一种LiDAR波形综合特征的单木识别方法
【技术领域】
[0001] 本发明涉及森林资源管理与保护技术领域，具体涉及一种LiDAR波形综合特征的 单木识别方法。
【背景技术】
[0002] 精确的树种分类对于森林资源调查、动态监测以及生物多样性研宄以及模拟指定 树种的单木生长有重要意义。同时，这些信息也可以用于森林资源调查、动态监测以及生物 多样性研宄，从而为小尺度和中等尺度的森林资源规划和集约管理提供精确的数据支撑。 常规的森林树种调查方法主要依赖于野外调查及利用大比例尺航片判读等，其精度往往不 高，且难于在大区域上实用化推广。激光雷达（LiDAR，LightDetectionandRanging)是 通过发射激光束击打物体表面并分析其返回信号的一种主动遥感技术。通过LiDAR可获得 高精度的地球表面及地表实体的高度信息，如地形和植被等可达到亚米级的垂直精度。现 有研宄表明，LiDAR可穿透森林冠层获得其三维结构特征，特别适合植被覆盖度高且森林结 构复杂地区森林彳目息提取。
[0003] 近年来基于小光斑LiDAR数据进行树种分类研宄为：0rka等2009年在《Remote SensingofEnvironment〉〉第 113卷上发表的"Classifyingspeciesofindividualtrees byintensityandstructurefeaturesderivedfromairbornelaserscannerdata''， 该研宄在已有的单木位置和冠幅信息基础上，提取了单木的多个高度（如最大高，平均高 和高度百分位数等）及统计（如高度分布的峰度和偏度等）特征变量，并据此对挪威寒带 森林中的针叶和阔叶树种进行了分类。Kim等2009年在《RemoteSensingofEnvironment》 第 113卷上发表的"Treespeciesdifferentiationusingintensitydataderivedfrom leaf-onandleaf-offairbornelaserscannerdata"，该研宄分别从"未落叶"和"落 叶"两种状态下提取LiDAR点云中的强度信息，并融合这些信息用于北美温带森林中的针 叶和阔叶树种分类。Heinzel等 2011 年在《InternationalJournalofAppliedEarth ObservationandGeoinformation》第 13 卷上发表的"Exploringfull-waveformLiDAR parametersfortreespeciesclassification"，该研宄结合地面调查数据，通过从LiDAR 波形数据中提取强度，波宽以及目标物返回点数等信息并结合线性可分性（LDA)分析进行 变量筛选，对欧洲中部的6个树种进行了遥感分类。然而，以上方法大多适用于树种组成较 为简单的森林分类研宄，在林分组成和结构复杂的森林中分类精度不高。且仅从单一的角 度去挖掘LiDAR数据，即并未将"点云"数据中包含的三维空间信息及"波形"数据中包含 的几何与能量信息相结合，未能充分挖掘LiDAR数据的潜力。
[0004] 近年来，机载小光斑"全波形"LiDAR传感器逐步商用化并开始应用于林业研宄中。 该技术可获得森林冠层完整的后向散射信号，并记录了更为详细的几何和物理能量信息， 从而一定程度上弥补了传统LiDAR技术的弱点。而且，借助特定的波形信号处理及信息提 取方法，可从"全波形"数据中挖掘更为丰富的森林冠层描述特征变量，理论上能够更为丰 富地反映不同树种的结构特征。同时，全波形LiDAR技术并未摒弃传统技术的优点，而是对 其进行了提升，即借助特定方法可以从中同时提取出波形和点云特征变量，两者融合用于 后续的遥感分析。故本发明将从全波形LiDAR数据中提取与森林冠层结构相关度高的波形 和点云特征变量，并用于亚热带地区的典型树种分类。其创新点和特色如下：1)通过综合 特征变量，从冠层三维空间和几何能量维度挖掘全波形LiDAR数据中包含的树木生物物理 特性信息；2)借助精度均减系数（MDA)对以上特征变量进行重要性判定，筛选最优分类因 子，从而利于机理解释、方法移植及大尺度推广和应用。
【发明内容】
[0005] 发明目的：针对现有技术中存在的不足，本发明提出一种LiDAR波形综合特征的 单木识别方法，即首先从全波形LiDAR数据中提取点云，然后融合点云和波形特征变量用 于的单木识别方法；有效提高树种分类的总体精度，易于推广应用等特点。
[0006] 技术方案：为了实现上述发明目的，本发明采用的技术方案为：
[0007] 一种LiDAR波形综合特征的单木识别方法，包括以下步骤：
[0008] 1)借助机载小光斑全波形LiDAR传感器进行数据采集；传感器记录每束激光脉冲 返回的完整波形信息；
[0009] 2)LiDAR波形数据预处理：
[0010]A)噪声水平估计和数据平滑：首先把原始数据转换到频率域，再将频率较高的低 值部分作为噪声水平的判断标准；然后选用高斯滤波器进行平滑。
[0011] B)高斯拟合分解及波形数据点云化：基于回波数据是多个高斯函数的累加这一 假设，对波形数据采用非线性最小二乘法进行拟合；然后通过局部最大峰值检测滤波算法 从处理后的波形数据上提取离散点云，每个离散点中记录了返回信号的能量和振幅信息；
[0012] C)生成数字地形：首先对从波形数据中提取出离散点云进行分类，然后对末次回 波进行Kraus滤波处理用以去除非地面点，最后使用滤波后的末次回波数据并借助自然邻 近法插值生成数字地形模型DTM;
[0013] 3)单木定位和冠幅提取：
[0014]A)对地面以上点云进行中值滤波，然后将点云中的高度信息栅格化生成数字表面 模型DSM;将DSM减去数字地形模型，得到归一化植被高度CHM;
[0015] B)通过局部最大值法确定单木树顶所在位置；
[0016]C)单木冠幅的确定：首先以树顶为中心拟合16个半径方向上的冠幅剖面，然后 计算到局部最小值的水平距离，最后将这些距离值进行水平方向上的平均从而得到冠幅半 径；
[0017] 4)基于发射能量及传感器与地物的距离信息对LiDAR波形数据进行校正；
[0018] 5)构建体元框架并进行LiDAR波形的结构化分解
[0019] 首先利用三维体积单元划分地表以上的三维空间（每个单元的大小依据脉冲采 样间隔及光斑大小进行设置）；然后在每个单元内，汇总穿过其中的最大脉冲能量并基于 数字地形模型进行高度归一化；最后将每列体元柱信息汇总得到伪垂直波；
[0020] 6)提取单木的波形特征变量
[0021] a)单木分割的树冠范围内，针对每组高斯分解后的每个波形，计算其能量（ER)、 振幅（WT)和回波次数（NT)的均值（i〇及标准差（〇)，以此作为单木的特征变量（第一 组）；
[0022] b)基于伪垂直波提取特征变量（第二组）：HOME(成功应用于估算冠层垂直结构 和郁闭度）、波形距离（WD，通常与树高联系紧密）、高度中位数比（该变量对冠层结构变 化很敏感）、波峰数量、返回波形能量、冠层外层粗糙度（ROUGH，用于描述植被表面空间结 构）、前坡度角（FS，用于描述植被冠层上部的变异性）和VDR(冠层高度和HOME的差值除 以冠层高）。以上变量也分别在单木冠幅内计算均值（U)和标准差（〇);
[0023] 7)提取单木的点云特征变量
[0024] 在单木冠幅