评估航空激光扫描与航空测绘在基于深度学习的林分边界检测中的应用

准确的林分边界检测对于林业资源调查和管理至关重要，但仍主要是人工且主观的过程。最近的研究表明，深度学习可以产生与专家解释师相当的林分边界检测结果，方法是结合航空图像和航空激光扫描（ALS）数据。然而，数据源之间的时间错位限制了其操作规模性。由数字测绘（DAP）导出的林垢高程模型（CHM）在时间上更好地对齐，但可能平滑林垢表面和林垢间隙，这引出了一个问题：它们是否可靠地取代ALS导出的CHM。同样，是否包括数字地形模型（DTM）可提高边界检测性能，尚未在已发表文献中进行测试。使用由专家标注的林分边界作为参考数据，我们评估了一个基于U-Net的语义分割框架，通过市政级别的交叉验证在挪威东南部六个市进行测试。我们比较了多光谱航空图像结合(i)ALS导出的CHM、(ii)DAP导出的CHM，以及(iii)DAP导出的CHM与DTM。结果显示，所有数据组合的性能相当，整体准确率在0.90-0.91之间。模型预测之间的一致性远大于与参考数据的一致性，这凸显了模型的一致性以及林分边界检测固有的主观性。尽管DAP-CHM虽然结构细节较少，但性能相似，以及DTM缺乏提升，表明该框架对输入数据的变化具有较强鲁棒性。这些发现表明，可以使用包括时间对齐的ALS数据和DAP点云的项目来构建用于深度学习的林分边界检测大数据集。