关键词:
机载RGB影像
高光谱影像
LiDAR点云数据
3D点云深度学习
多源异构数据融合
单木树种识别
摘要:
树种的分类识别对于提取树木特征属性,保护生物多样性有重要意义,精确的单木树种识别在树木参数反演中也起着至关重要的作用。区域尺度的树种分类与制图采用机器学习方法建立分类模型以完成树种分类识别,但难以满足森林精细经营管理单木级信息获取需求。机载高光谱和Li DAR点云提供了林木高分辨率光谱信息和精细的三维结构信息,深度学习能从各类多源异构数据中挖掘出高阶的抽象特征,为实现单木级的树种识别提供了可能。本文以广西省南宁市高峰林场为研究区,采用机载高分辨率RGB影像、高光谱影像和Li DAR点云数据,建立样本数据集,针对多源异构数据的特点,采用不同的融合方式,提出了基于像元和基于点云两种类型的单木树种识别算法,实现了复杂林分下单木树种分类制图。主要研究内容和结论如下:(1)单木树种识别样本数据集构建。利用无人机对研究区采集RGB影像、高光谱影像和Li DAR点云数据,分别进行预处理后,对数据进行人工手动标注,分别构建了包含六个树种(组)的影像样本数据集和点云样本数据集。同时,采用数据增广策略扩充样本,降低模型的过拟合问题。(2)构建了基于像元的单木树种识别AC R-CNN模型。深度学习网络中的实例分割模型可以支持基于像元的单木树种识别与定位任务。本文以机载RGB影像和Li DAR点云数据为数据源,以实例分割网络Mask R-CNN为基本框架,引入注意力机制,使用ACNet代替Mask R-CNN模型的Res Net骨干特征提取网络,构建AC R-CNN模型。该模型从RGB影像和Li DAR提取的冠层高度模型(Canopy Height Model,CHM)中选择性地学习特征,使网络专注于信息量更大的区域,从而更有利于树种的分类和识别。应用AC R-CNN方法对研究区进行单木树种识别,总体分类精度为78.89%,Kappa系数为0.7124,F1分数为73.49%。相较于基准网络Mask R-CNN,总体分类精度提升15.65%、Kappa系数提升0.1460,F1分数提升14.85%。(3)提出了基于点云的3D点云深度学习模型IS3DNet。为充分利用机载Li DAR点云数据中精细的三维结构信息和高光谱影像中丰富的光谱信息,同步实现单木树种分类和分割,本研究将Point Net++模型引入单木树种识别中,以Point Net++为基本框架,提出融合机载Li DAR点云与高光谱影像的端到端单木树种识别模型IS3DNet。首先,根据共线方程将机载Li DAR点云与高光谱影像融合,生成具有光谱信息的点云数据。其次,采用多尺度重叠分块策略扩增样本,提高了模型对噪声和方向的鲁棒性。最后,基于Point Net++模型,采用一个共享编码器和两个并行解码器同步完成单棵树木的语义类别预测和实例分割。对于分类任务,与ICA-SVM、2D-CNN及3D-CNN等方法相比,IS3DNet性能较高,总体分类精度为94.24%,Kappa系数为0.9365,处于前列,与最高的3D-CNN方法分类精度仅差3.68%,但单木识别结果更加契合森林中树种的真实分布。而对于单木实例分割任务,与分水岭算法和基于点云的距离判别聚类算法相比,IS3DNet取得了最佳的F1分数90%,将单木检测精度提高了5%~7%。对比本研究提出的基于像元的AC R-CNN方法和基于点云的IS3DNet方法,发现融合RGB影像和CHM的AC R-CNN模型是一种成本低、速度快、效率高的单木树种识别方法,可满足一般单木树种识别的应用需求。IS3DNet模型融合Li DAR点云和高光谱数据,直接处理无序点云数据,相较于AC R-CNN方法,可以同步完成单木树种分类和分割,并取得了更高的精度,更适用于复杂林分下的单木树种识别。因此,采用深度学习方法融合Li DAR点云和高光谱数据是较优的异构数据融合方式,IS3DNet模型可以实现高精度端到端单木树种识别,为森林资源调查中高精度单木树种信息获取提供了一种新的解决方案,并可为精细化样地调查和森林参数估算提供技术支撑。