特征直接影響到提取精度。本文通過分析植被與其他地物之間的差異性，利用了從LiDAR點(diǎn)云數(shù)據(jù)和遙感影像中提取出的多種特征，包括可見光圖像的RGB通道、近紅外（NIR）通道、首次回波（FE）、末次回波（LE）和回波強(qiáng)度（Intensity， IN），以及兩種衍生特征（首末次回波高程差（Height Difference， HD）和歸一化植被差異指數(shù)（Normalized Difference Vegetation Index， NDVI））。

回波強(qiáng)度（IN）指的是激光掃描數(shù)據(jù)中對(duì)象的反射率，其數(shù)值與地物的組成成分、表面粗糙程度等因素息息相關(guān)。當(dāng)掃描到相似地物時(shí)，回波強(qiáng)度值通常相近；相反，當(dāng)掃描到不同地物時(shí)，回波強(qiáng)度值則有較大差異。由于樹木結(jié)構(gòu)特殊，樹木層次較多使得激光掃射嚴(yán)重，導(dǎo)致回波強(qiáng)度很弱，因此回波強(qiáng)度能夠有效地將高大植被與其他地物類別區(qū)分。

首末次回波高程差（HD）可通過式（1）計(jì)算得到，指的是LiDAR掃描數(shù)據(jù)中第一個(gè)回波高程和最后一個(gè)回波高程之間的差距。根據(jù)激光雷達(dá)對(duì)樹木的穿透特性，可以用于將高植被與其他地物類別分開。

[HD=FE-LE] （1）

歸一化植被差異指數(shù)（NDVI）可通過式（2）得到，是一種用于評(píng)估植被覆蓋程度的指標(biāo)。通過獲取的可見光和近紅外波段的反射率[16]來計(jì)算，是用于識(shí)別植被的常用特征。

[NDVI=NIR-RNIR+R] （2）

NDVI取值的最大值為+1，最小值為-1，其數(shù)值大小與植被區(qū)域的分布密度成正比關(guān)系，在植被區(qū)域，NDVI值通常大于0，而且值越接近+1，則表示該區(qū)域的綠葉植被更為密集。因此，可以利用NDVI區(qū)分植被和非植被區(qū)域。地表地物種類與NDVI值的關(guān)系可表示為：

[NDVI=-1≤NDVI≤0，" " "水、雪0，" " "裸地0≤NDVI≤1，" " "植被] （3）

1.2" DS證據(jù)理論

DS證據(jù)理論是一種用于處理不確定性問題的推理方法[17]，最早是由Dempster于1976年首先提出，后由Shafer加以擴(kuò)充和發(fā)展[18]。DS證據(jù)理論最重要的兩部分內(nèi)容是“證據(jù)”和“組合”，“證據(jù)”就是植被提取中不確定是不是植被的數(shù)據(jù)，“組合”指的是合成的規(guī)則。在解決植被提取的問題時(shí)，DS證據(jù)理論的作用在于利用不同的特征數(shù)據(jù)作為輸入，將待識(shí)別區(qū)域分屬于[n]個(gè)互相獨(dú)立且互不重疊的元素中，其集合[Θ]稱為辨識(shí)框架。由辨識(shí)框架[Θ]的所有子集組成的一個(gè)集合稱為[Θ]的冪集，記作[2Θ]。

在DS理論中，辨識(shí)框架[Θ]下的基本概率分配指的是計(jì)算辨識(shí)框架[Θ]中每一條證據(jù)的基本概率的過程，這一過程用基本概率分配函數(shù)描述，也叫基本信任分配函數(shù)，用[m（A）]表示，是集合[2Θ→[0，1]]映射下的一個(gè)函數(shù)。基本信任分配函數(shù)[m（A）]滿足以下約束，如式（4）所示：

[0≤M（A）≤1，" " m（?）=0，" " A∈2Θm（A）=1] （4）

式中：[A]表示辨識(shí)框架[Θ]的一個(gè)或者多個(gè)假設(shè)命題，記作[A∈2Θ]；[?]表示空集。當(dāng)[m（A）gt;0]時(shí)，稱[A]為焦元。[m（A）]可以根據(jù)傳感器提供的數(shù)據(jù)通過函數(shù)（如BPA函數(shù)）進(jìn)行計(jì)算獲得。

置信函數(shù)表示對(duì)命題[A]為真這個(gè)事件的信任程度，用[Bel（A）]來表示，通常通過基本信任分配函數(shù)計(jì)算得到，如式（5）所示：

[Bel（A）=B?Am（B），A，B?Θ] （5）

[Bel（A）]為[A]的所有子集的可能性度量之和，表示對(duì)[A]的信任之和。

基本信任分配函數(shù)是一種用于處理不確定性的工具，它允許在不完全信息下對(duì)不同假設(shè)或命題進(jìn)行信任分配，并且與DS理論結(jié)合使用以進(jìn)行推理和決策。在植被提取中，為描述不確定性，將兩個(gè)或者多個(gè)特征對(duì)應(yīng)的基本信任分配函數(shù)進(jìn)行正交和運(yùn)算來合成，這個(gè)過程是DS證據(jù)理論“組合”中的內(nèi)容。若已知有[P]個(gè)數(shù)據(jù)源，每個(gè)數(shù)據(jù)源[i]有基本信任分配函數(shù)[mi（Bj）]，且滿足[0≤i≤P，Bj∈2Θ]。DS證據(jù)理論可以將多個(gè)基本信任分配函數(shù)進(jìn)行合成，如式（6）所示：

[m（A）=B1?B2?…?BP=A1≤i≤Pmi（Bj）1-B1?B2?…?BP=A1≤i≤Pmi（Bj）] （6）

式中，令：

[K=B1?B2?…?BP=A1≤i≤Pmi（Bj）] （7）

式（7）表示證據(jù)中沖突的度量，且[Klt;1]，系數(shù)[1（1-K）]是一個(gè)歸一化因子，當(dāng)[K≥1]時(shí)，證據(jù)無法合成。最后一步是定義決策規(guī)則，決策規(guī)則的定義方法有好多種，本文中選用正交信任函數(shù)最大值作為決策規(guī)則，因?yàn)樗且粋€(gè)常用的規(guī)則，其定義如式（8）所示：

[Mn（A）=A?Bjm（Bj）Bj] （8）

式中，焦元滿足[A]，[Bj∈2Θ]，[Bj]是集合[Bj]的元素個(gè)數(shù)。

2" 本文方法

本文提出的基于特征分層DS合成的機(jī)載LiDAR植被提取方法流程圖如圖1所示。首先，獲取機(jī)載LiDAR系統(tǒng)采集所得的LiDAR數(shù)據(jù)、RGB影像、IR?RG影像；其次，從多源數(shù)據(jù)中提取FE、IN、HD、NDVI四類特征，并根據(jù)它們對(duì)植被的適用性能力進(jìn)行特征分層；然后，根據(jù)信任分配函數(shù)對(duì)每個(gè)特征進(jìn)行概率分配，并采用中值濾波處理過程中引入的噪聲；最后，根據(jù)DS合成規(guī)則對(duì)各特征進(jìn)行合成，并選擇正交信任函數(shù)最大值作為DS決策規(guī)則進(jìn)行植被提取決策。

2.1" 特征分層

根據(jù)1.1節(jié)特征提取與分析可知，歸一化植被差異指數(shù)（NDVI）和回波強(qiáng)度（IN）適用于植被區(qū)域的提?。皇啄┐位夭ǜ叱滩睿℉D）對(duì)高大植被、建筑物輪廓的辨識(shí)能力更高；首次回波（FE）可以將高程差較大的植被、建筑物與地面點(diǎn)區(qū)域分開。綜上所述，在進(jìn)行提取植被時(shí)，由于不同特征的地物提取適用性不同，選取歸一化植被差異指數(shù)（NDVI）和回波強(qiáng)度（IN）作為本文植被提取第一層的特征輸入；選取首末次回波高程差（HD）、首次回波（FE）、第一層的合成特征（INI）作為本文植被提取的第二層特征輸入。

2.2" 信任分配函數(shù)構(gòu)造

信任分配函數(shù)的定義是應(yīng)用DS證據(jù)理論最關(guān)鍵的一步，本文基于DS證據(jù)理論結(jié)合模糊理論，提出了一種新的具有模糊類的信任分配函數(shù)，用于表示植被與其他地物間的模糊關(guān)系。根據(jù)各特征對(duì)植被的貢獻(xiàn)程度的灰度值范圍來確定信任分配函數(shù)的閾值，定義如下：

[Pi（x）=P1，" " " x≤h1（P2-P1）?e（x-h12）+P1，" " " h1lt;xlt;h2P2，" " " x≥h2] （9）

式（9）中引入模糊類別，用來表示植被與非植被之間的模糊區(qū)間，這個(gè)區(qū)間的元素不能完全確定是否屬于植被。[Pi（x）]表示當(dāng)數(shù)據(jù)源[i]輸入為[x]時(shí)，圖像像素點(diǎn)屬于模糊區(qū)間的概率。當(dāng)輸入[x]小于閾值[h1]時(shí)，圖像某個(gè)像素點(diǎn)屬于植被的可能性為[P1]；當(dāng)輸入[x]小于閾值[h2]且大于[h1]時(shí)，[Pi（x）]可由式（9）求出，表示圖像某個(gè)像素點(diǎn)屬于模糊區(qū)間的可能性。

由于傳感器可能受到誤差、干擾或其他不確定因素的影響，導(dǎo)致其輸出的信息并非絕對(duì)準(zhǔn)確。所以本文選取[P1=0.98]和[P2=0.02]來表示100%和0%，以避免數(shù)據(jù)不精確和不確定性的影響。與基本的信任分配函數(shù)相比：

1） 將像素點(diǎn)在[h1]和[h2]之間無法確定的值定義為模糊類別，該類別是既不屬于植被也不屬于其他地物的新的模糊類，這樣能夠更加準(zhǔn)確地提取植被；

2） 與基本的DS證據(jù)理論方法不同，該方法考慮了模糊類別的不確定情況，更有效地利用了DS理論在處理不確定問題方面的優(yōu)勢(shì)。

2.3" 中值濾波

中值濾波是一種非線性濾波技術(shù)，通過對(duì)圖像中每個(gè)像素周圍的像素值進(jìn)行排序處理，選取中間值來代替當(dāng)前像素的值。在使用信任分配函數(shù)對(duì)圖像中的像素點(diǎn)進(jìn)行提取時(shí)，引入了鄰域大小為3×3的中值濾波，用于消除部分存在植被中表示其他地物的孤立像素點(diǎn)，例如在草地區(qū)域中分布著分散的“道路”像素點(diǎn)，應(yīng)用中值濾波可以有效減少錯(cuò)提取，提高提取準(zhǔn)確率。

3" 實(shí)驗(yàn)與分析

3.1" 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)中的機(jī)載LiDAR數(shù)據(jù)由TopoSys Gmb H系統(tǒng)采集獲得，原始數(shù)據(jù)都經(jīng)過預(yù)處理且空間分辨率設(shè)置為0.5 m。

為了驗(yàn)證本文提出的方法對(duì)于提高植被提取精度的有效性，將采用基本DS證據(jù)理論方法和正態(tài)分布DS證據(jù)理論方法與本文提出的方法應(yīng)用于同一數(shù)據(jù)集，再利用實(shí)驗(yàn)評(píng)價(jià)指標(biāo)對(duì)三種方法的實(shí)驗(yàn)結(jié)果進(jìn)行分析評(píng)價(jià)。如圖2、圖3所示，分別為實(shí)驗(yàn)所用到的LiDAR數(shù)據(jù)集1的數(shù)據(jù)特征和LiDAR數(shù)據(jù)集2的數(shù)據(jù)特征。

本文使用準(zhǔn)確率（Accuracy）、[F1]指數(shù)、誤檢率（False）和漏檢率（Missed）這4個(gè)評(píng)估指標(biāo)來評(píng)價(jià)所提出的植被提取方法的有效性。通過式（10）～式（13）計(jì)算可得：

[Accuracy=TP+TNTP+FN+FP+TN] （10）

[F1=2×Precision×RecallPrecision+Recall] （11）

[False=1-Precision] （12）

[Missed=1-Recall] （13）

3.2" 實(shí)驗(yàn)結(jié)果

數(shù)據(jù)集1用基本DS證據(jù)理論方法、正態(tài)分布DS證據(jù)理論方法和本文提出的方法進(jìn)行植被提取的實(shí)驗(yàn)結(jié)果如圖4所示。其中，圖4d）為由人工手動(dòng)標(biāo)注的真實(shí)值，用來幫助評(píng)估本文方法對(duì)于提取植被的準(zhǔn)確性能和效果。

如圖4實(shí)驗(yàn)結(jié)果所示，白色代表植被，黑色代表背景區(qū)域。為說明本文方法的有效性，將基本DS方法、正態(tài)分布DS方法的提取結(jié)果與本文方法的提取結(jié)果比較，直觀上可以看出，本文方法的提取結(jié)果整體上明顯優(yōu)于另外兩種方法的提取結(jié)果，漏提取的像素點(diǎn)大量減少，結(jié)果更接近人工手動(dòng)標(biāo)注的真實(shí)值。為進(jìn)一步驗(yàn)證本文方法的有效性，如表1所示，為數(shù)據(jù)集1利用本文方法進(jìn)行植被提取時(shí)的混淆矩陣，根據(jù)式（10）～式（13）計(jì)算可得利用本文方法進(jìn)行植被提取的準(zhǔn)確率為90.53%，[F1]指數(shù)為90.96%，誤檢率為9.65%，漏檢率為8.42%。

如表2所示，為數(shù)據(jù)集1用其他方法和本文方法對(duì)植被進(jìn)行提取的準(zhǔn)確率對(duì)比，從結(jié)果可以看出，使用本文方法能夠顯著提高植被提取的精度。提取精度由83.91%提高到90.53%，提高了6.62%。

圖5為本文方法應(yīng)用于數(shù)據(jù)集2的實(shí)驗(yàn)結(jié)果圖。

圖5a）為基本DS證據(jù)理論方法實(shí)驗(yàn)結(jié)果圖，圖5b）為正態(tài)分布DS實(shí)驗(yàn)結(jié)果圖，圖5c）為本文方法實(shí)驗(yàn)結(jié)果圖，圖5d）為人工手動(dòng)標(biāo)注真實(shí)值。由對(duì)比實(shí)驗(yàn)結(jié)果可知，本文方法提取結(jié)果最接近真實(shí)場(chǎng)景。

表3和表4分別表示本文方法應(yīng)用于數(shù)據(jù)集2的混淆矩陣和利用三種方法對(duì)數(shù)據(jù)集2進(jìn)行植被提取的結(jié)果準(zhǔn)確率對(duì)比。根據(jù)式（10）～式（13）計(jì)算可得，本文方法進(jìn)行植被提取的準(zhǔn)確率為 91%，相較于基本DS方法提高了6.09%，[F1]指數(shù)為91.06%、誤檢率為8.45%、漏檢率為9.41%。表明本文方法能夠有效提取植被。

3.3" 實(shí)驗(yàn)分析

根據(jù)實(shí)驗(yàn)結(jié)果分析可知，實(shí)驗(yàn)數(shù)據(jù)集1、數(shù)據(jù)集2的提取準(zhǔn)確率分別為90.53%和91%，本文方法與基本DS證據(jù)理論方法和正態(tài)分布DS證據(jù)理論方法相比，實(shí)驗(yàn)結(jié)果準(zhǔn)確率更高，更接近人工真實(shí)值。

根據(jù)實(shí)驗(yàn)數(shù)據(jù)集1和數(shù)據(jù)集2的易混淆區(qū)域結(jié)果對(duì)比圖（見圖6、圖7）可以看出，本文方法提取錯(cuò)誤的像素點(diǎn)明顯減少，在處理這類混淆情況時(shí)表現(xiàn)出了顯著的優(yōu)勢(shì)，進(jìn)一步提高了混淆區(qū)域的植被提取精度。在圖6和圖7中，黑色框表示植被區(qū)域內(nèi)的草地與裸地之間的混淆問題。這種混淆主要是由于草地本身具有間隙和不連續(xù)性，導(dǎo)致提取困難。相比之下，本文方法所得到的結(jié)果更為連貫，并且噪點(diǎn)較少，這表明了本文方法的有效性和穩(wěn)健性。另外，灰色框表示高大建筑物的陰影對(duì)草地區(qū)域的遮擋混淆。本文方法通過對(duì)這些遮擋混淆點(diǎn)進(jìn)行概率分配有效解決了這個(gè)問題。這種針對(duì)不同混淆情況的處理方式使得提取結(jié)果與人工真實(shí)值高度一致，進(jìn)一步驗(yàn)證了本文方法提高精度的可靠性和真實(shí)性。

4" 結(jié)" 論

本文提出了一種基于分層特征DS合成的機(jī)載LiDAR植被提取方法。利用4個(gè)源數(shù)據(jù)特征結(jié)合改進(jìn)DS證據(jù)理論建立特征分層結(jié)構(gòu)，最后以正交信任函數(shù)最大值作為決策規(guī)則，得到植被提取結(jié)果。所提出的方法已經(jīng)在數(shù)據(jù)集上進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，本文方法顯著提高了植被提取的準(zhǔn)確率。本文方法不需要進(jìn)行繁瑣的訓(xùn)練過程，且在難以獲取大量訓(xùn)練樣本的情況下仍然適用；引入了分層思想和模糊理論，對(duì)混淆區(qū)域間的模糊像素點(diǎn)進(jìn)行處理，有效減少了植被模糊邊界漏提取、錯(cuò)提取的情況；本文方法有效提升了城區(qū)植被提取的精度，為碳匯管理提供了一種可靠的技術(shù)手段。

注：本文通訊作者為楊風(fēng)暴。

參考文獻(xiàn)

[1] 林娜，何靜，王斌，等.結(jié)合植被光譜特征與Sep?UNet的城市植被信息智能提取方法[J].地球信息科學(xué)學(xué)報(bào)，2023，25（8）：1717?1729.

[2] ZI?BA?KULAWIK K， SKOCZYLAS K， W??YK P， et al. Monitoring of urban forests using 3D spatial indices based on LiDAR point clouds and voxel approach [J]. Urban forestry amp; urban greening， 2021， 65： 127324.

[3] 周濤，胡振琪，韓佳政，等.基于無人機(jī)可見光影像的綠色植被提取[J].中國環(huán)境科學(xué)，2021，41（5）：2380?2390.

[4] LIN N， QUAN H L， HE J， et al. Urban vegetation extraction from high?resolution remote sensing imagery on SD?UNet and vegetation spectral features [J]. Remote sensing， 2023， 15（18）： 4488.

[5] LIU A， CAI P， ZHANG J J， et al. High?speed road sign detection scheme based on ultrafast single?pixel scanning LiDAR [J]. Optics and lasers in engineering， 2024， 176： 108111.

[6] 陳龍偉，周小成，李傳昕，等.基于UNet?ResNet14半監(jiān)督學(xué)習(xí)的無人機(jī)影像森林樹種分類[J].農(nóng)業(yè)工程學(xué)報(bào)，2024，40（1）：217?226.

[7] LI Y， MIN S H， SONG B B， et al. Multisource high?resolution remote sensing image vegetation extraction with comprehensive multifeature perception [J]. Remote sensing， 2024， 16（4）： 712.

[8] NGUYEN H M， DEMIR B， DALPONTE M. A weighted SVM?based approach to tree species classification at individual tree crown level using LiDAR data [J]. Remote sensing， 2019， 11（24）： 2948.

[9] HADI H A， DANOEDORO P. Comparing several pixel?based classification methods for vegetation structural composition mapping using Sentinel 2A imagery in Salatiga area， Central Java [C]// Seventh Geoinformation Science Symposium 2021. [S.l.]： SPIE， 2021： 285?294.

[10] ZHANG Y， SHAO Z F. Assessing of urban vegetation biomass in combination with LiDAR and high?resolution remote sensing images [J]. International journal of remote sensing， 2021， 42（3）： 964?985.

[11] KADU S R， HOGADE B G， RIZVI I， et al. Extraction of vegetation using modified K?means clustering [C]// Proceedings of ICTIS 2018 for Information and Communication Technology for Intelligent Systems. Heidelberg： Springer， 2019： 391?398.

[12] LI J T， CHENG X J， WU Z L， et al. An over?segmentation?based uphill clustering method for individual trees extraction in urban street areas from MLS data [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2021， 14： 2206?2221.

[13] YANG D X， HUANG X F. Landscape design and planning methods for plant protection based on deep learning and remote sensing techniques [J]. Crop protection， 2024， 180： 106620.

[14] YANG B， ZHAO M C， XING Y， et al. VEDAM： Urban vegetation extraction based on deep attention model from high?resolution satellite images [J]. Electronics， 2023， 12（5）： 1215.

[15] 馬澤亮，楊風(fēng)暴.基于尖[τ]型DS證據(jù)理論的機(jī)載LiDAR地物分類方法[J].激光與紅外，2021，51（7）：853?858.

[16] ZHAO D， JI L， YANG F， et al. A possibility?based method for urban land cover classification using airborne lidar data [J]. Remote sensing， 2022， 14（23）： 5941.

[17] FENG T， MA H， CHENG X. Land?cover classification of high?resolution remote sensing image based on multi?classifier fusion and the improved Dempster–Shafer evidence theory [J]. Journal of applied remote sensing， 2021， 15（1）： 014506.

[18] SHAFER G. A mathematical theory of evidence [M]. New Jersey， Princeton： PUP， 1976.