摘要：【目的】應(yīng)用遙感技術(shù)進(jìn)行樹(shù)種識(shí)別已成為森林調(diào)查的重要手段之一，但利用近地面遙感手段進(jìn)行樹(shù)種識(shí)別時(shí)存在地基激光雷達(dá)（LiDAR）點(diǎn)云數(shù)據(jù)樹(shù)冠上層信息不足和無(wú)人機(jī)影像樹(shù)冠下層的信息缺失的問(wèn)題，聯(lián)合多源遙感數(shù)據(jù)快速準(zhǔn)確識(shí)別樹(shù)種，對(duì)研究和保護(hù)森林資源具有重要意義?！痉椒ā恳怨枮I市東北林業(yè)大學(xué)城市林業(yè)示范基地中樟子松（Pinus sylvestris" var. mongolica）、黑皮油松（P. tabuliformis var. mukdensis）、水曲柳（Fraxinus mandshurica）、胡桃楸（Juglans mandshurica）為研究對(duì)象進(jìn)行樹(shù)種識(shí)別研究，獲取地基LiDAR與無(wú)人機(jī)影像數(shù)據(jù)，通過(guò)對(duì)高重疊度無(wú)人機(jī)影像進(jìn)行處理得到無(wú)人機(jī)影像點(diǎn)云，將無(wú)人機(jī)影像點(diǎn)云與地基LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn)融合，對(duì)融合后數(shù)據(jù)進(jìn)行單木分割得到單木點(diǎn)云，基于單木點(diǎn)云提取形狀特征、結(jié)構(gòu)特征、樹(shù)干顏色特征和樹(shù)冠顏色特征，借助支持向量機(jī)分類算法進(jìn)行樹(shù)種識(shí)別并結(jié)合隨機(jī)森林算法對(duì)不同特征的識(shí)別能力進(jìn)行了分析?！窘Y(jié)果】利用所有特征進(jìn)行樹(shù)種識(shí)別取得試驗(yàn)最優(yōu)結(jié)果，其總精度和Kappa 系數(shù)分別為93.48%和0.91。相較于其他對(duì)比方案，其總精度和Kappa 系數(shù)分別提升4.35～16.31個(gè)百分點(diǎn)和0.06～0.22?！窘Y(jié)論】提出了一種地基LiDAR數(shù)據(jù)與無(wú)人機(jī)影像點(diǎn)云數(shù)據(jù)進(jìn)行融合的樹(shù)種識(shí)別方法，該方法能夠在一定程度上彌補(bǔ)樹(shù)種識(shí)別中特征提取時(shí)地基LiDAR點(diǎn)云數(shù)據(jù)樹(shù)冠上層信息不足，以及無(wú)人機(jī)影像樹(shù)冠下層信息缺失等問(wèn)題。充分利用多源數(shù)據(jù)所包含的豐富信息進(jìn)行樹(shù)種識(shí)別，可有效提高樹(shù)種識(shí)別精度。

關(guān)鍵詞：樹(shù)種識(shí)別；多源遙感；激光雷達(dá)；無(wú)人機(jī)影像

中圖分類號(hào)：S771.8"""""" 文獻(xiàn)標(biāo)志碼：A開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

文章編號(hào)：1000-2006（2024）04-0104-09

Tree species identification of combined TLS date and UAV images

ZHONG Hao， WANG Chuhong， LIN Wenshu*

（College of Mechanical and Electrical Engineering， Northeast Forestry University， Harbin 150040，China）

Abstract： 【Objective】 Rapid and accurate identification of tree species is crucial for the research and protection of forest resources. Identification of tree species by remote sensing technology has become an important method of forest investigation. However， there are some problems in tree species identification by remote sensing， such as a lack of information in the upper canopy of terrestrial laser scanning （TLS） data and the lower canopy of unmanned aerial vehicle （UAV） images. Therefore， identifying tree species requires multi-source remote sensing data. 【Method】 In this study， Pinus sylvestris var. mongolica，" P. tabuliformis var. mukdensis，" Fraxinus mandshurica and Juglans mandshurica in the urban forestry demonstration base of Northeast Forestry University" at" Harbin were used as the research objects to identify tree species. TLS point cloud data and UAV image data were acquired. Through the processing of UAV images， the photogrammetric point cloud and orthophoto image were obtained. The UAV image point cloud and TLS point cloud data were registered and fused， then divided into single tree points. Based on the single tree point cloud， shape features， structure features， tree trunk color features， and crown color features were extracted， and tree species identification was performed by a support vector machine classification algorithm. Subsequently， the ability of the method to identify tree species using different characteristics was analyzed by random forest algorithm. 【Result】 Optimal results were obtained when all the features were used to identify tree species. The total accuracy and Kappa coefficient of tree species identification results were 93.48% and 0.91， respectively， which were improved by 4.35-16.31percentage points" and 0.06-0.22， respectively， compared with other comparison schemes. 【Conclusion】 The tree species recognition method based on the fusion of TLS data and UAV image point cloud data proposed in this study can" compensate for the lack of information in the upper canopy of TLS point cloud data and the lower canopy of UAV images to a certain extent， and make full use of the rich information contained in multi-source data for tree species recognition. The method can effectively improve the accuracy of tree species identification.

Keywords：tree species identification; multi-source remote sensing; LiDAR; unmanned aerial rehicle （UAV） images

森林在維持生態(tài)系統(tǒng)平衡方面發(fā)揮著重要作用，隨著人類活動(dòng)干擾和全球氣候變化，森林物種多樣性不斷地減少，因此實(shí)現(xiàn)大范圍森林資源的快速、準(zhǔn)確監(jiān)測(cè)尤為重要。樹(shù)種調(diào)查是森林資源調(diào)查的重要部分，目前我國(guó)傳統(tǒng)的樹(shù)種調(diào)查通常需要設(shè)置樣地，存在野外工作強(qiáng)度大、成本高、周期長(zhǎng)等問(wèn)題[1-3]。隨著遙感技術(shù)、無(wú)人機(jī)技術(shù)等一系列新興技術(shù)的發(fā)展，激光雷達(dá)（LiDAR）與無(wú)人機(jī)航測(cè)已被廣泛應(yīng)用于林業(yè)領(lǐng)域[4-5]。

激光雷達(dá)作為一種主動(dòng)遙感技術(shù)，通過(guò)傳感器發(fā)出的激光測(cè)定目標(biāo)物距離，獲取目標(biāo)空間信息[6]。相比傳統(tǒng)光學(xué)被動(dòng)遙感，LiDAR數(shù)據(jù)可以提供目標(biāo)地物三維信息，精確地提取林分垂直信息[7]，在林業(yè)應(yīng)用領(lǐng)域具有傳統(tǒng)光學(xué)遙感無(wú)法比擬的優(yōu)勢(shì)[8-10]。地基、背包與手持激光雷達(dá)一般在林下地面作業(yè)，因此能夠獲取林分內(nèi)部單木尺度結(jié)構(gòu)參數(shù)，其中背包與手持激光雷達(dá)為移動(dòng)式數(shù)據(jù)獲取，作業(yè)方式靈活，而地基激光雷達(dá)為設(shè)置固定站的掃描方式，其數(shù)據(jù)質(zhì)量更高[11-14]?；贚iDAR數(shù)據(jù)，陳向宇等[15]通過(guò)提取單木的結(jié)構(gòu)、紋理和冠形特征，借助支持向量機(jī)（support vector machines， SVM）算法進(jìn)行樹(shù)種識(shí)別，總體分類精度為85%。Guan等[16]通過(guò)構(gòu)建樹(shù)木幾何特征，利用深度學(xué)習(xí)方法對(duì)城市中樹(shù)種進(jìn)行分類，總體精度和Kappa系數(shù)分別為86.1%和0.8。近年來(lái)，遙感傳感器向多樣化和輕量化發(fā)展，并且無(wú)人機(jī)技術(shù)發(fā)展迅速，因此無(wú)人機(jī)能夠以遙感平臺(tái)的角色進(jìn)入遙感領(lǐng)域，與其他遙感平臺(tái)相比，無(wú)人機(jī)使用成本低、起降靈活、飛行高度低，更易獲取高精度遙感數(shù)據(jù)，彌補(bǔ)了有人機(jī)載或星載影像空間分辨率低的缺點(diǎn)[17]。無(wú)人機(jī)影像包含豐富的光譜和紋理信息可用于樹(shù)種識(shí)別，如利用無(wú)人機(jī)光譜信息以及通過(guò)灰度共生矩陣提取紋理信息進(jìn)行樹(shù)種識(shí)別[18]。由于無(wú)人機(jī)影像重疊度高，因此可以根據(jù)高重疊度的航測(cè)影像提取樹(shù)冠高度等三維信息，應(yīng)用于樹(shù)種識(shí)別當(dāng)中，如利用無(wú)人機(jī)影像提取樹(shù)高和顏色信息組成多特征直方圖進(jìn)行樹(shù)種識(shí)別[19]。也可利用無(wú)人機(jī)影像獲取樹(shù)冠3D點(diǎn)云相關(guān)特征，以及影像顏色特征來(lái)監(jiān)測(cè)各種樹(shù)種的生物多樣性[20]。具有空間信息的LiDAR數(shù)據(jù)與具有光譜信息的無(wú)人機(jī)影像數(shù)據(jù)之間具有很強(qiáng)的互補(bǔ)性，因此有研究對(duì)兩種數(shù)據(jù)進(jìn)行融合。如聯(lián)合無(wú)人機(jī)影像點(diǎn)云與地基激光雷達(dá)（TLS）點(diǎn)云分別實(shí)現(xiàn)了礦場(chǎng)與山地地形測(cè)量[21-22]。在使用無(wú)人機(jī)影像點(diǎn)云和TLS點(diǎn)云數(shù)據(jù)對(duì)熱帶森林參數(shù)提取的對(duì)比研究中，無(wú)人機(jī)影像點(diǎn)云和TLS點(diǎn)云有很大的相似性，兩者區(qū)別是無(wú)人機(jī)影像點(diǎn)云更加平滑，而TLS點(diǎn)云在樹(shù)木間隙表達(dá)更加精確，但受林分郁閉度影響較大[23]。在基于無(wú)人機(jī)影像生成點(diǎn)云與地基點(diǎn)云融合后進(jìn)行樹(shù)高提取，則可顯著提升樹(shù)高估測(cè)精度[24]。

綜上所述，目前融合LiDAR數(shù)據(jù)與無(wú)人機(jī)影像樹(shù)種識(shí)別研究中，主要通過(guò)LiDAR數(shù)據(jù)提取空間結(jié)構(gòu)參數(shù)特征，之后根據(jù)無(wú)人機(jī)影像提取冠層色彩、紋理等參數(shù)特征，通過(guò)特征融合進(jìn)行樹(shù)種識(shí)別。雖然LiDAR數(shù)據(jù)能獲得樹(shù)木的空間結(jié)構(gòu)信息，但由于地基LiDAR數(shù)據(jù)采集時(shí)激光光源處于林下層，因此樹(shù)葉、枝干等遮擋以及地面三維激光掃描角度的限制會(huì)使地基激光雷達(dá)不利于樹(shù)冠頂層信息的提取，尤其是在郁閉度較高的林分中，會(huì)導(dǎo)致樹(shù)冠頂層空間結(jié)構(gòu)數(shù)據(jù)的缺失，這對(duì)于提取樹(shù)木參數(shù)產(chǎn)生不利影響，而利用傾斜攝影技術(shù)可獲得森林冠層三維信息，但易出現(xiàn)無(wú)法拍攝到林冠下景觀等問(wèn)題[25]。因此，本研究采用地基激光雷達(dá)點(diǎn)云數(shù)據(jù)以及無(wú)人機(jī)影像，通過(guò)高重疊度無(wú)人機(jī)影像生成樹(shù)木冠層三維點(diǎn)云信息，將地基激光雷達(dá)點(diǎn)云數(shù)據(jù)與無(wú)人機(jī)影像生成的點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn)以進(jìn)行融合，融合以后的數(shù)據(jù)不僅包含了地基激光雷達(dá)點(diǎn)云數(shù)據(jù)的樹(shù)木空間結(jié)構(gòu)信息及樹(shù)干顏色信息，同時(shí)無(wú)人機(jī)點(diǎn)云使之具有更加完整的冠層空間結(jié)構(gòu)信息及冠層顏色信息，之后基于融合后點(diǎn)云數(shù)據(jù)進(jìn)行單木分割，分別提取結(jié)構(gòu)特征、形狀特征、樹(shù)干顏色特征與樹(shù)冠顏色特征，借助支持向量機(jī)算法完成樹(shù)種識(shí)別工作，通過(guò)不同方案驗(yàn)證該方法對(duì)樹(shù)種識(shí)別的精度，以及對(duì)不同特征的識(shí)別能力進(jìn)行了分析。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于東北林業(yè)大學(xué)城市林業(yè)示范基地（126°37′15″E，45°43′10″N），海拔136～140 m，總占地面積43.95 hm2?；貎?nèi)樹(shù)種種類豐富，包括興安落葉松（Larix gmelinii）、紅松（Pinus koraiensis）、胡桃楸（Juglans mandshurica ）、黑皮油松（P. tabuliformis var. mukdensis）、水曲柳（Fraxinus mandshurica）、蒙古櫟（Quercus mongolica）、白樺（Betula platyphylla）、樟子松（P. sylvestris var. mongolica）等。本研究選取的樣地樹(shù)種分別為樟子松、水曲柳、黑皮油松、胡桃楸。研究區(qū)無(wú)人機(jī)影像如圖1所示。

1.2 數(shù)據(jù)獲取

1） 地基點(diǎn)云數(shù)據(jù)獲取。2020年9月，采用FARO Laser Scanner Focus 3D X Series中長(zhǎng)距三維激光掃描儀分別對(duì)4塊樣地內(nèi)樹(shù)木進(jìn)行掃描，每塊樣地面積約40 m×40 m，掃描儀掃描距離0.6～330.0 m，設(shè)置掃描速度為976 000點(diǎn)/s，測(cè)距誤差為±2 mm，垂直視野和水平視野分別為300°和360°，儀器包含攝影裝置，可自動(dòng)將點(diǎn)云與影像進(jìn)行融合，因此每個(gè)點(diǎn)不僅包含位置信息，還包含RGB反射率信息。數(shù)據(jù)采集時(shí)每片樣地設(shè)置4～6個(gè)數(shù)據(jù)掃描站點(diǎn)，通視位置放置標(biāo)靶球用于將每塊樣地的多站數(shù)據(jù)拼接在一起，測(cè)站間配準(zhǔn)精度在2 cm以內(nèi)，點(diǎn)云數(shù)據(jù)將通過(guò)同名地物點(diǎn)與攝影測(cè)量點(diǎn)云進(jìn)行數(shù)據(jù)配準(zhǔn)。

2）無(wú)人機(jī)數(shù)據(jù)獲取。采用大疆精靈Phantom 4來(lái)獲取航拍影像，鏡頭焦距20 mm，飛行試驗(yàn)在2020年9月進(jìn)行，試驗(yàn)當(dāng)天天氣晴朗，風(fēng)力小于2級(jí)。設(shè)置飛行高度為100 m，航向重疊率為75%，旁向重疊率為60%。共拍攝照片255張，像素4 000×3 000，像元大小0.023 m，照片質(zhì)量清晰。

1.3 研究方法

本研究基于地基激光雷達(dá)點(diǎn)云數(shù)據(jù)以及無(wú)人機(jī)影像樹(shù)種識(shí)別工作流程如圖2所示。

1.3.1 無(wú)人機(jī)影像與地基雷達(dá)點(diǎn)云數(shù)據(jù)配準(zhǔn)與融合

對(duì)無(wú)人機(jī)影像與地基雷達(dá)點(diǎn)云數(shù)據(jù)分別進(jìn)行預(yù)處理，為后續(xù)點(diǎn)云融合提供數(shù)據(jù)來(lái)源。首先，使用Agisoft PhotoScan軟件對(duì)無(wú)人機(jī)影像進(jìn)行拼接，在此過(guò)程中軟件基于SFM算法實(shí)現(xiàn)稀疏點(diǎn)云的生成，基于PMVS算法在稀疏點(diǎn)云的基礎(chǔ)上實(shí)現(xiàn)密集點(diǎn)云的生成[26]。其次，在LiDAR360軟件中對(duì)地基激光雷達(dá)點(diǎn)云數(shù)據(jù)以及無(wú)人機(jī)影像點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)點(diǎn)云進(jìn)行去噪、歸一化、去除地面點(diǎn)、裁剪處理，得到預(yù)處理后的激光雷達(dá)點(diǎn)云與基于無(wú)人機(jī)影像重建點(diǎn)云數(shù)據(jù)。其中無(wú)人機(jī)影像點(diǎn)云如圖3a所示，可以看出無(wú)人機(jī)影像點(diǎn)云可以精確地描述地物空間表面起伏并保留了地物RGB色彩信息，對(duì)于地物可以實(shí)現(xiàn)精確的三維重建，建筑物、道路、河流等地物均無(wú)幾何畸變，表明無(wú)人機(jī)影像點(diǎn)云數(shù)據(jù)質(zhì)量較高。

數(shù)據(jù)精確配準(zhǔn)是融合點(diǎn)云的關(guān)鍵步驟，在Python環(huán)境下編寫(xiě)代碼，通過(guò)找尋相同地物獲取同名點(diǎn)坐標(biāo)，構(gòu)建Delaunay三角網(wǎng)，利用模擬退火算法搜索優(yōu)化得到對(duì)應(yīng)的同名點(diǎn)集合，利用奇異值分解法根據(jù)對(duì)應(yīng)點(diǎn)對(duì)的集合求得旋轉(zhuǎn)矩陣與平移矩陣[27]，得到與無(wú)人機(jī)影像點(diǎn)云配準(zhǔn)后的地基點(diǎn)云數(shù)據(jù)，實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)的融合，融合精度在0.1 m以內(nèi)，能夠滿足本實(shí)驗(yàn)要求。圖3b為水曲柳樣地融合后點(diǎn)云數(shù)據(jù)。

1.3.2 單木分割及特征提取

基于融合后點(diǎn)云，在LiDAR360軟件內(nèi)采用直接面向點(diǎn)云自下而上的比較最短路徑算法[28]獲取單木點(diǎn)云。單木分割結(jié)果中存在少量過(guò)分割或欠分割數(shù)據(jù)，一般過(guò)分割或欠分割是互補(bǔ)的，即一棵樹(shù)的過(guò)分割會(huì)造成另一棵樹(shù)的欠分割，因此為了充分利用數(shù)據(jù)，保證建模樣本數(shù)量，將相鄰過(guò)分割和欠分割數(shù)據(jù)進(jìn)行合并，單獨(dú)重新調(diào)整聚類閾值、樹(shù)高和枝下高等參數(shù)進(jìn)行二次分割以得到完整的單木分割結(jié)果。

基于單木點(diǎn)云數(shù)據(jù)，在LiDAR360中提取單木胸徑（DBH）、樹(shù)高（HT）、冠幅（LC）、樹(shù)冠面積（AC）、樹(shù)冠體積（VC）5個(gè)參數(shù)。若直接利用以上參數(shù)為特征建立樹(shù)種識(shí)別模型，模型對(duì)于偏矮小或偏高大樹(shù)木的識(shí)別能力將會(huì)下降，同時(shí)模型的泛化性較弱、遷移能力差，因此根據(jù)以上參數(shù)提取單木冠幅樹(shù)高比（RL/H）、冠幅胸徑比（RL/D）、樹(shù)冠面積樹(shù)高比（RA/H）、樹(shù)冠面積胸徑比（RA/D）、樹(shù)冠體積樹(shù)高比（RV/H）、樹(shù)冠體積胸徑比（RV/D）6個(gè)形狀特征。

不同樹(shù)種點(diǎn)云分布存在差異，因此不同分位高度的點(diǎn)數(shù)量可以作為樹(shù)木結(jié)構(gòu)的體現(xiàn)。本研究以10%為分位，分別提取單株樹(shù)（0，10%]，（10%，20%]，…，（90%，100%]分位高度下點(diǎn)云數(shù)量與單株樹(shù)點(diǎn)云總數(shù)之比作為結(jié)構(gòu)特征（STF），結(jié)構(gòu)特征數(shù)量共10個(gè)。

本研究地基LiDAR數(shù)據(jù)包含RGB反射率信息，考慮到掃描時(shí)樹(shù)葉受風(fēng)吹擺動(dòng)導(dǎo)致大多數(shù)樹(shù)冠部分點(diǎn)云出現(xiàn)過(guò)曝現(xiàn)象，而樹(shù)冠部分DN值在無(wú)人機(jī)影像中有更好的表達(dá)，因此基于點(diǎn)云數(shù)據(jù)提取樹(shù)干顏色信息作為樹(shù)干特征參與到樹(shù)種識(shí)別當(dāng)中。研究區(qū)域樹(shù)木較為高大，樹(shù)木平均高度在15～20 m，經(jīng)過(guò)反復(fù)對(duì)比分析，0.3～3.0 m高度區(qū)間包含雜草和枝葉的情況較少，而樹(shù)葉和樹(shù)干顏色有明顯區(qū)分，尤其是在綠光波段，可在提取樹(shù)干特征時(shí)進(jìn)行篩選，將綠光波段反射率（0～255）大于130的點(diǎn)過(guò)濾剔除。通過(guò)MATLAB 2020b計(jì)算得到樹(shù)干點(diǎn)云R、G、B波段反射率平均值與標(biāo)準(zhǔn)差，共計(jì)6個(gè)樹(shù)干顏色特征（TCF），使用單木點(diǎn)云的無(wú)人機(jī)影像點(diǎn)云部分提取樹(shù)冠點(diǎn)云R、G、B波段反射率平均值與標(biāo)準(zhǔn)差，共計(jì)6個(gè)樹(shù)冠顏色特征（CCF）。

1.3.3 特征融合與樹(shù)種識(shí)別

支持向量機(jī)（support vector machine， SVM）作為一種基于統(tǒng)計(jì)理論的監(jiān)督機(jī)器學(xué)習(xí)方法，其主要思想是通過(guò)系統(tǒng)隨機(jī)生成一個(gè)超平面并不斷移動(dòng)，直到屬于不同類別的樣本位于超平面的兩側(cè)，是專門針對(duì)小樣本訓(xùn)練區(qū)分類的方法[29]。根據(jù)上述工作提取的28個(gè)不同類型的特征，借助支持向量機(jī)分類器得到樹(shù)種識(shí)別最終結(jié)果，支持向量機(jī)分類程序選取RBF核函數(shù)并采用網(wǎng)格法參數(shù)尋優(yōu)以期得到最佳樹(shù)種識(shí)別效果。

為了進(jìn)一步證明本研究所述樹(shù)種識(shí)別方法的有效性，在基于上述方法進(jìn)行樹(shù)種識(shí)別的基礎(chǔ)上，再對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，采用多種方案實(shí)現(xiàn)樹(shù)種識(shí)別，具體實(shí)驗(yàn)方案共7種，如表1所示。最后對(duì)每個(gè)方案樹(shù)種識(shí)別結(jié)果分別計(jì)算每種樹(shù)種生產(chǎn)者精度（PA）、用戶精度（UA）、所有樹(shù)種總精度（OA）和Kappa系數(shù)作為評(píng)價(jià)指標(biāo)，對(duì)不同方案進(jìn)行結(jié)果評(píng)定與分析。

1.3.4 特征重要性分析

根據(jù)以上獲得樹(shù)種識(shí)別最優(yōu)實(shí)驗(yàn)方案組合，對(duì)樹(shù)種識(shí)別特征進(jìn)行分析，以進(jìn)一步探尋不同特征的樹(shù)種識(shí)別能力。隨機(jī)森林算法對(duì)于評(píng)估變量重要性有較強(qiáng)的優(yōu)勢(shì)[30]，因此本研究借助隨機(jī)森林算法基尼指數(shù)平均下降方法，對(duì)樹(shù)種識(shí)別最優(yōu)實(shí)驗(yàn)方案組合特征進(jìn)行分析以獲得每個(gè)特征在樹(shù)種識(shí)別中的重要性，并利用支持向量機(jī)分類算法按照特征重要性逐次增加特征進(jìn)行樹(shù)種識(shí)別。

2 結(jié)果與分析

2.1 單木分割及樹(shù)木參數(shù)提取結(jié)果

本研究共掃描樹(shù)木281棵，單木分割結(jié)果探測(cè)到樹(shù)木265棵，其中正確分割239棵，過(guò)分割10棵，欠分割16棵，總精度85.05%。剔除掉掃描樣地邊緣樹(shù)冠殘缺樹(shù)木以及經(jīng)過(guò)2次分割后分別獲取樟子松65棵、水曲柳68棵、黑皮油松49棵、胡桃楸80棵，共計(jì)262棵樹(shù)木。不同樹(shù)種的樹(shù)木顏色信息與不同數(shù)據(jù)源在樹(shù)木整體結(jié)構(gòu)中的空間分布信息如圖4所示。

由圖4可以看出，地基LiDAR點(diǎn)云數(shù)據(jù)對(duì)樹(shù)冠以下形態(tài)結(jié)構(gòu)表達(dá)清晰，無(wú)人機(jī)影像點(diǎn)云能夠較好地表達(dá)樹(shù)冠外部起伏，并且無(wú)人機(jī)影像點(diǎn)云進(jìn)行更加精準(zhǔn)的顏色信息，同時(shí)對(duì)地基LiDAR點(diǎn)云樹(shù)冠缺失部分進(jìn)行良好補(bǔ)充，融合后點(diǎn)云能更加完整地表達(dá)單株樹(shù)的形態(tài)結(jié)構(gòu)。

本研究基于地基LiDAR數(shù)據(jù)以及融合后點(diǎn)云數(shù)據(jù)分別提取每種樹(shù)木單木參數(shù)，包括胸徑、樹(shù)高、冠幅、樹(shù)冠面積、樹(shù)冠體積，每種樹(shù)種融合前后參數(shù)平均值如表2所示。

結(jié)果顯示，融合后樹(shù)高、冠幅、樹(shù)冠面積、樹(shù)冠體積值均有不同程度增加，其中樟子松增幅較大，分析認(rèn)為樟子松林密度較大，郁閉度高，地基LiDAR數(shù)據(jù)采集時(shí)受遮擋較為嚴(yán)重，點(diǎn)云樹(shù)冠完整度較低，經(jīng)過(guò)融合后樹(shù)冠缺失部分得到更多的補(bǔ)充，因此融合前后其參數(shù)差異更大。

2.2 樹(shù)種識(shí)別結(jié)果及特征重要性分析

對(duì)處理后數(shù)據(jù)分別進(jìn)行基于點(diǎn)云的特征提取與基于影像的特征提取。根據(jù)樹(shù)木編號(hào)選取2/3左右樹(shù)木數(shù)量為建模樣本，剩余樹(shù)木作為檢驗(yàn)樣本，檢驗(yàn)樣本數(shù)量為樟子松24棵、水曲柳23棵、黑皮油松18棵、胡桃楸27棵，共計(jì)92個(gè)檢驗(yàn)樣本。利用支持向量機(jī)分類算法得到樹(shù)種識(shí)別結(jié)果，每種方案具體結(jié)果如表3所示。

前4種方案為單一數(shù)據(jù)源樹(shù)種識(shí)別，方案1、2、3為僅利用地基LiDAR點(diǎn)云數(shù)據(jù)提取特征進(jìn)行樹(shù)種識(shí)別，方案4為僅利用無(wú)人機(jī)影像點(diǎn)云提取特征進(jìn)行樹(shù)種識(shí)別。由表3可知，方案1僅利用形狀特征與結(jié)構(gòu)特征識(shí)別，總精度和Kappa 系數(shù)分別為77.17%和0.69，在加入樹(shù)干顏色信息特征后，其總精度和Kappa 系數(shù)分別提高為85.87%和0.81。僅利用無(wú)人機(jī)影像點(diǎn)云信息識(shí)別，總精度和Kappa 系數(shù)分別為88.04%和0.84。方案5、6、7為融合地基LiDAR和無(wú)人機(jī)影像點(diǎn)云不同特征組合的樹(shù)種識(shí)別方法，結(jié)果顯示，在提取相同類型特征的前提下，融合后數(shù)據(jù)相較于單一數(shù)據(jù)源樹(shù)種識(shí)別精度更高，并且將所有特征參與到樹(shù)種識(shí)別工作中能夠得到最優(yōu)結(jié)果，總精度和Kappa 系數(shù)分別達(dá)到93.48%和0.91。

根據(jù)表3可知方案7的樹(shù)種識(shí)別精度最高。為了對(duì)特征進(jìn)行細(xì)化研究，基于隨機(jī)森林得到的特征重要性排名如圖5a所示，結(jié)果表明在樹(shù)種識(shí)別中顏色特征相比于空間特征具有更高的重要性，并且樹(shù)冠顏色為樹(shù)種識(shí)別最重要特征。結(jié)合圖5b中利用SVM算法按照特征重要性逐次增加特征進(jìn)行樹(shù)種識(shí)別精度變化趨勢(shì)可以看出，部分點(diǎn)云空間特征的加入能夠進(jìn)一步提高樹(shù)種識(shí)別精度，并且在特征數(shù)量較少時(shí)，增加特征數(shù)量可以提高樹(shù)種識(shí)別精度，但當(dāng)特征達(dá)到一定數(shù)量后，樹(shù)種識(shí)別精度曲線呈穩(wěn)定趨勢(shì)，在特征數(shù)量為13時(shí)取得93.48%的最優(yōu)精度。

3 討 論

單木點(diǎn)云分割結(jié)果顯示，攝影測(cè)量點(diǎn)云彌補(bǔ)了地基LiDAR點(diǎn)云數(shù)據(jù)樹(shù)冠上層信息不足，地基LiDAR點(diǎn)云數(shù)據(jù)彌補(bǔ)了攝影測(cè)量點(diǎn)云樹(shù)冠下層的信息缺失。樹(shù)木參數(shù)提取結(jié)果顯示，融合后點(diǎn)云數(shù)據(jù)提取的樹(shù)木參數(shù)相較于融合前有增加，也說(shuō)明了相較于單一點(diǎn)云數(shù)據(jù)，融合后數(shù)據(jù)具有更優(yōu)的結(jié)構(gòu)完整性，這與張吳明等[24]在使用地基LiDAR數(shù)據(jù)與無(wú)人機(jī)攝影測(cè)量點(diǎn)云融合提取樹(shù)高的研究中得出的結(jié)論一致。

已有研究成果證明了僅利用點(diǎn)云數(shù)據(jù)空間分布信息能夠進(jìn)行樹(shù)種識(shí)別工作[14-16]，本研究方案1即根據(jù)點(diǎn)云空間分布信息提取樹(shù)木結(jié)構(gòu)特征和形狀特征，總精度和Kappa 系數(shù)分別為77.17%和0.69。在本研究中，使樹(shù)干顏色信息特征參與到樹(shù)種識(shí)別工作中（方案2），方案2總精度和Kappa 系數(shù)分別為82.61%和0.77，識(shí)別結(jié)果優(yōu)于方案1，說(shuō)明樹(shù)干顏色所包含的信息用于樹(shù)種識(shí)別是可行的，并且其對(duì)不同樹(shù)種的識(shí)別能力高于樹(shù)木結(jié)構(gòu)和形狀特征。方案3將3種特征進(jìn)行融合，其樹(shù)種識(shí)別結(jié)果總精度和Kappa 系數(shù)分別為85.87%和0.81，與方案1相比樹(shù)干顏色信息的加入使總精度和Kappa 系數(shù)分別提高8.71個(gè)百分點(diǎn)和0.12。特征篩選結(jié)果顯示一些顏色特征在樹(shù)種識(shí)別中具有較高的重要性，說(shuō)明樹(shù)干顏色特征的加入能夠有效提高基于地基LiDAR數(shù)據(jù)的樹(shù)種識(shí)別精度。

在利用無(wú)人機(jī)影像進(jìn)行樹(shù)種識(shí)別的研究工作中，學(xué)者們提取影像顏色、紋理、形狀信息作為樹(shù)種識(shí)別特征因子[22， 31]。本研究提取無(wú)人機(jī)影像點(diǎn)云樹(shù)冠顏色特征參與到樹(shù)種識(shí)別當(dāng)中（方案4），識(shí)別結(jié)果總精度和Kappa系數(shù)分別為88.04%和0.84，相較于僅利用點(diǎn)云空間信息（方案1）識(shí)別結(jié)果總精度和Kappa系數(shù)分別提高10.87個(gè)百分點(diǎn)和0.15，說(shuō)明影像中所包含的顏色信息更加適用于樹(shù)種識(shí)別。

部分研究結(jié)果顯示，相對(duì)于單一LiDAR點(diǎn)云數(shù)據(jù)和影像數(shù)據(jù)，將LiDAR點(diǎn)云與無(wú)人機(jī)影像數(shù)據(jù)融合進(jìn)行樹(shù)種識(shí)別能夠得到更高的精度[22-24]。在本次試驗(yàn)中，方案5、6、7為基于地基LiDAR和無(wú)人機(jī)影像點(diǎn)云數(shù)據(jù)融合樹(shù)種識(shí)別，與方案1相比，方案5在提取相同類型特征的基礎(chǔ)上，其樹(shù)種識(shí)別結(jié)果總精度和Kappa 系數(shù)分別提高4.35個(gè)百分點(diǎn)和0.06；與方案3相比，方案6在提取相同類型特征的基礎(chǔ)上，其樹(shù)種識(shí)別結(jié)果總精度和Kappa 系數(shù)分別提高3.26個(gè)百分點(diǎn)和0.04。4種方案對(duì)比結(jié)果說(shuō)明利用融合后點(diǎn)云數(shù)據(jù)所提取的結(jié)構(gòu)和形狀特征進(jìn)行樹(shù)種識(shí)別相比于僅利用地基LiDAR點(diǎn)云數(shù)據(jù)能夠提高識(shí)別精度，這說(shuō)明數(shù)據(jù)融合后，無(wú)人機(jī)影像點(diǎn)云對(duì)地基LiDAR數(shù)據(jù)樹(shù)冠缺失部分具有良好補(bǔ)充，融合后點(diǎn)云能更加完整地表達(dá)單株樹(shù)的形態(tài)結(jié)構(gòu)特征，進(jìn)而使提取到的不同樹(shù)種的結(jié)構(gòu)參數(shù)與形狀參數(shù)差異增大，提高了樹(shù)種識(shí)別特征提取質(zhì)量，增強(qiáng)了不同樹(shù)種識(shí)別能力。

總體來(lái)看，本研究所提出的融合地基LiDAR點(diǎn)云與無(wú)人機(jī)影像點(diǎn)云樹(shù)種識(shí)別方法總精度和Kappa 系數(shù)分別為93.48%和0.91，相較于對(duì)比方案總精度和Kappa 系數(shù)分別提升4.35～16.31個(gè)百分點(diǎn)和0.06～0.22，能夠有效提高樹(shù)種識(shí)別精度。傳統(tǒng)LiDAR數(shù)據(jù)與影像融合方法主要為特征級(jí)融合，其特點(diǎn)是“先提取特征，后融合”，本研究所述方法能夠?qū)崿F(xiàn)LiDAR數(shù)據(jù)與影像點(diǎn)云的數(shù)據(jù)級(jí)融合，是一種“先融合，后提取特征”的樹(shù)種識(shí)別方法，兩種方法雖然均能夠通過(guò)提取更多特征類型提高樹(shù)種識(shí)別精度，但本研究所述方法優(yōu)點(diǎn)在于對(duì)多源遙感信息利用更加充分，多源遙感數(shù)據(jù)先融合后可以更加完整地表達(dá)樹(shù)木空間形態(tài)，相對(duì)于單獨(dú)地基激光雷達(dá)數(shù)據(jù)，補(bǔ)充了冠層高度及顏色信息，相對(duì)于單獨(dú)無(wú)人機(jī)數(shù)據(jù)，補(bǔ)充了冠幅下樹(shù)木空間及樹(shù)干顏色信息，在提取更多特征的基礎(chǔ)上還能夠提取更高質(zhì)量形狀特征和結(jié)構(gòu)特征參與到樹(shù)種識(shí)別中，從而進(jìn)一步提高樹(shù)種識(shí)別精度。

本研究提出的樹(shù)種識(shí)別方法可以不經(jīng)過(guò)改動(dòng)直接移植應(yīng)用于混交林樹(shù)種識(shí)別研究中，但由于實(shí)驗(yàn)條件限制，選取的研究區(qū)域?yàn)槿斯ぜ兞?，?duì)天然混交林的使用效果尚需進(jìn)一步研究。本研究使用SVM算法進(jìn)行樹(shù)種識(shí)別，今后可進(jìn)行不同算法比較研究。本研究所獲取無(wú)人機(jī)影像為可見(jiàn)光影像，而高光譜影像光譜分辨率高，對(duì)地物細(xì)微光譜差異的分辨能力強(qiáng)[32-34]，因此，將高光譜成像技術(shù)與深度學(xué)習(xí)方法[35]引入到多源遙感融合中有望進(jìn)一步提高樹(shù)種識(shí)別精度。

本研究在黑龍江省哈爾濱市東北林業(yè)大學(xué)城市林業(yè)示范基地獲取的地基LiDAR點(diǎn)云數(shù)據(jù)與無(wú)人機(jī)影像數(shù)據(jù)，選取樟子松、黑皮油松、水曲柳、胡桃楸為研究對(duì)象開(kāi)展樹(shù)種識(shí)別研究工作，主要結(jié)論如下：

1）相較于單一遙感數(shù)據(jù)源，地基LiDAR點(diǎn)云數(shù)據(jù)與無(wú)人機(jī)影像點(diǎn)云數(shù)據(jù)進(jìn)行融合后能夠提取更精確的樹(shù)木參數(shù)。

2）在利用地基LiDAR點(diǎn)云與無(wú)人機(jī)影像點(diǎn)云數(shù)據(jù)級(jí)融合進(jìn)行樹(shù)種識(shí)別工作中，顏色特征（樹(shù)干顏色特征和樹(shù)冠顏色特征）對(duì)樹(shù)種識(shí)別能力高于空間特征（形狀特征和結(jié)構(gòu)特征）。

3）本研究所提出的地基LiDAR點(diǎn)云與無(wú)人機(jī)影像點(diǎn)云數(shù)據(jù)級(jí)融合的樹(shù)種識(shí)別方法能夠更加充分利用遙感數(shù)據(jù)所包含的信息，從而更加完整地表達(dá)樹(shù)木空間形態(tài)。因此，能夠提高所提取的特征質(zhì)量，進(jìn)一步提高樹(shù)種識(shí)別精度。

參考文獻(xiàn)（reference）：

［1］LATIFI H，HEURICH M．Multi-scale remote sensing-assisted forest inventory：a glimpse of the state-of-the-art and future prospects[J]．Remote Sens，2019，11（11）：1260．DOI： 10.3390/rs11111260.

［2］WHITE J C，COOPS N C，WULDER M A，et al．Remote sensing technologies for enhancing forest inventories：a review[J]．Can J Remote Sens，2016，42（5）：619-641．DOI： 10.1080/07038992.2016.1207484.

［3］李增元，陳爾學(xué)．中國(guó)林業(yè)遙感發(fā)展歷程[J]．遙感學(xué)報(bào)，2021，25（1）：292-301．LI Z Y，CHEN E X．Development course of forestry remote sensing in China[J]．Natl Remote Sens Bull，2021，25（1）：292-301．

［4］FENG B K，ZHENG C，ZHANG W Q，et al．Analyzing the role of spatial features when cooperating hyperspectral and LiDAR data for the tree species classification in a subtropical plantation forest area[J]．JARS，2020，14（2）：022213．DOI： 10.1117/1.JRS.14.022213.

［5］曹林，佘光輝，代勁松，等．激光雷達(dá)技術(shù)估測(cè)森林生物量的研究現(xiàn)狀及展望[J]．南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，37（3）：163-169．CAO L，SHE G H，DAI J S，et al．Status and prospects of the LiDAR-based forest biomass estimation[J]．J Nanjing For Univ （Nat Sci Ed），2013，37（3）：163-169．DOI： 10.3969/j.issn.1000-2006.2013.03.029.

［6］WANG K P，WANG T J，LIU X H．A review：individual tree species classification using integrated airborne LiDAR and optical imagery with a focus on the urban environment[J]． Forests，2018，10（1）：1．DOI： 10.3390/f10010001.

［7］黃華國(guó)．林業(yè)定量遙感研究進(jìn)展和展望[J]．北京林業(yè)大學(xué)學(xué)報(bào)，2019，41（12）：1-14．HUANG H G．Progress and perspective of quantitative remote sensing of forestry[J]．J Beijing For Univ，2019，41（12）：1-14．DOI： 10.12171/j.1000-1522.20190326.

［8］ASNER G P，MASCARO J，MULLER-LANDAU H C，et al．A universal airborne LiDAR approach for tropical forest carbon mapping[J]．Oecologia，2012，168（4）：1147-1160．DOI： 10.1007/s00442-011-2165-z.

［9］DIAN Y Y，PANG Y，DONG Y F，et al．Urban tree species mapping using airborne LiDAR and hyperspectral data[J]．J Indian Soc Remote Sens，2016，44（4）：595-603．DOI： 10.1007/s12524-015-0543-4.

[10]MAN Q X，DONG P L，YANG X M，et al．Automatic extraction of grasses and individual trees in urban areas based on airborne hyperspectral and LiDAR data[J]．Remote Sens，2020，12（17）：2725．DOI： 10.3390/rs12172725.

[11]WALLACE L，LUCIEER A，WATSON C，et al．Development of a UAV-LiDAR system with application to forest inventory[J]．Remote Sens，2012，4（6）：1519-1543．DOI： 10.3390/rs4061519.

[12]WALLACE L，MUSK R，LUCIEER A．An assessment of the repeatability of automatic forest inventory metrics derived from UAV-borne laser scanning data[J]．IEEE Trans Geosci Remote Sens，2014，52（11）：7160-7169．DOI： 10.1109/TGRS.2014.2308208.

[13]劉清旺，李世明，李增元，等．無(wú)人機(jī)激光雷達(dá)與攝影測(cè)量林業(yè)應(yīng)用研究進(jìn)展[J]．林業(yè)科學(xué)，2017，53（7）：134-148．LIU Q W，LI S M，LI Z Y，et al．Review on the applications of UAV-based LiDAR and photogrammetry in forestry[J]．Sci Silvae Sin，2017，53（7）：134-148．DOI： 10.11707/j.1001-7488.20170714.

[14]MICHEZ A，PIGAY H，JONATHAN L，et al．Mapping of riparian invasive species with supervised classification of Unmanned Aerial System （UAS） imagery[J]．Int J Appl Earth Obs Geoinf，2016，44：88-94．DOI： 10.1016/j.jag.2015.06.014.

[15]陳向宇，云挺，薛聯(lián)鳳，等．基于激光雷達(dá)點(diǎn)云數(shù)據(jù)的樹(shù)種分類[J]．激光與光電子學(xué)進(jìn)展，2019，56（12）：203-214．CHEN X Y，YUN T，XUE L F，et al．Classification of tree species based on LiDAR point cloud data[J]．Laser Optoelectron Prog，2019，56（12）：203-214．DOI： 10.3788/LOP56.122801.

[16]GUAN H Y，YU Y T，JI Z，et al．Deep learning-based tree classification using mobile LiDAR data[J]．Remote Sens Lett，2015，6（11）：864-873．DOI： 10.1080/2150704x.2015.1088668.

[17]廖小罕，肖青，張顥．無(wú)人機(jī)遙感：大眾化與拓展應(yīng)用發(fā)展趨勢(shì)[J]．遙感學(xué)報(bào)，2019，23（6）：1046-1052．LIAO X H，XIAO Q，ZHANG H．UAV remote sensing：popularization and expand application development trend[J]．J Remote Sens，2019，23（6）：1046-1052．

[18]FRANKLIN S E，AHMED O S．Deciduous tree species classification using object-based analysis and machine learning with unmanned aerial vehicle multispectral data[J]．Int J Remote Sens，2018，39（15/16）：5236-5245．DOI： 10.1080/01431161.2017.1363442.

[19]FENG X X，LI P J．A tree species mapping method from UAV images over urban area using similarity in tree-crown object histograms[J]．Remote Sens，2019，11（17）：1982．DOI： 10.3390/rs11171982.

[20]SAARINEN N，VASTARANTA M，NSI R，et al．Assessing biodiversity in boreal forests with UAV-based photogrammetric point clouds and hyperspectral imaging[J]．Remote Sens，2018，10（2）：338．DOI： 10.3390/rs10020338.

[21]AAK J，GALLAY M，KANUK J，et al．Combined use of terrestrial laser scanning and UAV photogrammetry in mapping alpine terrain[J]．Remote Sens，2019，11（18）：2154．DOI： 10.3390/rs11182154.

[22]TONG X H，LIU X F，CHEN P，et al．Integration of UAV-based photogrammetry and terrestrial laser scanning for the three-dimensional mapping and monitoring of open-pit mine areas[J]．Remote Sens，2015，7（6）：6635-6662．DOI： 10.3390/rs70606635.

[23]RO瘙塁CA S，SUOMALAINEN J，BARTHOLOMEUS H，et al．Comparing terrestrial laser scanning and unmanned aerial vehicle structure from motion to assess top of canopy structure in tropical forests[J]．Interface Focus，2018，8（2）：20170038．DOI： 10.1098/rsfs.2017.0038.

[24]張吳明，李丹，陳一銘，等．聯(lián)合地基激光雷達(dá)與無(wú)人機(jī)攝影測(cè)量技術(shù)提取樹(shù)高研究[J]．北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，54（6）：764-771．ZHANG W M，LI D，CHEN Y M，et al．Integration between TLS and UAV photogrammetry techniques for retrieving tree height[J]．J Beijing Norm Univ （Nat Sci），2018，54（6）：764-771．DOI： 10.16360/j.cnki.jbnuns.2018.06.011.

[25]曹明蘭，李亞?wèn)|，馮海英，等．傾斜攝影與激光掃描技術(shù)結(jié)合的3D森林景觀建模[J]．中南林業(yè)科技大學(xué)學(xué)報(bào)，2019，39（12）：10-15，33．CAO M L，LI Y D，F(xiàn)ENG H Y，et al．3D forest landscape modeling with the combination of oblique photography and laser scanner technique[J]．J Cent South Univ For Technol，2019，39（12）：10-15，33．DOI： 10.14067/j.cnki.1673-923x.2019.12.002.

[26]王楚虹，劉浩然，鐘浩，等．聯(lián)合UAV-LiDAR和HMLS技術(shù)的森林樣地點(diǎn)云數(shù)據(jù)融合[J]．中南林業(yè)科技大學(xué)學(xué)報(bào)，2022，42（3）：26-38．WANG C H，LIU H R，ZHONG H，et al．Point cloud data fusion of forest plots based on UAV-LiDAR and HMLS technologies[J]．J Cent South Univ For Technol，2022，42（3）：26-38．DOI： 10.14067/j.cnki.1673-923x.2022.03.004.

[27]黎華，凱吾沙·塔依爾，林木森，等．改進(jìn)擬牛頓算法的點(diǎn)云稠密化應(yīng)用研究[J]．測(cè)繪科學(xué)，2021，46（12）：83-90．LI H，Kai Wusha·Tayier， LIN M S， et al. Research on application of improved Quasi-Newton algorithm in point cloud densification[J]．Sci Surv Mapp，2021，46（12）：83-90．DOI： 10.16251/j.cnki.1009-2307.2021.12.012.

[28]TAO S L，WU F F，GUO Q H，et al．Segmenting tree crowns from terrestrial and mobile LiDAR data by exploring ecological theories[J]．ISPRS J Photogramm Remote Sens，2015，110：66-76．DOI： 10.1016/j.isprsjprs.2015.10.007.

[29]ZHANG Z Y，LIU X Y．Support vector machines for tree species identification using LiDAR-derived structure and intensity variables[J]．Geocarto Int，2013，28（4）：364-378．DOI： 10.1080/10106049.2012.710653.

[30]ZIEGLER A，KNIG I R．Mining data with random forests：current options for real-world applications[J]．Wiley Interdiscip Rev Data Min Knowl Discov，2014，4（1）：55-63．DOI： 10.1002/widm.1114.

[31]楊龍，孫中宇，唐光良，等．基于微型無(wú)人機(jī)遙感的亞熱帶林冠物種識(shí)別[J]．熱帶地理，2016，36（5）：833-839．YANG L，SUN Z Y，TANG G L，et al．Identifying canopy species of subtropical forest by lightweight unmanned aerial vehicle remote sensing[J]．Trop Geogr，2016，36（5）：833-839．DOI： 10.13284/j.cnki.rddl.002857.

[32]杜培軍，夏俊士，薛朝輝，等．高光譜遙感影像分類研究進(jìn)展[J]．遙感學(xué)報(bào)，2016，20（2）：236-256．DU P J，XIA J S，XUE Z H，et al．Review of hyperspectral remote sensing image classification[J]．J Remote Sens，2016，20（2）：236-256．DOI： 10.11834/jrs.20165022.

[33]童慶禧，張兵，張立福．中國(guó)高光譜遙感的前沿進(jìn)展[J]．遙感學(xué)報(bào)，2016，20（5）：689-707．TONG Q X，ZHANG B，ZHANG L F．Current progress of hyperspectral remote sensing in China[J]．J Remote Sens，2016，20（5）：689-707．DOI： 10.11834/jrs.20166264.

[34]ZHONG H，LIN W S，LIU H R，et al．Identification of tree species based on the fusion of UAV hyperspectral image and LiDAR data in a coniferous and broad-leaved mixed forest in northeast China[J]．Front Plant Sci，2022，13：964769．DOI： 10.3389/fpls.2022.964769.

[35]劉嘉政，王雪峰，王甜．基于深度學(xué)習(xí)的樹(shù)種圖像自動(dòng)識(shí)別[J]．南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，44（1）：138-144．LIU J Z，WANG X F，WANG T．Automatic identification of tree species based on deep learning[J]．J Nanjing For Univ （Nat Sci Ed），2020，44（1）：138-144．DOI： 10.3969/j.issn.1000-2006.201809004.

（責(zé)任編輯 孟苗婧 鄭琰燚）

收稿日期Received：2022-05-26""" 修回日期Accepted：2022-10-05

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（31971574）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)（2572021AW49）；東北林業(yè)大學(xué)林業(yè)工程一流學(xué)科博士創(chuàng)新基金項(xiàng)目（LYGC202114）；黑龍江省自然科學(xué)基金聯(lián)合引導(dǎo)項(xiàng)目（LH2020C049）。

第一作者：鐘浩（260919837@qq.com），博士生。

*通信作者：林文樹(shù)（linwenshu@nefu.edu.cn），教授。

引文格式：鐘浩，王楚虹，林文樹(shù).

聯(lián)合地基激光雷達(dá)與無(wú)人機(jī)影像的樹(shù)種識(shí)別[J]. 南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，48（4）：104-112.

ZHONG H， WANG C H， LIN W S.

Tree species identification of combined TLS date and UAV images[J]. Journal of Nanjing Forestry University （Natural Sciences Edition），2024，48（4）：104-112.

DOI：10.12302/j.issn.1000-2006.202205041.