如何利用高光谱和机载激光雷达进行树种的识别？

　　训练样本的选取是影响监督分类精度的直接原因之一,数据空间分辨率越高,训练样本要求越准确,而人机交互训练样本选取推广力有限。利用机载高光谱(AISA)和激光雷达(LiDAR)主被动遥感数据,探讨基于高分辨率影像的训练样本自动提取技术以及适合树种识别的遥感变量。根据树木的结构和高度差异,开展树高分层掩膜试验,并计算光谱间夹角,在每个高度层中自动化优选树种的高纯度训练样本。计算植被指数、主成分分析等特征变量,基于支持向量机分类器对研究区进行树种精细分类。实验表明:通过对阔叶林、马尾松Pinus massoniana,毛竹Phyllostachys edulis,杉木Cunninghamia lanceolata,油茶Camellia oleifera的训练样本分层自动提取后再进行分类,激光雷达和不敏感色素指数变量能有效提高树种分类精度。其中高光谱+激光雷达+结构不敏感色素指数变量组合的分类精度最高,其总体精度和Kappa系数分别为89.12%和0.86,阔叶林、马尾松、毛竹、杉木、油茶的用户精度分别为75.00%,100.00%,86.36%,90.91%和96.55%。该方法对本研究区森林树种的识别是有效的。

　　Ø 结论与讨论

　　高光谱是光学被动遥感数据，其窄波段特性在较小的空间尺度上能区分地表细微变化，在树种识别方面有显著优势。但由于 “同物 异谱、 异 物 同 谱” 现 象 的 存在， 导致分类精度受限。 机载 LiDAR 是主动遥感数据，可获得树种垂直结构及强度信息， 与高光谱优势互补，有效解决不同高度下不同地物因具有相似光谱特征而导致的混分问题。 采用分层训练样本自动提取技术， 不仅提高了训练样本选取的速度还有效提高训练样本选取精度， 更从一定程度上尽可能地避免混分现象。本研究结合 高光谱与机 载 LiDAR 的数据优 势， 为评估 LiDAR 垂直结构信息与特征变量参与分类的贡献，比较了基于 AISA， CHM， SIPI 和 PCA1 这 4 种不同变量组合的分类精度。 其中 AISA+CHM+SIPI 变量组合的分类精度最高， 其总体精度 和 Kappa 系数分 别为 89.12%和 0.86， 比仅 AISA 分类的总体精度高 23.81%， 比 AISA+CHM 高 12.25%， 比 AISA+SIPI 高 11.57%。 但结果同时表明， PCA 降维变量的分类贡献要明显弱于 SIPI。 本研究区为典型的亚热带森林， 其中阔叶林内树种种类繁多， 与其他类型的树种混杂生长， 所以纯林区较少， 易产生混合像元。 在 AISA+CHM+SIPI 的分类结果中阔叶树种的制图精度和用户精度最高， 分别为 87.10%和 75.00%， 优于 AISA+CHM(70.97%， 66.67%)以及仅 AISA 的分类结果(41.94%， 61.90%)。 这说明将机载 LiDAR 数据 CHM 与高光谱 AISA 融合， 并添加植被指数 SIPI 能有效区分混合像元并提高分类精度， 对古田山国家级自然保护区进行树种类型的精细分类具有可行性。 但由于阴影区域的存在、 树冠间相互遮挡、 少部分边缘像元的光谱混合等， 对树种分类的精度有一定影响。 后续拟研究基于高空间分辨率数据的像元解混技术， 希望能有效提高复杂林区的树种识别精度。