一种基于LiDAR伪垂直波形模型的树种分类方法
【专利摘要】本发明公开了一种基于LiDAR伪垂直波形模型的树种分类方法，包括：1）使用机载小光斑全波形LiDAR传感器进行数据采集，获得完整波形信息，采样间隔为1ns；2）LiDAR波形数据预处理；3）通过波形结构化分解和综合波形重组构建伪垂直波；4）单木分割和信息综合；5）在单木范围内汇总点云属性并计算综合波形特征参数；6）使用支持向量机分类器进行树种分类。该树种分类方法，能增强获取的LiDAR能量信号，在单木分割基础上，从多个维度提取综合波形特征变量，实现了通过单一数据源获取并提升亚热带森林的树种分类精度，可以更好地反映该森林类型中主要树种的时空变异，经实验验证结果表明，与其他使用LiDAR进行树种分类的方法相比总体精度提升10%；Kappa系数提升0.1。
【专利说明】-种基于Li DAR伪垂直波形模型的树种分类方法
【技术领域】
[0001] 本发明属于树种分类方法【技术领域】，具体涉及一种基于LiDAR伪垂直波形模型的 树种分类方法。
【背景技术】
[0002] 如何快速、定量、精确地进行森林内各主要树种的自动化提取与识别是林业遥感 研究的难点之一。其在森林资源经营管理中具有重要的现实意义。常规的森林类型或树 种调查方法主要依赖于野外调查以及利用大比例尺航片判读等相结合的方法，其精度往往 不高。同时，传统的光学遥感方法由于受到"同物异谱"和"同谱异物"现象的影响，在识别 森林类型或树种组时往往效果也不够理想，其在大区域上更是难于实用化推广。激光雷达 (LiDAR,Light Detection and Ranging)是通过发射激光束击打物体表面并分析其返回信 号的一种主动遥感技术。通过LiDAR可获得高精度的地球表面及地表实体的高度信息，如 地形和植被等可达到亚米级的垂直精度。现有研究表明，LiDAR可穿透森林冠层获得其三 维结构特征，特别适合植被覆盖度高且森林结构复杂地区森林信息提取。
[0003] LiDAR技术在过去的十多年里逐步发展成熟并分化为多个分支，其中"大光斑" 全波形LIDAR(Big-FW-LiDAR)、"小光斑"离散点云LIDAR(Small-DR-LiDAR)被较早应用 在林业领域。由于Big-FW-LiDAR的地面光斑大小通�：艽螅ㄈ鏘CESat卫星搭载的GLAS 传感器的光斑直径为60-70m，光斑间隔为170m)，故基于此类LiDAR技术进行森林类型 分类的研究较为少见，进行树种分类更加困难。Small-DR-LiDAR数据的光斑大小通常为 0. 2-3. 0m，记录了离散的多次（以首次和末次为主）回波峰值（3D位置与强度）信息，采用 此类LiDAR数据进行森林分类通常需要与传统光学遥感数据集成来实现。相比以上技术， "小光斑"全波形LIDAR(Small-FW-LiDAR)虽然起步较晚（直到2004年奥地利Riegl公司 才推出了世界上第一台商业机载小光斑全波形LiDAR数字测量系统），但其数据处理和信 息提取方法研究已成为近年来的热点。这是由于与Big-FW-LiDAR相比，Small-FW-LiDAR 可精确获取单木冠层内的返回信号变化；与Small-DR-LiDAR相比，Small-FW-LiDAR记录 了包括较小能量信号在内的所有回波信号，通过对波形数据进行处理，能够检测到更多的 目标物特征信息，理论上能够更为丰富地反映不同树种的结构特征。近年来为数不多的 Small-FW-LiDAR 树种分类研究为：Reitberger 等 2008 年发表在《International Journal of Remote Sensing》第 29 卷的"Analysis of full waveform LIDAR data for the classification of deciduous and coniferous trees"，该研究在单木识别基础上借助 (提取的）波形特征参数进行分类，从而区分了针叶林和阔叶林；Neuenschwander等2009 年发表在《Journal of Applied Remote Sensing》第 3 卷的 "Landcover classification of small-footprint, full-waveform lidar data",该研究在高斯波形分解的基础上，通过 总结目标物参数对研究区内的不同地表覆盖类型进行了分类。然而，以上方法仅适用于树 种单一（如纯林）或树种组成较为简单的森林分类研究，在林分组成和结构复杂的森林中 分类精度不高。
【发明内容】
[0004] 发明目的：针对现有技术中存在的不足，本发明的目的是提供一种基于LiDAR伪 垂直波形模型的树种分类方法，使其具有操作方便，提取树种时空变异信息准确，且性能稳 定等特点。
[0005] 技术方案：为了实现上述发明目的，本发明采用的技术方案如下：
[0006] -种基于LiDAR伪垂直波形模型的树种分类方法，包括以下步骤：
[0007] 1)使用机载小光斑全波形LiDAR传感器进行数据采集，获得完整波形信息，采样 间隔为Ins ;
[0008] 2) LiDAR波形数据预处理：包括噪声水平估计和数据平滑、计算拐点、高斯拟合及 波形数据点云化、生成数字地形；
[0009] 3)通过波形结构化分解和综合波形重组构建伪垂直波：首先利用三维体积单元 划分地表以上的三维空间；然后在每个单元内，汇总穿过其中的最大脉冲能量并基于数字 地形模型进行高度归一化；最后提取三维空间中垂直方向上的体元集合即为每束伪垂直 波；
[0010] 4)单木分割和信息综合
[0011] a)将地面以上点云插值生成数字表面模型，然后减去数字地形模型从而得到归一 化植被高度；
[0012] b)采用二维高斯滤波方法平滑CHM表面，其公式为：
[0013]
【权利要求】
1. 一种基于LiDAR伪垂直波形模型的树种分类方法，其特征在于，包括以下步骤： 1) 使用机载小光斑全波形LiDAR传感器进行数据采集，获得完整波形信息，采样间隔 为 Ins ; 2. LiDAR波形数据预处理：包括噪声水平估计和数据平滑、计算拐点、高斯拟合及波形 数据点云化、生成数字地形； 3) 通过波形结构化分解和综合波形重组构建伪垂直波：首先利用三维体积单元划分 地表以上的三维空间；然后在每个单元内，汇总穿过其中的最大脉冲能量并基于数字地形 模型进行高度归一化；最后提取三维空间中垂直方向上的体元集合即为每束伪垂直波； 4) 单木分割和信息综合 a) 将地面以上点云插值生成数字表面模型，然后减去数字地形模型从而得到归一化植 被高度； b) 采用二维高斯滤波方法平滑CHM表面，其公式为：
(1) 式中，X和y为到"内核"的距离；σ为4/π，6/π和8/π ; 采用二次抛物线表面模型拟合树高，其公式为：
：2) 式中，X，y为像元所在位置，和y〇为表面中心，通过该模型综合最佳分割尺度； C)借助单木分割提取的冠幅和树高参数，在椭圆柱体范围内汇总其中的所有伪垂直波 形，构成单木综合脉冲；借助DTM对单木综合脉冲进行归一化处理； 5) 在单木范围内汇总点云属性并计算综合波形特征参数； 6) 使用支持向量机分类器进行树种分类：在研究区内均匀选取有代表性的一组数据 作为训练数据，与其完全独立的另一组作为检验数据；最后使用支持向量机分类器进行树 种识别，并借助总体分类精度和卡帕系数对这两个定量化指标对分类精度进行评价； 卡帕系数计算公式：
(3) 式中，r为总的类别数，Xii为对角线上的像元数，xi+和X+i是列和行的总像元，N是总像 元数。
2. 根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于： 步骤2)中，噪声水平估计和数据平滑为：首先把原始数据转换到频率域，再将频率较高的 低值部分作为噪声水平的判断标准；然后选用高斯滤波器进行平滑。
3. 根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于： 步骤2)中，高斯拟合（分解）及波形数据点云化为：对波形数据采用非线性最小二乘法进 行拟合，然后通过局部最大峰值检测滤波算法从处理后的波形数据上提取离散点云。
4. 根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于： 步骤2)中，生成数字地形为：首先对从波形数据中提取出离散点云进行分类，然后对末次 回波进行Kraus滤波处理用以去除非地面点，最后使用滤波后的末次回波数据并借助自然 邻近法插值生成数字地形模型。
5. 根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于： 步骤4)中，使用〇 =8/π算子的平滑结果将作为"最粗糙尺度"，而使用σ =4/π算子 的平滑结果将作为"最精细尺度"。
6. 根据权利要求1所述的基于LiDAR伪垂直波形模型的树种分类方法，其特征在于： 步骤5)中，在单木范围内汇总点云属性并计算综合波形特征参数包括： a) 单木分割的树冠椭圆柱体范围内，针对每组高斯分解后的点云，计算其属性的均值、 最大值和最小值，以此作为单木的特征变量； b) 通过设置差异阈值对比DTM提取高度和对应位置上最后一个波峰所在高度，依此判 断地形对应波峰位置； c) 提取特征变量：HOME、波形距离、高度中位数比、波峰数量、返回波形能量、冠层外层 粗糙度、前坡度角和VDR。
【文档编号】G01S7/48GK104155638SQ201410259589
【公开日】2014年11月19日 申请日期:2014年6月11日 优先权日:2014年6月11日
【发明者】曹林, 许子乾, 代劲松, 汪贵斌 申请人:南京林业大学
