基于分層特征DS合成的機載LiDAR植被提取方法

摘" 要： 精準城區(qū)植被提取對城市建設(shè)、氣候調(diào)節(jié)及固碳評估具有重要意義。針對目前城區(qū)植被邊界模糊導致提取精度低的問題，提出一種基于分層特征DS合成的機載LiDAR植被提取方法。首先，對LiDAR數(shù)據(jù)進行特征提取和適用性分析得到特征分層結(jié)構(gòu)；其次，以DS證據(jù)為理論基礎(chǔ)，構(gòu)建具有模糊類的信任分配函數(shù)，對每個特征進行概率分配并引入中值濾波去除噪聲；最后，根據(jù)正交信任函數(shù)最大值規(guī)則進行決策，得到植被提取結(jié)果。在TopoSys數(shù)據(jù)集上對所提方法進行測試，實驗結(jié)果表明，文中所提方法有效提升了提取精度，準確率達到了90%以上，能夠滿足植被提取高精度的要求。

關(guān)鍵詞： 機載LiDAR系統(tǒng)； 植被提??； DS證據(jù)理論； 信任分配函數(shù)； 特征提?。?分層結(jié)構(gòu)

中圖分類號： TN911?34； TP751" " " " " " " " " " 文獻標識碼： A" " " " " " " " " " "文章編號： 1004?373X（2025）03?0001?06

Airborne LiDAR vegetation extraction method based on hierarchical feature DS synthesis

ZHANG Lin， YANG Fengbao， ZHAO Danjing， LIU Zhaohui

（School of Information and Communication Engineering， North University of China， Taiyuan 030051， China）

Abstract： Accurate extraction of urban vegetation is of great significance for urban construction， climate regulation， and carbon sequestration assessment. A hierarchical feature DS synthesis based airborne LiDAR vegetation extraction method is proposed to address the issue of low extraction accuracy caused by blurred vegetation boundaries in urban areas. Feature extraction and applicability analysis are performed on LiDAR data to obtain a hierarchical structure of features. A trust allocation function with fuzzy classes is constructed on the basis of the DS evidence theory to assign probabilities to each feature. The median filtering is introduced to remove noise. The decision is made based on the maximum value rule of the orthogonal trust function， and the vegetation extraction results are obtained. The proposed method was tested on the TopoSys dataset， and the experimental results showed that the proposed method improved the extraction accuracy effectively， with an accuracy rate of over 90%， so the method can meet the high?precision requirements of vegetation extraction.

Keywords： airborne LiDAR system; vegetation extraction; DS evidence theory; trust allocation function; feature extraction; hierarchical structure

0" 引" 言

城市植被作為城市生態(tài)系統(tǒng)中唯一的初級生產(chǎn)者，具有凈化污水、降低噪音、防治風沙和監(jiān)測環(huán)境污染等作用[1?2]。因此，精準城區(qū)植被提取對于城市規(guī)劃和生態(tài)環(huán)境保護都具有重要意義[3?4]。傳統(tǒng)的人工調(diào)查方法需要在現(xiàn)場進行大量的實地勘察，這一過程繁瑣耗時，勞動強度大。而機載激光雷達掃描與測距系統(tǒng)[5]（Light Detection And Rangjing， LiDAR）作為新型的遙感探測技術(shù)，具有作業(yè)范圍廣泛、操作簡單靈活、空間分辨率高等優(yōu)勢，在森林樹種分類、智慧城市發(fā)展、道路檢測、地物分類與提取等方面有著廣泛的應(yīng)用前景[6?8]?，F(xiàn)今，利用LiDAR數(shù)據(jù)進行高精度植被提取已成為當前研究和應(yīng)用的熱點。

常用的LiDAR數(shù)據(jù)植被提取方法主要有機器學習和深度學習兩類。機器學習通過學習和訓練構(gòu)建更加復雜的非線性模型，從而捕捉特征與地物類別之間的關(guān)系，為地物信息的提取提供了可行方法。文獻[9]發(fā)現(xiàn)，最大似然算法可以通過結(jié)合使用原始波段和植被比率指數(shù)來提取植被獲得更高的精度。文獻[10]提出了一種基于隨機森林模型的城市植被提取方法。文獻[11]通過對K?means聚類算法進行改進優(yōu)化，提出了一種快速的植被提取算法。文獻[12]提出了一種基于過度分割的上坡聚類算法，用于提取城市街區(qū)的樹木，得到精度較高的樹木提取結(jié)果。以上方法能夠有效地利用從數(shù)據(jù)中學習到的模式和規(guī)律，實現(xiàn)高精度的預測、分類、提取、聚類等任務(wù)。然而，在這種方法中，依賴人工提取特征無法充分捕捉數(shù)據(jù)中的復雜結(jié)構(gòu)和模式，這導致了特征提取的準確性不足，從而限制了其廣泛應(yīng)用。相比之下，深度學習模型能夠利用多層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，自動從原始數(shù)據(jù)中提取出具有代表性的特征，減少了人為設(shè)計特征的不完備性，在許多應(yīng)用中具有優(yōu)異的識別或分類性能。近年來，隨著深度學習方法的發(fā)展[13]，越來越多的學者將其應(yīng)用于植被提取領(lǐng)域。文獻[14]基于高分辨率遙感圖像中提取植被，結(jié)合卷積模型的結(jié)構(gòu)，提出了一種基于深度注意力模型VEDAM的植被提取方法；文獻[4]通過在U?Net中引入密集連接、可分離卷積、批量歸一化層和激活函數(shù)，提出了一種可分離密集U?Net用于從遙感影像中提取城區(qū)植被。然而，這兩類方法在訓練過程中都需要依賴大量的標注數(shù)據(jù)，對于復雜城市環(huán)境，獲取足夠數(shù)量的訓練樣本仍然是一項挑戰(zhàn)。

雖然上述算法能夠?qū)崿F(xiàn)整體高精度的植被提取，但仍存在超細植被遺漏、容易與其他共存的地物特征混淆等問題。Dempster?Shafer（DS）證據(jù)理論作為一種處理不確定性問題的基本方法，在植被提取中通過構(gòu)建信任分配函數(shù)描述地物類別與不同特征之間的關(guān)聯(lián)程度表征二者之間的不確定性關(guān)系，最后利用決策規(guī)則進行證據(jù)間的合成。在以往的研究中，許多學者利用DS證據(jù)理論基礎(chǔ)，基于信任分配函數(shù)將概率分配到各個類別中，進行地物信息提取與分類。文獻[15]通過對DS證據(jù)理論進行改進，并構(gòu)建了一種基本信任分配函數(shù)，提出了一種快速地物分類方法；文獻[16]提出了一種基于可能性分布構(gòu)建和DS證據(jù)理論的方法，用于機載激光雷達土地覆蓋分類。但以往的方法對于類別間的不確定性問題只是簡單的區(qū)間化，而無法準確表征數(shù)據(jù)特征與地物邊界信息之間的映射關(guān)系，導致提取精度不高。

綜上所述，本文基于基本DS證據(jù)理論，引入模糊集理論，改進基本信任分配函數(shù)表征特征與模糊點間的關(guān)系。結(jié)合特征分層思想和濾波技術(shù)，提出了一種基于分層特征DS合成的機載LiDAR植被提取方法，顯著提高了提取精度，為基于DS證據(jù)理論的植被提取研究提供了新思路。

1" 理論基礎(chǔ)

1.1" 特征提取與分析

特征提取是表達數(shù)據(jù)隱含地物屬性的過程。在處理機載LiDAR數(shù)據(jù)時，選擇和提取有效特征直接影響到提取精度。本文通過分析植被與其他地物之間的差異性，利用了從LiDAR點云數(shù)據(jù)和遙感影像中提取出的多種特征，包括可見光圖像的RGB通道、近紅外（NIR）通道、首次回波（FE）、末次回波（LE）和回波強度（Intensity， IN），以及兩種衍生特征（首末次回波高程差（Height Difference， HD）和歸一化植被差異指數(shù)（Normalized Difference Vegetation Index， NDVI））。

回波強度（IN）指的是激光掃描數(shù)據(jù)中對象的反射率，其數(shù)值與地物的組成成分、表面粗糙程度等因素息息相關(guān)。當掃描到相似地物時，回波強度值通常相近；相反，當掃描到不同地物時，回波強度值則有較大差異。由于樹木結(jié)構(gòu)特殊，樹木層次較多使得激光掃射嚴重，導致回波強度很弱，因此回波強度能夠有效地將高大植被與其他地物類別區(qū)分。

首末次回波高程差（HD）可通過式（1）計算得到，指的是LiDAR掃描數(shù)據(jù)中第一個回波高程和最后一個回波高程之間的差距。根據(jù)激光雷達對樹木的穿透特性，可以用于將高植被與其他地物類別分開。

[HD=FE-LE] （1）

歸一化植被差異指數(shù)（NDVI）可通過式（2）得到，是一種用于評估植被覆蓋程度的指標。通過獲取的可見光和近紅外波段的反射率[16]來計算，是用于識別植被的常用特征。

[NDVI=NIR-RNIR+R] （2）

NDVI取值的最大值為+1，最小值為-1，其數(shù)值大小與植被區(qū)域的分布密度成正比關(guān)系，在植被區(qū)域，NDVI值通常大于0，而且值越接近+1，則表示該區(qū)域的綠葉植被更為密集。因此，可以利用NDVI區(qū)分植被和非植被區(qū)域。地表地物種類與NDVI值的關(guān)系可表示為：

[NDVI=-1≤NDVI≤0，" " "水、雪0，" " "裸地0≤NDVI≤1，" " "植被] （3）

1.2" DS證據(jù)理論

DS證據(jù)理論是一種用于處理不確定性問題的推理方法[17]，最早是由Dempster于1976年首先提出，后由Shafer加以擴充和發(fā)展[18]。DS證據(jù)理論最重要的兩部分內(nèi)容是“證據(jù)”和“組合”，“證據(jù)”就是植被提取中不確定是不是植被的數(shù)據(jù)，“組合”指的是合成的規(guī)則。在解決植被提取的問題時，DS證據(jù)理論的作用在于利用不同的特征數(shù)據(jù)作為輸入，將待識別區(qū)域分屬于[n]個互相獨立且互不重疊的元素中，其集合[Θ]稱為辨識框架。由辨識框架[Θ]的所有子集組成的一個集合稱為[Θ]的冪集，記作[2Θ]。

在DS理論中，辨識框架[Θ]下的基本概率分配指的是計算辨識框架[Θ]中每一條證據(jù)的基本概率的過程，這一過程用基本概率分配函數(shù)描述，也叫基本信任分配函數(shù)，用[m（A）]表示，是集合[2Θ→[0，1]]映射下的一個函數(shù)。基本信任分配函數(shù)[m（A）]滿足以下約束，如式（4）所示：

[0≤M（A）≤1，" " m（?）=0，" " A∈2Θm（A）=1] （4）

式中：[A]表示辨識框架[Θ]的一個或者多個假設(shè)命題，記作[A∈2Θ]；[?]表示空集。當[m（A）gt;0]時，稱[A]為焦元。[m（A）]可以根據(jù)傳感器提供的數(shù)據(jù)通過函數(shù)（如BPA函數(shù)）進行計算獲得。

置信函數(shù)表示對命題[A]為真這個事件的信任程度，用[Bel（A）]來表示，通常通過基本信任分配函數(shù)計算得到，如式（5）所示：

[Bel（A）=B?Am（B），A，B?Θ] （5）

[Bel（A）]為[A]的所有子集的可能性度量之和，表示對[A]的信任之和。

基本信任分配函數(shù)是一種用于處理不確定性的工具，它允許在不完全信息下對不同假設(shè)或命題進行信任分配，并且與DS理論結(jié)合使用以進行推理和決策。在植被提取中，為描述不確定性，將兩個或者多個特征對應(yīng)的基本信任分配函數(shù)進行正交和運算來合成，這個過程是DS證據(jù)理論“組合”中的內(nèi)容。若已知有[P]個數(shù)據(jù)源，每個數(shù)據(jù)源[i]有基本信任分配函數(shù)[mi（Bj）]，且滿足[0≤i≤P，Bj∈2Θ]。DS證據(jù)理論可以將多個基本信任分配函數(shù)進行合成，如式（6）所示：

[m（A）=B1?B2?…?BP=A1≤i≤Pmi（Bj）1-B1?B2?…?BP=A1≤i≤Pmi（Bj）] （6）

式中，令：

[K=B1?B2?…?BP=A1≤i≤Pmi（Bj）] （7）

式（7）表示證據(jù)中沖突的度量，且[Klt;1]，系數(shù)[1（1-K）]是一個歸一化因子，當[K≥1]時，證據(jù)無法合成。最后一步是定義決策規(guī)則，決策規(guī)則的定義方法有好多種，本文中選用正交信任函數(shù)最大值作為決策規(guī)則，因為它是一個常用的規(guī)則，其定義如式（8）所示：

[Mn（A）=A?Bjm（Bj）Bj] （8）

式中，焦元滿足[A]，[Bj∈2Θ]，[Bj]是集合[Bj]的元素個數(shù)。

2" 本文方法

本文提出的基于特征分層DS合成的機載LiDAR植被提取方法流程圖如圖1所示。首先，獲取機載LiDAR系統(tǒng)采集所得的LiDAR數(shù)據(jù)、RGB影像、IR?RG影像；其次，從多源數(shù)據(jù)中提取FE、IN、HD、NDVI四類特征，并根據(jù)它們對植被的適用性能力進行特征分層；然后，根據(jù)信任分配函數(shù)對每個特征進行概率分配，并采用中值濾波處理過程中引入的噪聲；最后，根據(jù)DS合成規(guī)則對各特征進行合成，并選擇正交信任函數(shù)最大值作為DS決策規(guī)則進行植被提取決策。

2.1" 特征分層

根據(jù)1.1節(jié)特征提取與分析可知，歸一化植被差異指數(shù)（NDVI）和回波強度（IN）適用于植被區(qū)域的提??；首末次回波高程差（HD）對高大植被、建筑物輪廓的辨識能力更高；首次回波（FE）可以將高程差較大的植被、建筑物與地面點區(qū)域分開。綜上所述，在進行提取植被時，由于不同特征的地物提取適用性不同，選取歸一化植被差異指數(shù)（NDVI）和回波強度（IN）作為本文植被提取第一層的特征輸入；選取首末次回波高程差（HD）、首次回波（FE）、第一層的合成特征（INI）作為本文植被提取的第二層特征輸入。

2.2" 信任分配函數(shù)構(gòu)造

信任分配函數(shù)的定義是應(yīng)用DS證據(jù)理論最關(guān)鍵的一步，本文基于DS證據(jù)理論結(jié)合模糊理論，提出了一種新的具有模糊類的信任分配函數(shù)，用于表示植被與其他地物間的模糊關(guān)系。根據(jù)各特征對植被的貢獻程度的灰度值范圍來確定信任分配函數(shù)的閾值，定義如下：

[Pi（x）=P1，" " " x≤h1（P2-P1）?e（x-h12）+P1，" " " h1lt;xlt;h2P2，" " " x≥h2] （9）

式（9）中引入模糊類別，用來表示植被與非植被之間的模糊區(qū)間，這個區(qū)間的元素不能完全確定是否屬于植被。[Pi（x）]表示當數(shù)據(jù)源[i]輸入為[x]時，圖像像素點屬于模糊區(qū)間的概率。當輸入[x]小于閾值[h1]時，圖像某個像素點屬于植被的可能性為[P1]；當輸入[x]小于閾值[h2]且大于[h1]時，[Pi（x）]可由式（9）求出，表示圖像某個像素點屬于模糊區(qū)間的可能性。

由于傳感器可能受到誤差、干擾或其他不確定因素的影響，導致其輸出的信息并非絕對準確。所以本文選取[P1=0.98]和[P2=0.02]來表示100%和0%，以避免數(shù)據(jù)不精確和不確定性的影響。與基本的信任分配函數(shù)相比：

1） 將像素點在[h1]和[h2]之間無法確定的值定義為模糊類別，該類別是既不屬于植被也不屬于其他地物的新的模糊類，這樣能夠更加準確地提取植被；

2） 與基本的DS證據(jù)理論方法不同，該方法考慮了模糊類別的不確定情況，更有效地利用了DS理論在處理不確定問題方面的優(yōu)勢。

2.3" 中值濾波

中值濾波是一種非線性濾波技術(shù)，通過對圖像中每個像素周圍的像素值進行排序處理，選取中間值來代替當前像素的值。在使用信任分配函數(shù)對圖像中的像素點進行提取時，引入了鄰域大小為3×3的中值濾波，用于消除部分存在植被中表示其他地物的孤立像素點，例如在草地區(qū)域中分布著分散的“道路”像素點，應(yīng)用中值濾波可以有效減少錯提取，提高提取準確率。

3" 實驗與分析

3.1" 實驗設(shè)計

實驗中的機載LiDAR數(shù)據(jù)由TopoSys Gmb H系統(tǒng)采集獲得，原始數(shù)據(jù)都經(jīng)過預處理且空間分辨率設(shè)置為0.5 m。

為了驗證本文提出的方法對于提高植被提取精度的有效性，將采用基本DS證據(jù)理論方法和正態(tài)分布DS證據(jù)理論方法與本文提出的方法應(yīng)用于同一數(shù)據(jù)集，再利用實驗評價指標對三種方法的實驗結(jié)果進行分析評價。如圖2、圖3所示，分別為實驗所用到的LiDAR數(shù)據(jù)集1的數(shù)據(jù)特征和LiDAR數(shù)據(jù)集2的數(shù)據(jù)特征。

本文使用準確率（Accuracy）、[F1]指數(shù)、誤檢率（False）和漏檢率（Missed）這4個評估指標來評價所提出的植被提取方法的有效性。通過式（10）～式（13）計算可得：

[Accuracy=TP+TNTP+FN+FP+TN] （10）

[F1=2×Precision×RecallPrecision+Recall] （11）

[False=1-Precision] （12）

[Missed=1-Recall] （13）

3.2" 實驗結(jié)果

數(shù)據(jù)集1用基本DS證據(jù)理論方法、正態(tài)分布DS證據(jù)理論方法和本文提出的方法進行植被提取的實驗結(jié)果如圖4所示。其中，圖4d）為由人工手動標注的真實值，用來幫助評估本文方法對于提取植被的準確性能和效果。

如圖4實驗結(jié)果所示，白色代表植被，黑色代表背景區(qū)域。為說明本文方法的有效性，將基本DS方法、正態(tài)分布DS方法的提取結(jié)果與本文方法的提取結(jié)果比較，直觀上可以看出，本文方法的提取結(jié)果整體上明顯優(yōu)于另外兩種方法的提取結(jié)果，漏提取的像素點大量減少，結(jié)果更接近人工手動標注的真實值。為進一步驗證本文方法的有效性，如表1所示，為數(shù)據(jù)集1利用本文方法進行植被提取時的混淆矩陣，根據(jù)式（10）～式（13）計算可得利用本文方法進行植被提取的準確率為90.53%，[F1]指數(shù)為90.96%，誤檢率為9.65%，漏檢率為8.42%。

如表2所示，為數(shù)據(jù)集1用其他方法和本文方法對植被進行提取的準確率對比，從結(jié)果可以看出，使用本文方法能夠顯著提高植被提取的精度。提取精度由83.91%提高到90.53%，提高了6.62%。

圖5為本文方法應(yīng)用于數(shù)據(jù)集2的實驗結(jié)果圖。

圖5a）為基本DS證據(jù)理論方法實驗結(jié)果圖，圖5b）為正態(tài)分布DS實驗結(jié)果圖，圖5c）為本文方法實驗結(jié)果圖，圖5d）為人工手動標注真實值。由對比實驗結(jié)果可知，本文方法提取結(jié)果最接近真實場景。

表3和表4分別表示本文方法應(yīng)用于數(shù)據(jù)集2的混淆矩陣和利用三種方法對數(shù)據(jù)集2進行植被提取的結(jié)果準確率對比。根據(jù)式（10）～式（13）計算可得，本文方法進行植被提取的準確率為 91%，相較于基本DS方法提高了6.09%，[F1]指數(shù)為91.06%、誤檢率為8.45%、漏檢率為9.41%。表明本文方法能夠有效提取植被。

3.3" 實驗分析

根據(jù)實驗結(jié)果分析可知，實驗數(shù)據(jù)集1、數(shù)據(jù)集2的提取準確率分別為90.53%和91%，本文方法與基本DS證據(jù)理論方法和正態(tài)分布DS證據(jù)理論方法相比，實驗結(jié)果準確率更高，更接近人工真實值。

根據(jù)實驗數(shù)據(jù)集1和數(shù)據(jù)集2的易混淆區(qū)域結(jié)果對比圖（見圖6、圖7）可以看出，本文方法提取錯誤的像素點明顯減少，在處理這類混淆情況時表現(xiàn)出了顯著的優(yōu)勢，進一步提高了混淆區(qū)域的植被提取精度。在圖6和圖7中，黑色框表示植被區(qū)域內(nèi)的草地與裸地之間的混淆問題。這種混淆主要是由于草地本身具有間隙和不連續(xù)性，導致提取困難。相比之下，本文方法所得到的結(jié)果更為連貫，并且噪點較少，這表明了本文方法的有效性和穩(wěn)健性。另外，灰色框表示高大建筑物的陰影對草地區(qū)域的遮擋混淆。本文方法通過對這些遮擋混淆點進行概率分配有效解決了這個問題。這種針對不同混淆情況的處理方式使得提取結(jié)果與人工真實值高度一致，進一步驗證了本文方法提高精度的可靠性和真實性。

4" 結(jié)" 論

本文提出了一種基于分層特征DS合成的機載LiDAR植被提取方法。利用4個源數(shù)據(jù)特征結(jié)合改進DS證據(jù)理論建立特征分層結(jié)構(gòu)，最后以正交信任函數(shù)最大值作為決策規(guī)則，得到植被提取結(jié)果。所提出的方法已經(jīng)在數(shù)據(jù)集上進行驗證，實驗結(jié)果表明，本文方法顯著提高了植被提取的準確率。本文方法不需要進行繁瑣的訓練過程，且在難以獲取大量訓練樣本的情況下仍然適用；引入了分層思想和模糊理論，對混淆區(qū)域間的模糊像素點進行處理，有效減少了植被模糊邊界漏提取、錯提取的情況；本文方法有效提升了城區(qū)植被提取的精度，為碳匯管理提供了一種可靠的技術(shù)手段。

注：本文通訊作者為楊風暴。

參考文獻

[1] 林娜，何靜，王斌，等.結(jié)合植被光譜特征與Sep?UNet的城市植被信息智能提取方法[J].地球信息科學學報，2023，25（8）：1717?1729.

[2] ZI?BA?KULAWIK K， SKOCZYLAS K， W??YK P， et al. Monitoring of urban forests using 3D spatial indices based on LiDAR point clouds and voxel approach [J]. Urban forestry amp; urban greening， 2021， 65： 127324.

[3] 周濤，胡振琪，韓佳政，等.基于無人機可見光影像的綠色植被提取[J].中國環(huán)境科學，2021，41（5）：2380?2390.

[4] LIN N， QUAN H L， HE J， et al. Urban vegetation extraction from high?resolution remote sensing imagery on SD?UNet and vegetation spectral features [J]. Remote sensing， 2023， 15（18）： 4488.

[5] LIU A， CAI P， ZHANG J J， et al. High?speed road sign detection scheme based on ultrafast single?pixel scanning LiDAR [J]. Optics and lasers in engineering， 2024， 176： 108111.

[6] 陳龍偉，周小成，李傳昕，等.基于UNet?ResNet14半監(jiān)督學習的無人機影像森林樹種分類[J].農(nóng)業(yè)工程學報，2024，40（1）：217?226.

[7] LI Y， MIN S H， SONG B B， et al. Multisource high?resolution remote sensing image vegetation extraction with comprehensive multifeature perception [J]. Remote sensing， 2024， 16（4）： 712.

[8] NGUYEN H M， DEMIR B， DALPONTE M. A weighted SVM?based approach to tree species classification at individual tree crown level using LiDAR data [J]. Remote sensing， 2019， 11（24）： 2948.

[9] HADI H A， DANOEDORO P. Comparing several pixel?based classification methods for vegetation structural composition mapping using Sentinel 2A imagery in Salatiga area， Central Java [C]// Seventh Geoinformation Science Symposium 2021. [S.l.]： SPIE， 2021： 285?294.

[10] ZHANG Y， SHAO Z F. Assessing of urban vegetation biomass in combination with LiDAR and high?resolution remote sensing images [J]. International journal of remote sensing， 2021， 42（3）： 964?985.

[11] KADU S R， HOGADE B G， RIZVI I， et al. Extraction of vegetation using modified K?means clustering [C]// Proceedings of ICTIS 2018 for Information and Communication Technology for Intelligent Systems. Heidelberg： Springer， 2019： 391?398.

[12] LI J T， CHENG X J， WU Z L， et al. An over?segmentation?based uphill clustering method for individual trees extraction in urban street areas from MLS data [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2021， 14： 2206?2221.

[13] YANG D X， HUANG X F. Landscape design and planning methods for plant protection based on deep learning and remote sensing techniques [J]. Crop protection， 2024， 180： 106620.

[14] YANG B， ZHAO M C， XING Y， et al. VEDAM： Urban vegetation extraction based on deep attention model from high?resolution satellite images [J]. Electronics， 2023， 12（5）： 1215.

[15] 馬澤亮，楊風暴.基于尖[τ]型DS證據(jù)理論的機載LiDAR地物分類方法[J].激光與紅外，2021，51（7）：853?858.

[16] ZHAO D， JI L， YANG F， et al. A possibility?based method for urban land cover classification using airborne lidar data [J]. Remote sensing， 2022， 14（23）： 5941.

[17] FENG T， MA H， CHENG X. Land?cover classification of high?resolution remote sensing image based on multi?classifier fusion and the improved Dempster–Shafer evidence theory [J]. Journal of applied remote sensing， 2021， 15（1）： 014506.

[18] SHAFER G. A mathematical theory of evidence [M]. New Jersey， Princeton： PUP， 1976.