LiDAR單木分割輔助的無人機(jī)影像CNN+EL樹種識(shí)別

徐志揚(yáng) 陳 巧 陳永富

(1.中國林業(yè)科學(xué)研究院資源信息研究所， 北京 100091； 2.國家林業(yè)和草原局華東調(diào)查規(guī)劃院， 杭州 310019；3.國家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室， 北京 100091)

0 引言

樹種分類識(shí)別是森林資源經(jīng)營管理、生物多樣性監(jiān)測評(píng)價(jià)的重要工作基礎(chǔ)。采用遙感手段進(jìn)行區(qū)域尺度的樹種分類與制圖一直是樹種分類識(shí)別的熱門研究內(nèi)容[1-2]，它通常以航空或航天遙感獲得的多光譜、高光譜以及激光雷達(dá)(Light detection and ranging，LiDAR)為數(shù)據(jù)源，使用單一數(shù)據(jù)源或者他們的各種組合變量及紋理特征[3-5]，再用機(jī)器學(xué)習(xí)方法如支持向量機(jī)(Support vector machine，SVM)、隨機(jī)森林(Random forest，RF)等建立分類模型以完成樹種分類識(shí)別[6-7]，這為宏觀尺度的樹種信息獲取提供了重要方法，但是該類遙感數(shù)據(jù)易受氣溶膠等影響和數(shù)據(jù)獲取周期束縛，難以滿足森林經(jīng)營單位級(jí)的小范圍、高精度、高時(shí)效性森林信息獲取需求。無人機(jī)(Unmanned aerial vehicle，UAV)因其小巧靈活且能夠在云下低空飛行，為森林經(jīng)營單位級(jí)森林信息獲取提供了一個(gè)重要解決方案。通過在無人機(jī)上搭載多光譜設(shè)備、數(shù)碼相機(jī)或者激光雷達(dá)掃描儀，可以及時(shí)獲得超高分辨率遙感數(shù)據(jù)，一些學(xué)者提取其光譜(或波段值)以及植被指數(shù)、紋理特征、樹冠三維結(jié)構(gòu)特征并結(jié)合機(jī)器學(xué)習(xí)方法進(jìn)行了樹種信息提取研究[8-9]，特征變量提取過程復(fù)雜，提取精度也較為有限。

近年來，深度學(xué)習(xí)尤其是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)因其優(yōu)秀的層次化特征自動(dòng)提取能力和較高的識(shí)別精度使得其在樹種分類識(shí)別中也得以應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)如VGG、GoogLeNet等隨著網(wǎng)絡(luò)層數(shù)加深易出現(xiàn)資源消耗大、模型過擬合、梯度消失與爆炸等問題，HE等[10]提出的殘差網(wǎng)絡(luò)(Residual network，ResNet)較好地解決了卷積神經(jīng)網(wǎng)絡(luò)模型梯度爆炸和網(wǎng)絡(luò)退化問題，研究表明它成為了一種分類效果較好的卷積神經(jīng)網(wǎng)絡(luò)模型[11-13]。ResNet50模型是殘差網(wǎng)絡(luò)中一個(gè)較為成功的模型，然而，小樣本數(shù)據(jù)集下單個(gè)網(wǎng)絡(luò)模型訓(xùn)練精度和泛化能力難以充分保障，而集成學(xué)習(xí)策略為模型精度和泛化能力改善提供了可能性[7，14-18]，較多實(shí)踐證明了集成學(xué)習(xí)模型優(yōu)于單個(gè)分類模型。

為了有效提取卷積神經(jīng)網(wǎng)絡(luò)特征信息和充分發(fā)揮集成學(xué)習(xí)模型優(yōu)勢以提高分類精度，引入ResNet50卷積神經(jīng)網(wǎng)絡(luò)用于樹種分類識(shí)別，擬將有效通道注意力機(jī)制(Efficient channel attention，ECA)融入ResNet50網(wǎng)絡(luò)的瓶頸模塊，搭建改進(jìn)的ECA-ResNet50網(wǎng)絡(luò)，同時(shí)以膨脹卷積代替ECA-ResNet50網(wǎng)絡(luò)瓶頸模塊3×3正常卷積，搭建改進(jìn)的ECA-ResNet50-Dialate網(wǎng)絡(luò)，然后以ResNet50為主干架構(gòu)，將ECA-ResNet50、ECA-ResNet50-Dialate的卷積模塊配置(3,4,6,3)修改為(3,3,3,3)，搭建ECA-ResNet-mini、ECA-ResNet-mini-Dialate 2個(gè)網(wǎng)絡(luò)，最后以ResNet50網(wǎng)絡(luò)和搭建的4個(gè)卷積神經(jīng)網(wǎng)絡(luò)為基分類器，采用相對(duì)多數(shù)投票法建立集成學(xué)習(xí)模型。

雖然一些學(xué)者進(jìn)行了無人機(jī)遙感數(shù)據(jù)樹種分類識(shí)別的相關(guān)研究[8-9,12]，但大多存在研究對(duì)象相對(duì)簡單、分類精度不高的缺陷，或者僅停留在林分尺度，而截至目前應(yīng)用無人機(jī)遙感數(shù)據(jù)進(jìn)行高郁閉度林分內(nèi)單木樹種的高精度識(shí)別研究并不多見。為了研究高郁閉度條件下無人機(jī)多源遙感數(shù)據(jù)協(xié)同用于樹種分類識(shí)別能力，本文擬以亞熱帶喬木林為研究對(duì)象，基于同期獲取的無人機(jī)激光雷達(dá)數(shù)據(jù)和可見光圖像提取研究區(qū)單木樹冠，為便于卷積神經(jīng)網(wǎng)絡(luò)有效提取樹冠局部與全局特征，以略大于完整單株樹冠的窗口尺寸96像素×96像素提取研究區(qū)5類喬木林分主要樹種：杉木(Cunninghamialanceolata)、馬尾松(Pinusmassoniana)、榿木(Alnuscremastogyne)、鵝掌楸(Liriodendronchinense)、其他闊葉樹(other broad-leaves)的單木樹冠可見光影像集，利用提出的卷積神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)模型進(jìn)行樹種分類識(shí)別模型訓(xùn)練和獨(dú)立測試，以期為綜合利用無人機(jī)多源遙感進(jìn)行較為復(fù)雜的高郁閉度林分樹種識(shí)別提供參考。

1 材料與方法

1.1 研究區(qū)概況與數(shù)據(jù)來源

1.1.1研究區(qū)概況

研究區(qū)位于江西省分宜縣內(nèi)中國林業(yè)科學(xué)研究院亞熱帶林業(yè)實(shí)驗(yàn)中心年珠實(shí)驗(yàn)林場(27°30′～27°45′N，114°30′～114°45′E)，地貌屬低山丘陵，海拔220～1 092 m，土壤為黃紅壤，年均氣溫16.8℃，日最高氣溫39.9℃，最低氣溫-8.3℃，年降雨量為 1 950.9 mm，集中在3—6月，無霜期252 d。研究區(qū)內(nèi)喬木林郁閉度0.7以上，主要類型為杉木林(Cunninghamialanceolata)、馬尾松林(Pinusmassoniana)、榿木林(Alnuscremastogyne)、鵝掌楸林(Liriodendronchinense)、其他闊葉林(other broad-leaves)。闊葉林中主要樹種有：樟樹(Cinnamomumcamphora)、大葉錐栗(Castaneahenryi)、鉤錐(Castnopsistibetana)、甜櫧(Castanopsiseyrei)、苦櫧(Castanopsissclerophylla)、木荷(Schimasuperba)、刨花潤楠(Machiluspauhoi)等。

1.1.2數(shù)據(jù)來源

無人機(jī)搭載RIEGL VUX-1LR型激光雷達(dá)傳感器通過近紅外(波長1 550 nm)激光束和旋轉(zhuǎn)鏡330°視場角快速掃描實(shí)現(xiàn)激光雷達(dá)數(shù)據(jù)的高速獲取，搭載Sony ILCE-6000型微單相機(jī)采集可見光數(shù)據(jù)，使用動(dòng)態(tài)后處理(Post processed kinematic，PPK)定位技術(shù)實(shí)現(xiàn)高定位精度15 mm，數(shù)據(jù)采集于2019年6月底，采用仿地飛行模式，以地形表面為基準(zhǔn)設(shè)置相對(duì)高度，在160 m高度上采集激光雷達(dá)數(shù)據(jù)和可見光圖像。

由于2019年開展生物量遙感估測調(diào)查的圓形樣地絕大部分為杉木林，為避免不均衡樣本模型訓(xùn)練時(shí)產(chǎn)生分類偏差，于2020年7月重新調(diào)查完成15個(gè)面積為0.04 hm2的喬木林圓形樣地，且各樹種數(shù)量相對(duì)均衡，采用實(shí)時(shí)動(dòng)態(tài)(Real-time kinematic，RTK)載波相位差分技術(shù)定位并記錄樣地中心點(diǎn)坐標(biāo)，記載胸徑5 cm以上樹木的每木相對(duì)位置、樹種、胸徑、樹高、枝下高、林木分級(jí)、枯死原因、東西南北向冠幅等?？紤]到研究區(qū)內(nèi)無明顯的森林經(jīng)營活動(dòng)，也無速生樹種生長，而且按照亞熱帶常見針葉、闊葉樹種的生長速率來看，2019年6月底至2020年7月各樣木的位置、樹冠尺寸均無明顯差異，因此，2020年7月調(diào)查的單木樣本可以與2019年6月底的無人機(jī)遙感數(shù)據(jù)匹配用于樹種分類。

此外，收集2019年7月通過無人機(jī)冠層監(jiān)測到的野外RTK定位(精度小于1 m)的實(shí)測單木位置、樹種、胸徑、樹高、冠幅等數(shù)據(jù)。

1.2 研究方法

1.2.1遙感數(shù)據(jù)預(yù)處理

利用數(shù)字綠土LiDAR360軟件進(jìn)行激光雷達(dá)點(diǎn)云數(shù)據(jù)預(yù)處理，首先去噪、分類，然后用Kriging法對(duì)地面點(diǎn)插值得到0.5 m的數(shù)字高程模型(DEM)，將去噪分類后的點(diǎn)云高程減去對(duì)應(yīng)DEM像元值完成點(diǎn)云歸一化，利用LASTools開源工具對(duì)歸一化后的點(diǎn)云生成無孔洞的冠層高度模型(Pit-Free CHM)[19]。

可見光圖像處理使用數(shù)字綠土LiMapper軟件進(jìn)行。主要處理流程包括導(dǎo)入圖像、影像對(duì)齊、生成密集匹配點(diǎn)云、生成DEM/DSM和生成正射影像(空間分辨率0.05 m)。

以同期、相同航高下的激光雷達(dá)生成的冠層高度模型為參考基準(zhǔn)，對(duì)可見光圖像進(jìn)行校正。

1.2.2深度學(xué)習(xí)樣本

1.2.2.1單木樹冠分割

單木樹冠分割是采用一定算法將點(diǎn)云或者遙感影像分割為多個(gè)部分，每個(gè)部分被認(rèn)為是一株樹木。相關(guān)研究表明，中低郁閉度林分能夠采用LiDAR點(diǎn)云數(shù)據(jù)有效提取單木樹冠[20-21]，常用方法是利用CHM圖像進(jìn)行局部最大值法探測標(biāo)記樹頂再結(jié)合標(biāo)記控制分水嶺法分割單木，而在高郁閉林分條件下，因單木樹頂難以確定且樹冠重疊，直接進(jìn)行CHM單木分割容易導(dǎo)致樹木過分割或欠分割。本研究將CHM和可見光圖像二者結(jié)合，首先通過調(diào)試優(yōu)選CHM單木分割參數(shù)，設(shè)置高斯平滑sigma參數(shù)為0.5，采用標(biāo)記控制分水嶺法提取探測的單木位置與樹冠矢量圖形；然后通過對(duì)可見光圖像進(jìn)行HSV變換與顏色閾值設(shè)置、形態(tài)學(xué)開閉運(yùn)算等提取樹冠區(qū)域；最后結(jié)合可見光圖像、CHM分割單株樹冠矢量圖形、樹冠區(qū)域，設(shè)置分割尺度、形狀因子、緊致度為80、0.8、0.9，利用eCognition軟件進(jìn)行多尺度分割[22]，得到分割結(jié)果，并根據(jù)地面實(shí)測數(shù)據(jù)進(jìn)行單木分割結(jié)果檢驗(yàn)。為驗(yàn)證單木樹冠探測精度，利用地理信息系統(tǒng)(Geographic information system,GIS)將CHM和可見光圖像疊加顯示，對(duì)比LiDAR樹頂探測結(jié)果與地面樣地單木位置，參考相關(guān)研究采用探測率(r)、正確率(p)和總體精度(F)驗(yàn)證精度[23]。為滿足分類樣本數(shù)量需求，對(duì)過分割或欠分割樹冠進(jìn)行手動(dòng)調(diào)整。

1.2.2.2樣本庫構(gòu)建

深度學(xué)習(xí)需要大量帶標(biāo)簽的訓(xùn)練數(shù)據(jù)樣本支持，以避免因模型過于復(fù)雜而數(shù)據(jù)量太少出現(xiàn)過擬合的問題。以2020年調(diào)查的10個(gè)圓形樣地和2019年RTK實(shí)測定位的單木數(shù)據(jù)為訓(xùn)練集(總數(shù)1 550個(gè)，其中杉木404個(gè)，馬尾松344個(gè)，榿木105個(gè)，鵝掌楸319個(gè)，其他闊葉樹378個(gè))，以2020年調(diào)查的其余5個(gè)圓形樣地為獨(dú)立測試集(總數(shù)132個(gè)，其中杉木47個(gè)，馬尾松17個(gè)，榿木29個(gè)，鵝掌楸17個(gè)，其他闊葉樹22個(gè))。卷積神經(jīng)網(wǎng)絡(luò)需要輸入規(guī)則圖像，本文基于單木樹冠分割結(jié)果，以樹頂為中心、按照96像素×96像素制作正方形矢量框，裁切可見光圖像得到規(guī)則的單株樹冠影像塊，以樹種名稱和探測單木樹頂編號(hào)組合區(qū)別命名并制作單木樹冠影像數(shù)據(jù)集。

1.2.2.3數(shù)據(jù)集劃分與數(shù)據(jù)增廣

將訓(xùn)練集的1 550個(gè)單木樹冠影像塊分5個(gè)樹種按照7∶3隨機(jī)劃分為訓(xùn)練數(shù)據(jù)(總數(shù)1 082個(gè)，其中杉木282個(gè)，馬尾松240個(gè)，榿木73個(gè)，鵝掌楸223個(gè)，其他闊葉樹264個(gè))和驗(yàn)證數(shù)據(jù)(總數(shù)468個(gè)，其中杉木122個(gè)，馬尾松104個(gè)，榿木32個(gè)，鵝掌楸96個(gè)，其他闊葉樹114個(gè))，再對(duì)訓(xùn)練數(shù)據(jù)的單木樹種遙感影像進(jìn)行90°旋轉(zhuǎn)、180°旋轉(zhuǎn)、270°旋轉(zhuǎn)、上下翻轉(zhuǎn)、左右翻轉(zhuǎn)等操作使得各樹種樣本數(shù)量變?yōu)樵瓉淼?倍。

單木樹冠圖像生成與數(shù)據(jù)集劃分、數(shù)據(jù)增廣均通過編寫Python腳本實(shí)現(xiàn)批處理。

1.2.3卷積神經(jīng)網(wǎng)絡(luò)

1.2.3.1相關(guān)理論

(1)有效通道注意力機(jī)制

相關(guān)研究表明通道注意力機(jī)制在提升卷積神經(jīng)網(wǎng)絡(luò)性能方面具有較大潛力，它將特征提取時(shí)所有通道同等對(duì)待轉(zhuǎn)為分別賦予不同權(quán)重，大多數(shù)現(xiàn)有方法在致力于復(fù)雜注意力模塊以改善模型性能的同時(shí)也帶來了模型復(fù)雜性的增加，而有效通道注意力(Efficient channel attention，ECA)則在僅增加少量模型參數(shù)條件下還能夠提升模型性能，既避免了擠壓和激勵(lì)網(wǎng)絡(luò)(SENet)的維度縮減，又有效捕獲了跨通道交互[24]。有效通道注意力機(jī)制核心工作原理是在不降低維度情況下逐通道平均池化后ECA模塊利用權(quán)重共享、尺寸為k的一維卷積生成通道注意來學(xué)習(xí)特征，并考慮每個(gè)通道及其k個(gè)鄰近來捕獲本地跨通道交互。

(2)擴(kuò)張卷積

隨著卷積神經(jīng)網(wǎng)絡(luò)中網(wǎng)絡(luò)深度增加，下采樣會(huì)逐漸降低特征圖的空間分辨率造成信息丟失。為減少該不利影響，充分提取圖像全局信息，本文在網(wǎng)絡(luò)卷積層引入空洞卷積(Atrous convolutions)[25]，嘗試以空洞卷積代替普通卷積，以實(shí)現(xiàn)在不增加算法復(fù)雜度的條件下增大卷積感受野，從而提高網(wǎng)絡(luò)捕捉特征信息的能力[26]。

(3)瓶頸殘差學(xué)習(xí)

瓶頸殘差學(xué)習(xí)模塊的基本單元如圖1所示，圖中⊕表示逐像素相加，基本單元由三次級(jí)聯(lián)的卷積批規(guī)范化、激活組成，它在原始卷積神經(jīng)網(wǎng)絡(luò)上增加近路連接，使原始輸入能夠傳輸?shù)骄W(wǎng)絡(luò)頂層，從而使φ(x)的網(wǎng)絡(luò)學(xué)習(xí)任務(wù)變?yōu)檩斎胼敵鲩g的F(x)殘差學(xué)習(xí)。而反向傳播時(shí),通過近路連接可直接將網(wǎng)絡(luò)頂層信息傳輸?shù)降讓?，能夠有效緩解梯度消失與網(wǎng)絡(luò)退化問題。

圖1 瓶頸殘差模塊基本單元Fig.1 Basic unit of bottleneck residual block

1.2.3.2網(wǎng)絡(luò)框架結(jié)構(gòu)

鑒于殘差神經(jīng)網(wǎng)絡(luò)具有改善梯度消失和網(wǎng)絡(luò)退化的能力，本研究引入采用瓶頸殘差單元搭建的ResNet50卷積神經(jīng)網(wǎng)絡(luò)模型，保留ReLU激活函數(shù)和softmax函數(shù)分類，并以ResNet50為主干網(wǎng)絡(luò)，通過在瓶頸殘差模塊基本單元的第3個(gè)卷積批規(guī)范化后插入有效通道注意力模塊(圖2)搭建新的卷積神經(jīng)網(wǎng)絡(luò)ECA-ResNet50，再對(duì)瓶頸殘差模塊基本單元的第2個(gè)卷積操作(正常卷積)替換為膨脹率為2的擴(kuò)張卷積以搭建卷積神經(jīng)網(wǎng)絡(luò)ECA-ResNet50-Dialate，然后對(duì)ECA-ResNet50和ECA-ResNet50-Dialate的4個(gè)卷積模塊的瓶頸殘差單元數(shù)(3,4,6,3)分別調(diào)整為(3,3,3,3)以構(gòu)建ECA-ResNet-mini和ECA-ResNet-mini-Dilate卷積神經(jīng)網(wǎng)絡(luò)模型，ResNet50及搭建的4個(gè)卷積神經(jīng)網(wǎng)絡(luò)框架結(jié)構(gòu)配置見表1。為方便表述，將ResNet50、ECA-ResNet50、ECA-ResNet50-Dialate、ECA-ResNet-mini、ECA-ResNet-mini-Dilate依次稱為Model Ⅰ、Model Ⅱ、Model Ⅲ、Model Ⅳ和Model Ⅴ。

表1 卷積神經(jīng)網(wǎng)絡(luò)框架的結(jié)構(gòu)配置Tab.1 Parameters configuration of convolutional neural network frameworks

圖2 瓶頸殘差有效通道注意力基本單元Fig.2 Basic unit of bottleneck residual ECA block

1.2.4集成學(xué)習(xí)樹種識(shí)別框架

集成學(xué)習(xí)(Ensemble learning，EL)一般用某種策略將訓(xùn)練所得的“個(gè)體學(xué)習(xí)器”結(jié)合，如果個(gè)體學(xué)習(xí)器是同種類型，此時(shí)個(gè)體學(xué)習(xí)器可以稱為基學(xué)習(xí)器[15-16]。集成學(xué)習(xí)通過多個(gè)基分類器以集成方式完成學(xué)習(xí)任務(wù)，能夠?qū)崿F(xiàn)分類器之間的優(yōu)勢互補(bǔ)，從而獲得比單一分類器更為顯著優(yōu)越的泛化性能。本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的集成學(xué)習(xí)樹種識(shí)別框架如圖3所示，通過Model Ⅰ、Model Ⅱ、Model Ⅲ、Model Ⅳ和Model Ⅴ這5種CNN模型的訓(xùn)練學(xué)習(xí)提取樹冠圖像特征進(jìn)行樹種初分類，將它們作為基分類器，然后通過相對(duì)多數(shù)投票法建立集成學(xué)習(xí)模型。

圖3 集成學(xué)習(xí)框架結(jié)構(gòu)Fig.3 Structure of ensembled learning model

1.2.5卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與測試

(1)預(yù)訓(xùn)練參數(shù)：Model Ⅰ使用大型數(shù)據(jù)集ImageNet預(yù)訓(xùn)練的模型參數(shù)，Model Ⅱ、Model Ⅲ、Model Ⅳ和Model Ⅴ通過重新訓(xùn)練大型數(shù)據(jù)集產(chǎn)生預(yù)訓(xùn)練模型參數(shù)。

(2)模型訓(xùn)練：基于Python編程語言和PyTorch深度學(xué)習(xí)框架，使用GPU加速模型訓(xùn)練。通過加載預(yù)訓(xùn)練參數(shù)作為網(wǎng)絡(luò)初始化參數(shù)，設(shè)置批量大小為32，將擴(kuò)充后的本研究樹冠圖像訓(xùn)練數(shù)據(jù)分別輸入5個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，調(diào)整網(wǎng)絡(luò)輸出類別數(shù)為樹種類別數(shù)5，同時(shí)修改網(wǎng)絡(luò)輸入圖像為224，通過多次迭代循環(huán)訓(xùn)練模型參數(shù)，每次迭代后向網(wǎng)絡(luò)模型輸入驗(yàn)證數(shù)據(jù)檢驗(yàn)?zāi)Ｐ蛿M合效果，當(dāng)驗(yàn)證數(shù)據(jù)連續(xù)多次迭代損失函數(shù)不再顯著降低且迭代50次以上時(shí)，保存模型參數(shù)并中斷迭代訓(xùn)練。模型訓(xùn)練時(shí)，使用交叉熵?fù)p失函數(shù)計(jì)算損失值(loss)，嘗試不同學(xué)習(xí)率參數(shù)(0.01、0.001、0.000 1)分別調(diào)優(yōu)訓(xùn)練出5個(gè)不同最優(yōu)模型。

訓(xùn)練過程中，分別采用隨機(jī)梯度下降法(Stochastic gradient descent，SGD)和自適應(yīng)矩估計(jì)(Adaptive moment estimation，Adam)進(jìn)行模型訓(xùn)練，使用SGD優(yōu)化時(shí)設(shè)置動(dòng)量為0.9、學(xué)習(xí)率衰減值0.01以優(yōu)化性能，實(shí)驗(yàn)表明，雖然Adam優(yōu)化器收斂較快，但結(jié)果不如SGD優(yōu)化器理想，因此，使用SGD優(yōu)化算法更新網(wǎng)絡(luò)權(quán)重參數(shù)。

(3)模型測試：模型訓(xùn)練結(jié)束后，輸入獨(dú)立的測試集數(shù)據(jù)進(jìn)行測試，根據(jù)網(wǎng)絡(luò)模型預(yù)測識(shí)別結(jié)果，通過一定指標(biāo)進(jìn)行評(píng)估分析。

2 實(shí)驗(yàn)結(jié)果分析

2.1 單木分割

對(duì)2020年調(diào)查樣地的樣木和2019年高精度定位的樣木進(jìn)行單木樹冠分割。利用2020年調(diào)查的15個(gè)圓形樣地對(duì)單木分割結(jié)果進(jìn)行精度評(píng)價(jià)。15個(gè)圓形樣地共調(diào)查473株樣木，剔除掉瀕死木、枯死木和樹冠被大樹遮擋的小樹后共有399株樹木，共分割出樹冠391個(gè)，1∶1正確分割的樹冠331個(gè)，漏檢66株，過分割60株，單木探測率r達(dá)到82.96%，正確率p達(dá)到84.65%，總體精度F達(dá)到83.80%，總體來看分割精度能滿足樹種識(shí)別要求。

與皋廈等[23]采用點(diǎn)云距離判斷單木分割法進(jìn)行LiDAR單木分割(探測率85.7%，正確率96.0%，總體精度90.9%)相比，本文結(jié)果要低，這與研究對(duì)象林分特征直接相關(guān)，皋廈等研究林分相對(duì)不太復(fù)雜，而本研究區(qū)內(nèi)亞熱帶闊葉樹樹冠彼此交叉相連、多株樹木相鄰且高度不一以及杉木多株簇生等對(duì)單木分割結(jié)果均會(huì)造成很大影響。

2.2 樹種識(shí)別分析

2.2.1卷積神經(jīng)網(wǎng)絡(luò)模型集成前后對(duì)比

使用Model Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ這5種卷積神經(jīng)網(wǎng)絡(luò)模型分別在單木樹冠影像數(shù)據(jù)集進(jìn)行模型訓(xùn)練，加載大型數(shù)據(jù)集上預(yù)訓(xùn)練的模型權(quán)重和偏置參數(shù)對(duì)卷積層參數(shù)初始化，采用不同初始學(xué)習(xí)率(0.01、0.001、0.000 1)進(jìn)行模型訓(xùn)練，訓(xùn)練結(jié)束后用獨(dú)立測試集對(duì)模型進(jìn)行測試檢驗(yàn)。實(shí)驗(yàn)表明初始學(xué)習(xí)率設(shè)置為0.001較為合理，結(jié)果如表2所示。由表2可知，5種網(wǎng)絡(luò)模型訓(xùn)練時(shí)均取得了理想效果，訓(xùn)練、驗(yàn)證正確率均達(dá)到95%以上。Model Ⅱ、Ⅲ、Ⅳ、Ⅴ較改進(jìn)前的Model Ⅰ均有一定提升，這表明了Model Ⅱ加入有效通道注意力模塊使得模型關(guān)注于各樹種最具辨別力特征的能力增強(qiáng)，Model Ⅲ用擴(kuò)張卷積代替普通卷積使得卷積網(wǎng)絡(luò)特征圖分辨率不變而感受野擴(kuò)大，提取到了樹冠圖像深層次全局語義特征，Model Ⅳ、Ⅴ對(duì)Model Ⅱ、Ⅲ卷積模塊結(jié)構(gòu)進(jìn)行調(diào)整也取得了相當(dāng)?shù)男Ч?，顯示出該網(wǎng)絡(luò)層數(shù)配置適用于本研究樹冠圖像識(shí)別。

表2 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練、驗(yàn)證與獨(dú)立測試結(jié)果Tab.2 Results of convolutional neural networks model training and validating and independent test

圖4、5表示模型訓(xùn)練過程中正確率、損失值的變化情況，損失值隨模型不斷迭代呈下降趨勢，直至驗(yàn)證數(shù)據(jù)損失值在隨后50輪迭代循環(huán)中收斂而不再下降后結(jié)束循環(huán)訓(xùn)練。由圖5模型訓(xùn)練損失值下降情況可以看出，Model Ⅰ經(jīng)典網(wǎng)絡(luò)模型訓(xùn)練能夠很快收斂，Model Ⅱ、Ⅲ收斂時(shí)間略長，Model Ⅳ、Ⅴ收斂時(shí)間更長，這與預(yù)訓(xùn)練模型參數(shù)有關(guān)，經(jīng)典網(wǎng)絡(luò)模型的預(yù)訓(xùn)練模型參數(shù)更加通用，適用于各種數(shù)據(jù)集的加載訓(xùn)練，能夠快速收斂并保持穩(wěn)定。但是，Model Ⅱ、Ⅲ、Ⅳ、Ⅴ模型訓(xùn)練收斂后也較為穩(wěn)定。此外，從圖4亦可以看出，雖然Model Ⅱ、Ⅲ、Ⅳ、Ⅴ的模型訓(xùn)練耗費(fèi)了一些時(shí)間，但他們?nèi)〉昧藘?yōu)于Model Ⅰ經(jīng)典模型的正確率，這些都為集成學(xué)習(xí)模型奠定了前提。

圖4 不同卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練正確率曲線Fig.4 Training accuracy curves of different convolutional neural networks

圖5 不同卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失值曲線Fig.5 Training loss curves of different convolutional neural networks

以本文訓(xùn)練的5種卷積神經(jīng)網(wǎng)絡(luò)模型作為基分類器，在單木樹冠影像數(shù)據(jù)集上進(jìn)行預(yù)測，再采用相對(duì)多數(shù)投票法進(jìn)行集成學(xué)習(xí)輸出二次預(yù)測結(jié)果，集成學(xué)習(xí)正確率見表2。比較表2的集成學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和驗(yàn)證精度可發(fā)現(xiàn)，集成分類器訓(xùn)練和驗(yàn)證精度分別達(dá)到99.15%和98.34%，優(yōu)于單獨(dú)的卷積神經(jīng)網(wǎng)絡(luò)模型，較其訓(xùn)練、驗(yàn)證平均正確率分別提高2.76、2.44個(gè)百分點(diǎn)，較ResNet50網(wǎng)絡(luò)提高4.23、3.04個(gè)百分點(diǎn)。這表明了集成學(xué)習(xí)模型能夠一定程度提高模型訓(xùn)練正確率。

將獨(dú)立測試數(shù)據(jù)集代入卷積神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)框架進(jìn)行樹種識(shí)別，獨(dú)立測試結(jié)果見表2，可見集成后測試集正確率達(dá)到90.15%，較基分類器(單獨(dú)卷積神經(jīng)網(wǎng)絡(luò))的獨(dú)立測試正確率均有明顯改善，較測試正確率最高的Model Ⅱ還提升4.54個(gè)百分點(diǎn)，較ResNet50網(wǎng)絡(luò)提高9.09個(gè)百分點(diǎn)。由此可見，采用集成策略對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測正確率有一定提升。

將集成學(xué)習(xí)識(shí)別結(jié)果與地面實(shí)測的真實(shí)樹種生成混淆矩陣，結(jié)果見表3。由表3可知，其他闊葉樹、馬尾松識(shí)別用戶精度低，誤識(shí)別較為嚴(yán)重，引起該現(xiàn)象可能原因主要有：一是研究區(qū)內(nèi)其他闊葉樹樹種多、樹冠形態(tài)、顏色與紋理復(fù)雜多樣引起卷積層提取的類內(nèi)高層次特征多樣造成誤識(shí)別；二是馬尾松林林層結(jié)構(gòu)復(fù)雜，垂直結(jié)構(gòu)上雖然馬尾松占優(yōu)勢但其與其他樹種交錯(cuò)，且馬尾松樹冠稀疏，造成馬尾松樹冠影像與其他樹種相似，易造成誤識(shí)別。

表3 測試數(shù)據(jù)集混淆矩陣Tab.3 Confusion matrix of independent test dataset

將5個(gè)獨(dú)立測試圓形樣地的單木樹冠分割矢量結(jié)果與可見光影像疊加，結(jié)果見圖6a～6e，利用單木樹冠影像數(shù)據(jù)集訓(xùn)練出的最優(yōu)模型對(duì)測試集樣本進(jìn)行單木識(shí)別，5個(gè)樣地的識(shí)別結(jié)果見圖6f～6j，分別與圖6a～6e對(duì)應(yīng)。其中，圖6a～6e符號(hào)化的是實(shí)測的單木樹種及位置，圖6f～6j符號(hào)化的是預(yù)測單木樹種，用藍(lán)色方形框表示誤識(shí)別的單木樹冠塊。不難發(fā)現(xiàn)，圖6f中3株杉木被誤識(shí)別為其他闊葉樹、1株其他闊葉樹被誤識(shí)別為鵝掌楸，這應(yīng)該與其他闊葉樹形態(tài)多樣、紋理復(fù)雜易與杉木等樹冠影像高層次特征相似有關(guān)，由圖6h可知，2株榿木中1株被誤識(shí)別為其他闊葉樹、1株被誤識(shí)別為杉木，而圖6i中2株其他闊葉樹中1株被誤識(shí)別為榿木、1株被誤識(shí)別為杉木，2株馬尾松中1株被誤識(shí)別為其他闊葉樹、1株被誤識(shí)別為杉木，這與該樣地馬尾松林內(nèi)各樹種混交嚴(yán)重、樹冠交叉重疊、提取的樹冠影像高層次特征復(fù)雜多樣有關(guān)，圖6j中3株榿木被誤識(shí)別為馬尾松，這可能為部分榿木樹冠影像與馬尾松單木樹冠影像樣本相似造成?？傮w來看，除少量單木樹冠誤識(shí)別外，總體識(shí)別結(jié)果基本理想。

圖6 5個(gè)測試圓形樣地單木樹冠分割與樹種識(shí)別結(jié)果Fig.6 Results of single tree crown segmentation and single tree species recognition in five test circular samples

2.2.2與其他機(jī)器學(xué)習(xí)方法比較

基于單木樹冠分割結(jié)果提取訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的可見光和激光雷達(dá)變量，可見光變量共提取25個(gè)，包括單木樹冠的各波段均值、標(biāo)準(zhǔn)差、亮度以及GLCM、GLDV紋理特征、幾何特征。GLCM紋理特征包括均值、方差、信息熵、角二階矩、相關(guān)性、異質(zhì)性、對(duì)比度和同質(zhì)性8個(gè)參數(shù)；GLDV紋理特征包括均值、角二階矩、相關(guān)性、信息熵4個(gè)參數(shù)；幾何特征主要提取面積、長寬比、形狀指數(shù)、緊致度、密度和不對(duì)稱性等特征。激光雷達(dá)變量共提取98個(gè)，包括首次回波和所有回波高度和強(qiáng)度的均值、最小值、最大值、標(biāo)準(zhǔn)差、方差、變異系數(shù)、峰度、偏度和分位數(shù)等。

為避免大量特征冗余引起的過擬合、低泛化問題，有必要對(duì)特征變量進(jìn)行特征選擇，篩選出貢獻(xiàn)度較大的特征變量以進(jìn)行樹種分類識(shí)別。特征選擇一般有過濾法、包裝法、嵌入法3種形式，本文以嵌入法利用隨機(jī)森林對(duì)特征重要性進(jìn)行評(píng)估排序，計(jì)算模型正確率，篩選出識(shí)別效果較優(yōu)的特征變量。特征篩選后，可見光保留藍(lán)光波段標(biāo)準(zhǔn)差、紅光波段均值、GLCM相關(guān)性等13個(gè)變量，激光雷達(dá)保留99%強(qiáng)度百分位數(shù)、75%強(qiáng)度百分位數(shù)、40%累積強(qiáng)度百分位數(shù)等30個(gè)變量，可見光和激光雷達(dá)變量結(jié)合共保留15個(gè)特征變量。

相關(guān)研究表明，利用優(yōu)選的特征進(jìn)行分類能夠有效提高精度[27]?；诤Y選后的特征變量，分別與不同數(shù)據(jù)源變量(可見光、LiDAR、可見光與LiDAR組合)、隨機(jī)森林(Random forest，RF)和支持向量機(jī)(Support vector machine，SVM)分類器進(jìn)行組合，以訓(xùn)練集訓(xùn)練模型，以獨(dú)立的測試集對(duì)模型進(jìn)行檢驗(yàn)。各組合方案及獨(dú)立測試集檢驗(yàn)結(jié)果見表4，可見光與激光雷達(dá)變量篩選后隨機(jī)森林分類的獨(dú)立測試最高精度為57.84%。通過與表2比較可以發(fā)現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)模型和集成學(xué)習(xí)取得了較其他機(jī)器學(xué)習(xí)方法更為明顯的樹種識(shí)別效果，獨(dú)立測試集的總體精度高出32.31個(gè)百分點(diǎn)。由此可見，采用手動(dòng)提取圖像特征進(jìn)行分類識(shí)別的方法難以基于實(shí)際識(shí)別任務(wù)做自適應(yīng)調(diào)整，而基于卷積神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的方法能夠自動(dòng)提取圖像高層次特征，有利于高郁閉度條件下無人機(jī)影像的樹種識(shí)別。

表4 其他模型訓(xùn)練組合方案與測試集檢驗(yàn)Tab.4 Different combinations of other model training and test results

3 結(jié)論

(1)提出了基于卷積神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)策略來解決激光雷達(dá)單木分割輔助條件下的無人機(jī)影像單木樹種識(shí)別問題。利用無人機(jī)激光雷達(dá)數(shù)據(jù)和可見光數(shù)據(jù)二者結(jié)合進(jìn)行單木樹冠探測，按照96像素×96像素裁切單木樹冠制作單木樹冠影像數(shù)據(jù)集，引入ResNet50網(wǎng)絡(luò)并結(jié)合引入有效通道注意力、膨脹卷積、調(diào)整卷積模塊層數(shù)改進(jìn)搭建其他4個(gè)網(wǎng)絡(luò)，以該5個(gè)卷積神經(jīng)網(wǎng)絡(luò)為基分類器采用相對(duì)多數(shù)投票法集成學(xué)習(xí)。結(jié)果表明，本文提出的方法相較于變量提取結(jié)合其他機(jī)器學(xué)習(xí)分類識(shí)別方法的正確率有較大提升，獨(dú)立測試集總體正確率高出32.31個(gè)百分點(diǎn)，改進(jìn)搭建的4個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練正確率和泛化效果均優(yōu)于ResNet50網(wǎng)絡(luò)，采用集成策略進(jìn)一步提高了模型訓(xùn)練正確率，訓(xùn)練和驗(yàn)證正確率分別達(dá)到99.15%和98.34%，優(yōu)于單獨(dú)的卷積神經(jīng)網(wǎng)絡(luò)模型且較他們的訓(xùn)練、驗(yàn)證平均正確率分別提高2.76、2.44個(gè)百分點(diǎn)，較ResNet50網(wǎng)絡(luò)提高4.23、3.04個(gè)百分點(diǎn)，樹種識(shí)別泛化能力進(jìn)一步增強(qiáng)，獨(dú)立測試集正確率達(dá)到90.15%，較最高的Model Ⅱ還提升4.54個(gè)百分點(diǎn)，較ResNet50網(wǎng)絡(luò)提高9.09個(gè)百分點(diǎn)，這些為今后無人機(jī)可見光圖像樹種識(shí)別研究提供了技術(shù)思路。

(2)使用5個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型有效增強(qiáng)了特征提取能力，不可避免加大了計(jì)算量，降低了分類識(shí)別速度。使用相對(duì)多數(shù)投票法進(jìn)行集成學(xué)習(xí)相對(duì)簡單實(shí)用，但忽視了各卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征的權(quán)重差異，圖像識(shí)別泛化能力有待提高。因此，應(yīng)合理篩選卷積神經(jīng)網(wǎng)絡(luò)特征，完善集成學(xué)習(xí)方法，進(jìn)一步提高模型運(yùn)行效能和泛化能力。