鄢敏1,夏永华1,2,王冲3,
孔夏丽1,太浩宇1,李晨1
1.昆明理工大学国土资源工程学院
2.昆明理工大学城市学院
3.中国电建集团昆明勘测设计研究院有限公司
基金资助
国家自然科学基金项目;国家自然科学基金项目;技术服务项目
作者简介
鄢敏，主要从事多源遥感融合与林业资源遥感研究.Email:1626020236@qq.com
本文引用格式
鄢敏,夏永华,王冲,孔夏丽,太浩宇,李晨.无人机点云与图像跨模态混合融合的乔木林单木尺度树种 分类研究.遥感技术与应用[J],2024,39(1):87-97.doi:10.11873/j.issn.1004-0323.2024.1.008 7
文章概述
为探索机载点云与无人机可见光影像在乔木树种识别与分类领域的应用潜力，提出了一种多模态特征与决策混合融合的无人机单木尺度树种分类识别方法。首先使用Kendall Rank相关系数法与排列重要性分析（Permutation Importance，PI）进行特征选择，采用高效低秩多模态融合算法（Low-rank Multimodal Fusion，LMF）融合点云与影像特征。再引入集成学习，将点云、影像及融合特征分别输入Stacking集成的极限梯度提升机（eXtreme Gradient Boosting，XGBoost）、轻型梯度提升机（Light Gradient Boosting Machine LightGBM）与随机森林（Random Forest，RF）3个基分类器，最后采用元分类器—朴素贝叶斯进行决策融合。实验数据表明：所提方法独立测试精度达99.4%，较传统的特征串联融合随机森林分类器提升了22.58%，Kappa系数提升了0.285 4。与卷积神经网络（Convolutional Neural Network，CNN）对比实验证明：所提算法在小样本训练的优势明显，且具有更好的泛化能力。
讨论
实验利用无人机可见光正射影像与机载Lidar点云，识别了研究区人工林亚热带乔木树种分类的关键特征变量，并基于LMF特征融合与Stacking集成算法构建了单木树种的改进分类模型。实验的研究重点主要如下：
（1） 森林单木样本的同源特征间表现出明显的变量多重共线关系，即特征冗余。如：绿叶指数最大值（max_GLI）与红绿蓝植被指数最大值（max_RGBVI）、红绿指数均值（mean_GRVI）与可见大气阻力指数均值（mean_VARI）及归一化绿红差异指数均值（mean_HGRDI）等均表现为极强相关。点云特征中累积高度百分位数、高度百分位数、累积强度百分位数以及强度百分位数间存在大量极强相关性特征对。但经同源多重共线性筛选后，点云与图像特征连接的特征冗余程度相对较低。
（2） 通过融合植被指数特征与点云特征，明显提升了RF与SVM模型的分类精度，取得较单一特征类别更好的分类精度。此外，影像指数特征在分类任务中表现出更强的PI重要性，这表明影像特征在分类模型的贡献作用更高，相较于点云特征对不同树种的区分度更好。在分类实验中，单一影像指数特征在SVM与RF模型同样也优于点云特征的分类精度。这与过往的一些研究结论一致，如：徐逸等通过融合高光谱图像与点云数据取得了更好的分类结果，且其中单一类别光谱波段、植被指数与纹理特征相较于点云高度与强度特征的分类精度更高。
（3） 从分类实验结果来看，LMF等张量融合方法对于跨模态数据关联信息挖掘存在效果，明显改善了后续模型处理的分类精度，对基于多源遥感的地物分类模型构建具有极大的参考价值。但该融合算法通过随机初始化设置权重参数，后续训练中无法进行学习反馈，模型依旧存在缺乏学习能力与可解释性问题，同样有待后续研究进行改进。
（4） 卷积神经网络等深度学习方法是目前多源遥感融合研究的重要发展趋势，但如何挖掘多源遥感的数据优势，处理好多个数据模态间的特征语义差异，如何选择合适的融合策略及如何进行迁移学习等问题依旧是未来多源遥感深度学习领域中亟待解决的重要问题。
（5） 实验的单木尺度树种分类研究同样存在一定缺陷，如仅考虑了森林正射视图下的顶层乔木结构，忽略了顶部乔木冠层遮盖的下层小乔木与灌木层数据。很显然，森林植被的单体精细分割与准确分类对于后续的森林生物量、产量及碳储量等森林指标的精确估算研究具有重要意义。因此，森林在三维层面的单体植被精确分割与识别将会是未来森林精细调查的重要发展方向，也是本文未来拓展研究的重要方向。
结论
综上，影像指数统计特征间以及点云的高度与强度百分位统计特征间存在大量极强相关性特征对，特征冗余程度高。研究区亚热带乔木分类任务中，影像特征的类别辨识度与重要性优于点云特征，分类效果更佳。本文提出的多模态混合融合算法实验表现优异，取得了99.4%的样本独立测试精度与0.992 4的Kappa系数，综合性能明显优于其他对比算法。此外，与CNN算法的对比中，本文算法以小样本训练且性能更加优异，在分类精度、时间与空间消耗上均取得了更好的成绩。
图5 图像特征相关系数图
图6 点云参数相关系数图
图11 乔木林树种分类结果图
扫描二维码阅读全文
联系客服
