陶江玥　劉麗娟　丁友麗　王雪　彭瓊　肖文惠

摘要：指出了樹種識別的精度是森林碳儲量估算、森林生物多樣性等研究的基礎(chǔ)，高分辨率的遙感數(shù)據(jù)是精確識別樹種的基礎(chǔ)，而目前應(yīng)用比較廣泛的中、低分辨率遙感數(shù)據(jù)只能識別森林的類型，無法精確到樹種級別。若將表征冠層水平方向信息的高光譜數(shù)據(jù)與表征林分垂直結(jié)構(gòu)信息的激光雷達(dá)（LiDAR）數(shù)據(jù)融合，形成優(yōu)勢互補，能有效提高樹種識別的精度。因此，高光譜和LiDAR數(shù)據(jù)的融合在林業(yè)上有著廣闊的應(yīng)用前景。

關(guān)鍵詞：高光譜；LiDAR；樹種識別

中圖分類號：TP751

文獻(xiàn)標(biāo)識碼：A文章編號：16749944（2017）8021203

1引言

現(xiàn)如今，復(fù)雜森林的樹種級分類正在成為一個非常重要的研究方向。但是，隨著不斷變化的氣候條件以及自然和人為因素的干擾，使得全國森林物種豐富度不斷減少，嚴(yán)重影響了我國森林可持續(xù)發(fā)展。另外，目前廣泛開展的森林地上碳儲量估算的準(zhǔn)確程度，也依賴于樹種識別的精度。以往主要靠實地調(diào)查來識別樹種，但這種方法費時、費力、成本高。隨著遙感技術(shù)的迅速發(fā)展和高科技社會時代的需求，遙感影像數(shù)據(jù)在林業(yè)上發(fā)揮著越來越重要的作用。高光譜、高時空分辨率影像在林業(yè)研究上提供更精細(xì)的數(shù)據(jù)，并越來越受廣大林業(yè)研究者們的喜愛。同時近年來迅猛發(fā)展的機(jī)載LiDAR作為主動遙感技術(shù)，能表征林分垂直結(jié)構(gòu)信息，當(dāng)它與表征冠層水平方向信息的高光譜數(shù)據(jù)融合后，形成優(yōu)勢互補，并有效提高分類精度[1]，使得高效精細(xì)地識別樹種成為可能。

2高光譜數(shù)據(jù)的應(yīng)用

目前，寬譜段以及中、低分辨率遙感數(shù)據(jù)應(yīng)用較廣泛，但由于空間和光譜分辨率均較低，僅能實現(xiàn)森林類型的識別，在樹種級識別仍然是個難題，實際效用不大。高光譜影像蘊含著近乎連續(xù)的地物光譜信息，能準(zhǔn)確探測到具有細(xì)微光譜差異的各種地物類型，同時具有“譜像合一”、波段多、數(shù)據(jù)量大的特點，使樹種識別精度從源數(shù)據(jù)上得到一定程度的提高。

2.1高光譜數(shù)據(jù)的應(yīng)用方法

目前高光譜數(shù)據(jù)在樹種識別上的能力正在不斷增強(qiáng)。宮鵬等[2]利用CASI高光譜數(shù)據(jù)，對美國加州的6種針葉樹種進(jìn)行識別，證實了高光譜遙感在樹種識別領(lǐng)域的可行性。多位研究者發(fā)現(xiàn)高空間分辨率遙感影像與多光譜遙感影像協(xié)同進(jìn)行樹種識別時，因有高光譜影像的輔助使得樹種識別精度有所提高，證明高光譜遙感數(shù)據(jù)的森林類型識別能力更強(qiáng)[3，4]。而且高光譜所提取的紋理信息對樹種識別十分有效[5]。

目前，遙感影像的分類主要是基于像元和面向?qū)ο髢纱箢??；谙裨诸悶槟壳皯?yīng)用廣泛的分類方法，它根據(jù)要求的不同可分為監(jiān)督分類、非監(jiān)督分類，硬分類、軟分類，或是以隨機(jī)數(shù)學(xué)理論為基礎(chǔ)的分類、模糊分類等多種形式。采用面向?qū)ο蠓诸惙ㄟM(jìn)行樹種識別的方法才剛剛興起，它是針對高空間分辨率數(shù)據(jù)發(fā)展而提出的。面向?qū)ο蠓诸惖年P(guān)鍵技術(shù)是影像分割技術(shù)，其分類質(zhì)量和精度，取決于分類算法的好壞以及如何定性或定量地進(jìn)行最優(yōu)尺度分割[6]。國內(nèi)學(xué)者多側(cè)重于圖像分割方法、特征變量選取及分類方法的比較[7]。

2.2高光譜數(shù)據(jù)應(yīng)用的不足

由于地物分布具有一定連續(xù)性，遙感圖像上相鄰像元之間必定存在相關(guān)性，而高光譜只能表征林分水平方向的信息，這使得“同物異譜、異物同譜”的現(xiàn)象難免存在。由于不同的樹種常有極為相似的光譜特性，則稱為“異物同譜”現(xiàn)象；由于光照條件的多變，可能引起相同的樹種具有明顯不同的光譜特性，即所謂的“同物異譜”現(xiàn)象[8]。所以，遙感圖像上的混合像元問題，影響到整個像元的光譜反射率。因此，即便是利用高空間分辨率的光譜圖像進(jìn)行精確到樹種級的分類也是很困難的。

3機(jī)載激光雷達(dá)的應(yīng)用

由于地球60%～70%被云層覆蓋，這對于高光譜數(shù)據(jù)的采集非常不利，而機(jī)載LiDAR具有全天時、全天候以及迅速獲取高精度數(shù)據(jù)的能力。在林業(yè)應(yīng)用方面，LiDAR能夠獲取單株木三維結(jié)構(gòu)特征，這對于森林類型識別、森林結(jié)構(gòu)特性以及冠層理化特征提取均具有明顯優(yōu)勢。

3.1機(jī)載激光雷達(dá)的應(yīng)用方法

LiDAR數(shù)據(jù)分點云數(shù)據(jù)和全波形數(shù)據(jù)，其中點云數(shù)據(jù)應(yīng)用廣泛。通常使用Tarroslid等工具對原始點云數(shù)據(jù)進(jìn)行濾波，獲得地面點和非地面點，由地面點可以內(nèi)插生成數(shù)字高程模型 （Digital Elevation Model，DEM），由非地面點可以生成數(shù)字表面模型 （Digital Surface Model，DSM）。DSM與DEM進(jìn)行差值運算即得到高程歸一化后的數(shù)字冠層高度模型CHM （Canopy Height Model）[9]。CHM表達(dá)了林木高度和冠層的空間分布狀態(tài)。由CHM提取單木數(shù)據(jù)的主要方法是圖像分割法，此法是目前研究熱點之一。樹高是反映材積和立地質(zhì)量的重要參數(shù)，因此，提取樹高信息意義非凡[10]。全波形數(shù)據(jù)主要采用波形分解來提供更多垂直結(jié)構(gòu)信息和基于波形數(shù)據(jù)的識別[11]。

近年來許多研究者一直在發(fā)掘LiDAR數(shù)據(jù)的應(yīng)用能力。Hollaus等[12]研究使用LiDAR數(shù)據(jù)提取了單木冠層高，結(jié)果表明LiDAR樹高與外業(yè)樹高的相關(guān)性很好。龐勇等[13]在利用LiDAR數(shù)據(jù)進(jìn)行提取我國山東地區(qū)平均樹高的試驗，其總體平均精度為90.59 %，其中闊葉樹精度高于針葉樹。Mitchell等[14]使用LiDAR數(shù)據(jù)估測灌木叢的冠層參數(shù)，并比較了樹高和冠幅的相關(guān)性，發(fā)現(xiàn)樹高的估測結(jié)果優(yōu)于冠幅，但密度較高的區(qū)域所得結(jié)果并不理想。趙旦[15]利用高密度LiDAR點云數(shù)據(jù)，提出了控制CHM的優(yōu)化算法以及單木樹種識別算法，使得提取到的樹高和樹種的正確率超過90%。

3.2機(jī)載激光雷達(dá)應(yīng)用的不足

由于機(jī)載激光雷達(dá)只能得到樹種垂直結(jié)構(gòu)三維信息，無法提高樹種在水平方向上的相關(guān)信息。僅憑樹高或冠幅信息，無法準(zhǔn)確確定單木類型。因此，機(jī)載激光雷達(dá)在樹種識別上必須與高光譜數(shù)據(jù)進(jìn)行融合，才能發(fā)揮其強(qiáng)大的數(shù)據(jù)優(yōu)勢。

4主被動遙感技術(shù)相結(jié)合的應(yīng)用

高光譜是光學(xué)被動遙感數(shù)據(jù)，可獲得冠層水平信息，因其具有較高的光譜分辨率，使地物目標(biāo)的屬性信息探測能力有所增強(qiáng)，并能夠在較小的空間尺度上觀察地表的細(xì)節(jié)變化。而LiDAR數(shù)據(jù)是主動遙感數(shù)據(jù)，可直接獲得單株木的位置、樹高和冠幅這三個垂直結(jié)構(gòu)參數(shù)以及強(qiáng)度信息。兩者基于像元級融合，形成優(yōu)勢互補，在分類精度上有著極大的提高。因此，表征林分水平結(jié)構(gòu)信息的高光譜數(shù)據(jù)與表征林分垂直結(jié)構(gòu)信息的LiDAR數(shù)據(jù)所組成的機(jī)載主被動遙感數(shù)據(jù)相融合，在林業(yè)遙感方面是近年來運用比較熱門的方法。

4.1主被動遙感技術(shù)的應(yīng)用方法

朱江濤等[16]提出一種基于Adaboost的高光譜與LiDAR數(shù)據(jù)特征選擇與分類方法，發(fā)現(xiàn)兩種數(shù)據(jù)的融合有利于多角度的描述地物特征。董彥芳等[17]將高光譜和機(jī)載LiDAR數(shù)據(jù)融合采用面向?qū)ο蟮姆椒ǎM(jìn)行城市典型地物的提取，實現(xiàn)了房屋與樹木的有效分離。劉麗娟等[18]利用CASI高光譜和機(jī)載LiDAR融合對北方復(fù)雜森林采用支持向量機(jī)（Support Vector Machine， SVM）的方法進(jìn)行樹種識別時，發(fā)現(xiàn)融合數(shù)據(jù)樹種分類的總體精度和Kappa系數(shù)（83.88%，0.80）高于CASI的精度（76.71%、0.71）。Alonzo等[19]利用融合的高光譜與LiDAR數(shù)據(jù)，在基于冠層尺度上對美國圣巴巴拉、加利福尼亞等地常見的29類樹種進(jìn)行分類，結(jié)果表明融合了激光雷達(dá)數(shù)據(jù)后，分類精度提高了4.2%。劉怡君等[20]將機(jī)載AISA Eagle II 高光譜和LiDAR同步數(shù)據(jù)融合對普洱山區(qū)的樹種進(jìn)行分類，研究表明，融合的數(shù)據(jù)使得山區(qū)的樹種分類具備可行性，且總體分類精度和樹種分類精度比單一高光譜數(shù)據(jù)皆有所提高。劉清旺等[21]采用融合的高光譜和機(jī)載LiDAR數(shù)據(jù)有效提取湖北典型亞熱帶森林的優(yōu)勢樹種。

在使用融合的高光譜和LiDAR數(shù)據(jù)進(jìn)行樹種識別的過程中，一般通過波段選擇[22]和主成分分析（Principal Component Analysis， PCA）[23]等方法進(jìn)行降維，去除數(shù)據(jù)冗余和噪聲，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）、光譜角填圖法（Spectral Angle Mapping， SAM）、SVM法以及基于混合像元分解的線性波譜分離法（Linear Spectral Unmixing， LSU）等方法[24～26]進(jìn)行基于像元和面向?qū)ο蟮臉浞N分類，都能得到比較好的分類結(jié)果。

4.2主被動遙感技術(shù)應(yīng)用的不足

高光譜和LiDAR數(shù)據(jù)的融合帶來了更全面立體的數(shù)據(jù)信息，使得樹種識別得到一定程度的提高。但高分辨率數(shù)據(jù)來源成本相對較高，所以目前利用融合的高光譜和LiDAR數(shù)據(jù)來進(jìn)行的研究并不多。這導(dǎo)致目前尚未找到最優(yōu)的分類方法，還有待后續(xù)研究。

5結(jié)語

融合的高光譜與LiDAR數(shù)據(jù)，在樹種識別的應(yīng)用上前景廣闊。但由于數(shù)據(jù)成本等原因，目前利用融合數(shù)據(jù)進(jìn)行的研究較少，也沒有相對成熟的方法精確地識別樹種的類型。再加上光譜特征的問題，不可避免地存在“同物異譜，同譜異物”現(xiàn)象；或者數(shù)據(jù)在采集和處理的過程中，因人為、儀器本身原因或沒有較好的降維方法而帶來一定的數(shù)據(jù)損失現(xiàn)象；又或者數(shù)據(jù)時相單一使得可用信息有限等問題，都是造成樹種識別精度受到影響的因素。森林樹種的精細(xì)識別是森林碳儲量估算、森林生物多樣性等研究的基礎(chǔ)。因此，當(dāng)樹種識別的精度得到進(jìn)一步的提高后，對于我國林業(yè)的發(fā)展也有質(zhì)的飛躍。

參考文獻(xiàn)：

[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]宮鵬， 浦瑞良. 不同季相針葉樹種高光譜數(shù)據(jù)識別分析[J]. 遙感學(xué)報， 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]譚炳香， 李增元， 陳爾學(xué)，等. 高光譜與多光譜遙感數(shù)據(jù)的森林類型識別[J].東北林業(yè)大學(xué)學(xué)報， 2015，33（Sup.）： 61～63.

[5]王妮，彭世揆，李明詩. 基于樹種分類的高分辨率遙感數(shù)據(jù)紋理特征分析[J]. 浙江農(nóng)林大學(xué)學(xué)報，2012，29（2）： 210～217.

[6]毛召武， 程結(jié)海， 袁占良. 顧及面積和位置差異的高分遙感影像分割質(zhì)量評價方法[J]. 遙感技術(shù)與應(yīng)用， 2016， 31（1）：186～193.

[7]董連英. Hyperion影像森林植被分類方法與應(yīng)用研究[D]. 長春： 吉林大學(xué)， 2013.

[8]史良樹. 遙感技術(shù)現(xiàn)狀及其在林業(yè)中的應(yīng)用[J]. 林業(yè)資源管理， 2004（2）：50～52.

[9]劉清旺， 李增元， 陳爾學(xué)，等. 利用機(jī)載激光雷達(dá)數(shù)據(jù)提取單株木樹高和樹冠[J]. 北京林業(yè)大學(xué)學(xué)報， 2008， 30（6）：83～89.

[10]趙峰，李增元，王韻晟等. 機(jī)載激光雷達(dá)（LiDAR）數(shù)據(jù)在森林資源調(diào)查中的應(yīng)用綜述[J]. 遙感信息， 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]趙旦. 基于激光雷達(dá)和高光譜遙感的森林單木關(guān)鍵參數(shù)提取[D]. 北京： 中國林業(yè)科學(xué)研究院， 2012.

[16]朱江濤， 黃睿. 基于 Adaboost 的高光譜與 LiDAR 數(shù)據(jù)特征選擇與分類[J]. 遙感信息， 2014（6）：68～72.

[17]董彥芳， 龐勇， 許麗娜， 等. 高光譜遙感影像與機(jī)載LiDAR數(shù)據(jù)融合的地物提取方法研究[J]. 遙感信息， 2014， 29（6）： 73～76.

[18]劉麗娟， 龐勇， 范文義， 等. 機(jī)載LiDAR和高光譜融合實現(xiàn)溫帶天然林樹種識別[J]. 遙感學(xué)報， 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]劉怡君， 龐勇， 廖聲熙，等. 機(jī)載LiDAR和高光譜融合實現(xiàn)普洱山區(qū)樹種分類[J]. 林業(yè)科學(xué)研究， 2016， 29（3）：407～412.

[21]劉清旺， 譚炳香， 胡凱龍，等. 機(jī)載激光雷達(dá)和高光譜組合系統(tǒng)的亞熱帶森林估測遙感試驗[J]. 高技術(shù)通訊， 2016， 26（3）：264～274.

[22]李俊明. 基于HJ-1A高光譜遙感樹種識別的研究[D]. 哈爾濱： 東北林業(yè)大學(xué)， 2013.

[23]臧卓， 林輝， 楊敏華. 利用PCA算法進(jìn)行喬木樹種高光譜數(shù)據(jù)降維與分類[J]. 測繪科學(xué)， 2014， 39（2）：146～149.

[24]李小梅， 譚炳香， 李增元，等. CHRIS高光譜圖像森林類型分類方法比較研究[J]. 遙感技術(shù)與應(yīng)用， 2010， 25（2）：227～234.

[25]于龍. 基于高光譜遙感數(shù)據(jù)的樹種組分類方法探討[D]. 臨安： 浙江農(nóng)林大學(xué)， 2013.

[26]奚禎苑， 劉麗娟， 陸燈盛，等. 基于線性混合像元分解技術(shù)提取山核桃空間分布[J]. 林業(yè)科學(xué)， 2015， 51（10）：43～52.