EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 6: 107 - 117

DOI: https://doi.org/10.6046/zrzyyg.2024288

Mapping mountain vegetation using realistic 3D models integrating optical images and light detection and ranging data

  • ZHANG Jinhua , 1, 2, 3 ,
  • HU Zhongwen , 1, 2, 3 ,
  • ZHANG Yinghui 1, 2, 3 ,
  • ZHANG Qian 1, 2, 3 ,
  • WANG Jingzhe 1, 4 ,
  • WU Guofeng 1, 2, 3
Expand
  • 1. MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, Shenzhen University, Shenzhen 518060, China
  • 2. Guangdong Key Laboratory of Urban Informatics, Shenzhen University, Shenzhen 518060, China
  • 3. School of Architecture and Urban Planning, Shenzhen University, Shenzhen 518060, China
  • 4. School of Artificial Intelligence, Shenzhen Polytechnic University, Shenzhen 518060, China

Received date: 2024-09-02

  Revised date: 2025-02-14

  Online published: 2026-06-03

Fold

Abstract

Vegetation distribution serves as a crucial foundation for natural resource conservation and ecosystem health assessment. In mountainous regions, substantial terrain undulations and complex vegetation types complicate the mapping process. Moreover, the traditional remote sensing-based vegetation classification, whose mapping relies on 2D imagery, fails to depict the vertical structure and 3D spatial distribution of vegetation. To investigate the potential of realistic 3D models in fine-scale vegetation classification and mapping, this study proposed a realistic 3D model-based mapping approach for mountain vegetation by integrating optical images and light detection and ranging (LiDAR) data. Focusing on Neilingding Island in Guangdong, this study constructed a multi-source dataset using realistic 3D models, multispectral images, and LiDAR point clouds acquired by unmanned aerial vehicle (UAV)-based measurements, followed by data registration and feature extraction. Subsequently, the LightGBM algorithm was employed to achieve fine-scale vegetation classification and to assess the classification performance of multi-source data features. Finally, semantic 3D mesh models of vegetation were generated by projecting the 2D vegetation maps onto the 3D models. The results indicate that realistic 3D models can effectively distinguish vegetation types. Their combination with multispectral and LiDAR data provides a more comprehensive description of the topography and vegetation structures in mountainous areas. Compared to using a single data source, this approach achieves an increase in the overall accuracy (OA) of 2D classification by 4.28% to 11.29%. Concurrently, the OA of the 3D mapping based on realistic 3D models reached 92.06%, with a Kappa coefficient of 0.89. This approach can reflect the accurate, visualized, 3D distribution patterns of mountain vegetation and improve the accuracy of fine-scale vegetation information extraction. This study demonstrates the significant potential of 3D model-multisource data integration for natural resource monitoring and provides novel ideas and methods for fine-scale and 3D information extraction of regional vegetation.

Key words： realistic 3D model; 3D mapping; fine-scale classification of vegetation; mountain vegetation; light detection and ranging (LiDAR); multispectral; multi-source data fusion

Cite this article

ZHANG Jinhua , HU Zhongwen , ZHANG Yinghui , ZHANG Qian , WANG Jingzhe , WU Guofeng . Mapping mountain vegetation using realistic 3D models integrating optical images and light detection and ranging data[J]. Remote Sensing for Natural Resources, 2025 , 37(6) : 107 -117 . DOI: 10.6046/zrzyyg.2024288

0 引言

植被是覆盖在某一地区表面全部植物群落的总体。作为生态系统中的自然枢纽,植被提供了关键的生态系统功能服务,是全球气候变化、碳、水循环研究的关键对象[1-2]。山地蕴含着十分丰富的植被资源,准确刻画山地植被的空间分布和生长模式、提取精细的植被物种信息,对于指导林业发展和研究植被碳源汇、气候以及可持续发展具有重要的科学意义和实用价值。
遥感技术为植被的分类与制图提供了丰富、高效的手段。光学遥感(多光谱、高光谱等)通过测量植被冠层的光谱响应,为植被分类提供关键的光谱特征数据[3-4]。然而,光学影像将三维场景的信息压缩到二维平面,难以反映植被高低错落的立体分布及其所处的地形特征。激光雷达(light detecting and ranging,LiDAR)通过主动发射并接收激光脉冲,可穿透植被冠层获取林下地形与植被垂直结构信息[5]。因此,许多研究采取LiDAR与多光谱或高光谱结合的方式开展植被精细分类,综合光谱、植被指数、纹理和结构等特征来有效提高分类精度[6-7]。山地因其复杂的地形条件和空间异质性增加了植被精细分类的难度,相关研究主要基于高分辨率影像和数字高程模型来建立遥感特征,利用机器学习方法实现山地植被的分类与制图[8-10]。然而,基于二维数据的分类制图难以呈现山地植被纷繁复杂的特征,无法反映植被的垂直结构和三维空间分布关系。因此,探索适用于山地植被的立体观测与三维制图方法,对于提高复杂环境下植被信息提取的可靠性尤为重要。
近年来,摄影测量技术的进步使得获取大规模场景的三维地理信息变得高效且经济。摄影测量获取的实景三维模型提供了连续的地表高分辨率纹理与几何信息,能够真实、立体地反映人类生产活动空间和资源环境的结构与状态[11]。常见的实景三维模型解译方法是将其转换为图像[12]、超面元[13]或重心点云[14],利用其他模态数据的分类技术来提取场景语义信息。实景三维模型提供了对植被的多角度观测信息,为植被的立体化监测开辟了新的途径。然而,实景三维模型的相关应用仍集中于城市场景的三维重建和语义分割[15-16],缺乏对自然场景的目标分类与识别研究。尽管已有学者开始将无人机航测获取的倾斜摄影模型或点云应用于植被监测,如入侵植被物种[17]和农作物[18]的识别,但都局限于单一的植被类型。实景三维模型在表示真实三维场景上比离散的LiDAR点云更具优势,但不具备LiDAR穿透森林冠层获取林下地表信息的能力,同时其光谱分辨率低于多光谱和高光谱,这些不足为基于实景三维的植被精细信息提取带来更多挑战。因此,深入研究实景三维模型与多源遥感数据的融合应用在植被遥感中的潜力,具有重要的研究价值。
针对植被精细分类以及实景三维应用的不足,本研究提出融合光学与LiDAR数据的实景三维模型山地植被制图方法。利用无人机航测获取实景三维模型、多光谱与LiDAR点云,在数据精确配准的基础上构建多源特征向量集,进一步采用LightGBM算法开展植被精细分类,最后通过二维分类图到三维模型的映射获得立体反映植被空间分布的语义三维模型。本研究可为山地植被的精细化、立体化监测提供科学依据与技术支撑。

1 研究区概况及数据源

1.1 研究区概况

广东内伶仃岛位于珠江口伶仃洋东侧(图1),地理位置为22°23'~22°25' N,113°46'~113°49' E,西北至东南长约4 km,南北宽约2 km,总陆地面积约4.98 km2,最高点海拔340.9 m,高差起伏较大。属南亚热带季风气候,年平均降水约2 055.8 mm,年平均气温约23.0 ℃,日照年总量约2 000 h。内伶仃岛植被覆盖率超过90%,最主要的自然植被型为常绿阔叶林和灌草丛,人工植被中的优势物种是台湾相思(Acacia confusa)、血桐(Macaranga tanarius)和荔枝(Litchi chinensis)[19]。本文选取内伶仃岛西侧部分为研究区,覆盖范围约1 000×800 m,海拔约0~116 m。
图1 研究区位置

Fig.1 Location of study area

1.2 数据源及预处理

研究采用数据均于2021年11月获取,3种数据采集过程如下: ①使用飞马D2000多旋翼无人机,搭载D-OP倾斜模块,飞行航高为300 m,航向重叠度80%,旁向重叠度70%,共采集4 245张像素尺寸为6 000×4 000的倾斜影像; ②搭载D-LiDAR 2000激光雷达模块采集LiDAR数据,采用三回波模式,飞行参数同上; ③使用DJI M300 RTK无人机搭载MS600型多光谱相机,拍摄6个波谱通道(中心波长分别为450 nm,555 nm,660 nm,710 nm,840 nm和940 nm)的影像。
倾斜影像处理软件为Mirague 3D,对数据进行空三加密,重建生成实景三维模型,空间分辨率优于5 cm。LiDAR数据经解算生成三维LiDAR点云,平均点密度大于100 points/m2,采用统计离群点(statistical outlier removal,SOR)滤波法去除噪声,并使用最小间距法对点云进行降采样,减少数据冗余。使用Yusense Ref工具对多光谱相片进行辐射定标(灰板反射率0.8)和拼接,通过波段合成获得6波段的多光谱影像,空间分辨率为0.13 m。
数据精确配准是多源信息融合与分析的前提。实景三维模型、多光谱和LiDAR点云之间无法直接进行配准,因此本研究将其转化为影像与影像、点云与点云之间的配准问题。实景三维模型是利用多视影像几何重建生成的由顶点、边和面组成的三角网格。如图2所示,对三维模型进行解析可得到与之空间几何关系严格对应的正射影像(digital orthophoto map,DOM)和顶点点云,分别用于配准多光谱和LiDAR点云: ①在DOM和多光谱影像上均匀地选择匹配点对,采用互相关匹配法[20]对多光谱进行空间变换; ②以顶点点云为基准,选取LiDAR点云中的同名点,利用CloudCompare的Align功能对LiDAR点云进行粗配准,随后采用迭代最近点算法[21]进行精配准。
图2 多源数据配准示意图

Fig.2 Schematic illustrations of multi-source data registration

2 研究方法

本研究总体技术路线如图3所示,具体步骤如下: ①提取实景三维模型、多光谱和LiDAR点云的特征,在二维层面融合多源数据特征,构建用于分类的特征向量集; ②采用LightGBM算法开展植被精细分类,评估不同数据特征的分类性能; ③将最佳的分类图语义映射至三维模型,实现植被语义三维制图与立体可视分析; ④目视解译样本的类别真值,分别对二维分类和三维语义制图结果进行精度评价。
图3 技术路线

Fig.3 Technical flowchart

2.1 多源特征集构建

1)实景三维模型特征。实景三维模型同时记录了地物的几何与纹理信息,可通过其顶点与DOM提取对应特征。首先计算顶点邻域的结构张量获取局部点的分布信息,进一步利用主成分分析法获得结构张量的特征值与特征向量,并衍生出三维形状特征[22]。此外,通过计算垂直度、粗糙度以及体积密度和表面密度增强对点局部平面和密度特征的描述。纹理能够描述植被的形状、大小和色彩等特性,可增强植被类型的区分度[23]。高分辨率DOM记录了丰富的表面细节,本文通过灰度共生矩阵对DOM第一主成分波段提取纹理特征,统计均值、方差、能量、同质性、对比度、不相似性、相关性、熵等特性。
2)多光谱特征。多光谱影像反射率值可直接用于识别植被类型。此外,植被指数可以有效增强植被光谱信息,被广泛应用于植被监测[24]。本研究综合研究区植被覆盖特点及已有研究成果,提取了5种植被指数,包括花青素反射指数1(anthocyanin reflectance index 1,ARI1)、改进叶绿素吸收率指数(modified chlorophyll absorption ratio index,MCARI)、归一化植被指数(normalized difference vegetation index,NDVI)、非线性指数(non-Linear index,NLI)和红绿比值指数(red green ratio index,RGRI)。计算公式如下:
$ARI1=\frac{1}{{\rho }_{555}}-\frac{1}{{\rho }_{710}}$
$\begin{array}{l}MCARI=\left[\right({\rho }_{710}-{\rho }_{660})-0.2\times \\ ({\rho }_{710}-{\rho }_{555})]\times \frac{{\rho }_{710}}{{\rho }_{660}}\end{array}$
$NDVI=\frac{{\rho }_{840}-{\rho }_{660}}{{\rho }_{840}+{\rho }_{660}}$
$NLI=\frac{{\rho }_{840}^{2}-{\rho }_{660}}{{\rho }_{840}^{2}+{\rho }_{660}}$
$RGRI=\frac{{\rho }_{660}}{{\rho }_{555}}$
式中: ${\rho }_{num}$表示中心波长为num的波段光谱反射率。
3)LiDAR特征。地形环境是影响植被物种空间分布的重要因素,而不同物种本身也表现出一定的高度差异。LiDAR对森林植被具有穿透性,能够为区分植被类型提供精确的地形和植被高度信息。LiDAR特征提取过程如下: ①地形特征: 采用克里金插值法,将所有LiDAR点高程插值生成数字表面模型(digital surface model, DSM); 随后使用模拟布料滤波算法[25]提取点云中的地面点,生成数字高程模型(digital elevation model, DEM); 通过对DSM和DEM进行差值运算,获得冠层高度模型(canopy height model, CHM); 此外,基于DEM提取地表的坡度(Slope)和坡向(Aspect)等地形因子。②高度特征: 为进一步利用植被本身的垂直结构信息,通过DEM对LiDAR点云进行归一化处理,并基于归一化植被点云的高度值计算一组统计参数[26],从而增强不同高度植被类型的区分性。
综上,本研究基于实景三维模型、多光谱和LiDAR点云提取了6类特征,包含二维的影像特征与三维的点云特征。为实现多源数据特征的优势互补,本文在数据精确配准的基础上,将三维的点云特征插值成二维影像,随后将所有特征影像重采样至同一空间分辨率(10 cm),进行图层的叠加融合,构建出一个分类特征向量集(表1)。
表1 特征集描述

Tab.1 Description of the feature set

数据源 特征类型 特征参数
实景三维模型 几何特征 线性度、平面度、球形度、全方差、各向异性、曲率变化、特征熵、特征值总和、垂直度、粗糙度、体积密度、表面密度
纹理特征 均值、方差、能量、同质性、对比度、不相似性、相关性、熵
多光谱 光谱波段 蓝、绿、红、红边、近红外、近红外-940
植被指数 ARI1,MCARI,NDVI,NLI,RGRI
LiDAR 地形特征 DSM,DEM,CHM,Slope,Aspect
高度特征 累积高度百分位数(1%,10%,20%,30%,40%,50%,60%,70%,80%,90%,99%)、平均绝对偏差、冠层起伏率、变异系数、峰度、二次幂平均、偏斜度、方差
多源数据融合 以上所有特征的组合

2.2 LightGBM分类

LightGBM是一个梯度提升决策树(gradient boosting decision tree,GBDT)算法优化框架[27],能够高效处理大规模数据和高维特征。GBDT采用梯度提升算法迭代生成一簇决策树作为最终预测模型,而LightGBM在GBDT基础上利用梯度单边采样与互斥特征捆绑2项新技术,具有准确性高、学习速度快等优势。目前LightGBM在遥感信息提取领域比传统机器学习算法表现出了更优异的性能[28]。因此,本研究通过构建LightGBM分类器来实现植被精细分类。
参考实地调查获取的样点信息和前人的研究成果[19],结合研究区的植被实际情况,对获取的DOM进行目视解译,将研究区植被类型划分为7个类别: 相思林、荔枝林、混合林、灌草丛、建筑、裸地和水体,每个类别各标注2万个样本像元。为提升分类的性能与可靠性,各类别均选择1万个样本用于训练,并在训练过程中使用五折交叉验证与网格搜索进行参数调优。此外,LightGBM分类器将应用于不同特征向量组合(表1),进行分类消融实验。根据LightGBM分类时输出的特征重要性与分类精度,评估不同特征变量对于分类的贡献。

2.3 三维语义制图

在地形复杂的山区,二维制图结果往往无法真实反映地形的起伏与植被的垂直结构。因此,本研究提出利用二维与三维的空间映射关系,构建植被语义三维模型,利用三维模型的空间信息直观地呈现山地植被的立体分布特征。如图4所示,经正射视角的投影,对实景三维模型网格表面的纹理贴图进行仿射变换处理能够获取对应的DOM,这有助于在二维空间中进行二-三维数据特征的融合与分类(3.2及3.3节)。DOM的分类图是三维制图的中间产物,将每个像素的分类结果反投影回三维网格,能够自动标注三维网格模型中每个三角面的语义类别,从而生成全场景的语义三维模型。
图4 三维语义制图示意图

Fig.4 Illustration of 3D semantic mapping

2.4 精度评价

混淆矩阵是分类精度评价的标准方法,本研究基于混淆矩阵分别计算5个评价指标: 总体精度(overall accuracy,OA)、生产者精度(producer accuracy,PA)、用户精度(user accuracy, UA)、F1分数和Kappa系数(K),计算公式如下:
$OA=\frac{TP+TN}{TP+TN+FP+FN}\times 100\mathrm{\%}$
$UA=\frac{TP}{TP+FP}$
$PA=\frac{TP}{TP+FP}$
$F1=2\times \frac{UA\times PA}{UA+PA}\times 100\mathrm{\%}$
$K=\frac{2\times (TP\times TN-FN\times FP)}{(TP+FP)\times (FP+TN)+(TP+FN)\times (FN+TN)}$
式中: TP为分类正确的正样本数量; TN为分类正确的负样本数量; FP为分类错误的正样本数量; FN为分类错误的负样本数量。
实验采用人工标注的样本测试集来计算二维分类图的混淆矩阵,每种类别各1万个像元。对于三维制图结果,则通过对实景三维模型的目视解译标注出5个具有代表性的模型样方类别真值,每个样方约50 m×50 m(俯视),以样方模型的三角面为单元计算混淆矩阵,并利用面积进行加权统计。

3 结果与分析

3.1 植被分类结果与对比

分类精度见表2,由表2可知,仅使用一种数据对植被进行精细分类时,LiDAR特征的OA最高(95.47%),其次是实景三维模型(92.97%),多光谱的分类精度最低(88.46%)。融合所有数据特征,得到了最好的植被分类结果,OA达到99.75%,比单独使用实景三维模型、多光谱和LiDAR特征的OA分别提高了6.78%,11.29%和4.28%。对于不同的植被类型,其最高分类精度的实现并不总依赖于某一特征。基于LiDAR数据的地形特征对于荔枝林(90.36%)、混合林(82.86%)、灌草丛(92.7%)以及建筑(93.29%)的识别精度最高,高度特征则对相思林实现了最高的分类精度(90.36%)。实景三维模型的几何特征与多光谱波段分别在水体(98.59%)和裸地(91.71%)的分类精度上达到最高。另外,对同一数据的不同特征进行组合,都比单一特征的分类精度更高。
表2 不同数据特征的分类精度对比

Tab.2 Classification accuracy evaluation from different features

数据 特征 F1/% OA/%
相思林 荔枝林 混合林 灌草丛 建筑 裸地 水体
实景三维模型 几何 75.29 87.68 71.95 86.08 90.37 86.8 98.59 85.28
纹理 86.18 80.33 76.53 81.76 88.33 86.61 98.43 85.46
几何+纹理 92.19 90.80 89.25 91.97 93.51 93.39 99.65 92.97
多光谱 波段 88.23 78.25 71.29 88.99 90.73 91.71 96.42 86.60
指数 74.80 72.57 64.47 83.83 81.98 87.84 94.3 80.07
波段+指数 89.40 80.11 73.94 90.80 93.31 93.86 97.39 88.46
LiDAR 地形 86.78 96.38 82.86 92.70 93.29 91.39 97.24 91.53
高度 90.36 92.98 81.10 88.77 90.17 88.02 89.59 88.81
地形+高度 94.15 97.90 90.60 96.09 95.83 95.28 98.47 95.47
多源数据融合 所有特征 99.51 99.90 99.3 99.85 99.84 99.86 99.99 99.75
单独使用实景三维模型的植被分类图与实际较为一致(图5(a)),在岸边的裸地区域存在较为明显的错分。仅使用多光谱数据的分类图存在严重的椒盐噪声,且将许多树种误分为草丛(图5(b))。在LiDAR数据获得的分类图中,部分相思林和其他树种被错误识别成了建筑(图5(c))。所有数据特征融合的分类结果最佳,获得了准确的植被水平分布信息(图5(d))。图5(e)为DOM及样本点分布。
图5 不同数据的植被精细分类图

Fig.5 Fine vegetation classification maps using different data

3.2 特征重要性分析

图6为分类精度与特征重要性的关系,分析图6可知,在特征重要度最高的15个特征中,实景三维的特征有5个(体积密度、纹理均值、熵、能量和方差),多光谱特征占6个(RGRI、蓝波段、NDVI、近红外波段、ARI1和MCARI),LiDAR数据特征有4个(DEM,DSM,Slope和累积高度1%)。其中,对于植被分类的重要性最为显著的是DEM,DSM和纹理均值。图6(b)显示,特征个数较少时OA随特征个数的增加显著提高,提高幅度随特征数增加而降低。仅使用DEM和DSM这2种地形特征,其OA为82.58%。当特征数达到8个时,OA已经达到99.02%,此时增加特征对于精度的提高非常有限。叠加54个特征后,最终OA为99.75%。可见,经LightGBM优选的少量多源融合优势特征也可达到足够高的分类精度。
图6 分类精度与特征重要性的关系

Fig.6 Schematic illustrations of classification accuracy and feature importance

3.3 三维制图结果

将最佳分类图的语义映射到三维网格模型得到语义三维模型,实现了研究区的三维制图。从图7和表3来看,所提方法取得了较高的三维制图精度,OA为92.06%,Kappa系数为0.89。在植被类型中,荔枝林的制图精度最高(UA=98.8%,PA=92.57%),其次是相思林(UA=95.58%, PA=89.35%)和混合林(UA=89.51%, PA=94.93%),灌草丛的精度最低(UA=90.48%, PA=86.52%)。相思林和混合林的制图误差主要在于两者之间的混分,而灌草丛则被较多地误分为与之更为邻近的混合林。对于非植被类型,水体的制图精度最高(UA=98.68%),与建筑(UA=77.25%)邻近的植被容易被误分为建筑,而裸地(PA=87.69%)与树林邻近时则容易被误分为树林。
图7 三维制图结果(局部)

Fig.7 3D map of the sample meshes

表3 三维制图混淆矩阵

Tab.3 Confusion matrix of the 3D mapping

类别 相思林/m2 荔枝林/m2 混合林/m2 灌草丛/m2 建筑/m2 裸地/m2 水体/m2 PA/%
相思林 7 589.17 3.22 887.19 0.67 7.37 5.96 0.00 89.35
荔枝林 0.57 2 695.00 116.16 3.09 96.51 0.00 0.00 92.57
混合林 273.48 18.97 10 865.33 134.58 110.48 42.96 0.00 94.93
灌草丛 3.79 3.29 187.89 1 504.19 27.87 11.43 0.00 86.52
建筑 0.72 1.90 8.00 0.83 947.26 19.21 0.00 96.86
裸地 72.38 5.40 74.17 19.10 36.73 1 514.38 4.81 87.69
水体 0.00 0.00 0.00 0.00 0.00 19.14 359.28 94.94
UA/% 95.58 98.8 89.51 90.48 77.25 93.88 98.68 —
OA/% 92.06
Kappa 0.89

3.4 立体可视分析

三维实景和语义模型支持缩放和拖拽操作,能够提供全方位视角的自然和语义场景信息,直观形象地呈现不同植被随地形变化的空间分布和垂直结构(图8)。表4为不同植被类型的空间分布参数,分析可知,相思林作为优势物种呈大片状占据在区域顶部(平均生长海拔为51.34 m),而由针叶林和阔叶林交织生长的混合林分布最广(三维面积占比66.14%)。荔枝树是人工种植的果树,集中生长于一片相对平坦的区域(平均海拔7.68 m,平均坡度15.32°)。灌草丛主要分布于海岸边低矮处(平均海拔7.97 m),部分以薇甘菊为主的入侵植被呈现匍匐或攀援的姿态依附在其他树木上向岛内延伸。同时,表4统计了各种植被三维与二维面积的比值,该值可近似看作叶面积指数,表征植被几何结构与生长状态。其中,值最高的是长势高大的相思林(4.13),其次是混合林(2.5),荔枝林和灌草丛的值较低。由此可见,三维制图与分析有助于直观地理解植被组成成分在空间分布上的差异,进一步发现不同植被物种的生长规律。
图8 全场景实景三维模型与语义三维模型

Fig.8 Textured 3D mesh and semantic 3D mesh of the whole scene

表4 不同植被类型的空间分布参数

Tab.4 Spatial distribution parameters of different vegetation

植被类型 平均海拔/m 平均坡度/(°) 二维面积/m2 二维面积占比/% 三维面积/m2 三维面积占比/% 三维面积/二维面积
相思林 51.34 25.26 84 658.3 19.04 349 930.5 28.79 4.13
荔枝林 7.68 15.32 12 452.8 2.80 17 616.1 1.45 1.41
混合林 42.55 25.73 320 953.0 72.18 803 781.6 66.14 2.50
灌草丛 7.97 20.10 26 605.3 5.98 43 982.0 3.62 1.65

4 讨论

4.1 多源数据的分类性能

本研究通过无人机航测获取实景三维模型、多光谱和LiDAR点云数据,探索了3种数据源应用于山地植被精细分类的能力。众多研究已经证实,多源数据的融合能够有效提升植被分类精度,如Qin等[28]利用无人机获取的LiDAR、高光谱和超高分辨率RGB影像绘制亚热带森林的18个树种分布图,融合结构、光谱和纹理特征的分类精度比仅使用单一特征提高10.2%~19%; 鄢敏等[25]融合无人机RGB影像和点云特征对乔木林进行单木尺度的植被分类,样本测试精度达到99.4%。不同于以往仅结合影像(可见光、多光谱、高光谱等)和LiDAR数据的相关研究,本文尝试将实景三维模型应用于山地植被的精细分类,并进一步与多光谱、LiDAR特征进行融合,丰富了数据对于植被特征的表达,因此能够更准确地识别植被物种。
LightGBM的分类精度评价与特征重要性分析显示,实景三维模型的特征能够有效区分植被类型。实验使用DEM和DSM分类时(OA=82.58%),仅增加一个纹理特征就提高了8.36%的精度,说明了纹理信息的重要性,这在之前的研究中已有所体现[17]。三维几何特征与纹理特征的分类效果总体接近,可以较好地识别相对规整的荔枝林和灌草丛,但对于相思林和混合林等乔木林的识别精度则较低,主要原因可能是这种典型的南方山地森林树木种类繁多,乔木冠层往往具有多样的几何形态结构。实景三维模型兼具高分辨率纹理与三维几何结构信息,2种特征的结合可以显著提高分类精度[14],在植被精细分类中表现出独特优势。
多光谱的光谱特征分类精度略高于实景三维模型的单一特征,能够较好地识别优势物种相思林。然而,仅使用多光谱信息识别其他树种的能力有限,且分类结果较为破碎。这可能是由于地形的起伏和森林冠层的重叠交错,不同植被之间边界模糊,部分混合林的树木与相思木和荔枝树之间表现出相似的光谱特征。单一数据分类过程中,LiDAR的分类性能最佳,LiDAR特征的优势大于影像衍生的纹理特征或光谱特征。这与前人的一些研究发现类似[7-8,29-30],但也与部分研究的结论相矛盾[26]。对三维制图结果进行立体可视分析发现,研究区的植被物种随地形的变化而呈现出垂直以及局部的分异规律,这种规律使得LiDAR衍生的垂直结构特征在植被类型的识别上起到了关键作用。

4.2 实景三维的制图优势

尽管许多研究通过融合多源数据来提高山地植被精细分类的精度,但分类结果仍局限于二维制图[8-10],忽略了植被类型在垂直方向上的排列成层现象。与本研究类似,Wu等[16]直接利用实景三维模型来绘制入侵植被薇甘菊的三维空间分布,显著降低了地形起伏的影响,总精度达到93.25%。与Wu等仅使用光谱和纹理特征识别入侵植被物种不同,本研究进一步挖掘了实景三维模型的空间几何特征,并探讨了其与多光谱和LiDAR数据特征融合的优势。因此,在山地这类复杂环境下的植被精细制图方面,本文方法展现出更强的泛化能力。
实景三维模型提供了逼真的场景重构和虚实结合的空间拓展,具有良好的空间量算和立体可视分析潜力。如图7和图8所示,相比平面的分类图,本文基于实景三维模型的语义三维制图有效表达了山地的三维形态特征,更真实直观地展示了植被在水平与垂直方向上的立体层次分布。在地形平坦的地区,基于二维影像的分类图可以相对准确地计算植被类型的面积; 然而,在地形复杂的山地区域,二维制图忽略了地形高差起伏与高层植被遮挡的影响,对于分布在坡度较大区域的植被,如本研究区高处的相思林(平均坡度25°)和山坡处的灌草丛(平均坡度21°),容易造成植被面积统计上的低估。三维制图结果具有丰富的二维和三维场景语义信息,为更准确、更广泛地提取植被定量信息提供了新的可能,这对后续的森林叶面积指数及生物量等植被结构参数的精确估算具有重要意义。

4.3 研究展望

本文验证了基于实景三维模型与二维分类映射实现植被三维制图的可行性,这为大规模自然场景的三维语义信息提取提供了参考。然而,仅考虑正射视图的分类与制图方法也存在不足,无法正确绘制顶部乔木冠层遮盖下的低矮灌木和草地等植被类型,导致二维分类结果(OA=99.75%)与三维制图结果(OA=92.06%)之间存在较大的制图误差。如图7区域3所示,受遮挡的影响,部分裸地被错误地归类为上层的相思林。对此,基于植被高度对实景三维模型进行垂直结构分层,再开展森林植被的单体精细分割与制图,是本文未来拓展研究的重要方向。

5 结论

山地复杂的地形环境与植被分布的空间异质性为植被信息提取增加了不确定性,仅使用传统的二维数据难以准确提取精细的植被信息。本研究首次提出了一种融合光学与LiDAR数据的实景三维模型山地植被精细分类与三维制图方法,并成功应用于广东内伶仃岛,主要结论如下:
1)实景三维模型本身包含的丰富信息能够有效区分植被类型,与多源数据的特征融合能更为全面地描述植被特性,二维分类总精度比仅使用单一数据提升4.28%~11.29%。
2)本文基于二维影像与三维模型语义投影的三维制图方法总精度达92.06%,Kappa系数为0.89,能够实现植被精细信息的高效提取。
3)构建的语义三维模型可实现全方位场景的立体可视分析,更加真实直观地反映山地植被的地形起伏与垂直结构分布,进一步说明了实景三维在区域森林资源立体化遥感监测中的巨大潜力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
De Frenne P, Zellweger F, Rodríguez-Sánchez F, et al. Global buffering of temperatures under forest canopies[J]. Nature Ecology and Evolution, 2019, 3(5):744-749.

DOI

[2]
Seidl R, Schelhaas M J, Rammer W, et al. Increasing forest disturbances in Europe and their impact on carbon storage[J]. Nature Climate Change, 2014, 4(9):806-810.

PMID

[3]
Lu Y, Wang L. How to Automate timely large-scale mangrove mapping with remote sensing[J]. Remote Sensing of Environment, 2021,264:112584.

[4]
明義森, 刘启航, 柏荷, 等. 利用光学和SAR遥感数据的若尔盖湿地植被分类与变化监测[J]. 遥感学报, 2023, 27(6):1414-1425.

Ming Y S, Liu Q H, Bai H, et al. Classification and change detection of vegetation in the Ruoergai Wetland using optical and SAR remote sensing data[J]. National Remote Sensing Bulletin, 2023, 27(6):1414-1425.

DOI

[5]
Marselis S M, Tang H, Armston J D, et al. Distinguishing vegetation types with airborne waveform lidar data in a tropical forest-savanna mosaic:A case study in Lopé National Park,Gabon[J]. Remote Sensing of Environment, 2018,216:626-634.

[6]
吴培强, 任广波, 张程飞, 等. 无人机多光谱和LiDAR的红树林精细识别与生物量估算[J]. 遥感学报, 2022, 26(6):1169-1181.

Wu P Q, Ren G B, Zhang C F, et al. Fine identification and biomass estimation of mangroves based on UAV multispectral and LiDAR[J]. National Remote Sensing Bulletin, 2022, 26(6):1169-1181.

DOI

[7]
张妮娜, 张珂, 李运平, 等. 中国南方典型湿润山区植被类型的无人机多光谱遥感机器学习分类研究[J]. 遥感技术与应用, 2023, 38(1):163-172.

DOI

Zhang N N, Zhang K, Li Y P, et al. Study on Machine Learning methods for vegetation classification in typical humid mountainous areas of south China based on the UAV multispectral remote sensing[J]. Remote Sensing Technology and Application, 2023, 38(1):163-172.

[8]
郭逸飞, 吴田军, 骆剑承, 等. 基于不确定性迭代优化的山地植被遥感制图[J]. 地球信息科学学报, 2022, 24(7):1406-1419.

DOI

Guo Y F, Wu T J, Luo J C, et al. Remote sensing mapping of mountain vegetation via uncertainty-based iterative optimization[J]. Journal of Geo-Information Science, 2022, 24(7):1406-1419.

[9]
杨丹, 周亚男, 杨先增, 等. LSTM支持下时序Sentinel-1A数据的太白山区植被制图[J]. 地球信息科学学报, 2020, 22(12):2445-2455.

DOI

Yang D, Zhou Y N, Yang X Z, et al. Vegetation mapping in Taibai Mountain area supported by LSTM with time series sentinel-1A data[J]. Journal of Geo-Information Science, 2020, 22(12):2445-2455.

[10]
张帆, 黄先锋, 高云龙, 等. 实景三维中国建设技术大纲(2021版)解读与思考[J]. 测绘地理信息, 2021, 46(6):171-174.

Zhang F, Huang X F, Gao Y L, et al. Interpretation and reflection on technology outline of national 3D real scene(2021 edition)[J]. Journal of Geomatics, 2021, 46(6):171-174.

[11]
曲俸磊, 胡忠文, 张英慧, 等. 基于多视角二维投影的实景三维模型解译[J]. 地球信息科学学报, 2024, 26(3):654-665.

DOI

Qu F L, Hu Z W, Zhang Y H, et al. Classification of textured 3D mesh models based on multiview 2D mapping[J]. Journal of Geo-Information Science, 2024, 26(3):654-665.

[12]
Rouhani M, Lafarge F, Alliez P. Semantic segmentation of 3D textured meshes for urban scene analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017,123:124-139.

[13]
Laupheimer D, Haala N. Multi-modal semantic mesh segmentation in urban scenes[J]. ISPRS Annals of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2022,V-2-2022:267-274.

[14]
董梦成, 谢科, 黄惠. 城区场景建筑物单体分割与结构重建耦合研究[J]. 中国科学:信息科学, 2024, 54(2):281-300.

Dong M C, Xie K, Huang H. Coupled study on instance segmentation and structural reconstruction of buildings in 3D urban scenes[J]. Scientia Sinica (Informationis), 2024, 54(2):281-300.

[15]
张荣庭, 张广运, 尹继豪. 复杂城市动态图卷积网络三维场景语义分割法[J]. 测绘学报, 2023, 52(10):1703-1713.

DOI

Zhang R T, Zhang G Y, Yin J H. Semantic segmentation method of 3D scenes using dynamic graph CNN for complex city[J]. Acta Geodaetica et Cartographica Sinica, 2023, 52(10):1703-1713.

DOI

[16]
Wu Z, Ni M, Hu Z, et al. Mapping invasive plant with UAV-derived 3D mesh model in mountain area—a case study in Shenzhen Coast,China[J]. International Journal of Applied Earth Observation and Geoinformation, 2019,77:129-139.

[17]
Jurado J M, Ortega L, Cubillas J J, et al. Multispectral mapping on 3D models and multi-temporal monitoring for individual characterization of olive trees[J]. Remote Sensing, 2020, 12(7):1106.

DOI

[18]
乔雪婷, 张娟娟, 李文斌, 等. 基于无人机遥感技术的广东内伶仃岛植被类型划分与植被图[J]. 中山大学学报(自然科学版), 2022, 61(4):22-30.

Qiao X T, Zhang J J, Li W B, et al. Vegetation classification and vegetation map of Neilingding Island in Guangdong Province based on UAV remote sensing technology[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2022, 61(4):22-30.

[19]
Martinez A, Garcia-Consuegra J, Abad F. A correlation-symbolic approach to automatic remotely sensed image rectification[C]// IEEE 1999 International Geoscience and Remote Sensing Symposium.IGARSS’99.June 28 - July 2,1999, Hamburg,Germany.IEEE, 2002:336-338.

[20]
Besl P J, McKay N D. A method for registration of 3-D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2):239-256.

DOI

[21]
Weinmann M, Jutzi B, Hinz S, et al. Semantic point cloud interpretation based on optimal neighborhoods,relevant features and efficient classifiers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,105:286-304.

[22]
Ferreira M P, Wagner F H, Aragão L E O C, et al. Tree species classification in tropical forests using visible to shortwave infrared WorldView-3 images and texture analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019,149:119-131.

[23]
陈树新, 刘炳杰, 王海熠, 等. 结合可见光植被指数和分水岭算法的单木树冠信息提取[J]. 遥感技术与应用, 2024, 39(1):34-44.

DOI

Chen S X, Liu B J, Wang H Y, et al. Extraction of individual tree crown based on UAV tilt photogrammetry[J]. Remote Sensing Technology and Application, 2024, 39(1):34-44.

[24]
Zhang W, Qi J, Wan P, et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing, 2016, 8(6):501.

DOI

[25]
鄢敏, 夏永华, 王冲, 等. 无人机点云与图像跨模态混合融合的乔木林单木尺度树种分类研究[J]. 遥感技术与应用, 2024, 39(1):87-97.

DOI

Yan M, Xia Y H, Wang C, et al. Study on classification of Arbor tree species at single tree scale based on cross-modal hybrid fusion of UAV point cloud and image[J]. Remote Sensing Technology and Application, 2024, 39(1):87-97.

[26]
Ke G, Meng Q, Finley T, et al. LightGBM[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems.December 4 - 9,2017,Long Beach,California,USA.ACM, 2017:3149-3157.

[27]
史飞飞, 高小红, 肖建设, 等. 基于集成学习和多时相遥感影像的枸杞种植区分类[J]. 自然资源遥感, 2022, 34(1):115-126.doi:10.6046/zrzyyg.2021064.

Shi F F, Gao X H, Xiao J S, et al. Classification of wolfberry planting areas based on ensemble learning and multi-temporal remote sensing images[J]. Remote Sensing for Natural Resources, 2022, 34(1):115-126.doi:10.6046/zrzyyg.2021064.

[28]
Qin H, Zhou W, Yao Y, et al. Individual tree segmentation and tree species classification in subtropical broadleaf forests using UAV-based LiDAR,hyperspectral,and ultrahigh-resolution RGB data[J]. Remote Sensing of Environment, 2022,280:113143.

[29]
Alonzo M, Bookhagen B, Roberts D A. Urban tree species mapping using hyperspectral and lidar data fusion[J]. Remote Sensing of Environment, 2014,148:70-83.

[30]
徐逸, 甄佳宁, 蒋侠朋, 等. 无人机遥感与XGBoost的红树林物种分类[J]. 遥感学报, 2021, 25(3):737-752.

Xu Y, Zhen J N, Jiang X P, et al. Mangrove species classification with UAV-based remote sensing data and XGBoost[J]. National Remote Sensing Bulletin, 2021, 25(3):737-752.

DOI

Options
Outlines

/

〈 〉