[发明专利]一种Res-UNet单木树种分类技术

权利要求书

1.一种Res-UNet单木树种分类技术，其特征是：

使用Res-UNet网络对高空间分辨率CCD数据进行复杂异质人工林林分级的树种分类，获得林分级树种分类图；应用距离判别聚类算法对机载LiDAR数据进行单木树冠分割，得到单木树冠分布图；基于林分级树种分类图和单木树冠分布图，使用叠加分析获得单木树种分类图。

2.如权利要求1所述Res-UNet单木树种分类技术，其特征是：使用Res-UNet网络对高空间分辨率CCD数据进行复杂异质人工林林分级的树种分类包括：

根据实地调查数据和CCD数据构建训练及验证数据集，完成深度学习模型训练；利用训练好的模型对CCD影像每个像元所属类别进行预测，得到整个区域的树种分布图。

3.如权利要求1所述Res-UNet单木树种分类技术，其特征是：应用距离判别聚类算法对机载LiDAR数据进行单木树冠分割包括：

使用距离判别聚类算法对同步获取的LiDAR点云数据进行单木树冠分割，得到单木树冠。

4.如权利要求1所述Res-UNet单木树种分类技术，其特征是：基于林分级树种分类图和单木树冠分布图，使用叠加分析获得单木树种分类图包括：

应用叠置分析方法对林分级树种分类图和单木树冠分布图进行叠加和分割，获得研究区单木级树种分布图。

5.如权利要求2所述所述Res-UNet单木树种分类技术，其特征是：

本发明实施例基于深度网络的U-Net和ResNet网络的基本结构上作了相关性改进和调整，将U-Net和ResNet网络相结合，构建改进的Res-UNet网络模型，将U-Net网络的卷积层使用ResNet的残差单元表示，能够更好地提取影像的深层次空间和光谱特征，在上采样中，使用双线性插值代替反卷积，有效地减少了需要训练的模型参数，降低模型复杂度，并在网络的输出端加入条件随机场后处理(Conditional Random Field,CRF)操作，通过梯度反向传播优化模型参数减小阔叶树种的混分现象，使得分类边界更加清晰平滑；改进的Res-UNet网络在进行特征提取时能够提取影像多尺度、更深层次的树种信息，同时在网络加深过程中避免网络退化问题，可以有效地实现复杂林分的单木树种分类，为单木树种分类提供新思路。

6.如权利要求3所述所述Res-UNet单木树种分类技术，其特征是：

把点云数据中最高的点作为树顶点，然后通过距离迭代判断分割出点云中的单木，完成单木树冠分割过程；该方法按照从高点到低点进行点云分割，首先设置一个阈值，当目标顶点水平距离大于该阈值时，该点被当做点云集群之外的点云；本实施例使用距离判别聚类算法进行基于点云的单木树冠分割，结合实测冠幅数据并经过反复实验，在最优的分割效果下，距离阈值设置为1.5，离地面高度设置为6。

7.如权利要求5所述所述Res-UNet单木树种分类技术，其特征是：

将U-Net网络的卷积层使用ResNet的残差单元表示，在每个残差单元中都包含三个卷积核大小为3×3的卷积层；在下采样网络结构中，使用四个步长为2的残差单元进行特征提取；在上采样网络中，使用线性插值代替反卷积操作，步长为1；在进行特征融合时，在网络的输出端，使用1×1的卷积层得到通道数为分类类别数的特征图，以实现输入数据端到端的分类；在网络的输出端加入CRF(Conditional Random Field)后处理，平滑树种分割图。