服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例>>农业环境
机载LiDAR和高光谱融合实现温带天然林树种识别

机载LiDAR和高光谱融合实现温带天然林树种识别

1 引 言 

遥感技术应用于森林树种分类已有多年的研究,但多限于光学数据高光谱传感器由于超细的窄波段设计,其光谱响应比宽波段的多光谱数据更灵敏,可更好地实现冠层生物物理参数和化学参数的估测,并成功应用于树种分类Buddenbaum等人对HyMap数据选用光谱角填图及最大似然两种分类方法,对德国西部的针叶林区进行了树种及林龄的划分; Goodenough等人利用Hyperi-onALIETM+3种遥感数据对加拿大维多利亚地区的5种森林类型进行了分类; Xiao等人利用AVIRIS数据及分层分类技术实现了城区树种的填图; 宫鹏等人利用高分辨率光谱仪实地测得光谱数据识别美国加州的6种主要针叶树种,采用相邻窄波段逐步加宽的方法,测试不同波段宽 度对树种识别精度的影响但光学数据的成像方式仅是对地物水平格局的描述,对于高覆盖度的森林,由于其地形起伏,树冠特征复杂等因素,仅凭光学遥感对其进行树种制图尚存在很大难度LiDAR的传感器能够主动向被测目标发射特定波长(如1550nm)的电磁波,其脉冲信号可以穿透树冠表层枝叶树干,到达地面,与地物作用发生反射和散射,部分光波最终被传感器接收通过测量地面采样点激光回波脉冲相对于发射激光主波之间的时间延迟,得到传感器到地面采样点之间的距离,从而测量地表起伏状况,获得森林垂直结构等信息,因此林业上多用LiDAR数据提取森林垂直结构参数特别是机载小光斑LiDAR,其传感器的采样密度大,光斑直径小(1m左右),更适合小范围森林参数的精确提取Brandtberg等人对维吉尼亚州西部阔叶混交林的研究表明,用落叶的LiDAR数据的NIR反射强度数据和LiDAR的高程数据相结合可用于某些阔叶树种的分类; Dalponte等人将LiDAR获得的高度信息,加入到复杂林分树种的分类中,得出LiDAR首回波的高度信息对于分离光谱特征相似但平均高度不同的树种是非常有效的结论; 庞勇等人利用低密度和高密度的LiDAR点云数据,分别进行了林分平均高度的反演试验,结果表明分位数法可以很好地进行林分平均高的估计也有一些学者开展了基于LiDAR回波强度信息对树种分类的研究(Holmgren等)。rka等人的研究表明,仅利用强度信息对针阔叶林分类,可达到73%的分类精度Reitberger等人利用高斯分解方法对波形数据处理并获取每个回波的三维坐标强度及波形宽度信息,成功对Bavarian国家森林公园进行了针阔叶林的非监督分类。 

尽管高光谱数据有精细的光谱信息,但区分光谱特征相似的树种仍然受限;而LiDAR虽然可以获取高精度的3维垂直结构信息,但缺少相应的光谱信息,仍然很难对复杂森林类型进行分类。将高光谱LiDAR数据相结合,实现优势互补,并应用于林业已成为一个新的研究热点,并且已有一些学者在该领域开展了相关研究(Asner等和Thomson; Trevor 等) 。在中国这两种数据融合在林业上的应用还不多见,对于北方温带天然林树种分类的能力如何尚不够明确;另外,目前分类使用的训练样本大多采用目视解译手动获取,效率较低。

因此本文利用3维结构及精细光谱的双重优势,尝试训练样本的自动提取方法,在此基础上进行树种识别,评估机载LiDAR和高光谱融合对温带天然林树种识别的能力。 


2 研究区与数据 

2.1 研究区概况 

研究区位于黑龙江省伊春市带岭区凉水国家级自然保护区(47°10'50″N,128°53'20″E)。地处欧亚大陆东缘,小兴安岭南坡达里带岭支脉的东坡,海拔高度在280—707m之间,为典型的低山丘陵地貌,具有明显的温带大陆性季风气候特征。年平均气温-0.3℃,年平均降水量676mm,年平均相对湿度78%,无霜期为100—120d。境内地带性土壤为山地暗棕壤。气候特点: 春季风大; 夏季气温较高,降雨集中; 秋季降温急剧; 冬季漫长,寒冷干燥而多风雪。保护区面积为12133ha,森林总蓄积量170万m3,区内自然资源丰富,植被群落类型复杂多样,主要保护对象是以红松(Pinus koraiensis)为主的温带针阔叶混交林生态系统,还有国家重点保护野生植物水曲柳(Fraxinus mandshurica)、黄菠萝(Phllodendron amurense)、胡桃楸(Juglans mandshurica)等。 


2.2 数据获取 

2.2.1 遥感数据获取 

运-5小型多用途飞机承担本次飞行任务,于2009年8月23日和9月4日分别搭载高光谱传感器(CASI-1500)和LiDAR传感器(LMS-Q560)在水自然保护区上空进行实验数据采集。飞行地速180km/h,总覆盖面积约为208.8km2,数据获取当天晴朗无(少) 云。传感器参数详见表1。

image.png

2.2.2 地面数据获取 

2010年8月,对飞行区域进行样地数据的地面调查。样地重点选取在研究区内珍贵或优势的树种区,视样地类型分别设置边长为30m、40m、50m的方形样地每木检尺:重点是用激光测距/测高仪TruPulse 360)测量树高及枝下高,该仪器由于将激光发射点和视线设计在同一直线上,减小了测量误差,测距精度300m以内为±0.3m,角度测量精度为±0.25°,保证了高度测量的准确性。另外还记录了单木坐标 (拓普康全站仪),以及胸径、冠幅等基本测树因子。本研究区域覆盖4块方形样地,1块沿路两侧带状样地,共1192株树,树种主要包括: 红松、云冷杉、落叶松和白桦等。


3 研究方法 

本文利用LiDAR获取的垂直结构信息,根据实测的各树种树高分布统计,对高光谱影像进行分层空间掩膜处理,一是去除林间空隙等非树木像元的干扰,提取冠层子集; 二是对于不同的树种,其训练样本在特定树高对应的光谱空间提取; 再结合光谱微分和曲线匹配技术,实现自动提取训练样本; 然后应用支持向量机(SVM)分类器,开展仅使用CASI数据和CASI+LiDAR(CASI+CHM)数据的树种分类精度比较试验。技术路线见图1。 


3.1 遥感数据处理 

3.1.1 机载LiDAR数据处理 

机载LiDAR数据处理包括数据预处理和数据后处理,前者一般由数据提供商完成,用户得到点云数据产品; 后者由用户根据各自需求完成,主要是对点云数据进行滤波分类,从激光点云中分离出地形表面激光点云数据子集以及区分不同地物激光点云数据子集。本文仪器中通过迭代、孤立点和阈值等算法滤波,对点云产品进行地面点和非地面点的分离。对已分类点云数据中的地面点通过不规则三角网(TIN) 插值运算生成DEM,首回波点插值生成DSM(Digital Sur-face Model)。DSM与DEM进行栅格差值运算得到高程归一化后的数字冠层高度模型CHM(Canopy Height Model)。


image.png

3.1.2 机载高光谱数据的预处理 

数据提供商对机载高光谱数据CASI进行了系统辐射定标,还需要通过大气校正,消除成像时光照和大气对地物反射率的贡献,反演地物本身的真实反射率,从而有利于地表特征的提取。机载数据受大气影响相对较小,所以比较容易纠正,结合前人研究,认为经验线性法可操作性好,更适合低空机载小范围数据的大气校正,因而本文采用经验线性法对CASI数据进行大气校正。 

经验线性法假设图像DN值与反射率之间存在线性关系,建立飞行同步测量的地面反射率光谱和影像对应区域的DN值之间的关系式,通过线性回归使各波段的DN值转化为反射率,以消除大气影响。地面目标一般选择空间上足够大,近似朗伯体、无斜坡且无植被覆盖的均匀地物,尽量减小双向反射影响和邻近效应。图2是经验线性法对研究区植被大气校正前后的比较图。图上可以看出,大气校正前(虚线) 的光谱曲线在可见光波段反射值偏高,与近红外肩部的反射率差值较小,蓝波段的吸收谷和绿波段的小反射峰区分均不明显,并且近红外波段有多处明显的吸收带; 而大气校正后(实线)的光谱曲线突出了谷底和峰值,并且近红外波段形成明显的高反射峰,符合植被的光谱曲线特征。因此认为经验线性法已经较好地去除了光照和大气的影响,数据可以用于后续的研究。 


3.1.3 机载LiDAR与高光谱数据的互配准 

机载LiDAR得到的CHM与CASI在融合应用之前,需先进行互配准。利用地面点云数据经TIN插值得到的0.5m高分辨率DEM,对CASI进行正射校正,消除因地形起伏等原因造成的图像变形; 将LiDAR CHM最邻近法重采样为与CASI相同的空间分辨率1.5m,并在两影像上沿着道路或平坦区


image.png

典型地物选取20个控制点,根据最小二乘法得到控制点对的平均误差在2m以内,即约1个像元,因此认为本文两种数据源的互配准是可信的。图3为CA-SI与LiDAR CHM同名地物比较。

image.png

3.2 提取冠层子集 

在高覆盖度天然林区,林间空隙下的低矮灌木和草地的覆盖度也非常高,其像元的光谱特征可能与某些林地像元的光谱特征相近,当这些像元被选为训练样本时,必然影响训练样本光谱与参考光谱间的匹配,降低分类精度。并且“同物异谱,异物同谱”现象也会影响到训练样本的提取,给树种识别增加了难度。由于成熟林分不同树种其高度范围一般不同,本文首先对样地实测各树种的树高分布进行统计,选取各树种相对集中的高度区间(且尽量保持各树种间的高度区间不重叠),用LiDAR获取的3维垂直结构信息对CASI影像分层进行空间掩膜,使各树种在各自的高度空间内进行训练样本的提取,去除了林间空隙及不同高度树种光谱的相互干扰,从而增大训练样本的提取精度。 


3.3 训练样本的自动提取 

由于太阳辐照度的变化、大气效应和噪声等因素的影响,地物固有的光谱特征在影像上会有失真,而光谱微分技术可以部分消除或减弱噪声光谱对目标光谱的影响,并能在某些光谱段增大不同植被间的差异。对于数据中的噪声干扰,本文采用一阶光谱微分技术,突出近红外区域的植被光谱反射特性,降低噪声的同时增大了植被间的差异,并在此基础上进行训练样本的自动提取。一阶微分的定义:

image.png

式中,yi,j,λk表示高光谱影像第i列、第j行的像元在波长λk处的反射率值。随机选取60%的外业调查点作为参考点,从一阶微分影像上提取相应位置的各树种均值光谱曲线作为参考光谱曲线,逐像元计算影像一阶微分曲线与参考光谱曲线的相关系数Rxy。相关系数越大,说明两曲线的匹配度越高,是相同树种的可能性越大。

image.png

式中,Rxy 为相关系数,σxy为协方差,σxx、σyy为标准差。如果影像与参考光谱曲线进行全波长的匹配,一定程度上会因为波长区间过大而累加噪声,造成训练样本的误判,因此计算相关系数的特征区间应有所选择。由于“绿峰”和“红边”是植被特有的光谱特征,不同树种光谱曲线在该区间的吸收或反射特征有明显差别,经过试验比较,本文选取500—780nm可见光-近红外波段区间作为研究区间,计算一阶微分影像波谱与参考波谱间的Rxy。 


3.4 分类及精度验证 

支持向量机SVM是Vapnik提出的针对分类和回归问题的统计学习算法。通过学习算法,自动寻找那些对分类有较大区分能力的支持向量,构造分类器,将类间间隔最大化。它是专门针对小样本训练区分类的方法,弥补了传统分类方法如最大似然法在高维、多源等大数据量情况下病态分类的不足,因而SVM在高光谱数据分类领域应用广泛。本文将机载高光谱与LiDAR数据融合,选用SVM算法对研究区进行分类试验。 

高光谱数据由于波段间存在高相关性,数据冗余度高,因此分类前先对其进行最小噪声分离变换MNF(Minimum Noise Fraction Rotation)去相关,实现信号与噪声分离,使信息更加集中在有限的特征集中,同时使光谱特征向类特征向量汇集,增强分类信息。

从定量、定性两个方面对分类结果进行评价: 

(1)地面参考点: 将剩余的40%样地实测点及0.2m的航空正射影像图作为分类结果的验证数据,建立误差矩阵,统计计算总体及各树种的分类精度值,定量比较分类精度; 

(2)林相图: 将该区域的林相图叠加在分类结果图上,定性比较分类结果与林相图小班内优势树种组成及成数的差异。 


4 结果与分析 

4.1 不同树种基于树高的区别 

由LiDAR数据得到的冠层高度模型CHM,可以表征林冠垂直分布,获得各树种不同的高度、空间分布和冠层密度等多重信息。本文初始 CHM空间分辨率为0.5m,为了与CASI影像的像元对齐,将CHM最邻近法重采样为1.5m。研究区实测的树冠东西、南北主方向冠幅,一般在 6×6m2以上,即每个树冠约占16个像元,因此重采样后的CHM仍可以准确的表达高光谱每个像元对应的树种高度,保证了对CASI分层掩膜的精度,提高训练样本提取的准确度,进而有可能提高分类结果精度。图4(a)为CHM的水平分割图,颜色从蓝至红代表地物高度从低至高,地物高度越相近,颜色就越一致; 

图4(b)为CHM的垂直剖面图,可以看出林隙、树高以及树冠大小,其中最高点为一处38m高的瞭望塔。因此本文首先根据样地实测树种间树高的差异(图 5),用CHM对CASI影像进行掩膜,以增加光谱提取纯度。

image.png

图5为样地实测各树种的树高分布图,可以看出不同树种高度分布有一定的范围,为了准确提取训练样本,将各树种的高度限定在一个较小且分布集中的范围内,避免其他树种的干扰,以此作为CHM对高光谱空间掩膜的依据。由于研究区柳树较少,多聚丛生长,且光谱与其他树种差异较大,容易提取到纯净光谱,因而直接在影像上提取其训练样本。最终确定的各树种掩膜高度为表2所示。

1631523452(1).png

4.2 基于光谱的树种区别 

选取一阶微分曲线500—780nm反映植被生长状况的区间进行波谱相关性分析,逐像元与参考点光谱微分均值曲线相匹配,计算相关系数并设置阈值,保留相关系数>0.995的像元作为与参考点同类别的训练样本。 

从原始光谱曲线(图6)看,阔叶树种中柳树的反射率最高,与其他样本的可分离性最大,可以直接对其进行特征提取; 而其他树种波形及峰值都很相近,特别是落叶松和红松的光谱曲线相似度更高,直接进行特征提取必然产生严重的混分现象,

image.png

但从一阶微分曲线(图7)上看,树种间的差别比较明显,且在“红边”范围差异更加明显。通过曲线匹配,可以很好地实现特征提取。

image.png

4.3 分类结果及精度评价 

4.3.1 仅使用高光谱变量(CASI)的分类精度 

仅使用高光谱数据分类的方法,由于受到相似高度和光谱信息的不同树种干扰,训练样本提取时存在精度不高的问题,从而导致混分的现象严重,影响了分类结果: 总体精度为76.71%,Kappa系数为0.71。其中阔叶树的平均制图精度和用户精度分别为78.93%,86.16%(表3),针叶树为75.05%,73.59%。阔叶树的总体分类精度好于针叶树。柳树的分类精度最高,用户精度达到95.45%,红松、落叶松和白桦精度相近,均为75%—80%,云冷杉最低,仅为63.34%。

image.png

4.3.2 高光谱加入CHM变量(CASI+CHM)的分类精度 

将树种高度信息加入训练样本的提取及分类过程中,减小了相似高度不同树种光谱信息的相互干扰,训练样本和参考样本光谱曲线的相关系数更高,分类总体精度也有较大幅度提高,总体精度达到83.88%,Kappa系数为0.80; 两种方法对柳树的分类精度差异不大,对其他各树种的分类精度普遍有所提高。白桦和云冷杉制图精度和用户精度相差很小,说明这两个树种的识别很稳定,而落叶松和红松相对差异偏大,可能这两个树种对训练样本的敏感性较高; 就用户精度而言,柳树最高(95.65%),落叶松、白桦次之(在85%以上),云冷杉较仅CASI变量的分类提高较大(+13.52%),红松略有降低(-4.21%)。

image.png

与DOM参考影像比较可以看出,图8(a)将明显的道路误分类为建筑物,而图8(b)则实现了准确分类。因此,采用CASI+CHM的分类结果优于仅用CASI。与仅用CASI数据的分类结果相比,CASI+CHM各树种分类精度变化量如图9所示,大多数树种的制图精度和用户精度均有提高。云冷杉的用户精度提高最大,为13.52%,落叶松次之,提高11.83%,达到89.89%,红松略有降低(-4.21%),但制图精度略有提高(+8.06%); 从用户和制图精度看,云冷杉和白桦的精度提高稳定且幅度较大,说明CASI+CHM数据应用本文分类方法对柳树、云冷杉和白桦树种的识别很好,落叶松和红松的识别不够稳定,但总体来说,CASI+CHM的总体精度高于仅CASI,加入树高信息有效地提高了树种的分类精度。CASI+CHM分类结果专题图(图10)将显示各小班优势树种组成成数的林相图叠加在分类结果专题图上进行比较。可以看出,本文的分类结果与林相图的树种组成和分布总体吻合很好,仅局部个别小班存在一些差异,如林相图上存在个别的小班优势树种红松占十成,而分类图上对应小班内除红松分布密度较大外还有占明显比例的白桦林。为进一步验证本文分类结果的准确度,又将分类结果图与 航空正射影像参考图进行了比对,发现两者的一致性较高

image.png

说明本文将机载LiDAR与高光谱融合进行高覆盖度林区树种分类的方法是可信的:不仅总体精度最高,大部分的树种精度也比单纯用高光谱数据精度高。


5 结论与讨论 

高光谱遥感以其特有的超细光谱特征已经在树种识别方面发挥了优势。有研究表明,仅用机载高光谱数据对部分树种分类,其精度达到 60%—90%,证明了机载高光谱的树种分类能力。但是对于高覆盖度的复杂林区,“同物异谱、异物同谱”等现象普遍存在,使得仅凭光谱信息区分树种的高光谱数据受到限制; 而LiDAR能够获取3维结构信息,特别适合于描述复杂林型的森林垂直分布特征,将机载LiDAR与高光谱数据融合对树种分类是极具前景的。本文将机载LiDAR获取的3维结构信息与高光谱的光谱信息融合,应用SVM分类器实现了研究 区的树种分类。为评估LiDAR垂直结构信息参与分类的贡献,比较了仅高光谱(仅CASI)和高光谱与LiDAR(CASI+CHM)融合数据的分类精度。分类结果精度比较表明,CASI+CHM的分类总体精度和Kappa系数均高于仅CASI,分别为83.88%和0.80。

image.png

说明加入垂直结构信息能有效提高高覆盖度森林的树种分类精度。分析其原因,主要是使得各树种训练样本的提取能够在相对独立的光谱空间完成,大大减少了“异物同谱,同物异谱”的干扰,使训练样本提取更加准确,而训练样本的准确程度直接影响到分类的精度。将分类结果图与林相图小班的优势树种和成数相比较也说明本文分类方法是可行的,总体精度和大部分树种的精度都很高。这与Dal- ponte等人、Trevor等人、Geerling等人以及Mundt等人应用高光谱与LiDAR融合数据对复杂林区、滩地和灌丛牧场等分类的结论是一致的。但是本文分类方法,并不是对所有树种都适用。如红松的用户精度最低,仅为75.15%,原因可能是研究区有部分红松人工幼龄林,其高度在5—15m,与大部分同是针叶林型的落叶松、云冷杉高度近似,尽管训练样本提取前进行了高度掩膜、并对光谱曲线一阶微分变换,但仍然会存在混分的现象,因此影响了树种的分类精度。在后续的研究中,将尝试增加其他的特征提取技术,以便更好地增大树种间光谱曲线的可分性,再结合LiDAR的垂直结构信息,有望进一步提高树种分类的精度。

Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号-1