基于機載激光雷達(dá)和高光譜數(shù)據(jù)的樹種識別方法

陶江玥， 劉麗娟， 龐 勇， 李登秋， 馮云云， 王 雪，丁友麗， 彭 瓊， 肖文惠

（1.浙江農(nóng)林大學(xué) 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點實驗室，浙江 杭州 311300；2.浙江農(nóng)林大學(xué) 省部共建亞熱帶森林培育國家重點實驗室，浙江 杭州 311300；3.中國林業(yè)科學(xué)研究院 資源信息研究所，北京100091）

精確的樹種分類對于提取樹木特征屬性，保護(hù)物種多樣性，改善區(qū)域生態(tài)環(huán)境，以及建立林木生長模型都非常重要［1-3］。目前應(yīng)用較廣泛的的寬譜段遙感數(shù)據(jù)由于空間和光譜分辨率均較低，難以獲得精確的樹種分類結(jié)果，而高光譜數(shù)據(jù)波譜范圍更窄，能準(zhǔn)確探測到具有細(xì)微光譜差異的各種地物類型，并借助紋理等特征分析，識別光譜相似樹種［4］。光學(xué)數(shù)據(jù)只能探測到冠層表面信息，限制了樹種識別的精度。激光雷達(dá)（LiDAR）能獲取詳細(xì)的樹木冠層結(jié)構(gòu)三維信息［5］，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均具有明顯優(yōu)勢。因此，將表征林分垂直結(jié)構(gòu)信息的LiDAR數(shù)據(jù)與表征冠層水平方向信息的高光譜（AISA）數(shù)據(jù)融合，形成優(yōu)勢互補，理論上可以提高樹種的識別精度［6］。劉麗娟等［7］利用機載LiDAR和高光譜數(shù)據(jù)融合對北方復(fù)雜森林樹種進(jìn)行識別時，發(fā)現(xiàn)融合數(shù)據(jù)樹種分類精度高于僅高光譜數(shù)據(jù)的精度，總體精度達(dá)到83.88%，Kappa系數(shù)為0.80。董彥芳等［8］將高光譜遙感圖像和LiDAR數(shù)據(jù)融合，利用歸一化植被指數(shù)（NDVI）和主成分分析（PCA）法進(jìn)行去噪和降維，再進(jìn)行監(jiān)督分類，實現(xiàn)了城市內(nèi)民用房屋和樹木的提取。CAO等［9］研究利用全波形激光雷達(dá)數(shù)據(jù)對亞熱帶森林樹種分類，結(jié)果表明，6類樹種的總體分類精度為68.60%，4類樹種為75.80%，而針葉林和闊葉林2類為86.20%。ALONZO等［10］將高分辨率高光譜圖像與LiDAR數(shù)據(jù)融合，在基于冠層尺度上對美國某些地區(qū)常見的29類樹種進(jìn)行分類，結(jié)果表明融合LiDAR數(shù)據(jù)后，分類精度提高了4.2個百分點。DALPONTE等［11］提出了高光譜和LiDAR數(shù)據(jù)有效結(jié)合對復(fù)雜森林地區(qū)分類的方法，并證明了支持向量機（SVM）分類器在對多源數(shù)據(jù)分類的準(zhǔn)確性。國內(nèi)外研究初步表明，將LiDAR數(shù)據(jù)與高光譜數(shù)據(jù)融合，可以有效提高樹種分類的精度。目前多是針對地形平坦且樹種結(jié)構(gòu)單一的林型開展研究，對于地形復(fù)雜且樹種多樣的亞熱帶林區(qū)分類研究較少。在監(jiān)督分類中，訓(xùn)練樣本選取的數(shù)量和質(zhì)量尤為關(guān)鍵，其影響往往大于分類算法的選擇。王春來等［12］研究得出，基于像元分類的訓(xùn)練樣本選取數(shù)量在24～30倍于波段數(shù)時分類精度才達(dá)到較高的水平。訓(xùn)練樣本的選取主要采取野外實地調(diào)查法，但此法綜合成本高，且采集數(shù)量有限，往往難以滿足監(jiān)督分類所需樣本數(shù)，另外轉(zhuǎn)繪到圖像上時也存在人為判斷的誤差。若能實現(xiàn)訓(xùn)練樣本的自動選取，將大大提高樹種精細(xì)識別的效率和精度。因此，本研究擬在LiDAR與高光譜數(shù)據(jù)融合的基礎(chǔ)上，試驗訓(xùn)練樣本自動化優(yōu)選的方法，并通過SVM分類器基于小樣本進(jìn)行分類，比較不同特征變量的組合對樹種分類效果的差異。

1 研究區(qū)概況

古田山國家級自然保護(hù)區(qū)（29°10′32.12″～29°17′44.33″N， 118°03′56.25″～118°10′56.51″E）位于浙江省開化縣城西北30 km處的蘇莊境內(nèi)，與江西省婺源縣、德興市毗鄰，總面積為81.07 km2，屬于南嶺山系懷玉山脈的一部分。地處中亞熱帶東部，受夏季風(fēng)影響較大，氣候有明顯的季節(jié)變化，年均降水天數(shù)為142.5 d，年均降水量為1 963.7 mm，相對濕度為92.4%。年均氣溫為15.3℃，無霜期約為250 d，冬暖夏涼，溫暖濕潤。由于其特殊的地理位置，分布著典型的中亞熱帶常綠闊葉林、常綠落葉闊葉混交林和針葉林。經(jīng)濟(jì)樹種主要為常綠小喬木油茶Camellia oleifera，分布于海拔較低的居民區(qū)附近，高度多在2 m以上，由于在研究區(qū)內(nèi)分布面積較大，因此本研究將油茶作為一個樹種參與分類。考慮到研究區(qū)內(nèi)闊葉林的樹種種類繁多而樣本受限，未細(xì)分到樹種，統(tǒng)稱為闊葉樹種。本研究選擇研究區(qū)的馬尾松Pinus massoniana，杉木Cunninghamia lanceolata，毛竹Phyllostachys edulis，油茶以及闊葉樹種等5個樹種類型開展研究。圖1為研究區(qū)的地理位置及其部分圖像。

圖1 浙江省開化縣地理位置示意圖（左）、古田山國家級自然保護(hù)區(qū)地理位置和飛行軌跡（中）、高光譜圖像（右上）和LiDARCHM圖像（右下）Figure 1 Location of Kaihua County in Zhejiang Province （left）,location and flight trajectory of National Nature Reserve of Mount Gutian（middle）,hyperspectral image （upper right） and LiDARCHM image （lower right）

2 數(shù)據(jù)收集及預(yù)處理

2.1 數(shù)據(jù)獲取

機載數(shù)據(jù)航飛于2014年10月古田山國家級自然保護(hù)區(qū)，獲取了研究區(qū)高空間分辨率的高光譜和高密度LiDAR點云數(shù)據(jù)，數(shù)據(jù)獲取當(dāng)天晴朗少云。同步開展了部分樣地的踏墈工作，同年12月又進(jìn)行了樣地補充調(diào)查。此次飛行的高光譜傳感器為AISA EagleⅡ，由超光譜探頭、小型GPS/INS探頭及數(shù)據(jù)采集系統(tǒng)組成，所得64個波段高光譜遙感圖像可獲得單木尺度精細(xì)的光譜信息。飛行同步搭載1臺Riegl LMS-Q680i LiDAR傳感器，可獲得單木尺度的三維及強度信息。高光譜傳感器AISA EagleⅡ參數(shù)：光譜范圍為400～970 nm，幀頻為160幀·s-1，焦距為18.1 mm，光譜分辨率為3.3 nm，視場角為37.7°，瞬時視場角為0.037°。LiDAR傳感器Riegl LMS-Q680i參數(shù)：波長為1 550 nm，激光發(fā)射角為0.5 mrad，激光脈沖長度為3 ns，視場角為±30°，最大激光脈沖重復(fù)率為400 kHz，波形采樣間隔為1 ns，1 000 m高度的點密度為3.6 pts·m-2，垂直分辨率為1.15 m。

2.2 數(shù)據(jù)處理

2.2.1 機載高光譜數(shù)據(jù)的預(yù)處理 數(shù)據(jù)提供商已經(jīng)對機載高光譜數(shù)據(jù)進(jìn)行了系統(tǒng)輻射定標(biāo)、幾何校正和正射校正，還需對數(shù)據(jù)進(jìn)行大氣校正以及與LiDAR數(shù)據(jù)的幾何配準(zhǔn)。由于機載數(shù)據(jù)受大氣影響相對較小，因此，本研究采用FLAASH（ENVI，美國）對高光譜數(shù)據(jù)進(jìn)行大氣校正。該模塊用MODTRAN 4+輻射傳輸模型，可以校正由于漫反射引起的連帶效應(yīng)，還可以調(diào)整由于人為抑制而導(dǎo)致的波譜平滑［14］。大氣校正后，消除了成像時光照和大氣對地物反射率的影響，植被光譜曲線突出了谷底和峰值，并且近紅外波段形成明顯的高反射峰（圖2）。高光譜數(shù)據(jù)由于波段多，易造成信息冗余，因此在大氣校正之后用Wilks’Lambda判別分析法選擇具有代表性的特征波段。Wilks’Lambda判別分析法是基于多變量的方差分析方法，以分類樣本為基礎(chǔ)，計算組間與組內(nèi)差異，綜合考慮其組內(nèi)和組間差異，最后得出能夠反映各個波段重要性的統(tǒng)計量W。Wilks’Lambda計算公式具體如下［15］：

式（1）中： SS為樣本離差矩陣,xij（i=1...r,j=1...p）,SSE為組內(nèi)平方和，SST為總平方和（即組間平方和與組內(nèi)平方和的總和）。W值在0到1之間變化，值越接近0則說明組內(nèi)的平均值差別越大，反之，值接近于1說明組內(nèi)平均值越相近［16］。 由Wilks’Lambda法選擇的波段組合作為高光譜特征變量，記作AISA。

2.2.2 機載LiDAR數(shù)據(jù)處理 數(shù)字冠層高度模型（canopy height model，CHM）是一個重要的特征變量，通過對點云數(shù)據(jù)進(jìn)行濾波分類（TerraScan，TerraSolid，芬蘭），將它進(jìn)行地面點和非地面點的分離，對已分類點云數(shù)據(jù)中的地面點進(jìn)行TIN插值運算生成數(shù)字高程模型（digital elevation model,DEM），首回波點插值生成數(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CHM。另外還開展了基于形態(tài)學(xué)濾波的單木冠層分割（SEAL，激光雷達(dá)生態(tài)應(yīng)用軟件，中國林業(yè)科學(xué)研究院），用于分類結(jié)果的驗證。

圖2 各樹種典型光譜曲線Figure 2 Spectral curves of five tree species

2.2.3 高光譜與LiDAR數(shù)據(jù)配準(zhǔn) 選擇20個同名點，建立3次多項式糾正方程，對高光譜數(shù)據(jù)與Li-DAR的CHM數(shù)據(jù)進(jìn)行幾何互配準(zhǔn)。校正后坐標(biāo)位置平均誤差在2 m以內(nèi)，即1個像元。

3 研究方法

“異物同譜”現(xiàn)象在地形復(fù)雜和樹種多樣的林區(qū)中普遍存在，增大了訓(xùn)練樣本的選取難度，導(dǎo)致光譜相似樹種的識別率偏低。LiDAR數(shù)據(jù)可以描述復(fù)雜林型垂直分布特征。本研究基于分層分類的思想，在剔除非林地后，結(jié)合LiDAR的CHM與樣地統(tǒng)計數(shù)據(jù)，獲得各樹種的高度分布，針對 “異物同譜”樹種像元，通過比較不同樹種的高度聚集情況差異，提取各樹種的高度掩膜層；在各掩膜層中計算各像元與參考樣本的光譜夾角。進(jìn)行訓(xùn)練樣本的自動提取；最后，計算不同的特征變量［植被指數(shù)（vegetation index，VI），PCA降維波段、高光譜AISA與LiDAR的CHM數(shù)據(jù)］利用SVM分類器對不同變量的組合進(jìn)行樹種分類和精度比較。技術(shù)路線見圖3。

3.1 去除非林地

歸一化植被指數(shù)（normalized differential vegetation index，NDVI）對土壤背景的變化較為敏感。計算本研究區(qū)NDVI，通過比較林地與非林地的NDVI值，并結(jié)合LiDAR的CHM數(shù)據(jù)，設(shè)置NDVI大于0.3，高度大于2 m的像元為林地，去除非林地光譜信息的干擾。

3.2 特征變量選擇

3.2.1 高光譜 采用Wilks’Lambda波段選擇法對64個波段的高光譜進(jìn)行降維，選出數(shù)據(jù)冗余小、噪聲少且能夠表達(dá)植被光譜特征的14個波段［17］作為特征變量AISA，這14個優(yōu)選波段為波段7，波段13，波段16，波段18，波段21，波段22，波段24，波段31，波段33，波段35，波段37，波段42，波段55和波段 58，它們的中心波長分別為 452.11，506.76，534.44，553.02，581.07，590.46，609.29，675.78， 694.91， 714.09， 733.32， 781.54， 907.45 和 936.49 nm。

3.2.2 植被指數(shù) 以往研究多基于NDVI，EVI（enhanced vegetation index）等寬波段指數(shù)，而反映色素含量的指數(shù)使用較少。因此，本研究利用隨機森林法對16個高光譜植被指數(shù)變量按重要性排序［18］。平均精度較少量（mean decrease accuracy,DMA）和平均基尼指數(shù)減少量（mean decrease gini，DMG）是重要性評價的指標(biāo)，一般兩者的值越大表示該變量的重要性越大。結(jié)合研究內(nèi)容，本研究依據(jù)平均精度減少量選取排名前8的植被指數(shù)作為待選特征變量（表1）。

圖3 LiDAR與高光譜融合的樹種分類路線圖Figure 3 Flowchart of tree species classification based on LiDAR and AISA data

表1 植被指數(shù)重要性排序（前8）Table 1 Importance sorting of vegetation index （No.1～8）

3.2.3 主成分分析 主成分分析（PCA）也是一種常用的波段降維手段。PCA變換后的前4個主成分包含了所有波段中95%以上的信息量。前4個PCA的標(biāo)準(zhǔn)差分別是8 121.92，2 056.43，448.07和336.14，PCA1和PCA2的值遠(yuǎn)大于PCA3和PCA4。因此，PCA1和PCA2作為待選特征變量參與分類研究。

3.2.4 激光雷達(dá) 數(shù)字冠層高度模型作為LiDAR的特征變量，將該變量記作CHM。

3.3 訓(xùn)練樣本自動提取

3.3.1 基于樹高分層 樹種的結(jié)構(gòu)和高度分布因樹木生長習(xí)性不同而有差異。由于 “異物同譜”現(xiàn)象使得光譜特征近似的不同樹種的訓(xùn)練樣本難以選擇。為解決這一問題，本研究基于樣地統(tǒng)計數(shù)據(jù)，根據(jù)各樹種的高度分布，對數(shù)字冠層高度模型進(jìn)行分層掩膜，提取出各樹種高度集中分布層的高光譜像元作為訓(xùn)練樣本。本研究各樹種高度分布頻率如圖4，0.5 m的區(qū)間歸為一級。其中闊葉樹種與杉木的高度分布曲線相近，毛竹和馬尾松在高度層上與其他樹種差距較大。根據(jù)各樹高分布頻率，最終選取掩膜高度為：闊葉樹種4.0～4.5 m和6.0～7.0 m；杉木7.5～8.5 m；毛竹10.0～10.5 m；馬尾松12.0～14.0 m。由于外業(yè)未采集油茶樣地信息，因此沒有列出，通常油茶高度為2～3 m。

3.3.2 計算光譜角 光譜角填圖法（spectral angle mapping，SAM）可以計算出2個光譜之間的夾角，夾角越小，光譜越相近，兩者屬于同一類的可能性越大。

圖4 各樹種高度分布頻率Figure 4 Distribution frequency chart of height for tree species

3.4 增補驗證樣本

研究區(qū)地形起伏較大，大部分區(qū)域數(shù)據(jù)難以獲取，導(dǎo)致驗證樣本數(shù)量有限。本研究結(jié)合樣地實測數(shù)據(jù)和高空間分辨率圖像，增補闊葉樹種、馬尾松、毛竹、杉木、油茶的驗證樣本（表2），使其均勻分布在研究區(qū)內(nèi)。后續(xù)各變量組合的分類精度驗證使用同一套驗證樣本。

表2 各樹種樣本點數(shù)量表Table 2 Number of sample points of five tree species

4 結(jié)果與分析

4.1 訓(xùn)練樣本分層自動提取

以錯分毛竹樣本為例。研究區(qū)毛竹林為人工林，與闊葉樹種混生，當(dāng)人機交互直接在影像上選擇訓(xùn)練樣本時，邊緣像元往往是混合像元，獲得的是2個類型的均值光譜，造成部分毛竹與闊葉樹種混分。圖5是錯分毛竹樣本在高光譜圖像上的地理位置，像元植被類型應(yīng)為毛竹，但由于人機交互訓(xùn)練樣本選擇誤差，錯分為闊葉樹種，下文稱此類像元為錯分毛竹樣本。

圖5 錯分毛竹樣本在高光譜圖像上的地理位置Figure 5 Location of mis-classification on the hyper spectral image

圖6為分層前后選取的闊葉樹種、毛竹訓(xùn)練樣本以及錯分毛竹樣本的光譜特征圖?？梢钥闯鑫捶謱忧斑x取的闊葉樹種與毛竹訓(xùn)練樣本光譜特征曲線比較接近，而分層后兩者光譜曲線之間差異較大。

計算錯分毛竹樣本與分層前后闊葉樹種、毛竹樣本之間的光譜角（表3），分層后訓(xùn)練樣本間區(qū)分度更大，更精確。本研究利用數(shù)字冠層高度模型分層掩膜并計算光譜夾角自動提取訓(xùn)練樣本的方法，降低了闊葉樹種與毛竹的混分概率。

4.2 分類精度比較

經(jīng)自動化分層選取的訓(xùn)練樣本，充分利用CHM的高度信息，減少因光譜相似而高度不同的樹種光譜信息的相互干擾，同時使訓(xùn)練樣本的選擇高效且高精度。本研究使用混淆矩陣對各特征變量組合的SVM分類結(jié)果進(jìn)行精度評價。4.2.1 AISA+VI變量 結(jié)果表明：AISA+SIPI分類總體精度可達(dá)77.55%，高于僅AISA的總體精度65.31%。其余VI變量與AISA融合后的分類精度均低于SIPI。分析原因發(fā)現(xiàn)，當(dāng)葉片相對含水量較低時，SIPI與類胡蘿卜素/葉綠素的比值具有較好的線性關(guān)系。水分缺失導(dǎo)致葉綠素因降解而減少，類胡蘿卜素/葉綠素的比值升高，SIPI也隨之升高［19］。本研究的數(shù)據(jù)獲取于10月，此時植物體內(nèi)水分開始流失。因此，在本研究中SIPI能做為樹種識別的指示性變量，且另一方面證明重要性排序的可靠性。

4.2.2 AISA+PCA變量 對AISA+PCA變量進(jìn)行精度分析時，加入第1主成分PCA1的總體精度是70.07%，比加入PCA2高5.44%。所以PCA1比PCA2更適合樹種識別。

圖6 闊葉樹種與毛竹光譜特征對照圖Figure 6 Comparison of spectral characteristics betweenbroad leaved forest and moso bamboo

表3 分層前后選取的闊葉樹種、毛竹樣本之間的光譜角Table 3 Spectral angle between broad leaved forest and moso bamboo before and after stratification

4.2.3 4類特征變量組合 特征變量AISA，CHM，SIPI和PCA1組合的分類結(jié)果總體精度和Kappa系數(shù)如表4所示。每小組中融合了CHM變量比未融合CHM變量的分類精度高；AISA+SIPI比僅AISA的總體精度有明顯提高，而AISA+CHM+SIPI的總體分類精度和Kappa系數(shù)達(dá)到最高，故SIPI有利于樹種分類。然而添加PCA1這個變量后，最終分類效果均不優(yōu)。這說明本研究選用Wilks’Lambda法選擇的波段，在樹種識別應(yīng)用中降維效果優(yōu)于PCA法。因此，本研究的最佳分類變量的組合為AISA+CHM+SIPI。由于闊葉林內(nèi)樹種種類復(fù)雜，常綠和落葉的樹種間光譜相互干擾，加之空間上純林區(qū)較少，闊葉樹種仍存在混分現(xiàn)象（表5），與油茶、毛竹、針葉林混雜生長，影響了闊葉樹種的分類精度。由于杉木和闊葉樹種樣本的高度分布頻率比較近似，兩者的訓(xùn)練樣本提取困難，混分的可能性比較高；油茶為常綠小喬木，其冠形和葉片與很多常綠闊葉樹種相似，特別是高度相近的像元，仍會存在一小部分與闊葉樹種混分；毛竹與闊葉樹種的光譜比較近似，雖然經(jīng)過分層分類的毛竹與闊葉樹種混分較少，但由于少許像元距離相近，仍然有混合像元存在，產(chǎn)生少量混分。馬尾松的光譜近紅外平臺峰值低于其他4類，較易區(qū)分。

表4 分類結(jié)果的總體精度和Kappa系數(shù)Table 4 Overall accuracy and Kappa coefficient of the classification results

表5 AISA+CHM+SIPI各樹種分類的混淆矩陣及分類精度Table 5 Accuracy and confusion matrix of five tree species classification under the combination of the AISA+CHM+SIPI

4.2.4 單木尺度的精度 分析本文高光譜的空間分辨率為2 m，一般單木樹冠范圍內(nèi)的像元應(yīng)為同一類，然而由于樹冠間相互遮擋，單木樹冠內(nèi)不可避免出現(xiàn)多個樹種的情況。疊加經(jīng)單木冠層分割而得的樹冠矢量圖比較僅AISA和AISA+CHM+SIPI分類結(jié)果（圖7），進(jìn)一步得出AISA+CHM+SIPI結(jié)果中樹冠內(nèi)均質(zhì)性更高。通過計算樹冠內(nèi)樹種所占比例（正確分類像元數(shù)/樹冠內(nèi)總像元數(shù)）可說明分類效果，比例越大，分類效果越好（表6）。AISA+CHM+SIPI的分類結(jié)果在單木尺度上也優(yōu)于僅AISA的結(jié)果，樹種純度可達(dá)70.00%以上。

圖7 基于單木樹冠的分類結(jié)果對比Figure 7 Comparison of classification results based on individual canopy

4.3 分類結(jié)果專題圖

基于SVM的高光譜AISA+LiDAR變量CHM+植被指數(shù)SIPI的分類結(jié)果制專題圖（圖8）。

5 結(jié)論與討論

高光譜是光學(xué)被動遙感數(shù)據(jù)，其窄波段特性在較小的空間尺度上能區(qū)分地表細(xì)微變化，在樹種識別方面有顯著優(yōu)勢。但由于 “同物異譜、異物同譜”現(xiàn)象的存在，導(dǎo)致分類精度受限。機載LiDAR是主動遙感數(shù)據(jù)，可獲得樹種垂直結(jié)構(gòu)及強度信息，與高光譜優(yōu)勢互補，有效解決不同高度下不同地物因具有相似光譜特征而導(dǎo)致的混分問題。采用分層訓(xùn)練樣本自動提取技術(shù)，不僅提高了訓(xùn)練樣本選取的速度還有效提高訓(xùn)練樣本選取精度，更從一定程度上盡可能地避免混分現(xiàn)象。

本研究結(jié)合高光譜與機載LiDAR的數(shù)據(jù)優(yōu)勢，為評估LiDAR垂直結(jié)構(gòu)信息與特征變量參與分類的貢獻(xiàn)，比較了基于AISA，CHM，SIPI和PCA1這4種不同變量組合的分類精度。其中AISA+CHM+SIPI變量組合的分類精度最高，其總體精度和Kappa系數(shù)分別為89.12%和0.86，比僅AISA分類的總體精度高23.81%，比AISA+CHM高12.25%，比AISA+SIPI高11.57%。但結(jié)果同時表明，PCA降維變量的分類貢獻(xiàn)要明顯弱于SIPI。本研究區(qū)為典型的亞熱帶森林，其中闊葉林內(nèi)樹種種類繁多，與其他類型的樹種混雜生長，所以純林區(qū)較少，易產(chǎn)生混合像元。在AISA+CHM+SIPI的分類結(jié)果中闊葉樹種的制圖精度和用戶精度最高，分別為87.10%和75.00%，優(yōu)于AISA+CHM（70.97%，66.67%）以及僅AISA的分類結(jié)果（41.94%，61.90%）。這說明將機載LiDAR數(shù)據(jù)CHM與高光譜AISA融合，并添加植被指數(shù)SIPI能有效區(qū)分混合像元并提高分類精度，對古田山國家級自然保護(hù)區(qū)進(jìn)行樹種類型的精細(xì)分類具有可行性。但由于陰影區(qū)域的存在、樹冠間相互遮擋、少部分邊緣像元的光譜混合等，對樹種分類的精度有一定影響。后續(xù)擬研究基于高空間分辨率數(shù)據(jù)的像元解混技術(shù)，期望能有效提高復(fù)雜林區(qū)的樹種識別精度。

圖8 基于SVM的AISA+CHM+SIPI融合數(shù)據(jù)分類專題圖Figure 8 Thematic map of the classification for AISA+CHM+SIPI data with SVM

表6 樹冠內(nèi)的成數(shù)對比Table 6 Comparison of the percentage in the canopy

［1］ JONES T G,COOPS N C,SHARMA T.Assessing the utility of airborne hyperspectral and LiDAR data for species distribution mapping in the coastal Pacific Northwest,Canada［J］.Remote Sens Environ,2010,114（12）：2841-2852.

［2］ FALKOWSKI M J,HUDAK A T,CROOKSTON N L,et al.Landscape-scale parameterization of a tree-level forest growth model：a k-nearest neighbor imputation approach incorporating LiDAR data ［J］.Can J For Res,2010,40（2）：184-199.

［3］ YU Xiaowei,HYYPP? J,KAARTINEN H,et al.Automatic detection of harvested trees and determination of forest growth using airborne laser scanning ［J］.Remote Sens Environ,2004,90（4）：451-462.

［4］ 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.WANG Ni,PENG Shikui,LI Mingshi.High-resolution remote sensing of textural images for tree species classification［J］.J Zhejiang A&F Univ,2012,29（2）：210-217.

［5］ LEFSKY M A,COHEN W B,PARKER G G,et al.LiDAR remote sensing for ecosystem studies ［J］.BioScience,2002,52（1）：19-30.

［6］ ASNER G P,KNAPP D E,KENNEDY-BOWDOIN T,et al.Invasive species detection in Hawaiian rainforests using airborne imaging spectroscopy and LiDAR ［J］.Remote Sens Environ,2008,112（5）：1942-1955.

［7］ 劉麗娟，龐勇，范文義，等.機載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.LIU Lijuan,PANG Yong,FAN Wenyi,et al.Fused airborne LiDAR and hyperspectral data for trees pecies identification in a natural temperate forest［J］.J Remote Sens,2013,17（3）：679-695.

［8］ 董彥芳，龐勇，許麗娜，等.高光譜遙感影像與機載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.DONG Yanfang,PANG Yong,XU Lina,et al.Feature extraction based on fusion of hyperspectral image and airborne LiDAR data ［J］.Remote Sens Inf,2014,29（6）：73-76.

［9］ CAO Lin,COOPS N C,INNES J L,et al.Tree species classification in subtropical forests using small-footprint fullwaveform LiDAR data ［J］.Int J Appl Earth Obs,2016,49：39-51.

［10］ ALONZO M,BOOKHAGEN B,ROBERTS D A.Urban tree species mapping using hyperspectral and lidar data fusion ［J］.Remote Sens Environ,2014,148：70-83.

［11］ DALPONTE M,BRUZZONE L,GIANELLE D.Fusion of hyperspectral and LIDAR remote sensing data for classifi-cation of complex forest areas ［J］.IEEE Trans Geosci Remote Sens,2008,46（5）：1416-1427.

［12］ 王春來，張森原，崔璐，等.訓(xùn)練樣本數(shù)量選擇和總體分類精度的關(guān)系研究［J］.河南城建學(xué)院學(xué)報，2015， 24（3）： 51-55.WANG Chunlai,ZHANG Senyuan,CUI Lu,et al.Relationship between number of training samples selection and accuracy of overall classification ［J］.J Henan Univ Urban Cunstruct,2015,24（3）：51-55.

［13］ PANG Yong,LI Zengyuan,JU Hongbo,et al.LiCHy：The CAF’s LiDAR,CCD and hyperspectral integrated airborne observation system ［J］.Remote Sens,2016,8（5）：398.doi：10.3390/rs8050398.

［14］ 郝建亭，楊武年，李玉霞，等.基于FLAASH的多光譜影像大氣校正應(yīng)用研究［J］.遙感信息，2008（1）：78-81.HAO Jianting,YANG Wunian,LI Yuxia,et al.Atmospheric correction of multi-spectral imagery ASTER ［J］.Remote Sens Inf,2008（1）：78-81.

［15］ GEORGE R,PADALIA H,KUSHWAHA S P S.Forest tree species discrimination in western Himalaya using EO-1 Hyperion ［J］.Int J Appl Earth Obs,2014,28（1）：140-149.

［16］ 馮云云,劉麗娟,陸燈盛,等.基于曲線誤差指數(shù)的高光譜降維方法評價指標(biāo)研究［J］.浙江農(nóng)林大學(xué)學(xué)報，2017， 34（5）： 765-774.FENG Yunyun,LIU Lijuan,LU Dengsheng,et al.A comparative study of reduction methods for airborne hyperspectral images ［J］.J Zhejiang A&F Univ,2017,34（5）：765-774.

［17］ GREEN P E,CAROLL J D.Analyzing Multivariate Data ［M］.Illinois：The Dryden Press,1978.

［18］ DYE M,MUTANGA O,ISMAIL R.Examining the utility of random forest and AISA Eagle hyperspectral image data to predict Pinus patula age in KwaZulu-Natal,South Africa ［J］.Geocarto Int,2011,26（4）：275-289.

［19］ 杜朋選.川滇高山櫟生理活動對不同程度水分脅迫的反射光譜響應(yīng)［D］.北京：中國林業(yè)科學(xué)研究院，2011.DU Pengxuan.Quercus aquifoliodes Physical Activity in Response to Different Degrees of Water Stress on the Reflection Spectral［D］.Beijing：Chinese Academy of Forestry,2011.