摘要
树种识别对于生态系统评价、生物多样性监测和森林资源利用等方面具有重要意义，是生态环境、林业测量、遥感等众多行业和领域的重点研究课题。激光雷达（Light Detection and Ranging,LiDAR）是一种先进的主动遥感技术，能够快速获取地表目标高精度的高度信息和三维结构信息，且具有抗干扰能力强、低空探测性能好等优点，为快速、准确的植被精细分类提供了有力的技术支撑。由于深度学习在特征提取上的优势，近年来有学者将该技术运用到基于LiDAR数据的树种识别研究上。然而，现有研究大多是先将点云进行规则化处理，例如转换成体素或二维图像，再利用二维的深度学习方法进行特征提取或分类，而没有直接利用三维数据。 针对上述问题，本文提出了一个基于点的深度神经网络——LayerNet。对于光探测和测距数据，该网络可以直接对点进行学习，而无需人工提取特征或将点集转换为二维的表达形式。本文以塞罕坝国家森林公园内的白桦树和落叶松两个树种的激光雷达数据为研究对象，首先对获取到的原始点云进行预处理，包括去除噪音点和地面滤波；其次分别基于点距离和改进的分水岭分割方法提取单木并制作数据集；最后将单木数据集输入到LayerNet中，对每棵树分层提取局部特征，将所有层的特征进行聚合，利用卷积继续提取高维特征，通过最大池化层得到包含了局部信息的全局特征，实现树种分类。实验结果显示，本文的方法在机载LiDAR数据集上的分类总体准确率为88.8%，kappa系数为0.76；在地基LiDAR数据集上的分类总体准确率为92.5%，kappa系数为0.85。通过对影响分类结果的因素探究，确定在该分类任务中网络提取的最优特征维度为1024维，样本的最优点密度为2048个/棵，同时实验结果表明数据集的质量会直接影响分类效果。与三种基于浅层学习的树种分类方法、两种基于二维深度学习的树种分类方法，以及一种基于三维深度学习的树种分类方法进行对比分析，结果表明本文提出的LayerNet分类精度更高，能有效减少计算成本并应用于基于LiDAR点云的树种分类。
NETL