机载激光雷达点云回归分析
概述
激光雷达技术具有较强的获取森林三维结构的能力, 而且获得的冠层结构参数与森林蓄积量、地上生物量具有很强的相关性,为大面积森林光合作用能力评估、生物量和碳储量估算提供了良好的手段。LiDAR360提供了线性回归、支持向量机、快速人工神经网络和随机森林四种方法,通过样地调查数据与激光雷达点云获取的变量构建回归模型,估计样方或更大区域的森林蓄积量和生物量等参数。
利用LiDAR360进行回归分析大致经过以下步骤:去噪、滤波、生成数字高程模型(Digital Elevation Model, DEM)、点云归一化、生成森林参数、回归分析。
数据准备
回归分析输入数据为归一化的点云数据,生成归一化点云的步骤如下:
点击数据管理 > 点云工具 > 去噪,对点云数据进行去噪处理,去除噪点影响。
点击分类 > 地面点分类,从点云中分离地面点,用于生成DEM。
点击地形 > 数字高程模型,基于地点面生成数字高程模型。
点击数据管理 > 点云工具 > 归一化,生成归一化的点云数据。
点击机载林业 > 森林参数 > 基于格网计算森林参数、基于多边形计算森林参数或者按林分计算森林参数,生成回归需要的自变量数据集。
处理步骤
线性回归步骤如下:
- 点击机载林业 > 回归分析 > 线性回归,将生成的森林参数自变量加载到功能对话框中,进行线性回归分析。
支持向量回归步骤如下:
- 点击机载林业 > 回归分析 > 支持向量机,将生成的森林参数自变量加载到功能对话框中,进行支持向量回归分析。
快速人工神经网络回归步骤如下:
- 点击机载林业 > 回归分析 > 快速人工神经网络,将生成的森林参数自变量加载到功能对话框中,进行快速人工神经网络回归分析。
随机森林网络回归步骤如下:
- 点击机载林业 > 回归分析 > 随机森林,将生成的森林参数自变量加载到功能对话框中,进行快速人工神经网络回归分析。
精度评估
回归分析完成后,将生成一个与结果文件相同名称的html文件,可查看回归分析精度以及参与回归分析的变量情况。
下图为支持向量机回归精度报告,Degree、Gamma和K-Fold为输入参数,由用户在参数界面设置,回归模型的精度评价由R、R Square和RMSE决定。 R Square为预测数据与原始数据均值之差的平方和与原始数据和均值之差平方和的比值,取值范围为[0 1],该值越接近1,表明自变量对因变量的解释能力越强。RMSE(Root Mean Square Error,均方根误差),该值是预测值与实测值的误差平方根的均值。Dependent and Independent Variable为参与回归分析的因变量和自变量,每次回归分析只使用一个因变量。