基于無人機(jī)可見光和LiDAR數(shù)據(jù)的單木樹種識(shí)別

李華玉 張 超 陳 巧 王 娟 彭 希,3 徐志揚(yáng),4 劉浩棟 白明雄 陳永富

（1. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650233；2. 中國林業(yè)科學(xué)研究院資源信息研究所，國家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100091；3. 四川農(nóng)業(yè)大學(xué)林學(xué)院，四川 成都 611130；4. 國家林業(yè)和草原局華東調(diào)查規(guī)劃設(shè)計(jì)院，浙江 杭州 310019）

森林類型/樹種（組）的精準(zhǔn)識(shí)別是森林參數(shù)提取和計(jì)算的前提，是林業(yè)遙感領(lǐng)域的重要研究方向，對于森林生態(tài)系統(tǒng)和生物多樣性的宏觀監(jiān)測具有深遠(yuǎn)意義[1-2]。傳統(tǒng)的森林類型/樹種（組）識(shí)別主要依靠地面調(diào)查手段，根據(jù)林木的根、莖、葉、花、果等外部形態(tài)特征識(shí)別和鑒定樹種。這種方法雖然相對準(zhǔn)確，但野外調(diào)查成本高工作量大，很難在短時(shí)間內(nèi)實(shí)現(xiàn)宏觀尺度的樹種識(shí)別[3]。遙感技術(shù)的發(fā)展為樹種識(shí)別提供了更為方便的數(shù)據(jù)源，但高分辨率衛(wèi)星遙感影像獲取困難、時(shí)效性較差，且易受外界環(huán)境因素的干擾，開源衛(wèi)星數(shù)據(jù)針對精確至樹種層面的分類空間分辨率仍不夠高。近年來，無人機(jī)作為一種新興遙感平臺(tái)，可搭載可見光、多光譜和激光雷達(dá)等傳感器，具有靈活、高效、便捷的特點(diǎn)，且獲取影像過程中受大氣因素的干擾較小，在小區(qū)域遙感應(yīng)用方面前景較好[4]。利用無人機(jī)進(jìn)行數(shù)據(jù)獲取為提取樹種空間信息提供了新的手段，準(zhǔn)確快速提取樹種信息的技術(shù)則是無人機(jī)在林業(yè)應(yīng)用發(fā)揮作用的關(guān)鍵。

從大多數(shù)研究看來，高分辨率無人機(jī)影像為樹種識(shí)別提供豐富的紋理信息，是應(yīng)用較多的一種數(shù)據(jù)源。Chenari等[5]應(yīng)用無人機(jī)可見光數(shù)據(jù)對伊朗法爾斯省一個(gè)開闊林地中的2個(gè)樹種進(jìn)行了分類研究，總體精度達(dá)90%。滕文秀等[6]使用無人機(jī)可見光影像數(shù)據(jù)通過深度遷移學(xué)習(xí)的方法對江蘇省東臺(tái)林場中的4個(gè)樹種進(jìn)行了分類，精度達(dá)96%。此外，利用無人機(jī)搭載高光譜、多光譜和激光雷達(dá)傳感器獲得地表森林植被的高空間分辨率、高光譜分辨率的影像，為實(shí)現(xiàn)森林類型/樹種（組）的識(shí)別提供了更豐富的光譜信息和空間結(jié)構(gòu)信息。Valderrama-Landeros等[7]利用多光譜數(shù)據(jù)對墨西哥太平洋沿岸的紅樹林區(qū)域進(jìn)行分類識(shí)別，并進(jìn)一步對紅樹林的不同健康狀況進(jìn)行了分析，為紅樹林的保護(hù)提供了一定的參考。相比光學(xué)遙感，激光雷達(dá)穿透性較強(qiáng)，生成密集的三維點(diǎn)云數(shù)據(jù)，能夠提供與單木結(jié)構(gòu)、冠層高度模型及森林垂直結(jié)構(gòu)等相關(guān)的特征，在單木水平上，復(fù)雜的幾何特征有助于樹種分類識(shí)別。陳向宇等[8]充分利用LiDAR點(diǎn)云數(shù)據(jù)提供的單木結(jié)構(gòu)、紋理特征和冠型結(jié)構(gòu)特征，按照不同的組合方式對5個(gè)森林樹種進(jìn)行識(shí)別，精度達(dá)85%。不同遙感數(shù)據(jù)既可以單獨(dú)用來進(jìn)行森林樹種識(shí)別，也可通過多源優(yōu)勢互補(bǔ)，輔助結(jié)合應(yīng)用，以提高樹種分類識(shí)別的精度。Matsuki等[9]在對日本的森林進(jìn)行分類時(shí)，通過結(jié)合光譜信息和LiDAR數(shù)據(jù)的冠層結(jié)構(gòu)特征，對16種森林樹種的分類精度達(dá)82%。多源數(shù)據(jù)結(jié)合后相應(yīng)的特征維度就會(huì)增加，過多的特征會(huì)對精度造成影響，因此需要從包含豐富信息的諸多特征中選擇信息量大且冗余度低的特征進(jìn)行樹種識(shí)別，張大力[10]的研究表明經(jīng)過隨機(jī)森林特征篩選之后的分類識(shí)別精度明顯提高。除了數(shù)據(jù)源和特征之外，樹種識(shí)別另一個(gè)關(guān)鍵是分類器的選擇，傳統(tǒng)的最大似然法、決策樹屬于傳統(tǒng)的需要進(jìn)行參數(shù)優(yōu)化的分類器，而非參數(shù)化分類器如隨機(jī)森林（RF）、支持向量機(jī)（SVM）等則不需要假設(shè)數(shù)據(jù)符合正態(tài)分布，有利于將光譜、非光譜等特征數(shù)據(jù)納入分類過程來提高精度[11]。Dalponte等[12]通過結(jié)合高光譜數(shù)據(jù)和LiDAR數(shù)據(jù)識(shí)別復(fù)雜森林地區(qū)樹種并證明支持向量機(jī)（SVM）分類器對多源數(shù)據(jù)分類結(jié)果的準(zhǔn)確性。林志瑋等[13]基于無人機(jī)搭載光學(xué)相機(jī)獲取的影像，采用隨機(jī)森林算法建立植被識(shí)別模型。

因此，利用無人機(jī)平臺(tái)的優(yōu)勢，獲取多源數(shù)據(jù)進(jìn)行森林參數(shù)提取和樹種的識(shí)別是目前林業(yè)遙感領(lǐng)域的一大熱點(diǎn)，但大部分研究采用的數(shù)據(jù)源較為單一或者在對特征選擇和篩選組合方面的研究較少。為研究不同數(shù)據(jù)源和不同特征組合對樹種識(shí)別精度的影響，本研究基于無人機(jī)可見光和LiDAR數(shù)據(jù)，結(jié)合特征篩選方法，采用隨機(jī)森林和支持向量機(jī)進(jìn)行樹種分類，旨在為今后無人機(jī)在森林類型/樹種（組）的識(shí)別中提供一定參考。

1 研究區(qū)概況

研究區(qū)為中國林業(yè)科學(xué)研究院亞熱帶林業(yè)實(shí)驗(yàn)中心年珠實(shí)驗(yàn)林場，位于江西省新余市分宜縣西南部（114°30′～114°45′E，27°30′～27°45′N）。年平均氣溫16.8℃，年降雨量1 950.9 mm，主要集中在3—6月，年珠林場屬低山丘陵地貌，海拔高度220～1 092 m，母巖以千枚巖為主，土壤類型多為黃紅壤。主要植被類型為常綠闊葉林、落葉闊葉林、混交林（杉闊、杉竹、杉竹闊混交等）及灌叢（丘陵灌叢與山頂灌叢），主要樹種有杉木（Cunninghamia lanceolata）、馬尾松（Pinus massoniana）、鵝掌楸（Liriodendron chinense）、榿木（Alnus cremastogyne）等人工林樹種，山礬（Symplocos sumuntia）、毛竹（Phyllostachys heterocycla）、木荷（Schima superba）、絲栗栲（Castanopsis fargesii）、刨花楠（Machilus pauhoi）等天然次生林樹種。

2 材料與方法

2.1 數(shù)據(jù)來源

無人機(jī)影像數(shù)據(jù)由數(shù)字綠土公司GV2000無人機(jī)搭載可見光傳感器和激光雷達(dá)傳感器獲取?？梢姽鈧鞲衅鳛镾ony ILCE-6000，有效像素2 430萬。影像獲取時(shí)以地面為基準(zhǔn)，設(shè)置相對高度160 m，飛行速度為6 m/s，平均航向重疊率為83.2%，獲取的可見光影像分辨率為0.05 m。LiDAR傳感器為RIEGL VUX-1LR，通過近紅外激光束和快速掃描實(shí)現(xiàn)數(shù)據(jù)的高速獲取，波長1 550 nm，激光離散束角0.5 mrad，激光脈沖發(fā)射頻率820 kHz，視場角330°，垂直精度15 mm，獲得的LiDAR數(shù)據(jù)點(diǎn)云密度234 pts/m2。將獲取的可見光單幅影像利用Limapper軟件進(jìn)行預(yù)處理，使用自動(dòng)空中三角測量和光束平差法原理自動(dòng)提取影像特征點(diǎn)，計(jì)算正確的位置參數(shù)，經(jīng)過幾何校正、正射校正后自動(dòng)拼接成一幅影像，數(shù)據(jù)坐標(biāo)系統(tǒng)為WGS-84，采用UTM投影。

樣地?cái)?shù)據(jù)在無人機(jī)飛行區(qū)域內(nèi)樹種豐富的區(qū)域選取100 m×100 m樣地，郁閉度0.7，進(jìn)行每木檢尺，記錄樹種名稱、胸徑、樹高、冠幅等信息，具體信息見表1。通過羅盤定位皮尺拉距離記錄每木相對位置，同時(shí)選取樣地內(nèi)在影像上較為明顯的單木和樣地空曠區(qū)域的地物點(diǎn)作為控制點(diǎn)定位。

表1 樣地信息統(tǒng)計(jì)Table 1 Information statistics of sample plot

2.2 數(shù)據(jù)預(yù)處理

對獲取的可見光數(shù)據(jù)以LiDAR數(shù)據(jù)為基準(zhǔn)進(jìn)行幾何校正，LiDAR數(shù)據(jù)預(yù)處理包括：1）去除空中噪點(diǎn)，提高數(shù)據(jù)質(zhì)量；2）從點(diǎn)云數(shù)據(jù)中分離地面點(diǎn)；3）基于地面點(diǎn)生成數(shù)字高程模型（DEM）；4）利用DEM對點(diǎn)云進(jìn)行歸一化，將原始LiDAR點(diǎn)云的高程值減去其對應(yīng)地面的DEM值，去除地形影響，使得點(diǎn)云能呈現(xiàn)地物真實(shí)形態(tài)；5）利用首次回波插值生成的數(shù)字表面模型（DSM）與DEM差值生成冠層高度模型（CHM）。由于CHM生成過程中因個(gè)別柵格的高度值小于周圍相鄰像元現(xiàn)象明顯而產(chǎn)生灰色或者黑色的空洞，會(huì)使樹冠區(qū)域變得不連續(xù)，導(dǎo)致LiDAR變量提取不準(zhǔn)確，因此需要對CHM進(jìn)行優(yōu)化，研究采用Ben-Arie等[14]提出的平滑濾波方法進(jìn)行空洞填充，優(yōu)化前后的CHM見圖1。

圖1 優(yōu)化前后的CHMFig. 1 CHM before and after optimization

2.3 單木分割

單木分割算法將點(diǎn)云或影像分割成多個(gè)部分，每個(gè)部分可以看作一棵單木。高郁閉林區(qū)單木樹頂難以確定導(dǎo)致嚴(yán)重的過分割現(xiàn)象；同時(shí)，樹冠與樹冠之間的重疊存在欠分割現(xiàn)象。本研究采用分水嶺算法基于郁閉林區(qū)的CHM進(jìn)行單木分割，獲取單木位置、冠幅直徑和面積，以及單木邊界。再以CHM分割結(jié)果為輔助參考，在eCognition中基于預(yù)處理后的影像進(jìn)行多尺度分割，分割尺度設(shè)置為60，形狀因子0.2，緊致度0.5，得到單木樹冠分割結(jié)果，根據(jù)地面實(shí)測數(shù)據(jù)進(jìn)行單木分割結(jié)果檢驗(yàn)。

將分割出來的矢量數(shù)據(jù)與實(shí)地調(diào)查數(shù)據(jù)進(jìn)行1對1匹配，匹配規(guī)則為：若分割矢量樹冠內(nèi)僅包含一個(gè)實(shí)地調(diào)查單木數(shù)據(jù)，則認(rèn)為分割準(zhǔn)確；若分割矢量樹冠不包含實(shí)地調(diào)查單木數(shù)據(jù)，則認(rèn)為過分割，刪除該樹冠；若分割矢量樹冠內(nèi)包含多個(gè)實(shí)地調(diào)查單木數(shù)據(jù)，則認(rèn)為欠分割，通過手動(dòng)調(diào)整保留分割結(jié)果，以滿足分類要求[15]。

2.4 特征提取與篩選

2.4.1 特征提取

對可見光影像提取影像各波段的均值、標(biāo)準(zhǔn)差、偏度、貢獻(xiàn)率，以及紋理特征、幾何特征和植被指數(shù)共32個(gè)特征。紋理特征基于灰度共生矩陣（GLCM）提取，包括均值、方差、信息熵、角二階矩、相關(guān)性、異質(zhì)性、對比度和同質(zhì)性8個(gè)紋理參數(shù)。幾何特征主要提取面積、長寬比、形狀指數(shù)、緊致度、密度和不對稱性等特征[5]。植被指數(shù)主要包括歸一化差異綠度指數(shù)（NDGI）、紅色植被指數(shù)（RI）、可見光波段差異植被指數(shù)（VDVI）[16]，計(jì)算方法如下：

式中：R為紅光波段的值，G為綠光波段的值，B為藍(lán)光波段值。

LiDAR數(shù)據(jù)提取特征包括首次回波和所有回波高度和強(qiáng)度的均值、最小值、最大值、標(biāo)準(zhǔn)差、方差、變異系數(shù)、峰度、偏度和分位數(shù)等。相關(guān)研究表明以5%為間隔的分位數(shù)之間相關(guān)度較高[17]，因此，以1%為起始，5%為間隔提取所有高度和強(qiáng)度特征的15個(gè)百分位數(shù)用于分類識(shí)別。

2.4.2特征篩選

為了避免維數(shù)災(zāi)難，產(chǎn)生過擬合現(xiàn)象，需要進(jìn)行特征約簡，減少冗余特征，保留對樹種識(shí)別貢獻(xiàn)度較大的特征。常用的特征篩選方法有主成分分析法、特征遞歸消除法、遺傳算法和隨機(jī)森林算法等。隨機(jī)森林回歸算法可以在進(jìn)行分類前對要進(jìn)行分類的特征進(jìn)行重要值排序，獲得特征的重要值，計(jì)算模型的準(zhǔn)確率，方便篩選出識(shí)別效果較好的特征，進(jìn)而解決大量特征的冗余問題[18]。因此，本研究在R中使用random Forest進(jìn)行特征篩選，解決原始特征過多問題。

2.5 分類方案

利用遙感數(shù)據(jù)獲取森林類型信息有多種方法，諸如最小距離法、最大似然法以及神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林和支持向量機(jī)等。其中，隨機(jī)森林（RF）是一種非常有效的分類器集成算法，不需要對數(shù)據(jù)的分布進(jìn)行估計(jì)，對不同類型或不同尺度的輸入變量很有意義，且隨機(jī)森林具有對結(jié)果的可解釋性，這些優(yōu)異的性能使得隨機(jī)森林適用于基于遙感的森林樹種識(shí)別[19]。支持向量機(jī)（SVM）是一種常用的非參數(shù)方法，分類時(shí)可將非遙感變量納入其中，所需訓(xùn)練數(shù)據(jù)相對較少且無需分布假設(shè)，在樣本數(shù)量較少時(shí)，依然有較好的泛化能力[20]。因此，研究選擇隨機(jī)森林和支持向量機(jī)兩種分類器進(jìn)行分類識(shí)別。

根據(jù)最新的林場森林資源調(diào)查數(shù)據(jù)，結(jié)合樣地實(shí)測數(shù)據(jù)，最終將分類系統(tǒng)定為杉木、馬尾松、山礬和其他闊葉樹（主要包括鵝掌楸、絲栗栲、苦櫧等數(shù)量較少的樹種）4類。為更好的研究多源遙感數(shù)據(jù)對單木樹種識(shí)別的作用，探索特征篩選的效果以及不同特征在分類識(shí)別中的重要程度，以單木分割結(jié)果為對象，研究分別使用2種數(shù)據(jù)（可見光和LiDAR數(shù)據(jù)），是否經(jīng)過特征篩選，以及2種分類器（RF、SVM），共12種分類方案對實(shí)驗(yàn)區(qū)的4個(gè)樹種進(jìn)行研究，具體分類方案見表2。

表2 不同組合分類方案Table 2 Different combinations of classifications

2.6 精度評價(jià)

單木分割精度評價(jià)分為3種情況：正確分割、欠分割和過分割。正確分割是指分割結(jié)果和實(shí)測結(jié)果一對一的關(guān)系，真正的個(gè)體樹被分割為一棵單獨(dú)的樹，即有效單木分割，用TP表示；過分割指的是一對多的關(guān)系，把本來屬于一個(gè)整體的單木分成了多株單木，用FP表示；欠分割是一或幾棵樹被劃分到其臨近的單木中，未被檢測出來，用FN表示[21]。研究了采用召回率（r）、正確率（p）、綜合考慮r和p的調(diào)和值（F）來評價(jià)單木分割精度。r表示有效單木探測株數(shù)占真實(shí)參考數(shù)據(jù)的比例，p表示有效單木探測株數(shù)占整個(gè)提取結(jié)果的比率，r、p、F的變化范圍為0～1[22]，具體計(jì)算方法如下：

對于正確分割出來的單木，采用隨機(jī)抽樣的方法，將所有數(shù)據(jù)的70%作為訓(xùn)練樣本，30%作為驗(yàn)證樣本。采用混淆矩陣中的生產(chǎn)者精度（PA）、用戶精度（UA）、總體精度（OA）、和Kappa系數(shù)4個(gè)指標(biāo)檢驗(yàn)識(shí)別結(jié)果[23]。

3 結(jié)果與分析

3.1 單木分割結(jié)果

將單木分割矢量結(jié)果與藍(lán)綠紅3波段的可見光影像疊加，見圖2。根據(jù)實(shí)地調(diào)查結(jié)果，剔除枯立木、瀕死木和一些冠幅被大樹遮擋的小樹后共有461株，總共探測到樹冠437個(gè)，正確分割樹冠372個(gè)，欠分割36個(gè)，過分割29個(gè)，計(jì)算得召回率為91.17%，調(diào)和值0.91，總體精度為80.69%，分割精度較好，滿足識(shí)別需求。

圖2 單木分割結(jié)果Fig. 2 Segmentation result

3.2 特征篩選結(jié)果

經(jīng)過RF特征篩選后，可見光保留紅光波段均值、藍(lán)綠紅3個(gè)波段的貢獻(xiàn)率、紅光波段、綠光波段的標(biāo)準(zhǔn)差、紋理因子冠幅面積等13個(gè)特征；LiDAR數(shù)據(jù)保留首次回波高度和強(qiáng)度變量的平均絕對偏差、最大值、最小值、中位數(shù)和峰度等17個(gè)特征；可見光和LiDAR結(jié)合保留共18個(gè)特征，不同數(shù)據(jù)源特征對分類識(shí)別的重要性見圖3。

圖3 隨機(jī)森林特征篩選后保留特征及重要性排名Fig. 3 The results of feature selection by RF and importance

從特征重要性排名可以看出，在使用可見光數(shù)據(jù)時(shí)，藍(lán)光波段比率的貢獻(xiàn)度最大，紅色植被指數(shù)、歸一化差異綠度指數(shù)貢獻(xiàn)度次之，紅光和綠光波段比率、紅光波段偏度、冠幅面積和紋理信息也有較好的表現(xiàn)；在使用LiDAR數(shù)據(jù)時(shí)，25%累積高度百分位貢獻(xiàn)度最大，總體看來，強(qiáng)度變量的貢獻(xiàn)度大于高度變量；當(dāng)2種數(shù)據(jù)結(jié)合后，不同數(shù)據(jù)源的特征重新組合，原本單一數(shù)據(jù)源特征的重要性就會(huì)改變，形成對分類結(jié)果貢獻(xiàn)度最佳的特征組合。

3.3 分類結(jié)果

經(jīng)過不同數(shù)據(jù)源組合，應(yīng)用RF、SVM分類后結(jié)果見表3。僅使用可見光數(shù)據(jù)時(shí)，方案Ⅷ（經(jīng)過特征篩選后SVM分類）識(shí)別結(jié)果最好，精度達(dá)88.89%，其中山礬的精度最高，達(dá)90.86%，杉木次之；僅使用LiDAR數(shù)據(jù)時(shí)，方案X（經(jīng)特征篩選進(jìn)行SVM分類）識(shí)別效果最好，精度達(dá)78.47%，其中馬尾松識(shí)別效果最好，其他闊葉樹最低，僅74.68%；當(dāng)可見光與LiDAR數(shù)據(jù)結(jié)合進(jìn)行樹種識(shí)別時(shí)，方案Ⅻ（經(jīng)過特征篩選之后進(jìn)行SVM分類）識(shí)別結(jié)果最好，精度高達(dá)90.93%，杉木識(shí)別結(jié)果最好，其他闊葉樹精度最低。

表 3 分類結(jié)果Table 3 Classification result

續(xù)表 3

4 結(jié)論與討論

在以無人機(jī)可見光和激光雷達(dá)數(shù)據(jù)為基礎(chǔ)進(jìn)行樹種識(shí)別時(shí)，結(jié)合CHM和多尺度分割的方法能夠有效提取出單木樹冠，以便于單木樹種識(shí)別；經(jīng)過隨機(jī)森林特征篩選之后精度優(yōu)于未進(jìn)行特征篩選的結(jié)果；針對本研究區(qū)，支持向量機(jī)的分類結(jié)果優(yōu)于隨機(jī)森林分類器。

單木分割結(jié)果。先基于CHM分割提取出大概樣木邊界，再以分割結(jié)果為基礎(chǔ)進(jìn)行多尺度分割，能夠?qū)涔谶吘壖?xì)化，得到單木精細(xì)樹冠邊界，滿足單木樹種識(shí)別要求，這與曾霞輝等[24]在利用無人機(jī)影像進(jìn)行樹冠信息提取的研究結(jié)果是一致的。

特征篩選對分類識(shí)別結(jié)果的影響。采用多源遙感數(shù)據(jù)對樹種進(jìn)行識(shí)別時(shí)，在進(jìn)行特征篩選之后，相比未進(jìn)行特征篩選結(jié)果，僅使用可見光數(shù)據(jù)時(shí)，RF和SVM的精度均提高1.25%和1.19%，僅使用LiDAR數(shù)據(jù)的精度提高了0.31%和1.76%，2種數(shù)據(jù)源結(jié)合的精度提高了1.86%和2.32%，不論單一數(shù)據(jù)源還是2種結(jié)合，在經(jīng)過特征篩選之后，總體平均精度提高1.45%。由此可以看出，本研究和趙穎慧等[11]的研究結(jié)果一致，特征篩選能夠減少冗余特征和特征共線性的影響，提高分類精度和計(jì)算效率。不同的特征對樹種識(shí)別貢獻(xiàn)度不同，從分類結(jié)果中可以看出，光譜特征對于分類的貢獻(xiàn)度最大，藍(lán)光波段和綠光波段對識(shí)別有較大影響，可能因?yàn)椴煌瑯浞N的色素含量不同，色素中葉綠素、類胡蘿卜素、花青素、葉黃素的含量和綠色波段的反射率有緊密聯(lián)系[25]。幾何特征、紋理特征貢獻(xiàn)度次之，這些特征能夠表征樹的冠型，杉木冠幅面積小，馬尾松樹冠較為分散，山礬和其他闊葉樹冠幅較大且較圓，紋理特征是一種全局特征，可以描述圖像區(qū)域?qū)?yīng)地物的表面性質(zhì)，因而對分類有較大的潛力。LiDAR數(shù)據(jù)的高度變量和密度變量對于樹種區(qū)分同樣有著不可或缺的貢獻(xiàn)，其中強(qiáng)度變量在區(qū)分樹種時(shí)表現(xiàn)得更加穩(wěn)定，高度變量精度下降的較快，主要是因?yàn)槭状位夭ㄊ芄诜挠绊戄^大，能夠很好的表現(xiàn)冠形結(jié)構(gòu)特征，而高度特征受點(diǎn)云遮擋效應(yīng)的影響，對樹冠下面的表現(xiàn)能力有限，高度特征存在一定局限性[15]。有研究表明，特征重要性會(huì)隨著數(shù)據(jù)源的組合而發(fā)生改變[26]，單個(gè)特征的重要性可能會(huì)受特征組合的影響，在加入其他數(shù)據(jù)源特征后，原本單一數(shù)據(jù)源特征的重要性可能會(huì)下降，因此，在多種特征結(jié)合時(shí)，需要考慮其他特征對原本貢獻(xiàn)度高的特征的影響，這需要通過更多的實(shí)驗(yàn)來驗(yàn)證它們的穩(wěn)定性。

數(shù)據(jù)源對識(shí)別結(jié)果的影響。從不同分類器的識(shí)別結(jié)果中可以看出，不同數(shù)據(jù)源對樹種識(shí)別的影響不同，可見光數(shù)據(jù)分辨率較高，在單木分割時(shí)能夠準(zhǔn)確區(qū)分各個(gè)樹冠，其光譜特征和紋理特征對識(shí)別的貢獻(xiàn)度較大，LiDAR數(shù)據(jù)的首回波強(qiáng)度對分類也有很大貢獻(xiàn)且表現(xiàn)穩(wěn)定，首回波強(qiáng)度均值對冠層條件較敏感，能夠很好地代表樹冠結(jié)構(gòu)和形態(tài)學(xué)特征。將2種數(shù)據(jù)源結(jié)合，能夠充分利用可見光的光譜和紋理特征，與LiDAR數(shù)據(jù)特征結(jié)合，提高樹種分類精度，總體平均精度提高6.01%，這與許多研究得出的結(jié)果是一致的[19]。目前的研究僅使用可見光和LiDAR數(shù)據(jù)，缺少近紅外波段等光譜相關(guān)特征，無法計(jì)算歸一化植被指數(shù)等森林樹種識(shí)別的重要遙感參量[27]。Ferreira等[28]在對巴西大西洋沿岸熱帶森林樹種識(shí)別時(shí)發(fā)現(xiàn)，可見光、近紅外和短波紅外波段是研究森林樹種分類的重要波段，在以后的研究可以增加數(shù)據(jù)源，以此來試驗(yàn)多源結(jié)合對識(shí)別精度的影響。

通過將2種數(shù)據(jù)源進(jìn)行不同組合，在特征篩選和未進(jìn)行特征篩選下用RF和SVM進(jìn)行分類，分析不同組合方案下的精度。2種數(shù)據(jù)源各有優(yōu)勢，無論是單一數(shù)據(jù)源還是2種數(shù)據(jù)源結(jié)合，在經(jīng)過特征篩選之后，樹種識(shí)別精度較單一數(shù)據(jù)源結(jié)果均有不同程度的提高，除了LiDAR數(shù)據(jù)外，精度均達(dá)85%以上。

從研究結(jié)果看，特征優(yōu)選對分類精度的提升起到積極的作用，應(yīng)予以充分利用，但由于不同特征優(yōu)選方法所基于的模型和原理存在一定差異，單一特征優(yōu)選方法所得結(jié)果可能存在片面之處，故應(yīng)考慮通過多種特征優(yōu)選方法聯(lián)合使用的方式獲取優(yōu)選特征。RF分類方法在本研究中由于樣本量太小，適用性較低，相比之下，SVM分類器在訓(xùn)練樣本數(shù)量有限的情況下能表現(xiàn)出良好的性能，減少了錯(cuò)分漏分現(xiàn)象。研究表明，多源數(shù)據(jù)結(jié)合能大幅提高分類識(shí)別精度，近地低空無人機(jī)平臺(tái)在森林樹種的識(shí)別上有很大發(fā)展空間，未來，以多源無人機(jī)遙感數(shù)據(jù)為基礎(chǔ)的森林樹種的快速高效識(shí)別將會(huì)向多模式方向發(fā)展。