高光谱和LiDAR数据融合在树种识别上的应用

陶江玥　刘丽娟　丁友丽　王雪　彭琼　肖文惠

摘要：指出了树种识别的精度是森林碳储量估算、森林生物多样性等研究的基础，高分辨率的遥感数据是精确识别树种的基础，而目前应用比较广泛的中、低分辨率遥感数据只能识别森林的类型，无法精确到树种级别。若将表征冠层水平方向信息的高光谱数据与表征林分垂直结构信息的激光雷达（LiDAR）数据融合，形成优势互补，能有效提高树种识别的精度。因此，高光谱和LiDAR数据的融合在林业上有着广阔的应用前景。

關键词：高光谱；LiDAR；树种识别

中图分类号：TP751

文献标识码：A文章编号：16749944（2017）8021203

1引言

现如今，复杂森林的树种级分类正在成为一个非常重要的研究方向。但是，随着不断变化的气候条件以及自然和人为因素的干扰，使得全国森林物种丰富度不断减少，严重影响了我国森林可持续发展。另外，目前广泛开展的森林地上碳储量估算的准确程度，也依赖于树种识别的精度。以往主要靠实地调查来识别树种，但这种方法费时、费力、成本高。随着遥感技术的迅速发展和高科技社会时代的需求，遥感影像数据在林业上发挥着越来越重要的作用。高光谱、高时空分辨率影像在林业研究上提供更精细的数据，并越来越受广大林业研究者们的喜爱。同时近年来迅猛发展的机载LiDAR作为主动遥感技术，能表征林分垂直结构信息，当它与表征冠层水平方向信息的高光谱数据融合后，形成优势互补，并有效提高分类精度[1]，使得高效精细地识别树种成为可能。

2高光谱数据的应用

目前，宽谱段以及中、低分辨率遥感数据应用较广泛，但由于空间和光谱分辨率均较低，仅能实现森林类型的识别，在树种级识别仍然是个难题，实际效用不大。高光谱影像蕴含着近乎连续的地物光谱信息，能准确探测到具有细微光谱差异的各种地物类型，同时具有“谱像合一”、波段多、数据量大的特点，使树种识别精度从源数据上得到一定程度的提高。

2.1高光谱数据的应用方法

目前高光谱数据在树种识别上的能力正在不断增强。宮鹏等[2]利用CASI高光谱数据，对美国加州的6种针叶树种进行识别，证实了高光谱遥感在树种识别领域的可行性。多位研究者发现高空间分辨率遥感影像与多光谱遥感影像协同进行树种识别时，因有高光谱影像的辅助使得树种识别精度有所提高，证明高光谱遥感数据的森林类型识别能力更强[3，4]。而且高光谱所提取的纹理信息对树种识别十分有效[5]。

目前，遥感影像的分类主要是基于像元和面向对象两大类。基于像元分类为目前应用广泛的分类方法，它根据要求的不同可分为监督分类、非监督分类，硬分类、软分类，或是以随机数学理论为基础的分类、模糊分类等多种形式。采用面向对象分类法进行树种识别的方法才刚刚兴起，它是针对高空间分辨率数据发展而提出的。面向对象分类的关键技术是影像分割技术，其分类质量和精度，取决于分类算法的好坏以及如何定性或定量地进行最优尺度分割[6]。国内学者多侧重于图像分割方法、特征变量选取及分类方法的比较[7]。

2.2高光谱数据应用的不足

由于地物分布具有一定连续性，遥感图像上相邻像元之间必定存在相关性，而高光谱只能表征林分水平方向的信息，这使得“同物异谱、异物同谱”的现象难免存在。由于不同的树种常有极为相似的光谱特性，则称为“异物同谱”现象；由于光照条件的多变，可能引起相同的树种具有明显不同的光谱特性，即所谓的“同物异谱”现象[8]。所以，遥感图像上的混合像元问题，影响到整个像元的光谱反射率。因此，即便是利用高空间分辨率的光谱图像进行精确到树种级的分类也是很困难的。

3机载激光雷达的应用

由于地球60%～70%被云层覆盖，这对于高光谱数据的采集非常不利，而机载LiDAR具有全天时、全天候以及迅速获取高精度数据的能力。在林业应用方面，LiDAR能够获取单株木三维结构特征，这对于森林类型识别、森林结构特性以及冠层理化特征提取均具有明显优势。

3.1机载激光雷达的应用方法

LiDAR数据分点云数据和全波形数据，其中点云数据应用广泛。通常使用Tarroslid等工具对原始点云数据进行滤波，获得地面点和非地面点，由地面点可以内插生成数字高程模型 （Digital Elevation Model，DEM），由非地面点可以生成数字表面模型 （Digital Surface Model，DSM）。DSM与DEM进行差值运算即得到高程归一化后的数字冠层高度模型CHM （Canopy Height Model）[9]。CHM表达了林木高度和冠层的空间分布状态。由CHM提取单木数据的主要方法是图像分割法，此法是目前研究热点之一。树高是反映材积和立地质量的重要参数，因此，提取树高信息意义非凡[10]。全波形数据主要采用波形分解来提供更多垂直结构信息和基于波形数据的识别[11]。

近年来许多研究者一直在发掘LiDAR数据的应用能力。Hollaus等[12]研究使用LiDAR数据提取了单木冠层高，结果表明LiDAR树高与外业树高的相关性很好。庞勇等[13]在利用LiDAR数据进行提取我国山东地区平均树高的试验，其总体平均精度为90.59 %，其中阔叶树精度高于针叶树。Mitchell等[14]使用LiDAR数据估测灌木丛的冠层参数，并比较了树高和冠幅的相关性，发现树高的估测结果优于冠幅，但密度较高的区域所得结果并不理想。赵旦[15]利用高密度LiDAR点云数据，提出了控制CHM的优化算法以及单木树种识别算法，使得提取到的树高和树种的正确率超过90%。

3.2机载激光雷达应用的不足

由于机载激光雷达只能得到树种垂直结构三维信息，无法提高树种在水平方向上的相关信息。仅凭树高或冠幅信息，无法准确确定单木类型。因此，机载激光雷达在树种识别上必须与高光谱数据进行融合，才能发挥其强大的数据优势。

4主被动遥感技术相结合的应用

高光谱是光学被动遥感数据，可获得冠层水平信息，因其具有较高的光谱分辨率，使地物目标的属性信息探测能力有所增强，并能够在较小的空间尺度上观察地表的细节变化。而LiDAR数据是主动遥感数据，可直接获得单株木的位置、树高和冠幅这三个垂直结构参数以及强度信息。两者基于像元级融合，形成优势互补，在分类精度上有着极大的提高。因此，表征林分水平结构信息的高光谱数据与表征林分垂直结构信息的LiDAR数据所组成的机载主被动遥感数据相融合，在林业遥感方面是近年来运用比较热门的方法。

4.1主被动遥感技术的应用方法

朱江涛等[16]提出一种基于Adaboost的高光谱与LiDAR数据特征选择与分类方法，发现两种数据的融合有利于多角度的描述地物特征。董彦芳等[17]将高光谱和机载LiDAR数据融合采用面向对象的方法，进行城市典型地物的提取，实现了房屋与树木的有效分离。刘丽娟等[18]利用CASI高光谱和机载LiDAR融合对北方复杂森林采用支持向量机（Support Vector Machine， SVM）的方法进行树种识别时，发现融合数据树种分类的总体精度和Kappa系数（83.88%，0.80）高于CASI的精度（76.71%、0.71）。Alonzo等[19]利用融合的高光谱与LiDAR数据，在基于冠层尺度上对美国圣巴巴拉、加利福尼亚等地常见的29类树种进行分类，结果表明融合了激光雷达数据后，分类精度提高了4.2%。刘怡君等[20]将机载AISA Eagle II 高光谱和LiDAR同步数据融合对普洱山区的树种进行分类，研究表明，融合的数据使得山区的树种分类具备可行性，且总体分类精度和树种分类精度比单一高光谱数据皆有所提高。刘清旺等[21]采用融合的高光谱和机载LiDAR数据有效提取湖北典型亚热带森林的优势树种。

在使用融合的高光谱和LiDAR数据进行树种识别的过程中，一般通过波段选择[22]和主成分分析（Principal Component Analysis， PCA）[23]等方法进行降维，去除数据冗余和噪声，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）、光谱角填图法（Spectral Angle Mapping， SAM）、SVM法以及基于混合像元分解的线性波谱分离法（Linear Spectral Unmixing， LSU）等方法[24～26]进行基于像元和面向对象的树种分类，都能得到比较好的分类结果。

4.2主被动遙感技术应用的不足

高光谱和LiDAR数据的融合带来了更全面立体的数据信息，使得树种识别得到一定程度的提高。但高分辨率数据来源成本相对较高，所以目前利用融合的高光谱和LiDAR数据来进行的研究并不多。这导致目前尚未找到最优的分类方法，还有待后续研究。

5结语

融合的高光谱与LiDAR数据，在树种识别的应用上前景广阔。但由于数据成本等原因，目前利用融合数据进行的研究较少，也没有相对成熟的方法精确地识别树种的类型。再加上光谱特征的问题，不可避免地存在“同物异谱，同谱异物”现象；或者数据在采集和处理的过程中，因人为、仪器本身原因或没有较好的降维方法而带来一定的数据损失现象；又或者数据时相单一使得可用信息有限等问题，都是造成树种识别精度受到影响的因素。森林树种的精细识别是森林碳储量估算、森林生物多样性等研究的基础。因此，当树种识别的精度得到进一步的提高后，对于我国林业的发展也有质的飞跃。

参考文献：

[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]宫鹏， 浦瑞良. 不同季相针叶树种高光谱数据识别分析[J]. 遥感学报， 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]谭炳香， 李增元， 陈尔学，等. 高光谱与多光谱遥感数据的森林类型识别[J].东北林业大学学报， 2015，33（Sup.）： 61～63.

[5]王妮，彭世揆，李明诗. 基于树种分类的高分辨率遥感数据纹理特征分析[J]. 浙江农林大学学报，2012，29（2）： 210～217.

[6]毛召武， 程结海， 袁占良. 顾及面积和位置差异的高分遥感影像分割质量评价方法[J]. 遥感技术与应用， 2016， 31（1）：186～193.

[7]董连英. Hyperion影像森林植被分类方法与应用研究[D]. 长春： 吉林大学， 2013.

[8]史良树. 遥感技术现状及其在林业中的应用[J]. 林业资源管理， 2004（2）：50～52.

[9]刘清旺， 李增元， 陈尔学，等. 利用机载激光雷达数据提取单株木树高和树冠[J]. 北京林业大学学报， 2008， 30（6）：83～89.

[10]赵峰，李增元，王韵晟等. 机载激光雷达（LiDAR）数据在森林资源调查中的应用综述[J]. 遥感信息， 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]赵旦. 基于激光雷達和高光谱遥感的森林单木关键参数提取[D]. 北京： 中国林业科学研究院， 2012.

[16]朱江涛， 黄睿. 基于 Adaboost 的高光谱与 LiDAR 数据特征选择与分类[J]. 遥感信息， 2014（6）：68～72.

[17]董彦芳， 庞勇， 许丽娜， 等. 高光谱遥感影像与机载LiDAR数据融合的地物提取方法研究[J]. 遥感信息， 2014， 29（6）： 73～76.

[18]刘丽娟， 庞勇， 范文义， 等. 机载LiDAR和高光谱融合实现温带天然林树种识别[J]. 遥感学报， 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]刘怡君， 庞勇， 廖声熙，等. 机载LiDAR和高光谱融合实现普洱山区树种分类[J]. 林业科学研究， 2016， 29（3）：407～412.

[21]刘清旺， 谭炳香， 胡凯龙，等. 机载激光雷达和高光谱组合系统的亚热带森林估测遥感试验[J]. 高技术通讯， 2016， 26（3）：264～274.

[22]李俊明. 基于HJ-1A高光谱遥感树种识别的研究[D]. 哈尔滨： 东北林业大学， 2013.

[23]臧卓， 林辉， 杨敏华. 利用PCA算法进行乔木树种高光谱数据降维与分类[J]. 测绘科学， 2014， 39（2）：146～149.

[24]李小梅， 谭炳香， 李增元，等. CHRIS高光谱图像森林类型分类方法比较研究[J]. 遥感技术与应用， 2010， 25（2）：227～234.

[25]于龙. 基于高光谱遥感数据的树种组分类方法探讨[D]. 临安： 浙江农林大学， 2013.

[26]奚祯苑， 刘丽娟， 陆灯盛，等. 基于线性混合像元分解技术提取山核桃空间分布[J]. 林业科学， 2015， 51（10）：43～52.