一种基于ITPNet网络模型的单木树种识别方法与流程

本发明涉及树种识别，具体涉及一种基于itpnet网络模型的单木树种识别方法。

背景技术：

1、森林是最重要的自然资源之一，是全球陆地生态系统中最大的有机碳库。树种识别是森林资源调查中的一项关键任务，获取精准的树种信息对森林资源管理、生态系统保护和物种多样性评估具有重要意义。在过去的几十年中，随着计算机技术和遥感对地观测技术的进步，航空影像数据被广泛的用于林分尺度的树种识别。然而林分尺度树种识别仅聚焦于树种的整体分布，缺乏精细化的林木信息，难以满足新时代智慧林业背景下森林资源精准监测与管理的新需求。

2、单木尺度树种识别旨在获取更精细的森林信息，如每颗树木的树种、空间位置等，可直接服务于森林资源的精准、科学管理。然而，它对遥感影像的空谱信息含量和解译方法也提出了更高的要求。光学遥感影像在树种识别领域取得了广泛的应用，但由于树种的多样性、树种之间光谱高度相似性和密集树冠的相互遮挡等复杂情况，仅依靠有限的光谱信息和水平空间信息无法有效分割单木并识别其树种属性，导致单木树种识别精度仍然很低。申请号为cn201910888236.6的发明专利公开了一种基于深度学习的单木级树种识别方法，所述方法包括：通过lidar点云数据获取冠层高度模型；通过局部最大值算法与冠层高度模型进行航空影像单木分割，并裁剪得到单株树木的块状影像；基于单株树木的块状影像利用深度卷积神经网络对单木树种进行识别。在本发明实施例中以lidar点云数据与高分辨率航空影像为基础，利用深度卷积神经网络图像分类技术进行单木尺度树种识别，实现了同时获取林区树木棵数及单株树木类型。

技术实现思路

1、本发明目的是提供一种基于itpnet网络模型的单木树种识别方法，该识别方法解决了单木分类精度低的问题。

2、一种基于itpnet网络模型的单木树种识别方法，包括以下步骤：

3、步骤一，数据获取，通过无人机不同传感器分别获取研究区内树木的高光谱数据和激光雷达数据，并由工作人员采集地面调查数据；

4、步骤二，数据预处理，预处理激光雷达数据获得冠层高度模型，在冠层高度模型中对单木树冠分割，得到树冠中心点；预处理高光谱数据获得反映真实地表反射率的高光谱数据；处理地面调查数据获取研究区内真实的树种分布信息，用于构建样本数据集；

5、步骤三，单木树种识别数据集构建，将高光谱数据与激光雷达数据进行地理配置以使空间位置对齐，以树冠中心点为中心将高光谱数据裁切为方形得到单木识别影像块；

6、步骤四，itpnet网络模型构建，在每个类别树种的单木识别数据集中随机选取若干个数据构建支持集，剩余单木数据集构建查询集，使用相同的cnn提取单木识别影像块的深层特征，使用支持集的深层特征构建每个类别树种对应的原型，再通过欧式距离计算查询集的深层特征与各类别树种的原型的相似度，以确定查询集单木树种；cnn包括若干个卷积层，每个卷积层包含64个滤波器组成的二维卷积、批归一化层、relu激活函数和最大池化层，根据影像块尺寸设定最大的卷积层数量；

7、步骤五，itpnet网络模型训练，参照样本数据集，在每个类别树种的单木识别影像块中随机选取s个单木识别影像块构建支持集，剩余单木识别影像块构建查询集，使用cnn分别对各个支持集和查询集提取深层特征，对支持集的深层特征求均值后，完成每个类别树种的原型的构建；

8、步骤六，单木树种识别，将待识别单木的单木识别影像块作为查询集，计算此时查询集的深层特征与各个原型间的欧式距离，选出计算距离值最小的原型，该原型对应的树种类型即为待识别单木的种类。

9、优选的，在所述步骤二中，激光雷达数据为点云数据，点云数据的预处理包括噪声滤波、地面点滤波、生成数字高程模型和数字表面模型、生成冠层高度模型。

10、优选的，在所述步骤二中，高光谱数据预处理过程包括辐射校正、正射校正、地理配准。

11、优选的，所述itpnet基于python编程语言和tensorflow深度学习框架开发。

12、本发明中，识别方法基于单木原型网络itpnet（individual tree prototypenet）网络模型进行单木树种识别，itpnet网络对单木分类总体精度达到94.4%，所有树种的分类精度r、p和f1-score都优于0.85，因此itpnet网络可充分提取和直接使用高光谱影像中丰富的空间-光谱信息，对于所有树种均具有良好的分类能力，满足小样本复杂森林条件下多树种单木识别需求。

技术特征：

1.一种基于itpnet网络模型的单木树种识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于itpnet网络模型的单木树种识别方法，其特征在于：在所述步骤二中，激光雷达数据为点云数据，点云数据的预处理包括噪声滤波、地面点滤波、生成数字高程模型和数字表面模型、生成冠层高度模型。

3.根据权利要求1所述的基于itpnet网络模型的单木树种识别方法，其特征在于：在所述步骤二中，高光谱数据预处理过程包括辐射校正、正射校正、地理配准。

4.根据权利要求1所述的基于itpnet网络模型的单木树种识别方法，其特征在于：所述itpnet基于python编程语言和tensorflow深度学习框架开发。

技术总结
本发明公开了一种基于ITPNet网络模型的单木树种识别方法，包括以下步骤：步骤一，数据获取，通过无人机不同传感器分别获取研究区内树木的高光谱数据和激光雷达数据，并由工作人员采集地面调查数据；步骤二，数据预处理，预处理激光雷达数据获得冠层高度模型；预处理高光谱数据反映真实地表反射率的高光谱数据；处理地面调查数据获取研究区内真实的树种分布信息；步骤三，单木树种识别数据集构建，将高光谱数据与激光雷达数据进行地理配置以使空间位置对齐；等。该方法基于ITPNet网络模型进行单木树种识别，ITPNet网络可充分提取和直接使用高光谱影像中丰富的空间‑光谱信息，对于所有树种均具有良好的分类能力，满足小样本复杂森林条件下多树种单木识别需求。

技术研发人员：朱若柠,梅晓丽,张晓丽,王冬,姚宗奇,柴国奇,高凌寒,张振鹏,李浩,李国冰,张晓霞
受保护的技术使用者：中建一局集团第三建筑有限公司
技术研发日：
技术公布日：2024/3/24