融合机载LiDAR和植被指数的自适应单木提取方法

机载激光数据(Light Detection And Ranging,LiDAR)难以区分地面和草地范围,可见光植被指数无法分离灌木和乔木层,针对上述问题,构建一种融合LiDAR点云与RGB植被指数的多波段信息图像.以激光点云生成精细冠层高度模型(Canopy Height Model,CHM),利用无人机影像数据生成高清数字正射影像,在比较不同植被指数精度后选择差异增强植被指数(Differential Enhanced Vegetation Index,DEVI),与CHM进行融合.形态学重建CHM+DEVI融合图像,去除不合理值;构建训练样本,采用分类回归树算法,分割地面范围并自适应提取植被为乔木、灌木和草地,乔木区域采用局部最大值算法探测树顶点,作为前景标记,非乔木区域赋为后景标记,进行分水岭变换得到分割结果.将该方法提取的植被信息与实测数据进行精度分析,结果表明:改进方法在4个样方中,总体查全率提高3.2%,查准率提高3.9%,准确度F1得分提高3.5%,树高精度分别提高1.7%,6.4%,1.8%和0.3%.验证了改进方法的有效性,同时区域内植被混杂程度越高改进算法的提取效果越好.