Хао Чжун, Вэньшу Линь, Хаожань Лю, Нань Ма, Канкан Лю, Жунчжэнь Цао,, Чжэнчжао Жэнь Тяньтянь Ван

Колледж инженерии и технологий, Северо-Восточный лесотехнический университет, Харбин, Китай

Пекинский институт геодезии и картографии, Пекин, Китай

Быстрая и точная идентификация видов деревьев с помощью технологий дистанционного зондирования стала одним из важнейших инструментов лесной инвентаризации. Цель данной работы — разработка точной системы идентификации видов деревьев, интегрирующей гиперспектральные изображения с беспилотных летательных аппаратов (БПЛА) и данные LiDAR (обнаружение света и определение дальности) в сложных условиях естественных хвойно-широколиственных смешанных лесов. Сначала были получены гиперспектральные изображения с БПЛА и данные LiDAR для естественного хвойно-широколиственного смешанного леса в районе горы Маоэр на Северо-Востоке Китая. Предварительно обработанные данные LiDAR сегментировались с использованием алгоритма кластеризации облака точек на основе расстояния для получения облака точек отдельных деревьев; гиперспектральное изображение сегментировалось с использованием проекционных контуров облаков точек отдельных деревьев для получения гиперспектральных данных отдельных деревьев. Затем извлекались различные гиперспектральные признаки и признаки LiDAR, и анализировалась важность признаков с помощью алгоритма случайного леса (RF) для выбора подходящих признаков для одноисточниковых и многоисточниковых данных. Наконец, идентификация видов деревьев на исследуемой территории проводилась с использованием алгоритма опорных векторов (SVM) совместно с гиперспектральными признаками, признаками LiDAR и объединенными признаками соответственно. Результаты показали, что общая точность сегментации отдельных деревьев составила 84.62%, а объединенные признаки достигли наилучшей точности идентификации видов деревьев (общая точность = 89.20%), за ними следовали гиперспектральные признаки (общая точность = 86.08%) и признаки LiDAR (общая точность = 76.42%). Оптимальные признаки для идентификации видов деревьев на основе слияния гиперспектральных данных и данных LiDAR включали вегетационные индексы, чувствительные к содержанию хлорофилла, антоцианов и каротинов в листьях, отдельные компоненты преобразований независимого компонентного анализа (ICA), анализа минимального шумового дробления (MNF) и главного компонентного анализа (PCA), а также признаки интенсивности эхо-сигнала LiDAR. Был сделан вывод, что разработанная в данном исследовании система эффективна для идентификации видов деревьев в сложных условиях естественных хвойно-широколиственных смешанных лесов, а слияние гиперспектральных изображений с БПЛА и данных LiDAR позволяет достичь более высокой точности по сравнению с использованием только одного источника данных дистанционного зондирования с БПЛА.

гиперспектральный, LiDAR, БПЛА, слияние данных, виды деревьев, оптимизация признаков, естественный лес

Информация о видовом составе деревьев является обязательным условием для проведения исследований разнообразия лесных видов, что важно для построения прогнозных моделей лесных экосистем. Точная идентификация видов деревьев имеет большое значение для мониторинга лесных ресурсов, оценки биоразнообразия, восстановления биомассы и оценки лесных углеродных стоков (Lu et al., 2019). В настоящее время традиционное полевое обследование видов деревьев обычно основывается на закладке пробных площадей и ручном обследовании, что имеет такие недостатки, как высокая трудоемкость полевых работ, высокая стоимость и длительный цикл. Напротив, применение технологий дистанционного зондирования в лесной инвентаризации характеризуется высокой эффективностью, коротким временем обследования и низкой стоимостью, а также позволяет отражать динамические изменения наземной растительности. С непрерывным развитием космических технологий и технологий коммуникационного зондирования, дистанционное зондирование эволюционировало от традиционного этапа оптического дистанционного зондирования к многоисточниковому дистанционному зондированию на различных платформах, особенно технологиям гиперспектрального дистанционного зондирования и высокоточного LiDAR (Feng et al., 2020).

Гиперспектральное дистанционное зондирование, как технология пассивного дистанционного зондирования, получает непрерывную спектральную информацию за счет регистрации электромагнитных волн, отраженных наземными объектами. По сравнению с другими технологиями дистанционного зондирования, оно имеет преимущества высокого спектрального разрешения и мощной способности различать нюансы наземных объектов (Li et al., 2019). Предыдущие исследования продемонстрировали, что гиперспектральная технология может использоваться для идентификации видов деревьев (Jensen et al., 2012; Fricker et al., 2019; Modzelewska et al., 2020; Wan et al., 2020; Zhao et al., 2021). Извлечение признаков является ключевым этапом идентификации видов деревьев с помощью гиперспектральной технологии, а затем извлеченные признаки используются вместе с алгоритмами классификации для классификации пикселей изображения и реализации идентификации видов деревьев. Jensen et al. (2012) идентифицировали виды умеренных деревьев в городских районах с использованием авиационных гиперспектральных данных, и результаты показали, что точность классификации возросла с 82% до 91.4%

после объединения вегетационных индексов, средних значений полос и отношений полос с признаками преобразования главных компонент (PCA) по сравнению с использованием только метода PCA. Fricker et al. (2019) использовали авиационные гиперспектральные изображения и RGB-изображения для идентификации видов деревьев в смешанных хвойных лесах и проводили исследования на уровне отдельных деревьев для доминирующих видов и мертвых деревьев с помощью сверточных нейронных сетей. Их результаты показали, что точность идентификации видов деревьев по гиперспектральным изображениям превосходила таковую по RGB-изображениям. Modzelewska et al. (2020) классифицировали семь различных видов деревьев, получая авиационные гиперспектральные изображения естественных и искусственных лесов. Для получения некоррелированных компонентов из гиперспектральных данных применялось преобразование MNF (минимальное шумовое дробление), а затем для создания тематических карт видов деревьев использовалась модель опорных векторов (SVM). Их результаты показали, что общая точность классификации искусственных лесов (77%) была выше, чем естественных (64%). Wan et al. (2020) использовали спутниковые гиперспектральные данные GF-5, Hyperion и Landsat8 для классификации видов мангровых деревьев с помощью моделей случайного леса (RF) и SVM, и соответствующие точности идентификации составили 87.12%, 86.82% и 73.89%. Zhao et al. (2021) извлекали спектральные признаки, текстурные признаки, вегетационные индексы и статистические признаки для выбора признаков и идентификации видов деревьев по гиперспектральным изображениям с БПЛА защищенного лесопарка с простой структурой в Синьцзяне, Китай, и получили более высокую точность классификации. Таким образом, точность идентификации видов отдельных деревьев в большинстве исследований была не очень высокой при использовании только спектральной информации гиперспектральных данных. Поскольку гиперспектральные данные содержат только двумерную информацию об измеряемом объекте, что снижает их способность к сегментации отдельных деревьев, особенно в сложных лесных условиях, большинство исследований по идентификации видов деревьев с помощью авиационных и космических гиперспектральных изображений проводилось на уровне участков (Wu and Zhang, 2020). Для проведения точной идентификации на уровне отдельных деревьев необходимо комбинировать гиперспектральную технологию с другими технологиями.

LiDAR — это технология активного дистанционного зондирования, использующая лазерный свет, излучаемый оптоэлектронным датчиком, для определения расстояния до цели и получения пространственной информации о ней. По сравнению с традиционным оптическим пассивным дистанционным зондированием, данные LiDAR позволяют точно извлекать вертикальную информацию о древостоях, и эта возможность дает непревзойденные преимущества в лесных приложениях (Man et al., 2020). Общий процесс идентификации видов деревьев на основе данных LiDAR включает сегментацию отдельных деревьев, извлечение признаков (например, трехмерная текстура, степень кластеризации, структура и интенсивность эхо-сигнала) и классификацию видов деревьев (Li et al., 2013; Zhang and Liu, 2013). Sooyoung et al. (2009) использовали мультивременные авиационные данные LiDAR для идентификации видов деревьев на уровне отдельных деревьев на основе интенсивности эхо-сигнала деревьев до и после дефолиации, и результаты сравнения показали, что данные LiDAR после дефолиации более подходят для идентификации, чем до дефолиации. Shi et al. (2018a) проводили извлечение признаков и идентификацию видов деревьев на уровне отдельных деревьев на основе данных LiDAR, полученных авиационным сканером Riegl LMSQ680i в смешанном лесу в Центральной Европе. Результаты показали, что признак интенсивности эхо-сигнала обеспечивает более высокую идентификационную способность по сравнению с геометрическими признаками. Хотя идентификация видов деревьев на уровне отдельных деревьев может быть достигнута с помощью данных LiDAR, было проведено ограниченное количество таких исследований с использованием только LiDAR. Причина заключается в том, что технология LiDAR не обладает информацией на спектральном уровне, поэтому для идентификации видов деревьев можно использовать только геометрические признаки и признаки эхо-сигнала. Очевидно, что недостаток информации о признаках оказывает определенное негативное влияние на точность идентификации.

Таким образом, одному источнику данных дистанционного зондирования сложно удовлетворить требования высокой точности при идентификации видов деревьев. Однако данные LiDAR и гиперспектральные данные обладают высокой взаимодополняемостью; поэтому слияние этих двух типов данных постепенно находит применение в идентификации видов деревьев. Основная идея объединения данных LiDAR и гиперспектральных данных для идентификации видов деревьев заключается в следующем: данные LiDAR используются для сегментации отдельных деревьев, а гиперспектральные признаки и признаки LiDAR извлекаются отдельно и используются вместе с алгоритмами классификации для идентификации видов деревьев (Liu et al., 2013; Shen and Cao, 2017). В 2012 году Dalponte et al. провели исследование идентификации на основе полученных авиационных данных LiDAR, мультиспектральных и гиперспектральных данных. Они обнаружили, что идентификация видов деревьев была более точной при добавлении информации о высоте деревьев, и точность идентификации для объединенных данных LiDAR и гиперспектральных данных превосходила точность при использовании только LiDAR или мультиспектральных данных. В 2013 году Китайская академия лесоводства разработала авиационную систему наблюдения LiCHy (LiDAR, CCD и Hyperspectral) для получения вертикальной структуры, горизонтальной структуры и спектральных свойств наземных объектов с более высоким пространственным разрешением, которая широко используется в обследовании лесных ресурсов (Li et al., 2016; Pang et al., 2016; Wu et al., 2018; Jia et al., 2020; Zhang et al., 2020; Pang et al., 2021).

В последние годы объединенные данные гиперспектральной съемки и LiDAR с БПЛА используются для идентификации видов деревьев с учетом гибкости и стоимости (Sothe et al., 2019; de Almeida et al., 2021; Jiang et al., 2021). Например, Sankey et al. (2017, 2018) использовали гиперспектральные данные и данные LiDAR с БПЛА для мониторинга лесов с различным древесным покровом (22%-55%) и плотностью (1-3.5 деревьев на ячейку 10 м) и разреженной растительности в засушливых и полузасушливых районах, используя методы деревьев решений для идентификации видов деревьев. Их результаты показали, что эффективность идентификации была выше для объединенного набора данных по сравнению с отдельными наборами данных. Cao et al. (2021) извлекли информацию о признаках мангровых лесов на юге Китая на основе гиперспектральных данных и данных LiDAR с БПЛА и сравнили точности классификации трех различных классификаторов (случайный лес, модель логических деревьев, ротационный ансамблевый алгоритм обучения). Результаты показали, что добавление информации о высоте полога из данных LiDAR может повысить точность идентификации видов деревьев по сравнению с использованием только гиперспектральных данных, а ротационный ансамблевый алгоритм обучения был более точным и стабильным при классификации видов мангровых деревьев. Hartling et al. (2021) использовали мультиспектральные, гиперспектральные данные и данные LiDAR с БПЛА для проведения сравнительного исследования идентификации видов деревьев. Результаты показали, что идентификация с использованием гиперспектральных данных была значительно лучше, чем с использованием мультиспектральных данных, а профили высоты и формы, извлеченные из данных LiDAR, способствовали идентификации видов деревьев. Поскольку исследования по слиянию гиперспектральных данных и данных LiDAR с БПЛА для идентификации видов деревьев все еще находятся на начальной стадии, количество соответствующих исследований довольно ограничено, и большинство из них сосредоточено на простых лесных условиях. Исследования по идентификации видов деревьев на основе слияния гиперспектральных данных с БПЛА и данных LiDAR в густых и структурно сложных лесах, таких как хвойно-широколиственные смешанные леса, редко освещались. Также известно, что гиперспектральные изображения и данные LiDAR содержат огромный объем информации, поэтому извлечение эффективных признаков является ключевым этапом для быстрой и точной идентификации видов деревьев. Однако наилучшая комбинация признаков для хвойно-широколиственных смешанных лесов все еще неизвестна, что препятствует применению объединенных гиперспектральных данных с БПЛА и данных LiDAR в различных лесных условиях. Поэтому необходимо провести идентификацию видов на уровне отдельных деревьев на основе гиперспектральных изображений с БПЛА и данных LiDAR в хвойно-широколиственных смешанных лесах.

Общая цель данного исследования — разработка точной системы идентификации видов деревьев, интегрирующей гиперспектральные изображения с БПЛА и данные LiDAR в сложных условиях естественного хвойно-широколиственного смешанного леса. Конкретные цели заключаются в следующем: (1) получить высокоточные гиперспектральные данные и облака точек LiDAR на уровне отдельных деревьев для естественного хвойно-широколиственного смешанного леса; (2) извлечь гиперспектральные признаки и признаки LiDAR, проанализировать важность признаков с помощью алгоритма RF для выбора подходящих признаков для одноисточниковых и многоисточниковых данных; (3) провести классификацию видов деревьев с помощью SVM.

Район исследования (Рисунок 1) расположен в Маоршаньском экспериментальном лесном хозяйстве в городе Шанчжи, провинция Хэйлунцзян, Китай (127^∘ 30^'∼127^∘ 34^' ┤ в.д., 45^∘ 20'∼45^∘ 25^' с.ш.), которое является частью западного склона хребта Чжангуанцай в горах Чанбай. Это низкогорная холмистая местность со средним уклоном 10^∘ и средней высотой 300" м" . Регион имеет умеренный континентальный муссонный климат, со среднегодовой температурой и осадками 3.1^∘ C и 629" мм" соответственно. Почва плодородная, основные типы почв — темно-бурая, белая глеевая, луговая, болотная и др. Флора относится к флоре гор Чанбай, существующие типы древостоев включают естественные вторичные леса на разных стадиях после разрушения и сукцессии исходного зонального климаксового сообщества. Основные древесные породы включают Populus davidiana, Ulmus pumila, Betula platyphylla, Fraxinus mandshurica, Phellodendron amurense, Juglans mandshurica, Quercus mongolica, Acer pictum, Tilia amurensis, Pinus koraiensis и Larix gmelinii.

Перед полетом БПЛА был определен маршрут для района исследования. Полет был проведен 26 августа 2021 года, погода была ясной и безоблачной, скорость ветра была менее 3 м/с. Датчик LiDAR был установлен на БПЛА Pegasus D200 (компания Feima Robotics Technology), скорость полета была установлена на 5 м/с, а высота полета составляла 80 м. Лазерным источником был RIEGL mini VUX-1UAV. Расстояние измерения составляло >250"м" с точностью ±1"см" . Количество эхо-сигналов — 5, интенсивность эхо-сигнала — 16 бит, длина волны — 905 нм, плотность точек — около 180 точек на 1 кв. м.

Гиперспектральный датчик был установлен на БПЛА DJI M300RTK, со скоростью полета 4,5 м/с на высоте 100 м. Гиперспектральным датчиком был Resonon Pika L. Диапазон длин волн составлял 400-1000"нм" , спектральное разрешение — 2.1"нм" , размер пикселя — 5.86μ"м" . Метод съемки — линейная push-broom визуализация, пространственное разрешение гиперспектральных изображений составляло 10"см" .

.

В сентябре 2021 года были детально обследованы виды деревьев на пробной площади. Было получено и распечатано RGB-изображение, полученное БПЛА для пробной площади. Затем было проведено фактическое обследование различных видов деревьев на пробной площади, и виды деревьев и их местоположения были отмечены на распечатке RGB-изображения. В сочетании с методом визуальной интерпретации была получена детальная информация о распределении видов деревьев в районе исследования.

РИСУНОК 1 Расположение района исследования (красная рамка на RGB-изображении слева — район исследования; справа — увеличенные изображения LiDAR и гиперспектральные).

Сначала облака точек отдельных деревьев были получены с помощью алгоритма кластеризации облака точек на основе расстояния для сегментации отдельных деревьев по данным LiDAR, а гиперспектральное изображение с БПЛА было сегментировано по контуру проекции облака точек для получения гиперспектральных данных отдельных деревьев. Затем мы рассчитали и извлекли признаки облака точек и гиперспектральные признаки для отдельных деревьев. После слияния двух типов признаков для вычисления важности признаков использовался алгоритм среднего уменьшения коэффициента Джини в алгоритме RF; для завершения идентификации видов деревьев также использовался алгоритм SVM. Затем были получены результаты отбора признаков в соответствии с точностью идентификации видов деревьев. Наконец, была создана тематическая карта видов деревьев. Блок-схема всего процесса представлена на Рисунке 2.

Исходные данные облака точек LiDAR с БПЛА были очищены от шума с помощью программного обеспечения LiDAR360 для удаления высокоуровневых грубых ошибок, вызванных летящими объектами (например, птицами), и низкоуровневых грубых ошибок, вызванных многолучевыми ошибками или ошибками лазерного дальномера во время измерения. Затем для отделения наземных точек использовался улучшенный алгоритм прогрессивного загущения TIN, предложенный Zhao et al. (2016), с выбором следующих параметров: умеренный рельеф местности, угол итерации 10^∘, расстояние итерации 1.5"м" .

Наконец, данные облака точек были нормализованы в соответствии с отделенными наземными точками и обрезаны для получения данных облака точек для района исследования. Для исходных гиперспектральных данных были выполнены сшивка, радиометрическая калибровка, геометрическая коррекция и атмосферная коррекция, а затем для удаления шума выбросов из гиперспектрального изображения использовался алгоритм сглаживания сверткой Савицкого-Голая. Во время сбора данных GNSS и IMU, установленные на БПЛА, обеспечивают пространственную точность данных. Однако между двумя типами данных все же существуют небольшие отклонения. Для повышения точности гиперспектральных данных из данных облака точек были извлечены координаты общих наземных объектов, таких как граничные точки крон деревьев, углы дорог, которые использовались вместе с функцией квадратичной полиномиальной коррекции в ArcGIS для регистрации гиперспектральных данных. Ошибка данных была в пределах 1 пикселя (10 см), что полностью удовлетворяет требованиям данного эксперимента.

РИСУНОК 2 Блок-схема идентификации видов деревьев на основе слияния гиперспектральных данных и данных LiDAR.

Получение точных данных для отдельных деревьев заложило основу для идентификации видов деревьев на уровне отдельных деревьев. Трехмерная информация, содержащаяся в данных LiDAR, обеспечивает непревзойденные преимущества в сегментации отдельных деревьев по сравнению с другими данными дистанционного зондирования. Как правило, существуют два основных подхода к сегментации облаков точек отдельных деревьев. Первый метод основан на модели высоты полога (CHM), которая заключается в сжатии трехмерных данных облака точек в двумерную плоскость, что снижает вычислительную сложность; однако этот подход к уменьшению данных приводит к потере информации, а разница в облаках точек вызывает ошибки в процессе генерации CHM, что приводит к относительно низкой точности сегментации отдельных деревьев в сложных древостоях с высокой плотностью полога (de Almeida et al., 2021). Другой метод заключается в использовании сегментации отдельных деревьев, непосредственно работающей с облаком точек. Этот метод позволяет не только использовать больше пространственной информации облака точек для повышения точности сегментации (Li et al., 2020), но и извлекать структурные параметры и признаки отдельных деревьев на основе данных облака точек. Поэтому в данном исследовании использовался алгоритм кластеризации облака точек на основе расстояния (Li et al., 2012) для сегментации данных облака точек древостоя и получения данных облака точек на уровне отдельных деревьев.

Гиперспектральные данные отдельных деревьев были получены на основе данных облака точек LiDAR отдельных деревьев. Учитывая, что данные LiDAR были зарегистрированы с гиперспектральными данными, положения отдельных деревьев в данных LiDAR соответствовали положениям в гиперспектральных данных. Для получения проекционного контурного векторного файла из данных облака точек отдельного дерева использовался алгоритм вогнутой оболочки, а затем проекционный контур использовался для сегментации зарегистрированного гиперспектрального изображения для получения гиперспектральных данных полога.

Гиперспектральные данные содержат огромный объем спектральной информации, который может быть использован для точной идентификации видов деревьев. Хотя полное гиперспектральное изображение отдельных деревьев было получено с помощью сегментации, перекрытие и пересечение ветвей деревьев на краях гиперспектрального изображения могут привести к существованию смешанных пикселей. Кроме того, предыдущие исследования показали, что спектральный сигнал полога дерева, освещенного солнечным светом, определяется в основном рассеянием первого порядка, которое меньше подвержено влиянию почвы и тени, поэтому этот набор данных более подходит для моделирования и идентификации крон деревьев (Coops et al., 2003). Таким образом, для получения более точной гиперспектральной информации на уровне отдельных деревьев в этом исследовании было выбрано спектральное среднее значение 100 солнечных пикселей вокруг центра отдельного дерева в качестве гиперспектральных данных отдельного дерева. Поскольку разница в отражательной способности между солнечными пикселями и пикселями тени в ближней инфракрасной области была очевидна (Shen and Cao, 2017), в этом исследовании определялись солнечные пиксели в ближнем инфракрасном диапазоне диапазоне 850 нм

с отражательной способностью более 0.25. Полученные на уровне отдельных деревьев гиперспектральные данные подвергались PCA для выбора первых 10 компонентов (PCA1-PCA10), вращению MNF (минимальное шумовое дробление) для выбора первых 15 компонентов (MNF1-MNF15) и ICA (независимый компонентный анализ) для выбора первых 20 компонентов (ICA1-ICA20) соответственно. Кроме того, было извлечено 18 вегетационных индексов, как показано в Таблице 1. Таким образом, для целей идентификации было выбрано в общей сложности 363 гиперспектральных признака, включая 300 исходных диапазонов (диапазоны 1-300) и 63 компонента и индекса.

На уровне отдельных деревьев в этом исследовании было выбрано спектральное среднее значение 100 солнечных пикселей вокруг центра отдельного дерева в качестве гиперспектральных данных отдельного дерева. Поскольку разница в отражательной способности между солнечными пикселями и пикселями тени в ближней инфракрасной области была очевидна (Shen and Cao, 2017), в этом исследовании определялись солнечные пиксели в ближнем инфракрасном диапазоне 850 нм

с отражательной способностью более 0.25. Полученные на уровне отдельных деревьев гиперспектральные данные подвергались PCA для выбора первых 10 компонентов (PCA1-PCA10), вращению MNF (минимальное шумовое дробление) для выбора первых 15 компонентов (MNF1-MNF15) и ICA (независимый компонентный анализ) для выбора первых 20 компонентов (ICA1-ICA20) соответственно. Кроме того, было извлечено 18 вегетационных индексов, как показано в Таблице 1. Таким образом, для целей идентификации было выбрано в общей сложности 363 гиперспектральных признака, включая 300 исходных диапазонов (диапазоны 1-300) и 63 компонента и индекса.

Данные облака точек LiDAR содержат не только точную трехмерную информацию о цели, но и информацию об интенсивности отражения, поэтому эта технология обеспечивает мощную возможность точной сегментации отдельных деревьев, и эта информация, очевидно, помогает в процессе идентификации видов деревьев. На основе информации облака точек для отдельных деревьев были извлечены четыре параметра в программном обеспечении LiDAR360: высота дерева (H_T ), ширина кроны (W_C ), площадь кроны (A_C ) и объем кроны (V_C ), и три признака формы, связанные с отдельными деревьями, а именно отношение ширины кроны к высоте дерева (R_W/H ), отношение площади кроны к высоте дерева (R_A/H ) и отношение объема кроны к высоте дерева (R_V/H ) были вычислены на основе вышеуказанных параметров. Формулы, используемые для расчетов, приведены в Таблице 2.

Степень кластеризации облака точек для разных видов деревьев различна. Поэтому были рассчитаны средняя высота (H_m mean), стандартное отклонение (H_n std), коэффициент вариации (H_n CV), асимметрия (H_n S), эксцесс (H_n K) облака точек отдельных деревьев и кумулятивные высоты 25%, 50%, 75% и 95% (H_n 25,H_n 50,H_n 75,H_n 95) для облака точек отдельных деревьев соответственно. Среди них n=0,1,2, что представляет собой облако точек общего эхо-сигнала, облако точек первого эхо-сигнала и облако точек второго эхо-сигнала соответственно. Различия в морфологической структуре разных видов деревьев также могут приводить к некоторым различиям в пространственном распределении соответствующих облаков точек, поэтому количество точек на разных высотных квантилях может использоваться как отражение структуры дерева (Lu et al., 2019). Следовательно, отношение (H_n P_m )количества облаков точек в диапазоне высот 0-20%, 20-40%, 40-60%, 60-80% и 80-100% к общему количеству облаков точек для отдельных деревьев были извлечены как признаки распределения облаков точек. Расчет выражается уравнением (1), где n=0,1,2, представляющими общее облако точек, облако точек первого эхо-сигнала и облако точек второго эхо-сигнала соответственно; P_m — пропорции облаков точек в диапазоне высот, где m=0-20%, 20-40%, 40-60%, 60-80%, и 80-100%; N_Pmⁿ — количество различных облаков точек эхо-сигнала в диапазоне высот; N — общее количество облаков точек эхо-сигнала для отдельного дерева.

Поскольку признаки интенсивности эхо-сигнала имеют высокую степень важности для идентификации видов деревьев (Shi et al., 2018a), были рассчитаны средняя интенсивность I_mmean), стандартное отклонение I_m std), коэффициент вариации I_m CV), асимметрия I_m S), и эксцесс I_m K) облака точек для отдельных деревьев соответственно. Среди них n=0,1,2, представляющие собой облако точек общего эхо-сигнала, облако точек первого эхо-сигнала и облако точек второго эхо-сигнала соответственно. В результате вышеуказанного извлечения и вычисления общее количество признаков облака точек для LiDAR в этом исследовании составило 60.

В общей сложности 423 гиперспектральных признака и признака облака точек LiDAR были получены с помощью вышеуказанных методов. Если бы все признаки были вовлечены в распознавание видов деревьев, это увеличило бы вычислительную сложность и объем работы по распознаванию, а высокоразмерные признаки снизили бы точность идентификации видов деревьев из-за существования явления Хьюза (Luo et al., 2005; Richards and Jia, 2008; Taskin et al., 2017). Алгоритм RF имеет сильное преимущество для оценки важности переменных (Ziegler and Konig, 2014), поэтому в этом исследовании использовался метод среднего уменьшения индекса Джини в алгоритме RF для анализа важности признаков гиперспектрального изображения (HSI), признаков LiDAR и объединенных признаков HSI+LiDAR соответственно. После ранжирования был проведен корреляционный анализ этих признаков, и среди признаков с высокой корреляцией был оставлен только тот, который имеет наибольшую важность.

Алгоритм SVM — это контролируемый метод машинного обучения, основанный на статистической теории, основная идея которого заключается в генерации случайной гиперплоскости, которая продолжает двигаться до тех пор, пока выборки, принадлежащие к разным категориям, не окажутся по обе стороны гиперплоскости, таким образом, это метод, специально разработанный для классификации обучающих областей с малым количеством выборок. Алгоритм SVM может исправить недостатки традиционной классификации.

Для оценки способности различных комбинаций признаков к идентификации видов деревьев случайным образом выбиралось 60% образцов для каждого вида в качестве обучающей выборки, а оставшиеся 40% использовались в качестве тестовой выборки. Точность результатов оценивалась с использованием точности производителя (PA), точности пользователя (UA), ошибок включения (commission), ошибок пропуска (omission), общей точности (OA) и коэффициента Каппа. Комбинация признаков с наивысшей и стабильной точностью идентификации видов деревьев была принята за результат оптимального отбора признаков для идентификации видов деревьев в районе исследования. По результатам идентификации видов деревьев была создана тематическая карта видов деревьев на пробной площади. Наконец, для выбранных признаков были построены ящичковые диаграммы для анализа идентификационной способности различных признаков для видов деревьев.

На пробной площади насчитывалось 1040 доминирующих деревьев, из которых 936 деревьев были обнаружены при сегментации, из них 880 были классифицированы правильно. Большинство неправильно сегментированных деревьев были недоразделены (undersegmented), вероятно, потому что пробная площадь представляла собой естественный хвойно-широколиственный смешанный лес со сложной структурой древостоя, высокой плотностью и перекрывающимися кронами. Было обнаружено небольшое количество случаев чрезмерной сегментации (oversegmentation) в высоком пологе широколиственных деревьев. Уровень обнаружения отдельных деревьев составил 90%, а общая точность сегментации отдельных деревьев составила 84.62%. Правильно сегментированные отдельные деревья включали 132 Juglans mandshurica (JM), 363 Larix gmelinii (LG), 223 Tilia amurensis (TA), 73 Quercus mongolica (QM) и 89 Ulmus pumila (UP). Результаты сегментации отдельных деревьев и проекционного контура проиллюстрированы на Рисунке 3.

Гиперспектральное изображение было сегментировано на основе проекционного контура облака точек отдельного дерева для получения гиперспектральных данных. Результаты сегментации гиперспектрального изображения и средние спектральные кривые центральных солнечных пикселей в гиперспектральном изображении для разных видов деревьев показаны на Рисунках 4 и 5 соответственно. Некоторые полосовые данные в полученных гиперспектральных изображениях были аномальными из-за облачной тени и были исключены для целей идентификации. Из Рисунка 4 видно, что алгоритм вогнутой оболочки хорошо описывает крону отдельного дерева, и центральная область кроны соответствует точно. Некоторые границы крон деревьев на гиперспектральном изображении имеют темный цвет, что является не землей, а низкими тенями на краю кроны дерева. Из Рисунка 5 видно, что средняя спектральная кривая, соответствующая центральным солнечным пикселям гиперспектрального изображения для разных видов деревьев, показывает различия в отражательной способности в видимом свете зеленых диапазонов, и эти различия более значительны в ближних инфракрасных диапазонах.

На основе облака точек и гиперспектральных данных отдельных деревьев были извлечены идентификационные признаки для видов деревьев. Топ-40 нормализованных результатов для каждого типа признаков (т.е. признаки HSI, признаки LiDAR и признаки HSI+LiDAR) по ранжированию важности показаны на Рисунке 6. Что касается признаков, извлеченных из гиперспектральных данных, компоненты преобразований MNF, ICA и PCA, а также вегетационные индексы имеют более высокую важность по сравнению с исходным спектром. Для признаков, извлеченных из данных LiDAR, признаки интенсивности первого и общего эхо-сигналов занимают первые два места по важности. Ранжирование признаков HSI+LiDAR показывает, что важность спектральных признаков в целом выше, чем важность признаков LiDAR, что указывает на то, что данные LiDAR содержат меньше информации, относящейся к идентификации видов деревьев, по сравнению с гиперспектральными данными.

На основе алгоритма SVM три типа признаков данных, а именно HSI, LiDAR и HSI+LiDAR, были смоделированы и подвергнуты процессу идентификации путем постепенного увеличения количества признаков от 1 до 40 в соответствии с их относительной важностью. Тенденция изменения точности на основе множественных (120 раз) результатов идентификации видов деревьев показана на Рисунке 7.

РИСУНОК 3 Облако точек и проекционный контур отдельных деревьев.

Из Рисунка 7 видно, что увеличение количества признаков может привести к значительному улучшению точности, когда количество признаков относительно мало. Однако, когда количество признаков достигает определенного числа, тенденция кривых становится более стабильной. Оптимальная точность может быть достигнута, когда количество признаков HSI+LiDAR, LiDAR и HSI составляет 21, 9 и 19 соответственно. Оптимальные результаты идентификации и индексы оценки точности на основе трех типов признаков представлены в Таблицах 3, 4 и 5.

РИСУНОК 4 Результаты сегментации гиперспектрального изображения.

РИСУНОК 5 Средние спектральные кривые для разных видов деревьев.

Результаты идентификации и индексы оценки в Таблицах 3, 4 и 5 показывают, что три типа данных показали лучшую производительность для идентификации хвойных и широколиственных видов деревьев. Хотя данные LiDAR показали наихудшую идентификационную способность, слияние LiDAR с HSI привело к улучшению идентификационной способности по сравнению с использованием только данных HSI. В целом, объединенные признаки HSI+LiDAR дали наивысшую точность идентификации, за ними следуют признаки HSI и признаки LiDAR. Тематическая карта идентификации видов деревьев на основе оптимальных результатов для комбинации признаков HSI+LiDAR представлена на Рисунке 8.

Согласно результатам идентификации на основе комбинации HSI+LiDAR, оптимальное количество признаков, выбранных в этом исследовании, составило 21, включая 19 признаков HSI и 2 признака LiDAR. Диаграмма размаха (Рисунки 9, 10) показывает способность этих 21 признаков идентифицировать 5 различных видов деревьев. Для сравнения, идентификационная способность трех других переменных в признаках LiDAR также была отображена. Хотя они не были выбраны для включения в окончательный объединенный набор данных, из Рисунка 10 видно, что эти три признаковые переменные LiDAR действительно оказали некоторое влияние на идентификацию видов деревьев. Например, ICA4 и MNF6 хорошо разделяют хвойные и широколиственные деревья, а признаки PCA5 и RGRI явно различались у Juglans mandshurica по сравнению с другими видами. Аналогично, PRI и MNF8 были полезны для идентификации Quercus mongolica. В целом, извлеченные признаки показали четкие различия между разными видами деревьев, причем различия между хвойными и широколиственными деревьями были выше, чем между разными широколиственными деревьями. Кроме того, как уже было отмечено, признаки HSI обладали более сильной способностью идентифицировать различные виды деревьев, чем признаки LiDAR.

В этом исследовании идентификация видов деревьев с использованием только признаков HSI позволила достичь высокого уровня точности, тогда как идентификация видов деревьев с использованием только признаков LiDAR была менее точной. Однако было обнаружено, что комбинация гиперспектральных признаков и признаков LiDAR позволила повысить точность по сравнению с HSI, и этот вывод согласуется с выводами независимых исследований (Dalponte et al., 2012; Hartling et al., 2021). Zhao et al. (2020) указали, что средний спектр кроны дерева может представлять спектр отдельных деревьев и может ослабить влияние смешанных пикселей, делая подход более подходящим для идентификации на уровне отдельных деревьев, чем идентификация на основе пикселей. Большая часть современных исследований, касающихся слияния гиперспектральных данных и данных LiDAR для идентификации видов деревьев, основана на использовании авиационных данных. Такой тип исследования может охватывать большие территории, но гиперспектральные данные обычно имеют относительно низкое разрешение. В нашем исследовании сбор данных основывался на гиперспектральных изображениях с БПЛА на малой высоте полета, и платформа была способна получать гиперспектральные изображения с пространственным разрешением 10 см

. Гиперспектральные данные отдельных деревьев, полученные с помощью проекционного контура облака точек, имеют больше пикселей, поэтому может быть выбрано большое количество высококачественных пикселей для генерации средней спектральной кривой для отдельного дерева. Учитывая сложность естественных смешанных хвойно-широколиственных лесов, некоторые смешанные пиксели действительно существуют на перекрывающихся границах крон. Поэтому выбор солнечных пикселей в центральной области кроны для получения средней спектральной кривой для отдельных деревьев может дополнительно уменьшить влияние смешанных пикселей и повысить точность идентификации видов деревьев.

РИСУНОК 6 Ранжирование признаков по важности.

РИСУНОК 7 Точность идентификации видов деревьев.

Согласно результатам идентификации видов деревьев, представленным на Рисунке 8, и учитывая явные различия предпочтительных признаков на Рисунках 9 и 10 между пятью различными видами деревьев, ясно, что извлеченные и оптимизированные признаки подходят для идентификации видов деревьев, исследованных в изучаемом районе. Используя возможности выбора признаков алгоритма RF, можно выбрать переменные признаков, которые положительно влияют на идентификацию видов, и значительно уменьшить размерность признаков без снижения общей точности идентификации, тем самым уменьшая сложность идентификации видов и повышая общую эффективность процесса идентификации.

Оптимальная комбинация признаков включает 8 признаков вегетационных индексов, 3 компонента преобразования ICA, 5 компонентов преобразования MNF, 2 компонента преобразования PCA, 1 признак исходного спектрального диапазона и 2 признака интенсивности LiDAR. Предыдущие исследования также подтвердили, что использование вегетационных индексов на основе биохимических параметров в качестве средства для характеристики и идентификации видов деревьев может эффективно повысить точность идентификации (Maschler et al., 2018; Shi et al., 2018b; Wu and Zhang, 2020). Настоящее исследование дополнительно показало, что определенные вегетационные индексы, сильно коррелирующие с биохимическими параметрами, могут использоваться для идентификации видов деревьев. Среди них фотохимический рефлектансный индекс (PRI) очень чувствителен к изменениям содержания каротиноидов в растительности, в то время как значения индекса антоцианового рефлектанса 1 (ARI1) и индекса антоцианового рефлектанса 2 (ARI2) отражают в основном содержание антоцианов в тканях листьев. Индекс отношения красного к зеленому (RGRI) зависит в основном от содержания антоцианов и хлорофилла. Однако Wu and Zhang (2020) и Maschler et al. (2018) указали, что идентификация видов деревьев, основанная только на использовании нескольких вегетационных индексов, недостаточно надежна, и в процесс должны быть включены дополнительные методы извлечения признаков. Поэтому в этом исследовании в процессе извлечения признаков были применены методы преобразования ICA, MNF и PCA. Хотя объяснить эти преобразованные компоненты в контексте механизма дистанционного зондирования непросто, настоящие и другие исследования показали, что преобразования ICA, PCA и MNF могут сжимать полезные высокоразмерные гиперспектральные данные в полезные компоненты и повышать точность идентификации. Как показано в этом исследовании, ICA4 действительно позволил достичь хорошего разделения хвойных и широколиственных видов деревьев. В целом, способность извлечения признаков методами преобразования ICA и MNF в контексте идентификации видов деревьев превосходила способность метода преобразования PCA. Стоит отметить, что преобразования PCA, MNF и ICA использовались как методы уменьшения размерности данных, и полезная информация, полученная при уменьшении размерности, была сконцентрирована в передней части компонентов. Например, чем выше компонент PCA, тем выше количество информации; чем выше компоненты MNF, тем выше отношение сигнал/шум. Однако настоящие результаты показали, что самый «лучший» компонент не обязательно имеет наибольшую важность в идентификации видов деревьев.

Двумя наиболее важными признаками LiDAR были средняя интенсивность первого эхо-сигнала и средняя интенсивность общего эхо-сигнала соответственно. Интенсивность первого эхо-сигнала позволяет уменьшить эффекты многократного рассеяния в дискретных эхо-системах. Последующие признаки LiDAR включали некоторые признаки, связанные с высотой деревьев, такие как 95% квантиль высоты первого эхо-сигнала и отношение количества облаков точек на высоте 80-100% , что сходно с результатами, сообщенными ранее (Korpela et al., 2010; Shi et al., 2018a). Хотя такие исследования и настоящее исследование продемонстрировали, что признаки высоты деревьев положительно влияют на идентификацию видов деревьев, считается, что признаки, связанные с высотой деревьев, будут показывать некоторые различия в идентификационной способности для разных регионов с точки зрения применимости модели. Несмотря на то, что спектр одного и того же вида деревьев в разных регионах может подвергаться влиянию некоторых факторов (например, сезона, погоды, датчиков и т. д.), это можно объяснить с точки зрения механизма дистанционного зондирования; кроме того, морфологическая структура одного и того же вида деревьев не сильно варьируется в нормальных древостоях, однако высота деревьев сильно различается в разных местах из-за цикла роста или факторов окружающей среды. Поэтому в исследованиях по переносу моделей, возможно, следует отдавать приоритет выбору спектральных признаков, морфологической структуры дерева и признаков интенсивности эхо-сигнала для достижения лучших результатов.

РИСУНОК 8 Способность признаков HSI к различению видов деревьев (JM — Juglans mandshurica; LG — Larix gmelinii; TA — Tilia amurensis; QM — Quercus mongolica; UP — Ulmus pumila).

РИСУНОК 9 Способность признаков HSI к различению видов деревьев (JM — Juglans mandshurica; LG — Larix gmelinii; TA — Tilia amurensis; QM — Quercus mongolica; UP — Ulmus pumila).

РИСУНОК 10 Способность признаков LiDAR к различению видов деревьев (JM — Juglans mandshurica; LG — Larix gmelinii; TA — Tilia amurensis; QM — Quercus mongolica; UP — Ulmus pumila).

В целом, большинство оптимальных признаков для идентификации видов деревьев были получены из гиперспектральных данных, в то время как данные LiDAR содержат относительно меньше информации, чем гиперспектральные данные; (2) Высокое пространственное разрешение (10 см) и высокое спектральное разрешение (2.1 нм) гиперспектральных данных, полученных с помощью системы БПЛА, были высокого качества и позволяли получить более точные признаки для идентификации видов деревьев, чем авиационные данные; (3) Район исследования для этой работы представлял собой естественный смешанный лес хвойных и широколиственных пород со сложными лесными условиями и высокой сомкнутостью полога, что привело к неполному получению информации о подлеске данными LiDAR, в то время как получение гиперспектральной информации о пологе практически не пострадало. Поэтому совокупное действие этих трех факторов способствовало тому, что идентификационная способность гиперспектральных признаков превосходила таковую LiDAR. Хотя данные LiDAR не играли такой заметной роли, как гиперспектральные данные, в идентификации видов деревьев, они, тем не менее, были незаменимы для успеха этого исследования. Благодаря трехмерной информации, получаемой LiDAR, этот набор данных имеет непревзойденные преимущества по сравнению с другими методами дистанционного зондирования в сегментации отдельных деревьев. В этом исследовании мы использовали алгоритм кластеризации облака точек на основе расстояния для сегментации данных LiDAR на отдельные деревья и проецировали профиль для отдельных деревьев на основе облака точек для отдельных деревьев; затем гиперспектральные данные сегментировались по этому профилю для получения гиперспектральных данных отдельных деревьев. Таким образом, данные LiDAR и гиперспектральные данные взаимодополняли друг друга. Данные LiDAR сыграли незаменимую роль в получении данных отдельных деревьев, что заложило основу для идентификации видов на уровне отдельных деревьев. Таким образом, слияние признаков HSI и признаков LiDAR позволило достичь наилучшей точности идентификации видов деревьев.

Отмечается, что для идентификации видов деревьев в естественных хвойно-широколиственных смешанных лесах на Северо-Востоке Китая использовались объединенные гиперспектральные изображения с БПЛА и данные LiDAR. Хотя удалось правильно классифицировать виды деревьев, все еще существует потребность в дальнейших углубленных и систематических исследованиях. Наличие точных данных на уровне отдельных деревьев, очевидно, является основой для текущих исследований по идентификации видов деревьев. В будущем мы изучим, может ли HSI участвовать в сегментации отдельных деревьев, и разработаем алгоритм оптимизации облака точек для сегментации отдельных деревьев, чтобы улучшить эффект сегментации в естественных хвойно-широколиственных смешанных лесах. В настоящей работе для идентификации видов деревьев и выбора признаков использовались традиционные алгоритмы машинного обучения. Будущие исследования могут быть проведены с использованием других существующих алгоритмов или новых алгоритмов, таких как глубокое обучение. Наконец, из-за влияния временных и пространственных вариаций универсальность достижений в области дистанционного зондирования всегда была в центре внимания и сложностью исследований. В этом исследовании были выбраны наилучшие признаки HSI и LiDAR для идентификации видов деревьев в районе исследования, однако их применимость к другим географическим регионам требует проверки.

В этом исследовании были получены гиперспектральные изображения и данные LiDAR для сложного естественного хвойно-широколиственного смешанного леса с помощью БПЛА. Точная идентификация видов деревьев на уровне отдельных деревьев была реализована путем объединения двух типов данных. Был проведен отбор оптимальных признаков для идентификации видов деревьев и создана тематическая карта видов деревьев. Сравнивая результаты идентификации видов деревьев с использованием различных источников данных, было продемонстрировано, что слияние гиперспектральных признаков и признаков LiDAR приводит к повышению точности идентификации видов. Оптимальные гиперспектральные признаки и признаки LiDAR для идентификации видов деревьев включали использование вегетационных индексов, чувствительных к хлорофиллу, антоцианам и каротину в листьях, отдельных компонентов преобразований ICA, MNF и PCA, а также признаков интенсивности эхо-сигнала LiDAR соответственно. Исследование обеспечит информационную поддержку для мониторинга разнообразия лесных видов, инверсии лесной биомассы и оценки лесных запасов углерода. Данные также могут служить полезным справочным источником для применения технологий многоисточникового дистанционного зондирования в лесном хозяйстве.

Все утверждения, выраженные в данной статье, являются исключительно мнением авторов и не обязательно отражают точку зрения их аффилированных организаций, издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в данной статье, или заявление, которое может быть сделано его производителем, не гарантируется и не поддерживается издателем.

Bahria, S., Essoussi, N., and Limam, M. (2011). Hyperspectral data classification using geostatistics and support vector machines. Remote Sens. Lett. 2 (2), 99-106. doi: 10.1080/01431161.2010.497782

Cao, J., Liu, K., Zhuo, L., Liu, L., Zhu, Y., and Peng, L. (2021). Combining UAV-based hyperspectral and LiDAR data for mangrove species classification using the rotation forest algorithm. Int. J. Appl. Earth Observation Geoinformation 102, 102414. doi: 10.1016/j.jag.2021.102414

Coops, N. C., Smith, M. L., Martin, M. E., and Ollinger, S. V. (2003). Prediction of eucalypt foliage nitrogen content from satellite-derived hyperspectral data. IEEE Trans. Geosci. Remote Sens. 41 (6), 1338-1346. doi: 10.1109/tgrs.2003.813135

Dalpote, M., Bruzzone, L., and Gianelle, D. (2012). Tree species classification in the southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data. Remote Sens. Environ. 123, 258-270. doi: 10.1016/j.rse.2012.03.013

de Almeida, D. R. A., Broadbent, E. N., Ferreira, M. P., Meli, P., Zambrano, A. M. A., Gorgens, E. B., et al. (2021). Monitoring restored tropical forest diversity and structure through UAV-borne hyperspectral and lidar fusion. Remote Sens. Environ. 264, 112582. doi: 10.1016/j.rse.2021.112582

Feng, B., Zheng, C., Zhang, W., Wang, L., and Yue, C. (2020). Analyzing the role of spatial features when cooperating hyperspectral and LiDAR data for the tree species classification in a subtropical plantation forest area. J. Appl. Remote Sens. 14 (02), 1. doi: 10.1117/1.1.14.022213

Fricker, G. A., Ventura, J. D., Wolf, J. A., North, M. P., Davis, F. W., and Franklin, J. (2019). A convolutional neural network classifier identifies tree species in mixed-conifer forest from hyperspectral imagery. Remote Sens. 11 (19), 2326. doi: 10.3390/rs11192326

Hartling, S., Sagan, V., and Maimaitijiang, M. (2021). Urban tree species classification using UAV-based multi-sensor data fusion and machine learning. GIScience Remote Sens. 58 (8), 1250-1275. doi: 10.1080/15481603.2021.1974275

Jensen, R. R., Hardin, P. J., and Hardin, A. J. (2012). Classification of urban tree species using hyperspectral imagery. Geocarto Int. 27 (5), 443-458. doi: 10.1080/10106049.2011.638989

Jiang, Y. F., Zhang, L., Yan, M., Qi, J. G., Fu, T. M., Fan, S. X., et al. (2021). High-resolution mangrove forests classification with machine learning using worldwide and UAV hyperspectral data. Remote Sens. 13 (8), 1529. doi: 10.3390/rs13081529

Jia, W., Pang, Y., Tortini, R., Schlapfer, D., Li, Z. Y., and Roujean, J. L. (2020). A kernel-driven BRDF approach to correct airborne hyperspectral imagery over forested areas with rugged topography. Remote Sens. 12 (3), 432. doi: 10.3390/rs12030432

Korpela, I., Orka, H., Maltamo, M., Tokola, T., and Hyyppä, J. (2010). Tree species classification using airborne LiDAR - effects of stand and tree parameters, downsizing of training set, intensity normalization, and sensor type. Silva Fennica 44 (2), 319-339. doi: 10.14214/sf.1156

Li, W., Guo, Q., Jakubowski, M.K., and Kelly, M. (2012). A new method for segmenting individual trees from the Lidar point cloud. Photogrammetric Engineering and Remote Sensing 78 (1), 75-84. doi: 10.14358/pers.78.1.75

Li, J., Hu, B., and Noland, T. L. (2013). Classification of tree species based on structural features derived from high density LiDAR data. Agric. For. Meteorology 171-172, 104-114. doi: 10.1016/j.agrformet.2012.11.012

Li, S., Liu, Z., Liu, K., and Zhao, Z. (2019). Advances in application of space hyperspectral remote sensing (invited). Infrared Laser Eng. 48 (3), 303001. doi: 10.14358/PERS.78.1.75

Li, Z., Liu, Q., and Pang, Y. (2016). Review on forest parameters inversion using LiDAR. J. Remote Sens. 20 (5), 1138-1150. doi: 10.11834/jrs.20165130

Liu, L., Pang, Y., Fan, W., Li, Z., Zhang, D., and Li, M. (2013). Fused airborne LiDAR and hyperspectral data for tree species identification in a natural temperate forest. J. Remote Sens. 17 (3), 679-695. doi: 10.11834/jrs.20131067

Li, Q. J., Yuan, P. C., Liu, X., and Zhou, H. P. (2020). Street Tree segmentation from mobile laser scanning data. Int. J. Remote Sens. 41 (18), 7145-7162. doi: 10.1080/01431161.2020.1754495

Luo, J. W., Ying, K., and Bai, J. (2005). Savitzky-golay smoothing and differentiation filter for even number data. Signal Process. 85 (7), 1429-1434. doi: 10.1016/j.sigpro.2005.02.002

Lu, X., Yun, T., Xue, L., Xu, Q., and Cao, L. (2019). Effective feature extraction and identification method based on tree laser point cloud. Chin. J. Lasers 46 (5) 411-422. doi: 10.3788/CJL201946.0510002

Man, Q., Dong, P., Yang, X., Wu, Q., and Han, R. (2020). Automatic extraction of grasses and individual trees in urban areas based on airborne hyperspectral and LiDAR data. Remote Sens. 12 (17), 2725. doi: 10.3390/rs12172725

Maschler, J., Atzberger, C., and Immitzer, M. (2018). Individual tree crown segmentation and classification of 13 tree species using airborne hyperspectral data. Remote Sens. 10 (8), 1218. doi: 10.3390/rs10081218

Modzelewska, A., Fassnacht, F. E., and Sterneczak, K. (2020). Tree species identification within an extensive forest area with diverse management regimes using airborne hyperspectral data. Int. J. Appl. Earth Observation Geoinformation 84, 101960. doi: 10.1016/j.jag.2019.101960

Pang, Y., Liang, X., Jia, W., Si, L., Yan, G., and Shi, J. (2021). The comprehensive airborne remote sensing experiment in saihana forest farm. J. Remote Sens. 25 (4), 904-917. doi: 10.11834/jrs.20210222

Pang, Y., Li, Z. Y., Ju, H. B., Lu, H., Jia, W., Si, L., et al. (2016). LiChy: The CAF's LiDAR, CCD and hyperspectral integrated airborne observation system. Remote Sens. 8 (5), 398. doi: 10.3390/rs8050398

Richards, J. A., and Jia, X. P. (2008). Using suitable neighbors to augment the training set in hyperspectral maximum likelihood classification. IEEE Geosci. Remote Sens. Lett. 5 (4), 774-777. doi: 10.1109/lgrs.2008.2005512

Sankey, T., Donager, J., McVay, J., and Sankey, J. B. (2017). UAV lidar and hyperspectral fusion for forest monitoring in the southwestern USA. Remote Sens. Environ. 195, 30-43. doi: 10.1016/j.rse.2017.04.007

Sankey, T. T., McVay, J., Swetnam, T. L., McClaran, M. P., Heilman, P., Nichols, M., et al. (2018). UAV hyperspectral and lidar data and their fusion for arid and semi-arid land vegetation monitoring. Remote Sens. Ecol. Conserv. 4 (1), 20-33. doi: 10.1002/rse2.44

Shen, X., and Cao, L. (2017). Tree-species classification in subtropical forests using airborne hyperspectral and LiDAR data. Remote Sens. 9 (11), 1180. doi: 10.3390/rs9111180

Shi, Y., Skidmore, A. K., Wang, T., Holzwarth, S., Heiden, U., Pinnel, N., et al. (2018b). Tree species classification using plant functional traits from LiDAR and hyperspectral data. Int. J. Appl. Earth Observation Geoinformation 73, 207-219. doi: 10.1016/j.jag.2018.06.018

Shi, Y., Wang, T., Skidmore, A. K., and Heurich, M. (2018a). Important LiDAR metrics for discriminating forest tree species in central Europe. ISPRS J. Photogrammetry Remote Sens. 137, 163-174. doi: 10.1016/j.isprsjprs.2018.02.002

Sooyoung, K., Robert, J. M., Hans-Erik, A., and Gerard, S. (2009). Tree species differentiation using intensity data derived from leaf-on and leaf-off airborne laser scanner data. Remote Sens. Environ. 113 (8), 1575-1586. doi: 10.1016/j.rse.2009.03.017

Sothe, C., Dalponte, M., Almeida, C. M. D., Schimalski, M. B., Lima, C. L., Liesenberg, V., et al. (2019). Tree species classification in a highly diverse subtropical forest integrating UAV-based photogrammetric point cloud and hyperspectral data. Remote Sens. 11 (11), 1338. doi: 10.3390/rs1111338

Taskin, G., Kaya, H., and Bruzzone, L. (2017). Feature selection based on high dimensional model representation for hyperspectral images. IEEE Trans. Image Process. 26 (6), 2918-2928. doi: 10.1109/tip.2017.2687128

Wang, K., Wang, T., and Liu, X. (2019). A review: Individual tree species classification using integrated airborne LiDAR and optical imagery with a focus on the urban environment. Forests 10 (1), 1. doi: 10.3390/f10010001

Wan, L., Lin, Y., Zhang, H., Wang, F., Liu, M., and Lin, H. (2020). GF-5 hyperspectral data for species mapping of mangrove in mai po, Hong Kong. Remote Sens. 12 (4), 656. doi: 10.3390/rs12040656

Wu, N., Li, Z., Liao, S., Pang, Y., Cui, K., and Chen, B. (2018). Spectral characteristics and influencing factors of pinus kesiya var. langbianensis based on airborne hyperspectral technique. For. Res. 31 (2), 63-68. doi: 10.13275/j.cnki.lykxyj.2018.02.009

Wu, Y., and Zhang, X. (2020). Object-based tree species classification using airborne hyperspectral images and LiDAR data. Forests 11 (1), 32. doi: 10.3390/f11010032

Xun, L., and Wang, L. (2015). An object-based SVM method incorporating optimal segmentation scale estimation using bhattacharyya distance for mapping salt cedar (Tamarix spp.) with QuickBird imagery. GIScience Remote Sens. 52 (3), 257-273. doi: 10.1080/15481603.2015.1026049

Zhang, Z., and Liu, X. (2013). Support vector machines for tree species identification using LiDAR-derived structure and intensity variables. Geocarto Int. 28 (4), 364-378. doi: 10.1080/10106049.2012.710653

Zhang, B., Zhao, L., and Zhang, X. L. (2020). Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images. Remote Sens. Environ. 247, 111938. doi: 10.1016/j.rse.2020.111938

Zhao, X. Q., Guo, Q. H., Su, Y. J., and Xue, B. L. (2016). Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas. ISPRS J. Photogrammetry Remote Sens. 117, 79-91. doi: 10.1016/j.isprsjprs.2016.03.016

Zhao, Q., Jiang, P., Wang, X., Zhang, L., and Zhang, J. (2021). Classification of protection forest tree species based on UAV hyperspectral data. Trans. Chin. Soc. Agric. Machinery 52 (11), 190-199. doi: 10.6041/j.issn.1000-1298.2021.11.020

Zhao, D., Pang, Y., Liu, L., and Li, Z. (2020). Individual tree classification using airborne LiDAR and hyperspectral data in a natural mixed forest of northeast China. Forests 11 (3), 303. doi: 10.3390/f11030303

Ziegler, A., and Konig, I. R. (2014). Mining data with random forests: current options for real-world applications. Wiley Interdiscip. Review-Data Min. Knowledge Discov. 4 (1), 55-63. doi: 10.1002/widm.1114