面向激光雷達點云數據的多結構樹種識別

摘要：針對由于樹木種間相似性和種內差異性帶來的識別困難，以及由于采集環境及設備的多樣性導致的點云質量差異，提出面向激光雷達點云數據的多結構樹種識別方法（MSTSR）。首先借助改進的組合采樣策略，在有效降低數據冗余的同時，保留單木的主體枝干結構；其次通過內建的近鄰感知與增強模塊（NAE）層次化聚合點云屬性，以形成高階的語義描述；最后通過融合樹冠、主干以及整樹的多結構信息，生成跨尺度的樹木點云表征。在地面激光雷達采集的樹種點云數據集上驗證該方法的有效性，該數據集由7個樹種共690棵樹組成的。結果表明：該方法的總體準確率達到94.2%。相比主流的PointNet和PointNet++深度點云分類網絡，分別提升13.04和9.42個百分點；相比基于點云的多視圖2D投影方法，提升8.19個百分點；相比基于多個測樹因子的隨機森林方法，提升24.63個百分點，從而證實采用深度網絡直接進行樹種點云識別的潛力。

關鍵詞：樹種識別；激光雷達；點云；深度學習

中圖分類號：S771

文獻標識碼：A

文章編號：2095-5553 （2024） 05-0168-08

收稿日期：2022年11月10日" 修回日期：2022年12月16日*基金項目：國家自然科學基金項目（61972132）；河北省自然科學基金項目（F2020204009）；河北省重點研發計劃項目（20327404D，20327401D，21327404D）；河北省引進留學人員資助項目（C20190342）

第一作者：陶旭，男，1998年生，石家莊人，碩士研究生；研究方向為計算機視覺、農業信息化。E-mail： sjz_taoxu@163.com

通訊作者：劉博，男，1981年生，河北保定人，博士，副教授；研究方向為計算機視覺、農業信息化。E-mail： boliu@hebau.edu.cn

Multi-structured tree species recognition for LiDAR point cloud data

Tao Xu1， 2， Yu Fuqiang1， 2， Cai Jinjin3， Yao Wei1， 2， Liu Bo1， 2

（1. College of Information Science and Technology， Hebei Agricultural University， Baoding， 071001， China;

2. Hebei Key Laboratory of Agricultural Big Data， Hebei Agricultural University， Baoding， 071001， China;

3. College of Mechatronical amp; Electrical Engineering， Hebei Agricultural University， Baoding， 071001， China）

Abstract：

Aiming at the difficulty of tree identification caused by the similarity between species and the difference between species， as well as the difference of point cloud quality caused by the diversity of collecting environment and equipment， a multi-structured tree species recognition method（MSTSR）based on LiDAR point cloud data was proposed. Firstly， a combined sampling strategy was designed to effectively reduce data redundancy while preserving the trunk and main branches of a single tree. Then， a built-in neighborhood awareness and enhancement（NAE）module was devised to hierarchically aggregate point cloud attributes into high-level semantic descriptions. Finally， three types of information extracted from the crown， trunk and entire tree were fused to generate the cross-scale representation. The effectiveness of the method was verified on a point cloud dataset consisting of 690 trees of seven tree species acquired by terrestrial LiDAR. The results demonstrated that the method’s overall accuracy（OA）reached 94.2%. Compared with mainstream deep learning methods for point cloud classification， such as PointNet and Point Net++， the improvement was 13.04 and 9.42 percentage points， respectively. In addition， the proposed method was improved by 8.19 percentage points compared with the multi-view 2D projection method， and improved by 24.63 percentage points compared with the random forest method using multiple tree measurement factors. These results confirmed the potential of the deep point cloud network for tree species recognition.

Keywords：

tree species recognition； LiDAR； point cloud； deep learning

0 引言

森林資源為維護生態系統穩定、促進人類社會可持續發展提供了基礎保障［1］。樹種的自動化識別在林業資源的科學化管理、生物多樣性保護等方面具有重要意義。樹種識別的主要挑戰在于：樹木生長受天氣、光照等等環境因素，以及自身生長階段的影響，導致較大的種間相似性與種內差異性［2］；樹種識別應為后續工作，如疾病診斷［3］、植被覆蓋度估計［4］、生態多樣性研究［5］等提供決策支持，多樣化的應用場景對識別算法的適用性提出了更高的要求。

針對這些問題，大量學者開展了一系列研究。根據所采用的數據源不同分為2D圖像數據與3D點云數據兩類。圖像數據對拍攝設備要求相對簡單且成像速度快，能夠保留更豐富的紋理細節信息。根據個體拍攝的部位不同，可依據樹種整體形態［6］、樹冠［7］、樹葉紋理［8］以及樹皮［9］的圖像信息，使用卷積神經網絡（Convolutional Neural Networks，CNN）等模型進行樹種識別。然而，以可見光為主的圖像數據存在易受光照條件影響，拍攝距離受限，不適合大范圍識別等問題。隨著空間遙感技術的發展，光譜數據借助其表征信息豐富，空間分辨率高的優勢，被大量用于林業資源勘測［10-12］。

機載激光雷達（Airborne LiDAR）［13］及地面激光雷達（Terrestrial LiDAR）［14］的使用有效拓展了植被測量的維度。目前面向點云數據的樹種分類方法大致分為間接法和直接法兩類。間接法主要從3D點云中推斷結構特征［15-17］或提取多視角下的2D圖像［18］。如王佳等［19］依據點云的三維坐標提取胸徑、冠高、最長冠幅等6個測樹因子作為分類依據；Seidel等［18］將單木的三維點云結構投影為多角度的2D圖像，從而把點云分類轉化為傳統的圖像分類問題。間接型的點云處理方法雖然可以有效利用已有的分類模型與經驗，但其在點云數據轉換過程中導致了不可逆的信息損失，在一定程度上限制了點云數據的性能發揮。隨著深度學習技術的快速發展，特別是如PointNet［20］，PointNet++［21］等一系列點云分類模型的提出，使得直接處理點云數據成為可能。如針對白樺樹和落葉松的二分類問題，Liu等［22］提出的LayerNet樹種識別網絡，實現了92.5%的識別準確率，但該方法更注重樹木的整體結構，缺乏對局部結構的感知；Chen等［23］提出的PCTSCN模型，其采用改進的最遠點采樣方法，從而達到了96%的分類精度。然而，已有點云特征學習方法并沒有充分考慮樹木自身的形態屬性，以及由于采集環境及設備的多樣性所帶來的點云分布差異，從而限制了該類方法的適用性。

針對以上問題，本文提出面向激光雷達點云數據的多結構樹種識別方法（Multi-structured Tree Species Recognition Method，MSTSR）。該方法主要包括兩部分：一是多結構樹種分類模型，其根據樹木的生長分布先驗知識，結合激光雷達的空間采樣傾向，通過適應性地等容量劃分樹木的層次結構，構建整體與局部相結合的點云特征提取模型，為樹種點云識別提供有效的解決方案；二是組合采樣策略，通過以體素網格（Voxel Grid）為基礎對點云坐標空間進行規范化劃分，進而配合隨機采樣策略，相對于最遠點采樣，在保證分類精度的基礎上，把采樣復雜度由O（n2）降為O（n），提升模型訓練及推理速度。

1 樹種點云識別模型

主流點云分類網絡，如PointNet［20］、PointNet++［21］等多是面向通用點云物體識別，該類物體表面的點云分布較為均勻。然而通過直觀觀察，單木點云具有明顯的結構差異與分布差異。結構差異源于樹木自然生長形態，如樹冠與主干具有不同的表型特征；分布差異主要來自點云采集激光雷達的類型與參數差異，如地面激光雷達會獲得較密集的下部枝干采樣與較稀疏的冠層采樣，而機載激光雷達則相反。本文提出了面向激光雷達點云數據的多結構樹種識別網絡（MSTSR），一方面融合不同尺度的樹木結構特點以獲得更具代表性的點云表征；另一方面借助組合采樣策略從而專注單木的枝干結構特征，緩解由于點云分布差異帶來的性能損失。

1.1 樹種點云分類描述

給定含有c個樹種，共M棵樹組成的點云數據集T=t1，t2，…，tM，其中ti=pi1，pi2，…，piN為第i棵樹中含有的N個點的集合，且pij∈Rd，j=1，2，…，N，d為每個點的維度。通常pij中只包含幾何坐標（d=3），即pij=（xij，yij，zij）。實際情況中，每棵樹包含數量不等的點，為了適配模型輸入，這里假設每棵樹中的點已降采樣到固定的N個。

對于樹種分類任務，分類模型將第i棵樹的點云集合ti作為輸入，以c個分類的置信度為輸出，通常選擇置信度最大的樹種作為分類結果。

1.2 多結構樹種點云識別網絡

從結構上看，樹木大致由樹冠和主干兩部分組成，且具有不同的表型特征，為了符合樹木自身的結構特點，本文提出的多結構樹種識別網絡（MSTSR）將點云數據結構化采樣（Structured Sampling，SS），即依據高度劃分為上下兩部分，從而形成了上層局部（樹冠）、下層局部（主干）以及整樹三個尺度的點云集合。雖然嚴格劃分樹冠與主干區域可促使模型學習更準確地局部特征，但考慮到樹木形態的多樣性，引入精確劃分方法不僅會降低模型的泛化性，而且增加了額外的計算負擔。此外，所提模型中的多尺度融合策略也內建了不同生長區域的互補機制。因此，使用啟發式的等容量劃分方法可以在保證適應性的同時，有效減少劃分時帶來的算力消耗。

網絡整體框架如圖1所示，由不同分支聚合的尺度結構特征經過拼接后，輸入到一個多層感知機（Multi-layer Perceptron，MLP）產生分類結果。不同分支的配置相似，其核心為本文提出的近鄰感知與增強模塊（Neighborhood Awareness and Enhancement，NAE）。在每個結構分支中堆疊多個NAE，同時搭配降采樣方法，從而形成了一種層次化特征聚合結構（Hierarchical Feature Aggregation，HFA）。具體為：在淺層的處理過程中，點云集合首先經過一個全連接層（Full Connected，FC）以及一個NAE層，實現每個點與其周圍點初步的信息傳遞；進而被降采樣后輸入到不同的HFA分支網絡，經過多個NAE進行特征提取，在分層聚合局部信息的同時對數據點繼續進行降采樣；最終經過最大池化層（Max Pooling）輸出每個分支結構下的單一表示。

1.2.1 近鄰感知與增強模塊

受PointNet++［21］的啟發，本文提出一種可插拔的近鄰感知與增強模塊（NAE），整體結構如圖2所示。原始的點云數據為孤立的點，其無法感知其鄰域的點云分布，因此難以描述復雜的結構變化。為解決這一問題，NAE對每個由MLP特征升維后的點進行特征聚合（Feature Aggregation，FA），即使用每個點的近鄰信息作為該點的補充。特征聚合具體為：給定任意點集內的第j個點pj（為不失一般性，這里省略了用來描述集合歸屬的上標），確定其K個近鄰組成的集合Nj，進而通過作用在Nj上的最大池化（Max Pooling）與平均池化（Mean Pooling）操作構建pj的局部增強表示fj，如式（1）所示。

1.3 組合點云降采樣策略

影響樹種點云識別性能的另一個關鍵是采樣策略。在本文提出的學習模型中包含兩個步驟的采樣：（1）預處理階段將原始點云數據降采樣到規定數量以便輸入網絡；（2）在網絡中為了獲得更具語義信息的結構描述而進行的逐層降采樣。采樣策略的選擇受到單木點云分布的影響。以本文采用的地面激光雷達點云數據為例，影響采樣結果的因素主要來自兩方面：一是樹木點云不同部位的密度差異，如圖3（a）所示，樹木主干由于位置較低從而點密度更大；二是由于樹冠易受到密集枝葉的影響，從而產生過多的噪聲點。特別是對于落葉性樹種，其識別精度不應受到季節影響。因此，在預處理階段的采樣方法應傾向于保留單木的枝干屬性。然而，目前常用的最遠點采樣方法［21］，其通過由隨機種子構成的集合開始，通過迭代式地查找距離當前集合最遠的點，從而逐漸擴充采樣集合。該種采樣方式更傾向于描述物體的外圍輪廓，如圖3（b）所示，最遠點采樣保留了更多的樹冠葉片分布，而失去了內在的枝干結構。不僅如此，該采樣算法的復雜度為O（n2），當點集容量過大時，采樣效率會明顯降低。

針對以上問題，本文提出了一種兩階段的組合采樣策略，從而在有效緩解點云密度差異，凸顯枝干結構分布的同時，把采樣復雜度降至O（n）。具體做法如下：第一階段使用體素降采樣（Voxel Grid Down-sampling），該方法通過把空間劃分為若干固定邊長大小的立方體體素塊，并在每個體素塊內保留固定數量的點，以實現采樣結果的均勻化；第二階段為以體素塊為單位進行隨機采樣，從而保證了采樣效率。經過采樣后的結果如圖3（c）所示，可以看出相比最遠點采樣，本文采用的方法可以更有效地捕捉枝干信息。此外，由于在預處理采樣階段已提升了輸入點的均勻性，為了確保模型訓練和推理的效率，在網絡中的降采樣也均使用隨機采樣方法。

2 試驗結果與分析

2.1 數據集及預處理

數據集采用由Seidel等［18］搜集并整理的Single Tree Point Clouds from Terrestrial Laser Scanning （STPCTLS）Symbol`@@數據集。該數據集匯總了近年來若干項樹木地面激光雷達點云研究所使用的數據，采集地點為德國和美國的人工森林和天然森林，采集土壤條件、氣候特征具有較大差異，采集設備為Faro Focus 3D 120和Zoller and Frhlich Imager 5006地面激光雷達。Seidel通過掃描儀設備提供的處理軟件對掃描結果進行后處理，過濾部分明顯的噪聲點、反射不清晰的點和分裂激光束產生的點，并使用3D可視化軟件CloudCompare從森林點云中手動分割出單木點云數據。最終，該數據集由7類樹種、共690棵樹木組成，其中橡樹（Oak）22棵、紅橡樹（Red Oak）100棵、梣樹（Ash）39棵、云杉（Spruce）158棵、松樹（Pine）25棵、山毛櫸（Beech）163 棵、花旗松（Douglas Fir）183棵，代表性樹種樣例如圖4所示。

為了滿足模型的輸入要求，需要統一樣本點云容量。由于樣本容量由7萬～240萬不等，采用文本提出的組合采樣策略，首先對其進行邊長2 cm規格的體素采樣，每個體素內僅保留距離中心點最近的點，再應用隨機采樣將樣本降采樣到4 096個點，并進行歸一化處理，使點云中心位于（0， 0， 0）處。為了確保試驗的公平性，本文采用與文獻［18］類似的數據增強及隨機劃分協議。具體方法如下：繞Z軸隨機選擇0°～360°作為數據增強方式，對4類數量較多的樹種（紅橡樹、云杉、山毛櫸和花旗松）增強4次；對剩下3類樹種（橡樹、梣樹和松樹）增強10次，設置如表2所示。

2.2 試驗設置

所有試驗均在同一臺計算機進行，硬件配置為 Intel（R）Core（TM）i9-9900X，單塊NVIDIA GeForce RTX 2080Ti GPU，軟件環境為64位ubuntu 20系統，TensorFlow 1.11深度學習框架。訓練時批處理大小（Batch Size）為12，使用Adam優化器且初始學習率（Learning Rate）為0.001，權值衰減（Decay）為0.95。訓練時近鄰聚合的范圍設置為16，最大迭代次數設置為50。

2.3 評價指標

評價指標采用總體分類精度（Overall Accuracy，OA），其可以直接評價分類正確的比例，如式（4）所示。

2.4 樹種識別結果與分析

表3為主流樹種識別方法的結果對比，本文所提的方法取得了最高的分類準確率及Kappa系數。其中7類樹種的總體分類準確率為94.20%，Kappa系數為0.927 6，橡樹、紅橡樹全部分類正確，云杉、山毛櫸和花旗松準確率分別達到96.77%、94.29%和91.89%，而梣樹和松樹由于樣本量過少，準確率相對較低，為85.71%和80.00%。試驗對比方法選擇三類典型的樹種識別算法，分別為：基于典型測樹因子配合隨機森林的方法［19］、點云深度網絡分類方法［20， 21］以及多視角點云2D投影方法［18］。

2.4.1 與傳統機器學習方法對比

本文選取王佳等［19］提出的測樹因子配合隨機森林方法作為對比。該方法從點云中提取了6種測樹因子，并使用決策樹、支持向量機和隨機森林三類常見的分類器進行識別。從表3可以看出，采用測樹因子配合傳統機器學習分類方法的結果欠佳，總體準確率僅為69.57%，Kappa系數為0.641 2。原因如下：（1）該數據集中的樹木點云采集于多個地點，且環境差異過大，僅六個測樹因子無法充分體現樹木的結構特征；（2）數據集質量不理想，存在樣本掃描不全的現象，導致對應因子存在缺失或誤差；（3）傳統機器學習方法對特征學習能力不足。

2.4.2 與典型點云網絡對比

將典型點云分類網絡PointNet［20］和PointNet++［21］應用于該數據集，試驗結果如表3所示。其中PointNet總體準確率為81.16%，Kappa系數為0.770 6，由于其僅對整體結構進行特征聚合，傾向于學習單木的整體結構，導致其對枝干尺度和整體結構相似的橡樹、紅橡樹、梣樹、松樹和山毛櫸五類樹種分類結果均不理想；PointNet++在PointNet的基礎上增加了層次化特征提取，總體準確率提升至84.78%，Kappa系數為0.815 3，對于橡樹、紅橡樹、梣樹和松樹分類精度有了較大幅度的提升，但云杉和山毛櫸兩種樹的分類精度有所下降。本文提出的多結構樹種識別網絡充分考慮了樹木的整體和局部形態結構，同時有針對性地設計了采樣方法，因此識別準確率較大幅度領先這兩種方法。

2.4.3 與2D點云投影方法對比

Seidel等［18］將該數據集中的點云數據投影為多幅2D圖像，進而采用卷積神經網絡進行分類。如表3所示，該方式雖然利用多角度2D圖像的互補性，最終取得了優于PointNet++的綜合性能，但其并沒有充分挖掘3D點云對空間結構的描述能力。圖5為該方法與本文所提方法的混淆矩陣對比。

從圖5可以看出，由于2D投影的方法更專注于輪廓信息，導致輪廓相似的樹種間混淆程度較高，如梣樹主要與山毛櫸混淆，云杉與花旗松混淆，紅橡樹與其他樹種均發生混淆。然而，本文方法由于充分考慮了不同尺度的結構特征，對于輪廓相似的樹種，可通過進一步學習其枝干走向、尺度等特征以提高識別精度。因此，有效降低了梣樹及云杉對其他樹種的混淆度，特別是針對橡樹和紅橡樹的識別準確率提升至100%，整體結果提升了8.2%。

2.5 主要參數分析

在所提模型中，具有采樣點的數量、采樣方式的選擇、多尺度劃分方式等主要參數，本節主要分析這些參數的取值以及對模型性能的影響，并給出一些較為通用的參數設置方案。

2.5.1 采樣點數量的影響

樣本點云的降采樣數量對模型的分類精度和執行效率有重要影響，過少的采樣量不足以描述樹木結構特性，而過多的采樣量會引入更多的噪聲點，同時降低模型的執行效率。圖6為不同降采樣數量（從256～8 192）對算法性能的影響。可以看出結果符合預期，雖然由于種間的結構差異導致個別樹種（如云杉）的結果不夠穩定，但整體的分類準確度隨著采樣點數量的增加而提升，在達到4 096個時結果最佳。此外，過多的采樣點也會增幅噪聲的影響，因此在采樣點達到8 192個時，準確率會有所下降。

2.5.2 降采樣方式的影響

為了驗證點云集合的降采樣方式對模型精度的性能，本節在數據預處理階段和分類模型中分別應用了組合采樣、最遠點采樣、隨機采樣三種策略，結果如表4所示。

由表4可以看出：（1）在預處理階段采用組合采樣的綜合結果高于最遠點采樣和隨機采樣，這是由于對于單木點云，最遠點采樣弱化對內部的枝干走向的建模，而這些枝干的生長結構對樹種分類起到了重要作用；（2）網絡內采用隨機采樣或最遠點采樣對結果影響不大，但隨機采樣在時間復雜度方面占有優勢；（3）本文提出的預處理階段的組合采樣配合網絡內的隨機采樣，同時兼顧識別準確性與識別效率。

2.5.3 尺度劃分方式的影響

本文增加樹冠與主干兩個尺度的特征提取分支，輔助整樹分支以提升分類正確率。為了驗證不同尺度劃分方式對結果的影響，測試4種設置：（1）等高劃分上下兩部分；（2）等容量劃分上下兩部分；（3）按容量比例1∶3劃分上下兩部分；（4）按容量比例3∶1劃分上下兩部分。

不同劃分尺度的對比結果如圖7所示。

可以看出：（1）由于種間的形態差異，沒有任何一種劃分方式在所有七類樹種上均取得最佳結果。其中，由于云杉和花旗松由于樹冠縱向覆蓋區域較廣，因此按容量3∶1的方式劃分的性能最佳；山毛櫸的樹冠與主干占比近似，等高劃分的性能最佳；（2）按高度劃分由于兼容性較高，在所有四種劃分方式中取得了次優的結果；（3）等容劃分實際是在近似等高劃分的基礎上兼顧了不同分支的平衡，因此取得了最佳的結果。等容劃分也是本文所提方法最終采納的劃分方式。

2.6 不同樹木結構的影響

本文提出的樹種點云識別方法同時考慮樹冠、主干以及整樹的結構，為了驗證每種結構對最終識別結果的影響，表5為不同結構分支下的消融試驗。

由表5可以看出：（1）只學習主干結構的結果最差，因為主干的結構形態在大多數情況下區分度較差；（2）同時考慮主干和樹冠略優于只包含整體結構的結果，這是由于前者促使網絡更加專注并融合多個局部區域；（3）整體和局部相結合的方式同時考慮多個尺度結構下的結構特征，取得最佳的識別結果，從而驗證多結構學習的有效性。

3 結論

1）" 本文提出一種面向激光雷達點云數據的多結構樹種識別方法，其將單木點云數據劃分為三個尺度結構（樹冠、主干及整體），分別提取特征并加以融合；同時，搭配內建的近鄰感知與增強模塊，使模型分類總體準確率達到94.2%，Kappa系數為0.927 6。較基于多個測樹因子的隨機森林方法，OA提高24.63%，Kappa系數提高0.286 4；較經典點云網絡PointNet和PointNet++，OA分別提高13.04%和9.42%，Kappa系數分別提高0.157 0和0.112 3；較多視圖點云2D投影方法，OA提高8.2%，Kappa系數提高0.099 4，從而驗證點云網絡直接處理3D樹木點云的潛力。

2）" 樹木點云數據具有相對復雜的結構特征，通過應用體素采樣與隨機采樣相結合的采樣策略，突出樹木枝干結構信息，減弱葉片以及噪聲點的干擾，較最遠點采樣和隨機采樣，OA分別提高3.62%和1.45%，為樹種點云識別提供高效且通用的降采樣方案。

3）" 模型采用的多尺度融合方法，相比整樹或樹冠的單一尺度，OA分別提升3.62%及5.07%，從而證明該方法對樹種點云識別的適用性。

參 考 文 獻

［1］ 張軍國， 閆浩， 胡春鶴， 等. 無人機在林業中的應用及前景展望［J］. 林業工程學報， 2019， 4（1）： 8-16.

Zhang Junguo， Yan Hao， Hu Chunhe， et al. Application and future development of unmanned aerial vehicle in forestry ［J］. Journal of Forestry Engineering， 2019， 4（1）： 8-16.

［2］ Macfarlane D W， Kane B. Neighbour effects on tree architecture：Functional trade-offs balancing crown competitiveness with wind resistance ［J］. Functional Ecology， 2017， 31（8）： 1624-1636.

［3］ 孫鈺， 周焱， 袁明帥， 等. 基于深度學習的森林蟲害無人機實時監測方法［J］. 農業工程學報， 2018， 34（21）： 74-81.

Sun Yu， Zhou Yan， Yuan Mingshuai， et al. UAV real-time monitoring for forest pest based on deep learning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（21）： 74-81.

［4］ Jia K， Yao Y J， Wei X Q， et al. A review on fractional vegetation cover estimation using remote sensing ［J］. Advances in Earth Science， 2013， 28（7）： 774-782.

［5］ Fender A C， Gansert D， Jungkunst H F， et al. Root-induced tree species effects on the source/sink strength for greenhouse gases （CH4， N2O and CO2） of a temperate deciduous forest soil ［J］. Soil Biology and Biochemistry， 2013， 57： 587-597.

［6］ 馮海林， 胡明越， 楊垠暉， 等. 基于樹木整體圖像和集成遷移學習的樹種識別［J］. 農業機械學報， 2019， 50（8）： 235-242.

Feng Hailin， Hu Mingyue， Yang Yinhui， et al. Tree species recognition based on overall tree image and ensemble of transfer learning ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（8）： 235-242.

［7］ 滕文秀， 溫小榮， 王妮， 等. 基于深度遷移學習的無人機高分影像樹種分類與制圖［J］. 激光與光電子學進展， 2019， 56（7）： 277-286.

Teng Wenxiu， Wen Xiaorong， Wang Ni， et al. Tree species classification and mapping based on deep transfer learning with unmanned aerial vehicle high resolution images ［J］. Laser amp; Optoelectronics Progress， 2019， 56（7）： 277-286.

［8］ 趙鵬超， 戚大偉. 基于卷積神經網絡和樹葉紋理的樹種識別研究［J］. 森林工程， 2018， 34（1）： 56-59.

Zhao Pengchao， Qi Dawei. Study on tree species identification based on convolution neural network and leaf texture image ［J］. Forest Engineering， 2018， 34（1）： 56-59.

［9］ Zhao Y， Gao X， Hu J， et al. Tree species identification based on the fusion of bark and leaves ［J］. Mathematical Biosciences and Engineering， 2020， 17（4）： 4018-4033.

［10］ Zhang B， Zhao L， Zhang X. Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images ［J］. Remote Sensing of Environment， 2020， 247： 111938.

［11］ 姜玉峰， 齊建國， 陳博偉， 等. 基于無人機高光譜影像和機器學習的紅樹林樹種精細分類［J］. 遙感技術與應用， 2022， 36（6）： 1416-1424.

Jiang Yufeng， Qi Jianguo， Chen Bowei， et al. Classification of mangrove species with UAV hyperspectral imagery and machine learning methods ［J］. Remote Sensing Technology and Application， 2021， 36（6）： 1416-1424.

［12］ 趙慶展， 江萍， 王學文， 等. 基于無人機高光譜遙感影像的防護林樹種分類［J］. 農業機械學報， 2021， 52（11）： 190-199.

Zhao Qingzhan， Jiang Ping， Wang Xuewen， et al. Classification of protection forest tree species based on UAV hyperspectral data ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（11）： 190-199.

［13］ Michaowska M， Rapiński J. A review of tree species classification based on airborne LiDAR data and applied classifiers ［J］. Remote Sensing， 2021， 13（3）： 353.

［14］ Disney M. Terrestrial LiDAR： A three-dimensional revolution in how we look at trees ［J］. New Phytologist， 2019， 222（4）： 1736-1741.

［15］ Terryn L， Calders K， Disney M， et al. Tree species classification using structural features derived from terrestrial laser scanning ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 168： 170-181.

［16］ Mizoguchi T， Ishii A， Nakamura H. Individual tree species classification based on terrestrial laser scanning using curvature estimation and convolutional neural network ［J］. International Archives of the Photogrammetry， Remote Sensing amp; Spatial Information Sciences， 2019， 42： 1077-1082.

［17］ Guan H， Yu Y， Ji Z， et al. Deep learning-based tree classification using mobile LiDAR data ［J］. Remote Sensing Letters， 2015， 6（11）： 864-873.

［18］ Seidel D， Annighfer P， Thielman A， et al. Predicting tree species from 3D laser scanning point clouds using deep learning ［J］. Frontiers in Plant Science， 2021， 12： 635440.

［19］ 王佳， 張隆裕， 呂春東， 等. 基于地面激光雷達點云數據的樹種識別方法［J］. 農業機械學報， 2018， 49（11）：180-188.

Wang Jia， Zhang Longyu， Lü Chundong， et al. Tree species identification methods based on point cloud data using ground-based LiDAR ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（11）： 180-188.

［20］ Qi C R， Su H， Mo K， et al. PointNet： Deep learning on point sets for 3D classification and segmentation ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 652-660.

［21］ Qi C R， Yi L， Su H， et al. PointNet++： Deep hierarchical feature learning on point sets in a metric space ［J］. Advances in neural Information Processing Systems， 2017， 30.

［22］ Liu M， Han Z， Chen Y， et al. Tree species classification of LiDAR data based on 3D deep learning ［J］. Measurement， 2021， 177： 109301.

［23］ Chen J， Chen Y， Liu Z. Classification of typical tree species in laser point cloud based on deep learning ［J］. Remote Sensing， 2021， 13（23）： 4750.

［24］ He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.