由珈齊 李明澤 范文義 全 迎 王 斌 莫祝坤 祝子梟

(東北林業(yè)大學(xué)林學(xué)院 哈爾濱 150040)

林分類型識別是森林資源監(jiān)測的核心問題之一，準(zhǔn)確劃分林分類型可為森林調(diào)查、造林、經(jīng)營和規(guī)劃設(shè)計等提供科學(xué)依據(jù)(李明澤等， 2016)。最近幾十年，隨著空間技術(shù)、計算機技術(shù)、傳感器技術(shù)等與遙感密切相關(guān)學(xué)科技術(shù)的飛速發(fā)展，遙感正在進(jìn)入一個以高光譜遙感技術(shù)為主要標(biāo)志的時代(Wulderetal.， 2004)。高光譜遙感是將成像技術(shù)與光譜技術(shù)相結(jié)合的多維信息獲取技術(shù)，能夠同時探測目標(biāo)的二維集合空間和一維光譜信息，具有分辨率高、波段多、數(shù)據(jù)量豐富等特點(董恒等， 2012)，可通過多波段組合方式提取植被指數(shù)和紋理特征等變量，根據(jù)光譜信息差異識別不同林分； 但是高光譜影像數(shù)據(jù)只能獲取物體的表面信息，林分類型識別精度不高。激光雷達(dá)是一種主動遙感技術(shù)，可有效穿透森林，在獲取森林垂直結(jié)構(gòu)參數(shù)方面有著其他光學(xué)遙感技術(shù)無法比擬的優(yōu)勢(朱凌紅等， 2014； Lefskyetal.， 2002)，能夠彌補高光譜影像數(shù)據(jù)結(jié)構(gòu)單一的不足。因此，通過激光雷達(dá)與高光譜影像相結(jié)合進(jìn)行林分類型識別成為近年來相關(guān)研究的焦點。此外，一些研究也表明，將植被的生物化學(xué)特征作為變量參與樹種分類，可有效提高分類精度(Shietal.， 2018)。

在經(jīng)典植物分類學(xué)中，植物功能性狀被廣泛用于描述、排序和區(qū)分物種。Asner等(2011)基于從葉光譜中提取出的11種植物功能性狀，很好地識別了300多種亞馬遜雨林樹種，這表明將表示植物功能性狀的生物化學(xué)參數(shù)與遙感數(shù)據(jù)相結(jié)合能夠有效提高分類精度。葉綠素作為生物化學(xué)參數(shù)之一，反映了不同林分類型間的生物化學(xué)差異。遙感葉綠素提取方法主要有以下幾種： 1) 利用統(tǒng)計方法建立植被反射率或反射率一階微分等變換形式與植被葉綠素含量的回歸模型； 2) 基于物理模型的葉綠素反演方法； 3) 植被指數(shù)法。其中，植被指數(shù)法基于物理機理，采用多波段組合方式建立遙感數(shù)據(jù)各波段與葉綠素含量之間的統(tǒng)計關(guān)系，能夠有效反映不同植被葉綠素含量的差異(顏春燕等， 2005)。

除了數(shù)據(jù)源、分類特征外，分類器也是影響林分類型識別精度的關(guān)鍵因素。隨機森林(random forest，RF)是一種新型高效的組合分類器，其基本分類器為決策樹，不僅具有較高的分類準(zhǔn)確率，也不容易出現(xiàn)過擬合現(xiàn)象且能處理大量數(shù)據(jù)(楊珺雯等， 2015)。在高維遙感影像分類應(yīng)用中，隨機森林表現(xiàn)出了較高的分類精度、較快的運算速度和較好的穩(wěn)定性(劉毅等， 2012)。支持向量機(support vector machine，SVM)作為一種機器學(xué)習(xí)方法，以統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原則為基礎(chǔ)(陳永健， 2014)，本質(zhì)是最大化分類間隔的線性分類器，近年來已廣泛應(yīng)用于經(jīng)濟、生物和林學(xué)等領(lǐng)域。

目前，光學(xué)遙感與激光雷達(dá)結(jié)合識別林分類型已大量開展，但將植被生物化學(xué)參數(shù)應(yīng)用于分類識別的研究較少。鑒于此，本研究以機載高光譜影像和激光雷達(dá)點云為數(shù)據(jù)源，提取葉綠素、植被指數(shù)與高度、強度等變量，探討隨機森林、支持向量機分類器下機載高光譜影像和激光雷達(dá)點云數(shù)據(jù)源對林分類型識別的影響，并檢驗葉綠素在林分類型識別中的作用，以期為提高林分類型分類精度提供科學(xué)依據(jù)，為森林資源管理和監(jiān)測提供技術(shù)支持。

1 研究區(qū)概況與數(shù)據(jù)獲取

1.1 研究區(qū)概況

以東北林業(yè)大學(xué)帽兒山實驗林場老山施業(yè)區(qū)為研究區(qū)，該區(qū)地處黑龍江省尚志市西部帽兒山鎮(zhèn)，隸屬尚志國有林場管理局，地理坐標(biāo)為45°20′—45°25′N，127°30′—127°34′E，總面積為26 496 hm2。境內(nèi)以山區(qū)丘陵地貌為主，屬中溫帶大陸性季風(fēng)氣候，土壤以暗棕壤為主，有林地面積約4 000 hm2，總蓄積約340 000 m3，林種為水源涵養(yǎng)林和一般用材林(丁壯等， 2006)。主要喬木樹種有紅松(Pinuskoraiensis)、樟子松(Pinussylvestrisvar.mongolica)、落葉松(Larixgmelinii)、蒙古櫟(Quercusmongolica)、水曲柳(Fraxinusmandshurica)、胡桃楸(Juglansmandshurica)、椴樹(Tiliatuan)、色木槭(Acermono)、榆樹(Ulmuspumila)、白樺(Betulaplatyphylla)、楊樹(Populus)等。林分可塑性大，適應(yīng)性強，在不同海拔和多種立地條件下均有分布。

1.2 數(shù)據(jù)獲取

1.2.1 遙感數(shù)據(jù) 機載高光譜影像和激光雷達(dá)點云數(shù)據(jù)分別來自于LiCHy 系統(tǒng)搭載的高光譜傳感器(AISA Eagle Ⅱ)和LiDAR傳感器(Riegl LMS-Q680i)，獲取時間分別為2015年5月和9月。為保證地面分辨率，綜合考慮傳感器性能和研究區(qū)地形因素，確定飛行相對高度為1 200 m，以研究區(qū)地面平均海拔400 m為參考，飛行絕對高度為1 600 m。航線總長度798 km，共31條航帶。高光譜影像數(shù)據(jù)包括64個波段，波段范圍400～970 nm，地面分辨率1.5 m，光譜分辨率3.3 nm。LiDAR傳感器波長1 550 nm，掃描角±30°，采樣間隔1 ns，平均點云密度3.6 m-2。

研究區(qū)包含樟子松等常綠樹種以及落葉松、楊樹等落葉樹種，數(shù)據(jù)采集時均處于生長季，同一年份下同一時相內(nèi)樹木的高度和光譜特征具有短期穩(wěn)定性，高光譜影像與激光雷達(dá)點云數(shù)據(jù)間的時間差異可忽略不計(謝珠利， 2019)。

1.2.2 實測數(shù)據(jù) 實測數(shù)據(jù)源于帽兒山實驗林場2016年森林資源二類調(diào)查數(shù)據(jù)。老山施業(yè)區(qū)共有620塊小班，其中，441塊為林地(約占施業(yè)區(qū)總面積的66.1%)，179塊為道路、房屋、農(nóng)田等非林地(約占施業(yè)區(qū)總面積的33.9%)。林分以闊葉混交林、樟子松林、落葉松林、蒙古櫟林和紅松林為主(圖1)，5種林分分別約占施業(yè)區(qū)林地總面積的51.86%、10.34%、9.77%、12.23%和6.33%。林分郁閉度0.6～0.9，平均高13～20 m，平均蓄積量約107.7 m3·hm-2。

2 研究方法

2.1 數(shù)據(jù)預(yù)處理

利用AISA Eagle Ⅱ傳感器的定標(biāo)文件對原始高光譜影像數(shù)據(jù)進(jìn)行大氣校正、輻射校正和幾何校正，以得到正確的地物反射率。另外，由于不可避免的環(huán)境干擾和各種隨機誤差等，原始點云存在許多噪聲點，使用前需對數(shù)據(jù)進(jìn)行去噪處理并將點云高度歸一化，以消除地形的影響。數(shù)字高程模型(digital elevation model，DEM)是真實地形表面高程的三維數(shù)字化表達(dá)，采用普通克里金插值法生成0.5 m分辨率的DEM，激光點云與DEM相減即可消除地形的影響。

2.2 影像分割

采用eCognition軟件中內(nèi)嵌的多尺度分割(multiresolution segmentation，MRS)算法進(jìn)行影像分割，該算法是在影像信息損失最小的前提下，自下而上合并相鄰像素或較小的分割單元，使對象內(nèi)部同質(zhì)性最大、對象與對象之間異質(zhì)性最小(鐘舒怡等， 2018)。多尺度分割的最優(yōu)尺度由對象同質(zhì)性的局部變化(local variance，LV)決定，LV的變化率最大時，該點對應(yīng)的尺度即為圖像最佳分割尺度。影響分割效果的光滑度、緊致度和顏色因子參數(shù)采用默認(rèn)值0.1、0.5和1 (毛學(xué)剛等， 2017)。

2.3 特征提取與選擇

2.3.1 特征提取 高光譜影像數(shù)據(jù)提取的植被指數(shù)包括歸一化植被指數(shù)(normalized differential vegetation index，NDVI)、增強型植被指數(shù)(enhanced vegetation index,EVI)、比值植被指數(shù)(ratio vegetation index,RVI)、大氣阻抗植被指數(shù)(atmospherically resistant vegetation index,ARVI)，紅、綠、藍(lán)波段灰度的均值和標(biāo)準(zhǔn)差，以及波段的一階、二階、三階導(dǎo)數(shù)和紋理信息[包括紅、綠、藍(lán)波段卷積核內(nèi)的平均灰度值(mean)、灰度值范圍(range)、方差(variance)、灰度偏斜(skewness)和信息熵(entropy)]等10個特征變量(表1)。

Dash等(2004)針對高濃度的植被葉綠素含量，提出了MERIS陸地葉綠素指數(shù)(MERIS terrestrial chlorophyll index，MTCI)估測葉綠素，但由于葉面積指數(shù)(leaf area index，LAI)信息對葉綠素的提取估測存在影響，為此，董恒等(2012)提出了一種改進(jìn)的MERIS陸地葉綠素指數(shù)(modified MERIS terrestrial chlorophyll index，M-MTCI)。本研究分別提取MTCI和M-MTCI(表1)，以探究不同表達(dá)方式下的葉綠素指數(shù)對林分類型識別的影響。

激光雷達(dá)點云數(shù)據(jù)提取所有回波與首次回波的高度和強度特征，包括1%、5%、10%、25%、30%、40%、50%、60%、70%、75%、80%、90%、95%和99%分位數(shù)以及均值、標(biāo)準(zhǔn)差、方差、最小值、最大值、差異系數(shù)、偏度和峰度等(Andersenetal.， 2005)。首次回波信息可以更好描述樹冠形態(tài)，高度特征是高光譜影像數(shù)據(jù)無法直接獲取的，可以彌補光學(xué)影像在三維成像方面的不足，強度特征能夠描述不同地物對LiDAR激光脈沖的反射能力，同樣可以在地物識別分類上做出貢獻(xiàn)(李波， 2017)?；谏鲜隹紤]，本研究基于激光雷達(dá)點云數(shù)據(jù)共提取72個特征變量。

2.3.2 特征選擇 特征選擇旨在選出重要性較高的特征。根據(jù)以往研究(溫小樂等， 2018； 劉舒等， 2017； 劉思涵等， 2019)，原始數(shù)據(jù)提取的特征往往數(shù)量龐大，不利于計算，且并不是所有變量都對分類有積極作用。本研究采用隨機森林方法進(jìn)行特征選擇(利用Python語言)，通過構(gòu)建大量決策樹，使用袋外數(shù)據(jù)計算數(shù)據(jù)誤差，并對袋外數(shù)據(jù)隨機加入噪聲干擾，分析每株決策樹誤差增長幅度大小，誤差增長幅度越大，特征的重要性越高。

2.4 分類方案

2.4.1 分類器選擇 1) 隨機森林 隨機森林(RF)是一種以多株決策樹為基礎(chǔ)分類器的集成分類器(姚明煌， 2014)，相較于傳統(tǒng)分類算法，具有算法簡單、預(yù)測準(zhǔn)確率高等特點。RF利用重抽樣方法從原始樣本中抽取多個樣本，首先對抽取樣本進(jìn)行決策樹建模，然后對多株決策樹進(jìn)行預(yù)測，通過投票得出最終預(yù)測結(jié)果(王婷， 2017)。RF需要定義決策樹株數(shù)(Ntree)和候選分割屬性集大小(Mtry)2個參數(shù)，對于Mtry，使用默認(rèn)值特征數(shù)的平方根即可； 對于Ntree，理論上數(shù)量越多越好，但決策樹越多，計算量越大，可能導(dǎo)致分類器精度下降。本研究通過將Ntree設(shè)置為500、1 000和1 500，結(jié)合試驗結(jié)果及相關(guān)研究結(jié)論(皋廈等， 2018)，最終確定Ntree為1 000。

2) 支持向量機 支持向量機(SVM)是Cortes等(1995)提出的機器學(xué)習(xí)方法，相較于傳統(tǒng)機器學(xué)習(xí)語言，其在統(tǒng)計學(xué)習(xí)基礎(chǔ)上結(jié)合核函數(shù)等理論知識，可以很好地解決線性不可分、特征變量維數(shù)過高等問題(Mountrakisetal.， 2011)。SVM的目標(biāo)是尋找一個最優(yōu)超平面，使得離超平面較近的異類點之間有更大的間隔(樊雪， 2016)。本研究采用徑向基內(nèi)核的SVM算法，通過不斷調(diào)整正則化參數(shù)C，最終確定C為1 000。

表1 高光譜數(shù)據(jù)提取特征計算公式Tab.1 Calculation formula of hyperspectral data extraction features

2.4.2 分類系統(tǒng)確定 根據(jù)研究區(qū)林分類型分布狀況，將分類系統(tǒng)分為落葉松林、樟子松林、紅松林、蒙古櫟林和闊葉混交林5類。設(shè)置6種分類方案，包括隨機森林分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合、高光譜影像數(shù)據(jù)、激光雷達(dá)點云數(shù)據(jù)以及支持向量機分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合、高光譜影像數(shù)據(jù)、激光雷達(dá)點云數(shù)據(jù)。

2.4.3 精度檢驗 采取分層抽樣方法，每種林分類型隨機抽取75%數(shù)據(jù)作為訓(xùn)練樣本，剩余25%數(shù)據(jù)作為檢驗樣本。精度檢驗指標(biāo)包括總體精度(overall accuracy，OA)、生產(chǎn)者精度(producer accuracy，PA)、用戶精度(user accuracy，UA)和Kappa系數(shù)：

(1)

(2)

(3)

(4)

式中：Xii為檢驗樣本中第i類樹種且分類結(jié)果正確的總數(shù)；X+i為被分成第i類樹種的檢驗樣本總數(shù)；Xi+為第i類樹種的檢驗樣本總數(shù)；N為檢驗樣本數(shù)；r為林分類型數(shù)。

3 結(jié)果與分析

3.1 影像分割結(jié)果

一般情況下，最優(yōu)分割尺度不止1個，需要根據(jù)劃分的不同地物類型選擇適宜的分割尺度。ESP是最佳分割尺度評價工具，可以通過計算不同分割尺度下影像對象同質(zhì)性的局部變化(LV)作為分割對象層的平均標(biāo)準(zhǔn)差來判別分割效果是否最佳。根據(jù)試驗，分割尺度為220、440和1 050時LV變化率最大，LV變化率如圖2所示，具體分割效果如圖3所示。

圖2 LV變化率Fig. 2 Rate of change of local variance

圖3 分割尺度為220(a)、440(b)和1 050(c)時的影像分割Fig. 3 Image segmentation of three segmentation schemes when scale are 220 (a), 440 (b) and 1 050 (c)

由圖3可知，分割尺度較小(如220)時，小面積林分可被很好劃分，適用于更加精細(xì)的林分劃分； 而分割尺度較大(如1 050)時，可以區(qū)分較大面積林分，適用于更大尺度范圍的林分劃分； 分割尺度為440時，分割區(qū)域范圍與實測林分示例區(qū)最接近，分割效果最優(yōu)。故本研究采用440分割尺度進(jìn)行影像分割。從分割后的圖像中選取具有代表性的樣本，闊葉混交林為1 810個樣本、樟子松林為499個樣本、落葉松林為299個樣本、紅松林為98個樣本、蒙古櫟林為63個樣本(表2)。

表2 各林分樣本數(shù)量Tab.2 Sample size of each stands

3.2 特征選擇結(jié)果

通過隨機森林的特征選擇，選取的特征及特征重要性排序如圖4所示。根據(jù)各變量占重要性比重，高光譜影像和激光雷達(dá)點云數(shù)據(jù)各保留11個重要性較高的特征變量(共22個)。

圖4 選取的特征重要性排序Fig. 4 Importance ranking of selected featuresa、b、c分別為激光雷達(dá)點云、高光譜影像、激光雷達(dá)點云+高光譜影像保留的特征變量。AII_90%為所有回波累計強度的90%； H1_max為首次回波高度的最大值； I1_1%為首次回波強度的1%； I_min為所有回波強度的最小值； I_max為所有回波強度的最大值； I1_cv為首次回波強度的偏度； I_90%為所有回波強度的90%； H_mean為所有回波高度的均值； AIH_99%為所有回波累計高度的99%； I_95%為所有回波強度的95%； H_95%為所有回波高度的95%； green_range為綠色波段卷積核范圍內(nèi)平均灰度范圍； blue_mean為藍(lán)色波段卷積核范圍內(nèi)平均灰度； green_mean為綠色波段卷積核范圍內(nèi)平均灰度； red_range為紅色波段卷積核范圍內(nèi)平均灰度范圍。a, b and c are the characteristic variables reserved by LiDAR, hyperspectral and LiDAR+ hyperspectral respectively. AII_90% is 90% of the cumulative intensity of all echoes; H1_max is the maximum value of the first echo height; I1_1% is 1% of the first echo intensity; I_min is the minimum value of all echo intensities; I_max is the maximum value of all echo intensities; I1_cv is the deviation of the first echo intensity; I_90% is 90% of all echo intensities; H_mean is the average of all echo heights; AIH_99% is 99% of the cumulative height of all echoes; I_95% is 95% of all echo intensities; H_95% is 95% of all echo heights; green_range is the average gray value range within the convolution kernel of green band; blue_mean is the gray value of convolution kernel range in blue band; green_mean is the gray value of convolution kernel range in green band; red_range is the average gray value range within the convolution kernel of red band.

當(dāng)激光雷達(dá)點云數(shù)據(jù)作為唯一數(shù)據(jù)源時，選取的11個特征變量分別為所有回波累計強度的90%(AII_90%)、首次回波高度的最大值(H1_max)、首次回波強度的1%(I1_1%)、所有回波強度的最小值(I_min)、所有回波強度的最大值(I_max)、首次回波強度的偏度(I1_cv)、所有回波強度的90%(I_90%)、所有回波高度的均值(H_mean)、所有回波累計高度的99%(AIH_99%)、所有回波強度的95%(I_95%)和所有回波高度的95%(H_95%)，其中所有回波累計強度的90%對分類結(jié)果影響最大。

當(dāng)高光譜影像數(shù)據(jù)作為唯一數(shù)據(jù)源時，歸一化植被指數(shù)(NDVI)的重要性最大，其次為比值植被指數(shù)(RVI)、綠色波段卷積核范圍內(nèi)平均灰度范圍(green_range)、Vogelmann紅邊指數(shù)1(VOG1)、大氣阻抗植被指數(shù)(ARVI)、植物衰老反射指數(shù)(PSRI)、藍(lán)色波段卷積核范圍內(nèi)平均灰度(blue_mean)、紅邊歸一化植被指數(shù)(NDVI705)、綠色波段卷積核范圍內(nèi)平均灰度(green_mean)、MERIS陸地葉綠素指數(shù)(MTCI)和改進(jìn)的MERIS陸地葉綠素指數(shù)(M-MTCI)。

當(dāng)數(shù)據(jù)源為激光雷達(dá)點云與高光譜影像結(jié)合的多源數(shù)據(jù)時，由高光譜影像數(shù)據(jù)提取的歸一化植被指數(shù)(NDVI)對分類結(jié)果影響最大，其次為比值植被指數(shù)(RVI)、紅邊歸一化植被指數(shù)(NDVI705)、所有回波累計高度的99%(AIH_99%)、所有回波累計強度的90%(AII_90%)、所有回波強度的最大值(I_max)、首次回波強度的1%(I1_1%)、紅色波段卷積核范圍內(nèi)平均灰度范圍(red_range)、綠色波段卷積核范圍內(nèi)平均灰度(green_mean)、所有回波高度的均值(H_mean)、綠色波段卷積核范圍內(nèi)平均灰度范圍(green_range)和改進(jìn)的MERIS陸地葉綠素指數(shù)(M-MTCI)。

3.3 分類結(jié)果

6種分類方案的分類結(jié)果如表3所示。隨機森林分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合的總體分類精度最高為88.02%，Kappa系數(shù)為0.77，支持向量機分類器下激光雷達(dá)點云數(shù)據(jù)的總體分類精度最低為76.19%，Kappa系數(shù)為0.53。

表3 隨機森林和支持向量機分類器的分類結(jié)果Tab.3 Classification results of RF and SVM classifiers

對比不同數(shù)據(jù)源，以高光譜影像為單一數(shù)據(jù)源時平均分類精度為83.55%，以激光雷達(dá)點云為單一數(shù)據(jù)源時平均分類精度為76.41%，以高光譜影像與激光雷達(dá)點云結(jié)合為多數(shù)據(jù)源時平均分類精度為86.22%，可見，多源數(shù)據(jù)協(xié)同的平均分類精度高于單源數(shù)據(jù)。

對比不同分類器，隨機森林分類器的平均分類精度為82.92%，支持向量機分類器的平均分類精度為81.19%，隨機森林分類器的分類精度高于支持向量機分類器。

對于樟子松林、落葉松林、蒙古櫟林、紅松林和闊葉混交林5種林分類型，闊葉混交林分類效果最好，平均分類精度為92.62%，紅松林分類效果最差，平均分類精度為49.67%。

隨機森林分類器下多源數(shù)據(jù)協(xié)同分類結(jié)果如圖5所示。

圖5 隨機森林分類器下多源數(shù)據(jù)協(xié)同分類結(jié)果Fig. 5 Classification results of multi-source data under random forest classifier

3.4 葉綠素指數(shù)參與分類結(jié)果

M-MTCI為多源數(shù)據(jù)經(jīng)特征選擇保留的特征變量，對林分類型識別存在一定影響，但其影響程度有待研究。6種分類方案中，隨機森林分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合的分類精度最高。本研究在該分類方案下刪除M-MTCI變量，其余變量重新參與分類，探討M-MTCI是否對林分類型識別存在積極影響(表4)。

表4 葉綠素對分類結(jié)果的影響①Tab.4 Effect of chlorophyll on classification results

總體精度越高，Kappa系數(shù)越大，分類效果越好。由表4可知，試驗組的總體精度為88.02%，Kappa系數(shù)為0.77，對照組的總體精度為84.70%，Kappa系數(shù)為0.70，試驗組的分類效果更好，即改進(jìn)的MERIS陸地葉綠素指數(shù)(M-MTCI)對林分類型識別具有積極影響。

4 討論

4.1 特征變量的選擇

通過隨機森林的特征選擇，可以選取對分類有積極影響的特征變量，從而提高分類精度。高光譜影像數(shù)據(jù)選取的特征變量中，植被指數(shù)占絕對重要性，其中歸一化植被指數(shù)(NDVI)對分類的影響最大，紋理作為一種表面特征對分類也有較大貢獻(xiàn)，葉片對紅光和藍(lán)光波段有強烈吸收特性，而對綠光波段有反射特性，由于不同樹種葉片色素含量差異，不同樹種間綠色波段的反射率區(qū)別很大。對于激光雷達(dá)點云數(shù)據(jù)特征變量，所有回波強度變量占最高比例，重要性程度高于其他特征變量。Clément等(2018)基于高光譜影像數(shù)據(jù)和激光雷達(dá)點云數(shù)據(jù)對樹種純林進(jìn)行分類，也將強度作為激光雷達(dá)點云數(shù)據(jù)特征變量之首。此外，生物化學(xué)參數(shù)葉綠素指數(shù)對分類也有一定影響(Asneretal.， 2011)，MTCI和M-MTCI均占很高的重要性比例，且M-MTCI在多源數(shù)據(jù)提取的特征變量中重要性高于MTCI。

4.2 不同數(shù)據(jù)源對分類結(jié)果的影響

對于單源數(shù)據(jù)，高光譜影像數(shù)據(jù)與激光雷達(dá)點云數(shù)據(jù)相比，高光譜影像數(shù)據(jù)的平均分類精度為83.55%，激光雷達(dá)點云數(shù)據(jù)的平均分類精度為76.41%，高光譜影像數(shù)據(jù)在林分類型識別中的貢獻(xiàn)優(yōu)于激光雷達(dá)點云數(shù)據(jù)。Shi等(2018)研究得出，單純利用高光譜影像數(shù)據(jù)進(jìn)行樹種分類識別時精度為69.3%，高于僅利用激光雷達(dá)點云數(shù)據(jù)時的精度65.1%，與本研究結(jié)論一致。對于高光譜影像與激光雷達(dá)點云結(jié)合的多源數(shù)據(jù)，平均分類精度為86.22%，高于單源數(shù)據(jù)的平均分類精度。劉怡君等(2016)研究表明，融合影像數(shù)據(jù)分類的總體精度比單一高光譜影像數(shù)據(jù)精度提高6.55%，Kappa系數(shù)提高0.08，與本研究結(jié)論一致。單源數(shù)據(jù)與多源數(shù)據(jù)相比，高光譜影像數(shù)據(jù)與激光雷達(dá)點云數(shù)據(jù)結(jié)合的分類精度高于僅利用激光雷達(dá)點云數(shù)據(jù)或高光譜影像數(shù)據(jù)的分類精度，這是因為高光譜影像數(shù)據(jù)可以提供不同植被表面的光譜信息，而激光雷達(dá)點云數(shù)據(jù)可以提供植被的三維信息，光譜信息與三維信息相結(jié)合能夠更好地區(qū)分不同樹種，與魯續(xù)坤(2018)、劉麗娟等(2013)的觀點一致。

4.3 不同分類器對分類結(jié)果的影響

隨機森林分類器的平均分類精度(82.92%)高于支持向量機分類器(81.19%)，且在同一數(shù)據(jù)源下，隨機森林分類器的總體精度也高于支持向量機分類器，即在林分類型識別研究中，隨機森林分類器優(yōu)于支持向量機分類器。黃衍等(2012)通過大量數(shù)據(jù)比較得出，在許多分類問題上，隨機森林的泛化能力顯著優(yōu)于支持向量機，與本研究結(jié)論一致。這是因為通過隨機森林算法選擇的特征子集，可使隨機森林分類器的分類效果更好(熊艷等， 2018)。

4.4 葉綠素指數(shù)對分類結(jié)果的影響

改進(jìn)的MERIS陸地葉綠素指數(shù)(M-MTCI)參與分類后，分類精度提高約3.32%，Kappa系數(shù)提高約0.07，可見作為植被生化指數(shù)之一，葉綠素指數(shù)對林分類型識別在一定程度上有積極影響。Shi等(2018)研究發(fā)現(xiàn)，分類中加入植物功能性狀比單獨使用激光雷達(dá)點云或高光譜影像數(shù)據(jù)能顯著提高分類精度；Zhao等(2018)研究表明，高光譜影像數(shù)據(jù)與激光雷達(dá)點云數(shù)據(jù)結(jié)合植被生化指數(shù)可對區(qū)域森林物種多樣性進(jìn)行更準(zhǔn)確的預(yù)測，與本研究結(jié)論一致。

4.5 不同林分類型分類結(jié)果比較

在闊葉混交林、落葉松林、蒙古櫟林、紅松林和樟子松林5種林分類型中，闊葉混交林分類效果最好，平均分類精度為92.62%，其次為樟子松林(70.73%)、蒙古櫟林(54.91%)、落葉松林(52.40%)，紅松林分類效果最差，平均分類精度為49.67%。蒙古櫟林、落葉松林和紅松林分類精度相近，可能原因是紅松與落葉松葉片形狀相似，且林分平均高相近，易相互錯分； 同時，闊葉混交林樹種豐富，與蒙古櫟林發(fā)生錯分可能性較大，從而導(dǎo)致蒙古櫟林分類精度較低； 此外，5種林分類型樣本量不均也是導(dǎo)致蒙古櫟林、落葉松林和紅松林分類精度較低的原因之一。

5 結(jié)論

本研究基于同期獲取的高光譜影像和激光雷達(dá)點云數(shù)據(jù)，探討不同分類器下不同數(shù)據(jù)源對林分類型識別的影響。隨機森林分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合的分類精度最高(總體精度為88.02%，Kappa系數(shù)是0.77)，支持向量機分類器下激光雷達(dá)點云數(shù)據(jù)的分類精度最低(總體精度為76.19%，Kappa系數(shù)是0.53)。不同數(shù)據(jù)源相比，多數(shù)據(jù)源較單源數(shù)據(jù)可更好地提高分類精度； 單一數(shù)據(jù)源相比，高光譜影像數(shù)據(jù)源的分類效果更好； 不同機器學(xué)習(xí)模型相比，隨機森林分類器較支持向量機分類器分類效果更優(yōu)； 葉綠素作為生物化學(xué)參數(shù)對林分類型識別有積極影響； 不同林分類型相比，闊葉混交林最易區(qū)分，其次是樟子松林、蒙古櫟林、落葉松林和紅松林。總體來說，不同數(shù)據(jù)源、不同特征變量和不同分類器選擇均會影響林分識別精度。本研究在多源遙感數(shù)據(jù)融合分類的基礎(chǔ)上添加葉綠素指數(shù)，可為未來提高林分類型分類精度提供科學(xué)依據(jù)，為森林資源管理和監(jiān)測提供技術(shù)支持。