强强联手：机载高光谱与LiDAR如何实现单木树种的精准识别？

中国林业科学院学者英文、庞勇等发表了题为《机载高光谱与LiDAR单木树种分类精度的影响因素分析》，为高光谱在林业烟感的应用起到了重要作用。重要内容概括如下：

1　引言

讨论了单木树种信息在森林资源监测、经营管理、生态系统评估和生物多样性研究中的重要性，并指出遥感技术的发展为大区域森林树种识别分类提供了新的机会。机载高光谱数据因其高空间分辨率和丰富的光谱信息，常用于森林树种分类。机载LiDAR数据提供森林的垂直结构信息，与高光谱数据结合进行单木树种精细分类具有理论优势。近年来，多源数据融合、特征提取和分类算法优化等方面取得了进展，但大范围森林树种分类中的实际应用及其影响因素的定量分析研究仍然不足。人工林因其结构相对均匀、物种组成简单及地面调查数据丰富，为此类分析提供了可控的研究环境。本研究从数据层面和应用场景层面探讨基于机载高光谱与LiDAR数据的人工林树种分类精度的影响因素，包括多航带高光谱数据辐射一致性校正、融合高光谱数据与冠层高度模型CHM在大面积人工林树种分类中的贡献，以及同一树冠像元误分为多个树种对分类精度的影响。这些因素在实际大面积森林树种精细制图中是关键因素，也是处理环节上递进影响和关联的因素。研究以塞罕坝机械林场为试验区，设计4种分类策略，探讨与分析针对光谱数据的辐射异质性、针对光谱和树高特征的贡献，以及针对同一树冠像元误分引入单木分割信息这3个方面对树种精度的影响，以期为更有效地开展森林资源监测、管理及其他林业遥感应用奠定科学基础。

2　研究区和数据

研究区塞罕坝机械林场位于河北省，海拔1500米，气候寒温带大陆性季风，植被生长季6-8月，年均气温-1.4℃，年均降雨量453.6毫米。主要树种有落叶松、樟子松、云杉和白桦。2018年9月，使用CAF-LiCHy观测系统采集了高光谱和LiDAR数据，覆盖225.6平方公里。高光谱数据光谱范围400-990纳米，64个波段，分辨率9.2纳米，经辐射定标、几何校正和大气校正后得到2米分辨率反射率影像。LiDAR数据点云密度10 pts/m2，经处理得到0.5米分辨率DEM、DSM和CHM产品，DOM分辨率0.18米。2018年6-9月，地面调查采集了330个树种样点和30个样地数据，包括树种、树高、胸径、冠幅和枝下高，以及2019年林场林相图数据。研究区树种分类为落叶松、樟子松、云杉和阔叶树。

3　研究方法

本章节详细阐述了基于机载高光谱与LiDAR数据的人工林树种分类精度影响因素分析的研究方法。首先，对高光谱影像进行BRDF校正，以减少不同航带间的影响；接着，使用标记分水岭算法对CHM数据进行单木分割，获取树木冠层边界信息。研究中提取了植被指数和CHM数据，并采用随机森林分类方法进行树种分类。最后，利用单木冠层信息对分类结果进行后处理，以提高分类精度。研究比较了四种分类策略：未校正的植被指数、校正后的植被指数、校正植被指数加树高特征、以及校正植被指数加树高特征加单木冠层信息。在森林像元提取和样本选取方面，结合CHM和植被指数剔除非森林像元，并使用修正型归一化差异植被指数（mNDVI）辅助识别植被和非植被区域。研究针对四个优势树种进行分类，生成训练和验证样本，并确保样本均衡性。BRDF校正模型采用核驱动方法，对森林像元进行分层处理，构建多角度数据集参与BRDF建模。单木分割采用标记控制的分水岭分割算法，实现个体树冠的准确分割。基于单木冠层约束的树种分类采用随机森林算法，并结合Softmax算法进行树种占比分析，最终得到基于单木冠层约束的树种分类结果。研究使用混淆矩阵等指标评估分类精度。

4　结果与分析

分析了机载高光谱与LiDAR数据在单木树种分类精度中的影响因素。首先，通过对比图展示了BRDF校正方法有效减少多航带高光谱数据间的辐射差异，提高了影像辐射一致性。其次，特征重要性分析显示，BRDF植被指数和CHM数据在树种分类中的重要性，但CHM数据对分类精度提升有限。接着，单木冠层约束下的树种分类结果显示，引入单木分割信息显著提高了分类精度。最后，树种分类精度对比表明，BRDF校正和单木分割信息的结合显著提升了分类精度，总体精度从73.96%增至88.85%。因此，本研究采用分类策略4，对塞罕坝机械林场的8046388棵树木进行了基于单木冠层约束的树种分类，并展示了分类结果的空间分布。

5　讨论

本章节讨论了机载多航带影像BRDF校正对树种分类精度的影响，发现BRDF校正后的影像能提升分类精度，尤其在训练样本具有代表性时。结合光谱与结构特征能提高分类精度，但具体贡献取决于森林场景特征。高光谱反射率和植被指数是关键特征，而树高特征辨识作用有限。单木冠层分割信息的分类策略减少了逻辑错误，提升了精度。未来的研究需更准确地提取单木冠层信息，应用深度学习算法提高分类精度，并利用LiDAR数据提取更多三维结构特征和高分辨率影像提取的纹理特征。不同地区的影响因素贡献可能不同，需开展比较研究以验证和优化这些因素在不同森林类型中的作用和效果。

6　结论

本章节总结了基于多航带机载高光谱与LiDAR数据的人工林树种分类研究。研究发现：1）引入单木分割信息可显著提升分类精度，从78.11%增至88.85%，提升10.74%；2）辐射一致性校正虽提高光谱一致性，但在大范围森林分类中提升有限，精度仅从73.96%增至77.44%，提升3.48%；3）在多林龄阶段树种中，CHM特征对分类精度贡献较小，仅使精度从77.44%小幅提升至78.11%