Multilevel Extraction of Vegetation Type Based on Airborne LiDAR Data

Abstract

Precise determination of vegetation type is important in remote sensing of the ecological environment. Many studies have explored ecosystem structure on explicit spatial scales using specific remote sensing data, but few studies have considered vegetation information extraction at various landscape levels using LiDAR-derived raster layers. This study determined vegetation information based on LiDAR-derived canopy height model (CHM) and LiDAR-derived forest canopy coverage (FCC) from the typical natural secondary forest of Maoershan Experimental Forest Farm (Northeast China). Geographic object-based image analysis was adopted for all experiments. Optimal classification characteristics and thresholds were determined and classification rule sets established for vegetation type extraction at four levels: vegetation-not-vegetation, vegetation type, forest type, and canopy—canopy gap. We compared and analyzed the capability of LiDAR-derived raster layers extraction to describe vegetation features at these four levels. An area-based assessment method was used for accuracy verification. The research showed that physical information such as vegetation height and canopy density provided by LiDAR point cloud is effective for extracting vegetation characteristics and categories. Moreover, results showed that high-resolution LiDAR-derived raster layers could provide more detailed vegetation information. This study represents a reference for data selection and mapping strategies for hierarchical and multiscale vegetation type extraction.

RÉSUMÉ

La détermination précise du type de végétation est importante pour le suivi des écosystèmes. De nombreuses études ont exploré la structure des écosystèmes à des échelles spatiales explicites à l'aide de données de télédétection spécifiques, mais peu d'études ont envisagé l'extraction d'information sur la végétation à diverses échelles du paysage à l'aide de couches matricielles dérivées du LiDAR. Cette étude a extraite les informations sur la végétation en se basant sur le modèle de hauteur de la canopée (CHM) et la couverture de la canopée forestière (FCC) dérivés des données LiDAR d’une forêt secondaire naturelle typique, la Ferme forestière expérimentale de Maoershan (Nord-est de la Chine). L'analyse d'images basée sur des objets géographiques a été adoptée. Les caractéristiques et les seuils de classification optimaux ont été déterminés et des ensembles de règles de classification ont été établis pour l'extraction du type de végétation à quatre niveaux: végétation-non-végétation, type de végétation, type de forêt, et canopée – absence de canopée. Nous avons comparé et analysé la capacité d'extraction des couches matricielles LiDAR à décrire les caractéristiques de la végétation à ces quatre niveaux. Une méthode d'évaluation par zone a été utilisée pour la vérification de l'exactitude. Cette étude a montré que les informations physiques, telles que la hauteur de la végétation et la densité de la canopée fournies par les nuages de points LiDAR, sont efficaces pour extraire les caractéristiques et les catégories de végétation. De plus, les couches matricielles LiDAR à haute résolution peuvent fournir des informations plus détaillées sur la végétation. Cette étude représente une référence pour la sélection des données et des stratégies de cartographie pour l'extraction hiérarchique et multi-échelle des types de végétation.

Acknowledgements

We thank Chuanbin Qi for editing the French abstract of this manuscript, and thank James Buxton MSc from Liwen Bianji, Edanz Group China (www.liwenbianji.cn./ac), for editing the English text of this manuscript.

Additional information

Funding

This work is jointly supported by supported by the State Key Laboratory of Subtropical Silviculture [KF202003]; the Fundamental Research Funds for the Central Universities [2572019CP12] and the Fundamental Research Funds for the Central Universities [201910225288].