激光点云技术可用于苗圃树木生长状态监测与管理，为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性，提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先，调整PointNet++深度网络邻居点云的相对特征值，同时融合三维点云的低维和高维特征，充分利用各层级点云的特征。然后，将坐标注意力模块与注意力池化融合，进一步增强局部特征提取的能力，提高分类和分割的准确性。最后，针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明，提出的树种识别方法总体精度可达92.50%，平均类别精度为94.22%；提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++，能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。

树种调查一直面临着成本高、效率低、精度不高等问题。利用遥感手段能大大提高树种类型调查的工作效率、节省成本;卷积神经网络(CNN)虽然已经在自然图像分类领域取得了许多突破,但是较少有人将CNN模型用于单木树种分类。基于上述考虑,搭建出CNN模型,并与高分遥感影像相结合,进行单木树种分类。在利用高分影像半自动化构建单木树种遥感影像样本集过程中,采用了影像冠层切片(CSI)圈定、人工标注、数据增强等方法;同时为了训练单木树种遥感影像样本集,对5个CNN模型进行针对性改写。通过对比分析发现:LeNet5_relu和AlexNet_mini都未取得最佳分类效果;GoogLeNet_mini56、ResNet_mini56和DenseNet_BC_mini56分别对不同的树种具有最佳分类效果;DenseNet_BC_mini56总体精度最高(94.14%),Kappa系数最高(0.90),是总体最佳分类模型。该研究证明了CNN在单木树种分类中的有效性,能为森林资源调查提供重要的解决方案。

将深度学习和面向对象方法用于处理超高空间分辨率的无人机可见光影像,以期实现高精度的森林树种遥感分类。首先,利用面向对象方法对无人机影像进行最优尺度分割,基于对象提取特征变量,运用随机森林(RF)法对树种遥感分类,同时对参与分类的变量按重要性排序,并筛选出对分类贡献率最高的两个特征变量——可见光差异植被指数(VDVI)和过绿减过红指数(ExG-ExR)。然后,将这两个特征变量和无人机原始RGB波段融合生成新的数据,针对该数据与原始RGB波段数据,分别利用基于Res-U-Net模型的全卷积神经网络(FCN)方法进行树种分类,并对结果精度评价。最后,为了消除FCN法基于像元分类引起的缺陷,结合面向对象最优分割法对分类结果进行修正。实验结果表明,融合了VDVI和ExG-ExR的FCN方法对无人机影像的树种分类效果最好,总精度为97.8%,Kappa系数为0.970。RF法能够有效筛选分类特征变量,对原始影像添加特征变量能有效提高FCN方法的分类精度,再对面向对象分割结果进行修正,可以基本消除椒盐现象,减弱边缘效应,使总精度提高0.9个百分点,Kappa系数提高了0.013。

基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义, 也是当前亟待解决的重要科学问题。 伴随遥感技术的发展, 利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息, 有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。 以中国东北地区赤峰市旺业甸国有林场为试验区, 采用覆盖完整自然年的共36景高分一号(GF-1)WFV时间序列数据(16 m), 提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数(NDVI), 结合支持向量机(SVM)模型对研究区内5种典型优势树种: 油松、 落叶松、 山杨、 白桦和蒙古栎, 进行不同时间尺度下(单季相、 全季相、 逐月和逐旬)的光谱识别研究。 同时, 分别基于原始时序光谱及其一阶、 二阶和三阶微分变换结果, 探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。 结果显示, 基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果(p＜0.05), 其中采用全季相数据的树种总分类精度相比于春、 夏和秋不同季节的单季相数据结果, 分别提高了7.67%, 6.64%和3.6%, 表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要, 同时秋季是采用单时相数据的最佳识别季节(p＜0.05); 在不同时间序列数据中, 基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果(p＜0.05), 而基于全季相数据的光谱识别结果最低(p＜0.05), 表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。 此外, 结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高(p＜0.05), 其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%, 分别提升了3.38%和2.95%。 研究表明采用基于全年逐旬或逐月尺度的时序光谱数据, 并结合相应的微分变换方法, 可以有效提高区域尺度优势树种的识别精度, 为相关多光谱森林植被精细识别研究提供参考。

高光谱遥感数据为树种的精细识别提供了可能。为探索高光谱数据在树种识别中的能力，本研究基于深圳市坝光古银叶树群落的8种主要树种叶片高光谱数据，比较了6种光谱预处理方式和2种分类方法对树种分类识别精度的影响，并基于随机森林算法对不同树种识别的特征波段进行了识别。研究结果表明，一阶导数预处理方法在分类识别中性能最好，平均分类精度为76.65%；随机森林回归方法较支持向量回归算法的性能好，模型平均分类识别精度为73.07%。从混淆矩阵可以看出，多毛茜草、银柴、阴香易错分为假萍婆，鸭脚木与银柴易错分，银叶树和细叶榕易错分。400 nm、495 nm、615～675 nm、835 nm、915～975 nm、1035～1065 nm、1085～1135 nm、1265～1275 nm、1425～1535 nm、2040 nm、2100～2270 nm、2430 nm附近的光谱数据与8个树种分类识别有密切关系。

采用地面激光扫描获取树木的光探测和测距数据,并将其作为遥感数据源,选取水杉、棕榈、无患子、竹子和橡胶树为研究对象,提出了三类有效特征:树木相对聚类特征、点云分布特征和树木表观特征,列举了68个特征参数。采用支持向量机在交叉验证中对训练数据集进行检验计算,确定最优的特征参数组,最终在测试数据集中进行树种分类。研究结果表明:基于树木相对聚类特征的最优特征参数组进行树种分类的平均分类精度较低(45%);基于点云分布特征的最优特征参数组进行树种分类的平均分类精度有所增加(58.8%);基于树木表观特征的最优特征参数组进行树种分类的平均分类精度较高(63.8%);基于三类特征的13个最优特征参数进行树种分类的平均分类精度最高(87.5%)。此外,由于水杉与其他树种形态差异较为明显,在分类中表现突出,错判率最低(6.5%)。所提方法具有较高的可行性,为获得更准确的森林树种分布提供了强有力的工具。

提出一种基于深度迁移学习的无人机高分影像树种分类与制图方法。利用ImageNet上训练的大型卷积神经网络提取树种影像特征,采用全局平均池化压缩树种影像特征,使用简单线性迭代聚类生成超像素,以超像素为最小分类单元,生成树种专题地图。实验结果表明,在类间差距小、类内差距大的情况下,与小型卷积神经网络相比,本文方法收敛更快,总体精度和Kappa系数分别提高了9.04%和0.1547,超像素树种制图边界更加精确。

以杭州钱江新城森林公园和新疆维吾尔自治区阿克苏市红旗坡农场的水杉、柳树、女贞、竹子和苹果树为研究对象,基于机载LiDAR获取高分辨率点云数据,结合支持向量机分类器,提出了多种树木特征,如结构特征参数、纹理特征参数和冠形特征参数等,以实现树种分类。实验结果表明,5种树木分类的整体准确率达85%,Kappa系数为0.81。所提分类方法不仅从LiDAR数据中获得了更有前景的单株树特征,还展示了一个可用于提高树种分类性能的有效框架。