林业科学

作者：毛英伍1,郭颖2,张王菲1,*,苏勇1,关塬1

单位：1. 西南林业大学林学院　昆明 6502242. 中国林业科学研究院资源信息研究所　北京 100091

关键词：高光谱,LiDAR,卷积神经网络,树种分类,3D-CNN

基金：中央级公益性科研院所基本科研业务费专项资金项目“森林资源出数关键技术研究”(CAFYBB2021SY006)；国家自然科学基金(32160365，31860240，42161059)；云南省兴滇英才支持计划(80201444)

目的: 探究三维卷积神经网络（3D-CNN）在高光谱数据支持的树种分类中的有效网络构建方式，以提高树种分类精度。方法: 以美国加利福尼亚州内华达山脉南部为研究区，LiDAR数据获取的森林冠层高（CHM）进行单木分割并以此为补充建立样本，改进一种结构更简单、分类精度更高且无需对高光谱数据进行预处理的3D-CNN网络结构用于森林树种识别。结果: 相较于常规机器学习分类方法【支持向量机（SVM），随机森林（RF）】、传统二维卷积神经网络模型（2D-CNN）及最新多光谱分辨率三维卷积神经网络（MSR 3D-CNN）模型，本研究提出的3D-CNN模型对树种总体分类精度为99.79%，平均交并比（MIoU）为99.53%。与SVM和RF分类结果相比，本研究构建的3D-CNN模型总体分类精度提高5%左右，且具有对树种边界提取更加准确、椒盐现象更少发生的特点；与2D-CNN相比，总体分类精度提高10%左右，MIoU提高7%左右；与MSR 3D-CNN相比，总体精度相差不大，但在训练和测试过程中，本模型耗时远远小于MSR 3D-CNN模型。结论: 本研究改进的3D-CNN模型结构能够高效对原始高光谱影像进行树种分类并制图，可有效提高树种分类的精度。

来源：2023年第3期

《林业科学》期刊编辑部

查看林业科学杂志2023年第3期