高光譜和LiDAR數據融合在樹種識別上的應用

陶江玥　劉麗娟　丁友麗　王雪　彭瓊　肖文惠

摘要：指出了樹種識別的精度是森林碳儲量估算、森林生物多樣性等研究的基礎，高分辨率的遙感數據是精確識別樹種的基礎，而目前應用比較廣泛的中、低分辨率遙感數據只能識別森林的類型，無法精確到樹種級別。若將表征冠層水平方向信息的高光譜數據與表征林分垂直結構信息的激光雷達（LiDAR）數據融合，形成優勢互補，能有效提高樹種識別的精度。因此，高光譜和LiDAR數據的融合在林業上有著廣闊的應用前景。

關鍵詞：高光譜；LiDAR；樹種識別

中圖分類號：TP751

文獻標識碼：A文章編號：16749944（2017）8021203

1引言

現如今，復雜森林的樹種級分類正在成為一個非常重要的研究方向。但是，隨著不斷變化的氣候條件以及自然和人為因素的干擾，使得全國森林物種豐富度不斷減少，嚴重影響了我國森林可持續發展。另外，目前廣泛開展的森林地上碳儲量估算的準確程度，也依賴于樹種識別的精度。以往主要靠實地調查來識別樹種，但這種方法費時、費力、成本高。隨著遙感技術的迅速發展和高科技社會時代的需求，遙感影像數據在林業上發揮著越來越重要的作用。高光譜、高時空分辨率影像在林業研究上提供更精細的數據，并越來越受廣大林業研究者們的喜愛。同時近年來迅猛發展的機載LiDAR作為主動遙感技術，能表征林分垂直結構信息，當它與表征冠層水平方向信息的高光譜數據融合后，形成優勢互補，并有效提高分類精度[1]，使得高效精細地識別樹種成為可能。

2高光譜數據的應用

目前，寬譜段以及中、低分辨率遙感數據應用較廣泛，但由于空間和光譜分辨率均較低，僅能實現森林類型的識別，在樹種級識別仍然是個難題，實際效用不大。高光譜影像蘊含著近乎連續的地物光譜信息，能準確探測到具有細微光譜差異的各種地物類型，同時具有“譜像合一”、波段多、數據量大的特點，使樹種識別精度從源數據上得到一定程度的提高。

2.1高光譜數據的應用方法

目前高光譜數據在樹種識別上的能力正在不斷增強。宮鵬等[2]利用CASI高光譜數據，對美國加州的6種針葉樹種進行識別，證實了高光譜遙感在樹種識別領域的可行性。多位研究者發現高空間分辨率遙感影像與多光譜遙感影像協同進行樹種識別時，因有高光譜影像的輔助使得樹種識別精度有所提高，證明高光譜遙感數據的森林類型識別能力更強[3，4]。而且高光譜所提取的紋理信息對樹種識別十分有效[5]。

目前，遙感影像的分類主要是基于像元和面向對象兩大類。基于像元分類為目前應用廣泛的分類方法，它根據要求的不同可分為監督分類、非監督分類，硬分類、軟分類，或是以隨機數學理論為基礎的分類、模糊分類等多種形式。采用面向對象分類法進行樹種識別的方法才剛剛興起，它是針對高空間分辨率數據發展而提出的。面向對象分類的關鍵技術是影像分割技術，其分類質量和精度，取決于分類算法的好壞以及如何定性或定量地進行最優尺度分割[6]。國內學者多側重于圖像分割方法、特征變量選取及分類方法的比較[7]。

2.2高光譜數據應用的不足

由于地物分布具有一定連續性，遙感圖像上相鄰像元之間必定存在相關性，而高光譜只能表征林分水平方向的信息，這使得“同物異譜、異物同譜”的現象難免存在。由于不同的樹種常有極為相似的光譜特性，則稱為“異物同譜”現象；由于光照條件的多變，可能引起相同的樹種具有明顯不同的光譜特性，即所謂的“同物異譜”現象[8]。所以，遙感圖像上的混合像元問題，影響到整個像元的光譜反射率。因此，即便是利用高空間分辨率的光譜圖像進行精確到樹種級的分類也是很困難的。

3機載激光雷達的應用

由于地球60%～70%被云層覆蓋，這對于高光譜數據的采集非常不利，而機載LiDAR具有全天時、全天候以及迅速獲取高精度數據的能力。在林業應用方面，LiDAR能夠獲取單株木三維結構特征，這對于森林類型識別、森林結構特性以及冠層理化特征提取均具有明顯優勢。

3.1機載激光雷達的應用方法

LiDAR數據分點云數據和全波形數據，其中點云數據應用廣泛。通常使用Tarroslid等工具對原始點云數據進行濾波，獲得地面點和非地面點，由地面點可以內插生成數字高程模型 （Digital Elevation Model，DEM），由非地面點可以生成數字表面模型 （Digital Surface Model，DSM）。DSM與DEM進行差值運算即得到高程歸一化后的數字冠層高度模型CHM （Canopy Height Model）[9]。CHM表達了林木高度和冠層的空間分布狀態。由CHM提取單木數據的主要方法是圖像分割法，此法是目前研究熱點之一。樹高是反映材積和立地質量的重要參數，因此，提取樹高信息意義非凡[10]。全波形數據主要采用波形分解來提供更多垂直結構信息和基于波形數據的識別[11]。

近年來許多研究者一直在發掘LiDAR數據的應用能力。Hollaus等[12]研究使用LiDAR數據提取了單木冠層高，結果表明LiDAR樹高與外業樹高的相關性很好。龐勇等[13]在利用LiDAR數據進行提取我國山東地區平均樹高的試驗，其總體平均精度為90.59 %，其中闊葉樹精度高于針葉樹。Mitchell等[14]使用LiDAR數據估測灌木叢的冠層參數，并比較了樹高和冠幅的相關性，發現樹高的估測結果優于冠幅，但密度較高的區域所得結果并不理想。趙旦[15]利用高密度LiDAR點云數據，提出了控制CHM的優化算法以及單木樹種識別算法，使得提取到的樹高和樹種的正確率超過90%。

3.2機載激光雷達應用的不足

由于機載激光雷達只能得到樹種垂直結構三維信息，無法提高樹種在水平方向上的相關信息。僅憑樹高或冠幅信息，無法準確確定單木類型。因此，機載激光雷達在樹種識別上必須與高光譜數據進行融合，才能發揮其強大的數據優勢。

4主被動遙感技術相結合的應用

高光譜是光學被動遙感數據，可獲得冠層水平信息，因其具有較高的光譜分辨率，使地物目標的屬性信息探測能力有所增強，并能夠在較小的空間尺度上觀察地表的細節變化。而LiDAR數據是主動遙感數據，可直接獲得單株木的位置、樹高和冠幅這三個垂直結構參數以及強度信息。兩者基于像元級融合，形成優勢互補，在分類精度上有著極大的提高。因此，表征林分水平結構信息的高光譜數據與表征林分垂直結構信息的LiDAR數據所組成的機載主被動遙感數據相融合，在林業遙感方面是近年來運用比較熱門的方法。

4.1主被動遙感技術的應用方法

朱江濤等[16]提出一種基于Adaboost的高光譜與LiDAR數據特征選擇與分類方法，發現兩種數據的融合有利于多角度的描述地物特征。董彥芳等[17]將高光譜和機載LiDAR數據融合采用面向對象的方法，進行城市典型地物的提取，實現了房屋與樹木的有效分離。劉麗娟等[18]利用CASI高光譜和機載LiDAR融合對北方復雜森林采用支持向量機（Support Vector Machine， SVM）的方法進行樹種識別時，發現融合數據樹種分類的總體精度和Kappa系數（83.88%，0.80）高于CASI的精度（76.71%、0.71）。Alonzo等[19]利用融合的高光譜與LiDAR數據，在基于冠層尺度上對美國圣巴巴拉、加利福尼亞等地常見的29類樹種進行分類，結果表明融合了激光雷達數據后，分類精度提高了4.2%。劉怡君等[20]將機載AISA Eagle II 高光譜和LiDAR同步數據融合對普洱山區的樹種進行分類，研究表明，融合的數據使得山區的樹種分類具備可行性，且總體分類精度和樹種分類精度比單一高光譜數據皆有所提高。劉清旺等[21]采用融合的高光譜和機載LiDAR數據有效提取湖北典型亞熱帶森林的優勢樹種。

在使用融合的高光譜和LiDAR數據進行樹種識別的過程中，一般通過波段選擇[22]和主成分分析（Principal Component Analysis， PCA）[23]等方法進行降維，去除數據冗余和噪聲，提取包含大部分有效信息的波段。再采用最大似然法（Maximum Likelihood， ML）、光譜角填圖法（Spectral Angle Mapping， SAM）、SVM法以及基于混合像元分解的線性波譜分離法（Linear Spectral Unmixing， LSU）等方法[24～26]進行基于像元和面向對象的樹種分類，都能得到比較好的分類結果。

4.2主被動遙感技術應用的不足

高光譜和LiDAR數據的融合帶來了更全面立體的數據信息，使得樹種識別得到一定程度的提高。但高分辨率數據來源成本相對較高，所以目前利用融合的高光譜和LiDAR數據來進行的研究并不多。這導致目前尚未找到最優的分類方法，還有待后續研究。

5結語

融合的高光譜與LiDAR數據，在樹種識別的應用上前景廣闊。但由于數據成本等原因，目前利用融合數據進行的研究較少，也沒有相對成熟的方法精確地識別樹種的類型。再加上光譜特征的問題，不可避免地存在“同物異譜，同譜異物”現象；或者數據在采集和處理的過程中，因人為、儀器本身原因或沒有較好的降維方法而帶來一定的數據損失現象；又或者數據時相單一使得可用信息有限等問題，都是造成樹種識別精度受到影響的因素。森林樹種的精細識別是森林碳儲量估算、森林生物多樣性等研究的基礎。因此，當樹種識別的精度得到進一步的提高后，對于我國林業的發展也有質的飛躍。

參考文獻：

[1]

Brook A， Ben-Dor E， Richter R. Fusion of hyperspectral images and LiDAR data for civil engineering structure monitoring[C]// The Workshop on Hyperspectral Image and Signal Processing： Evolution in Remote Sensing. IEEE， 2010：1～5.

[2]宮鵬， 浦瑞良. 不同季相針葉樹種高光譜數據識別分析[J]. 遙感學報， 1998， 2（3）：211～217.

[3]Goodenough D G， Bhogal A S， Dyk A， et al. Monitoring forests with Hyperion and ALI[C]// Geoscience and Remote Sensing Symposium， IEEE，2002.

[4]譚炳香， 李增元， 陳爾學，等. 高光譜與多光譜遙感數據的森林類型識別[J].東北林業大學學報， 2015，33（Sup.）： 61～63.

[5]王妮，彭世揆，李明詩. 基于樹種分類的高分辨率遙感數據紋理特征分析[J]. 浙江農林大學學報，2012，29（2）： 210～217.

[6]毛召武， 程結海， 袁占良. 顧及面積和位置差異的高分遙感影像分割質量評價方法[J]. 遙感技術與應用， 2016， 31（1）：186～193.

[7]董連英. Hyperion影像森林植被分類方法與應用研究[D]. 長春： 吉林大學， 2013.

[8]史良樹. 遙感技術現狀及其在林業中的應用[J]. 林業資源管理， 2004（2）：50～52.

[9]劉清旺， 李增元， 陳爾學，等. 利用機載激光雷達數據提取單株木樹高和樹冠[J]. 北京林業大學學報， 2008， 30（6）：83～89.

[10]趙峰，李增元，王韻晟等. 機載激光雷達（LiDAR）數據在森林資源調查中的應用綜述[J]. 遙感信息， 2008（1）： 106～110.

[11]Mallet C， Bretar F. Full-waveform topographic lidar： State-of-the-art[J]. Isprs Journal of Photogrammetry & Remote Sensing， 2009， 64（1）：1～16.

[12]Hollaus M， Wagner W， Eberh？fer C， et al. Accuracy of large-scale canopy heights derived from LiDAR data under operational constraints in a complex alpine environment[J]. Isprs Journal of Photogrammetry & Remote Sensing， 2006， 60（5）：323～338.

[13]Pang Y， Zhao F， Zeng-Yuan L I， et al. Forest Height Inversion using Airborne Lidar Technology[J]. Journal of Remote Sensing， 2008， 12（1）：152～158.

[14]Mitchell J J， Glenn N F， Sankey T T， et al. Small-footprint Lidar Estimations of Sagebrush Canopy Characteristics[J]. Photogrammetric Engineering & Remote Sensing， 2011， 77（77）：521～530.

[15]趙旦. 基于激光雷達和高光譜遙感的森林單木關鍵參數提取[D]. 北京： 中國林業科學研究院， 2012.

[16]朱江濤， 黃睿. 基于 Adaboost 的高光譜與 LiDAR 數據特征選擇與分類[J]. 遙感信息， 2014（6）：68～72.

[17]董彥芳， 龐勇， 許麗娜， 等. 高光譜遙感影像與機載LiDAR數據融合的地物提取方法研究[J]. 遙感信息， 2014， 29（6）： 73～76.

[18]劉麗娟， 龐勇， 范文義， 等. 機載LiDAR和高光譜融合實現溫帶天然林樹種識別[J]. 遙感學報， 2013，17（3）： 679～695.

[19]Alonzo M， Bookhagen B， Roberts D A. Urban tree species mapping using hyperspectral and lidar data fusion[J]. Remote Sens Environ ， 2014， 148（148）：70～83.

[20]劉怡君， 龐勇， 廖聲熙，等. 機載LiDAR和高光譜融合實現普洱山區樹種分類[J]. 林業科學研究， 2016， 29（3）：407～412.

[21]劉清旺， 譚炳香， 胡凱龍，等. 機載激光雷達和高光譜組合系統的亞熱帶森林估測遙感試驗[J]. 高技術通訊， 2016， 26（3）：264～274.

[22]李俊明. 基于HJ-1A高光譜遙感樹種識別的研究[D]. 哈爾濱： 東北林業大學， 2013.

[23]臧卓， 林輝， 楊敏華. 利用PCA算法進行喬木樹種高光譜數據降維與分類[J]. 測繪科學， 2014， 39（2）：146～149.

[24]李小梅， 譚炳香， 李增元，等. CHRIS高光譜圖像森林類型分類方法比較研究[J]. 遙感技術與應用， 2010， 25（2）：227～234.

[25]于龍. 基于高光譜遙感數據的樹種組分類方法探討[D]. 臨安： 浙江農林大學， 2013.

[26]奚禎苑， 劉麗娟， 陸燈盛，等. 基于線性混合像元分解技術提取山核桃空間分布[J]. 林業科學， 2015， 51（10）：43～52.