[发明专利]一种LiDAR波形综合特征的单木识别方法

摘要

本发明公开了一种LiDAR波形综合特征的单木识别方法，借助机载小光斑全波形LiDAR传感器进行数据采集；LiDAR波形数据预处理单木定位和冠幅提取；基于发射能量及传感器与地物的距离信息对LiDAR波形数据进行校正；构建体元框架并进行LiDAR波形的结构化分解；提取单木的波形特征变量；提取单木的点云特征变量；使用随机森林方法筛选最优特征变量并进行树种分类。本发明的验证结果表明，与其他使用遥感方法进行树种分类的方法相比，总体精度提升了15%左右；Kappa系数提升了0.13左右。

主权项

一种LiDAR波形综合特征的单木识别方法，其特征在于，包括以下步骤：1)借助机载小光斑全波形LiDAR传感器进行数据采集；传感器记录每束激光脉冲返回的完整波形信息；2)LiDAR波形数据预处理：A)噪声水平估计和数据平滑：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；B)高斯拟合分解及波形数据点云化：基于回波数据是多个高斯函数的累加这一假设，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，每个离散点中记录了返回信号的能量和振幅信息；C)生成数字地形：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DTM；3)单木定位和冠幅提取：A)对地面以上点云进行中值滤波，然后将点云中的高度信息栅格化生成数字表面模型DSM；将DSM减去数字地形模型，得到归一化植被高度CHM；B)通过局部最大值法确定单木树顶所在位置；C)单木冠幅的确定：首先以树顶为中心拟合16个半径方向上的冠幅剖面，然后计算到局部最小值的水平距离，最后将这些距离值进行水平方向上的平均从而得到冠幅半径；4)基于发射能量及传感器与地物的距离信息对LiDAR波形数据进行校正；5)构建体元框架并进行LiDAR波形的结构化分解：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；最后将每列体元柱信息汇总得到伪垂直波；6)提取单木的波形特征变量：a)单木分割的树冠范围内，针对每组高斯分解后的每个波形，计算其能量ER、振幅WT和回波次数NT的均值及标准差，以此作为单木的第一组特征变量；b)基于伪垂直波提取第二组特征变量：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；以上变量也分别在单木冠幅内计算均值和标准差；7)提取单木的点云特征变量：在单木冠幅内提取了点云特征变量：高度百分位数变量组：h10，h25，h50，h75，h90；冠层返回点云密度变量组：d2，d4，d6，d8；最小和平均高度hmin/hmean；高度变异系数hcv；覆盖度CC2m/CCmean；8)使用随机森林方法筛选最优特征变量并进行树种分类：A)随机森林分类是由很多决策树分类模型{h(X,Θn),n＝1,2,...}组成的组合分类模型，且参数集{Θn}是独立同分布的随机向量，在给定自变量X下，每个决策树分类模型都由一票投票权来选择最优的分类结果；通过n轮训练，得到一个分类模型序列{h1(X),h2(X),…hn(X)}，再用它们构成一个多分类模型系统，其最终的分类决策函数为：H(x)=argmaxYΣi=1nI(hi(x)=Y)---(4)]]>其中，H(x)表示组合分类模型，hi是单个决策树分类模型，Y表示输出变量，I为示性函数；B)通过随机森林方法生成重要性变量Xm，该变量通过累积每个t节点的权重减少量p(t)Δi(st,t)来评估预测量Y，由此平均树NT结构写为：IMP(Xm)=1NTΣTΣt∈T:υ(st)=Xmp(t)Δi(st,t)---(5)]]>式中，p(t)是当样本到达t时Nt/NS的比值，v(st)是st的分裂变量；C)将随机森林模型中的决策树数量设置为100，每个分叉的变量数为4；将上述波形和点云特征变量作为输入参数代入模型；模型自动剔除引入参数直到分类总体精度趋于稳定；然后再依据MDA指数选择重要性最高的前3个特征变量作为最优特征变量；D)使用筛选后的最优特征变量和随机森林分类器再次进行分类，并借助总体分类精度和卡帕系数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：Khat=NΣi=1rxii-Σi=1r(xi+x+i)N2-Σi=1r(xi+x+i)---(6)]]>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。