[发明专利]一种Res-UNet单木树种分类技术

说明书

本发明公开一种Res‑UNet单木树种分类技术，发明基于高空间分辨率CCD和LiDAR数据，采用改进的Rse‑UNet深度学习网络进行人工林单木树种分类，实现了复杂林分下的单木树种高精度高效分类，为森林资源调查及树种分布信息获取提供了新路径，适用于人工林单木树种分布信息的获取，属于机器学习在林业应用技术领域范畴，关键技术要点包括：1.构建改进的Rse‑UNet深度学习网络，结合实地调查和CCD影像构建分类样本数据集进行模型训练，并对影像进行预测，完成树种分布制图；2.使用机载LiDAR点云数据完成基于距离判别聚类算法单木树冠分割；3.将树种分类结果和单木树冠分割结果叠加，实现单木树种分类。

一、技术领域

本发明涉及一种机器学习与森林资源调查的交叉领域中的Res-UNet单木树种分类技术，利用机载CCD影像和LiDAR点云数据相结合，对人工林实现单木级别的树种分类方法，适用于人工林单木树种分布信息的获取，属于机器学习技术在林业领域的应用。

二、技术背景

树种识别对林木可持续性经营管理和生态环境保护有重要意义。单木尺度的树种识别为林木的精细调查提供了更加详细的树种信息，也为森林单木参数和结构信息的提取奠定了基础，是森林资源监测中极为基础和关键的指标之一。

传统的树种识别方法采用人工实地调查，工作量较大，成本高且耗时耗力，不利于进行区域制图和森林树种信息的更新。随着遥感技术的不断发展，机载高分辨率影像获取更加方便快捷，且成本大幅降低，具有较高的空间分辨率，有利于精细的树种分类。机载激光雷达技术(Light Detection and Ranging，LiDAR)受天气影响较小，对冠层穿透能力较强，能够直接、快速获取大面积、高精度的植被三维信息，被广泛应用于单木树冠分割。因此，结合高空间分辨率影像和LiDAR数据进行单木树种分类成为可能。目前，对于高分影像树种分类主要包括基于像元的分类和面向对象的分类，其中基于像元的分类方法忽略空间结构关系和上下文语义信息，且对于含有较少波段的高分辨率遥感影像，会造成空间数据的大量冗余，产生椒盐现象。面向对象的分类方法多使用传统的机器学习算法如支持向量机等来进行树种分类，此类方法需要特征的提取、分析与有效特征的筛选，往往难以提取高质量的特征。随着深度学习的发展，越来越多的学者开始使用神经网络自动提取特征取得了显著的成功，证明了深度学习是一种行之有效的分类工具。然而，研究者对于树种分类的研究，多集中在林分或区域尺度，单木树种分类研究较少，将深度学习应用于高分影像解译，尤其是复杂林分下的单木树种分类还是相关的实用成果还属于空白。同时，受制于林业数据获取的难度，目前依赖于大样本数据训练的深度学习方法在林业树种分类实际应用中受到限制，难以推广使用。

因此，本发明构建了基于少量样本的一种适合树种分类的Res-UNet深度学习网络，结合机载CCD影像和LiDAR点云数据实现单木树种的高效率的精细化分类，为复杂林分单木树种分类提供新思路，为我国森林资源的可视化、科学化经营管理提供关键技术支撑。

三、发明内容

为了解决传统树种分类时存在的低精度和低效率，且多集中在林分或区域尺度的问题，本发明旨在提供一种Res-UNet单木树种分类技术，在机载CCD影像上，将ResNet网络引入U-Net网络中加深网络的深度，并在网络的输出端加入CRF后处理操作，优化分类结果图，实现了CCD影像在复杂林分中的树种分类；结合LiDAR点云数据的树冠分割结果，应用叠置分析方法，实现单木树种分类。通过本发明，提出一种复杂林分单木尺度树种分类与制图方法，利用机载CCD影像和LiDAR点云数据实现森林单木树种的便捷、快速、准确分类，提升工作效率和精度，克服传统树种分类方法的缺点，填补目前我国林业行业面临的复杂林分下的单木树种高精度分类相关的技术的空白，为我国森林资源调查、生物多样性研究提供技术支撑。