基于机载激光雷达数据与彩色红外影像融合的单木腐朽阶段分类
计算机视觉与模式识别
2023-12-22 v3
摘要
理解森林健康对维护森林生态系统完整性至关重要。在这方面，评估枯立木的数量与质量极为重要，因为它们是生物多样性的有利指标。显然，基于遥感的机器学习技术已在森林调查中展现出前所未有的效率和可持续性精度。本研究首次利用三种不同的机器学习方法——基于3D点云的深学习(KPConv)、卷积神经网络(Convolutional Neural Network, CNN)和随机森林(Random Forest, RF)，从融合的机载激光扫描(airborne laser scanning, ALS)点云与彩色红外(color infrared, CIR)影像中自动将单株针叶树（挪威云杉）划分为五个腐朽阶段（活立木、衰退木、枯立木、脱皮带木和洁净木）。首先，通过融合ALS点云与彩色红外影像创建CIR着色点云。然后，进行单木分割，其后结果进一步投影到四个正交平面。最后，基于三种机器学习算法在两个数据集（3D多光谱点云和2D投影影像）上开展分类。所有模型均取得了可观结果，KPConv、CNN和RF的总体精度(overall accuracy, OA)分别高达88.8%、88.4%和85.9%。实验结果表明，颜色信息、点云的3D坐标和强度对可观的分类性能有显著影响。因此，我们模型的性能显示了机器/深度学习在单木腐朽阶段分类以及利用现代机载遥感技术进行枯立木数量与质量的景观尺度评估方面的重要性。所提方法可作为监测森林生态系统生物多样性的重要且可靠的工具。
引用
@article{arxiv.2301.01841,
title = {Classification of Single Tree Decay Stages from Combined Airborne LiDAR Data and CIR Imagery},
author = {Tsz Chung Wong and Abubakar Sani-Mohammed and Jinhong Wang and Puzuo Wang and Wei Yao and Marco Heurich},
journal= {arXiv preprint arXiv:2301.01841},
year = {2023}
}