【读论文】Multispectral LiDAR Data for Land Cover Classifification of Urban Areas（2017）

读论文

读论文

基于多光谱激光雷达的数据，城市土地覆盖分类任务得以实现。Morsy Salem Ahmed ElRabbany Ahmed

DOI: 10.3390/s17050958

文章目录

摘要
关键词：
结论：
1.该研究探讨的核心内容是什么？
2.该研究在创新方面有哪些突破？
3.该研究采用了哪些独特的方法？
4.该研究得出了哪些具有重要意义的结论？

摘要

机载光探测和测距（LiDAR）系统通常基于单一波长设计，通过测量物体反射的光能强度，可以评估其反射特性。近期，多光谱激光雷达传感器的出现带来了新的技术进展，能够采集不同波长的数据。这使得记录物体光谱反射特性的能力得到了显著提升。在本研究中，我们旨在比较两种不同技术在土地覆盖分类中的应用效果，具体而言，是利用多光谱激光雷达数据进行分析。第一种方法基于图像分类，通过从激光雷达点生成强度和高度图像，再应用最大似然分类器进行识别。第二种方法则侧重于点数据的分类，包括进行地面滤波和归一化差分植被指数（NDVIs）的计算。研究数据集来自加拿大安大略省奥沙瓦市的城市区域，分为四个类别：建筑、植被、道路和草地。实验结果表明，图像分类和三维点分类系统的整体准确率分别为89.9%和92.7%。为了补偿由于系统畸变和地形高度变化导致的信号衰减，我们对强度数据应用了辐射校正模型。随后重复了分类过程，但总体精度未见显著提升。

关键词：

多光谱激光雷达；土地覆盖；地面滤波；NDVI；辐射校正

结论：

本研究探讨了多光谱LiDAR数据在城市地区土地覆盖分类中的应用。多光谱数据采用Optech Titan传感器收集，该传感器在1550 nm、1064 nm和532 nm三个波长上运行。研究中采用两种分类方法将多光谱LiDAR数据划分为建筑、树木、道路和草地四种类别。第一种方法是将LiDAR强度和高度数据转化为图像形式，并结合了两个波段组合，包括三强度图像的叠加以及与数字高程模型（DSM）的结合。通过应用最大似然分类器，该方法仅依赖LiDAR强度数据就达成了约77.32%的总体分类准确率。当将DSM与LiDAR强度数据相结合时，分类准确率进一步提升至89.89%。

第二种技术基于点分类方法，通过整合三个通道中的3D LiDAR点，并将每个LiDAR点的三个强度值作为预处理步骤进行赋值。随后，采用斜率变化和平衡分配的方法进行地面滤波，将LiDAR数据划分为地面点和非地面点。接着，计算NDVI值，并运用 Jenks break 最优化方法确定阈值，将地面点聚类为道路和草地，非地面点则分为建筑物和树木。在使用不同组合的NDVI指数（如NDVINIR-MIR、NDVINIR-G和NDVIMIR-G）时，该方法分别实现了77.83%、92.70%和88.02%的总体分类准确度。基于雷达距离方程的物理模型对强度数据进行了辐射校正处理，校正过程中综合考虑了系统参数和地形因素的影响。值得注意的是，经过辐射校正后，对土地覆盖分类结果的影响并不显著。整个研究工作凸显了多维LiDAR数据（包含强度和高度信息）在分类精度上的优势，相较于单维LiDAR数据（仅包含强度或高度信息）具有明显改进。

1.该论文研究了什么？

本研究采用基于图像和点的分类方法，分别利用多光谱激光LiDAR数据的精度，通过加拿大一个城市区域的数据集划分为四类：建筑物、树木、道路和草地。研究结果表明，基于点分类的精度显著高于基于图像分类，分别为92.7%和89.9%。

2.创新点在哪？

3.研究方法是什么？

多光谱LiDAR数据被用于土地覆盖分类，划分为四个等级类别：建筑物、树木、道路和草地。研究者开发并应用了两种独立的分类技术，分别为基于图像的空间分析方法和基于点的三维分析方法。分类过程的详细流程如图1所示。在基于图像的分类方法中，系统通过LiDAR数据的高度和强度特征生成多个波段。通过从三个不同的光谱波长捕获的强度数据，生成了三个独立的强度图像。同时，从高度数据中提取了数字高程模型（DSM）。将这三个强度图像与DSM进行融合处理。随后，应用最大似然分类器对融合后的图像进行分类。在基于点的分类方法中，系统直接作用于三维点云数据。首先，对LiDAR点云进行多通道融合处理，并对每个LiDAR点分配三个强度值。接着，通过地面过滤技术将点云中的非地面点与地面点区分开来。根据这三个强度值计算光谱指数，将非地面点归类为建筑物和树木，将地面点归类为道路和草地。上述两种分类方法分别应用于原始LiDAR强度数据和经过辐射校正的LiDAR强度数据。为了验证分类结果的准确性，研究者采用了与LiDAR点云获取系统同步获取的航空遥感图像作为参考数据。在验证过程中，计算了包括总体准确度、生产者准确度、使用者准确度以及Kappa统计量在内的多种评估指标。此外，研究者对LiDAR强度数据进行了系统衰减效应校正，包括对范围和扫描角度的影响，对比校正前后的分类精度变化情况。

4.得到的结论是什么？

当使用LiDAR强度数据进行辐射校正时，整体精度提升了约17%，而引入数字表面模型（DSM）后仅增加了6%。在分类准确率方面，建筑物类表现尤为突出，达到了10.8%的水平，而树木类则提高了约3.1%。将基于点的分类技术的处理流程应用于辐射校正的LiDAR数据，但未能显著提升整体准确率。这可能与LiDAR数据仅在有限的角度范围内扫描有关。基于图像和基于点的分类技术分别实现了高达89.9%和92.7%的总体分类准确率。在相同四个土地覆盖类别中，前人的研究实现了85-89.5%的总体分类准确度。

本研究探讨了多光谱LiDAR数据在城市地区土地覆盖分类问题中的应用。多光谱数据由Optech Titan传感器收集，该传感器在1550 nm、1064 nm和532 nm三个波长范围内运行。通过两种分类方法将多光谱LiDAR数据划分为建筑、树木、道路和草地四种类别。第一种方法是基于图像的分类技术，其中将LiDAR强度和高度数据转化为图像形式。研究构建了两个波段组合：一个是三强度图像，另一个是三强度图像与DSM的结合。该方法仅依赖LiDAR强度数据，实现了约77.32%的总体分类准确率。当引入DSM数据时，分类准确率提升至89.89%。

第二种技术基于点分类方法，将三个通道中的3D LiDAR点进行融合，并将每个LiDAR点的强度值作为预处理阶段。随后，采用倾斜平衡和基于斜率的变化进行地面滤波处理，将LiDAR数据划分为地面点和非地面点。接着，计算NDVI指数，并运用 Jenks分类法估计阈值，将地面点聚类为道路和草地，非地面点则分为建筑物和树木。在应用NDVINIR-MIR、NDVINIR-G和NDVIMIR-G时，该方法分别获得了77.83%、92.70%和88.02%的总体准确率。基于雷达距离方程的物理模型对强度数据进行了辐射校正处理，校正过程中考虑了系统参数和地形因素的影响。值得注意的是，经过辐射校正后，对土地覆盖分类结果的影响并不显著。上述研究展示了多维LiDAR数据（包含强度和高度信息）在分类性能上的优势，相较于单维LiDAR数据（仅强度或高度信息）具有明显提升。

该文献引用了Morsy、Salem、Ahmed及其合著者的研究成果，发表于《Sensors》期刊，第17卷，第958页，探讨了多光谱激光雷达数据在城市土地覆盖分类中的应用，时间为2017年。