Exploring Deep Learning and Improved Features for Tree Species Classification Using Multispectral ALS
Description
Full text not available
Abstract
Kartlegging av treslag er en viktig, men utfordrende oppgave i skogregistrering. Selv om tradisjonelle metoder blir erstattet av fjernmålingsteknikker, for eksempel luftbåren laserskanning, er treslagsklassifisering fremdeles en flaskehals. Nylig har multispektral laserskanning stått frem som en praktisk og sterk løsning, selv om denne teknologien fortsatt er ny. Denne oppgaven utforsker en ny klassifiseringsalgoritme og nye variabler som potensielle forbedringer av multispektral laser data for klassifisering av treslag. En projeksjonsbasert klassifiseringsalgoritme for punktskyer, kalt SimpleView, utvides med en variabelgren som predikerer basert på geometriske bilder og radiometriske egenskaper. Denne modifiserte modellen, referert til som SimpleView+, er sammenlignet med toppmoderne metoder: Random Forest (RF), XGBoost og en flerlagsperceptron. I tillegg tar vi et nytt blikk på to lite undersøkte variabelgrupper: voxel-baserte geometriske variabler og radiometriske variabler hentet fra horisontale lag, kalt bøtter. Vi undersøker variablenes effektivitet på forskjellige skalaer, samt om en kombinasjon av forskjellige skalaer samtidig forbedrer prediksjonene ytterligere. Metodene våre ble testet på multispektrale data fra en boreal skog i Finland, bestående av ni treslag. Resultatene viser at SimpleView+ kan matche toppmoderne metoder når det gjelder nøyaktighet, men ikke når det gjelder praktiske hensyn. Blant de undersøkte metodene viste XGBoost seg overlegen i begge disse aspektene. Når vi legger til voxel- og bøtte variablene til referansevariablene økte den totale nøyaktigheten med 1.5% og 1.9%, henholdsvis. Når de to gruppene ble lagt til samtidig økte denne forbedringen til 3.4%, noe som resulterte i en endelig nøyaktighet på 76.7%. Dessuten ble det sett små forbedringer ved å kombinere variablene i forskjellige skalaer. Spesielt var disse variablene effektive for å skille furu og gran fra bjørk, og furu fra løvtrær. Resultatene viser at disse gruppene kan gi ytterligere informasjon sammen med variabler som ofte brukes i litteraturen. De viktigste kodefilene brukt i oppgaven finner du her: https://github.com/KarlUndheim/THESIS. Mapping tree species is an important yet challenging task in forest inventorying. Even though traditional manual methods are being replaced by remote sensing (RS) techniques, such as Airborne Laser Scanning (ALS), tree species classification remains a bottleneck. Recently, Multispectral Laser Scanning (MLS) has emerged as a practical and high-performing solution, although this technology is still in its infancy. This thesis explores a novel classifier and new features as potential improvements to MLS data for classifying tree species. A projection-based point cloud classifier from the literature, named SimpleView, is extended with a feature branch, enabling predictions based on geometric images and radiometric features. This modified model, referred to as SimpleView+, is compared against state-of-the-art methods: Random Forest (RF), XGBoost, and a multi-layer perceptron (MLP). Additionally, we take a new look at two under-researched feature groups: voxel-based geometric features and radiometric features derived from horizontal layers. We examine the features’ efficacy at different scales, and, whether combining different scales at the same time enhances predictions. Our methods were tested on an MLS dataset from boreal conditions in Finland, consisting of nine tree species. The results show that SimpleView+ can match state-of-the-art models in terms of accuracy but not practicality. Among the evaluated models, XGBoost proved superior in both these aspects. Adding voxel and bin features to the benchmark feature set increased the overall accuracy (OA) by 1.5% and 1.9%, respectively. When added together, this improvement increased to 3.4%, resulting in a final OA of 76.7%. Moreover, slight improvements were seen by combining the features at different scales. Specifically, these features were efficient for distinguishing pine and spruce from birch, and pine from deciduous trees. The results suggest that these groups can provide auxiliary information to features commonly used in the literature. The most important code used for the thesis can be found at https://github.com/KarlUndheim/THESIS.