• 研究生: 張鉉宗
• 畢業學年度: 107
• 相關連結

森林的保護與管理在生態系統扮演著至關重要的角色，而遙測技術提供了一個便捷有效的方法來蒐集森林的資訊，特別是複雜的山區地形更加劇了森林調查的相關工作，人工實地勘查往往費時又費力。光學雷達(LiDAR)影像已然廣泛地被應用於量測林木高度及偵測樹冠，高解析度的光達影像促成了許多提取樹冠資訊演算法的開發，更能獲取詳盡的林地資料。
一個基於光達影像開發的樹冠偵測與描繪演算法的問題，是如何調整演算法中的參數或是閥值，諸如區域極值過濾(Wulder et al., 2000; Pouliot et al., 2002)，或是樣板匹配(Pollock, 1996)等等，都需要基於一些背景知識的假設，使得演算法能提升準確率抑或降低誤判率，由於自然林地生長環境多變，樹與樹之間為了兢爭生存空間枝節交錯，或是因光達影像取樣率不同，致使原先的假設改變，因此演算法在設定參數或閥值時便有了限制。
本篇研究旨在使用卷積神經網路(CNN)分類器於樹冠辨識的演算法，樹冠候選由改良的區域極值演算法所偵測，藉由卷積層提取的特徵將眾多的樹冠候選分類，卷積網路在處理空間相依度高的資料十分有用，描述這些不規則形狀的樹冠非常強大，結果顯示卷積層能夠提取樹冠於深度影像上的主要資訊，卷積網路提供了特徵提取並且很好的分類出樹冠與誤判的非樹區域。