Combination of LiDAR’s Multiple Attributes for Wetland Classification: A Case Study of Yellow River Delta

Abstract

Wetlands have received intensive interdisciplinary attention as unique ecosystems with valuable resources. As a new technology, the airborne LiDAR system has recently been applied in wetland research. However, most of the studies have focused on one or two LiDAR observations to extract either terrain or vegetation information from wetlands. This research aims at evaluating the combination of LiDAR’s spatial, spectral, and derived information to improve the mapping and classification of wetlands. Six LiDAR data derived attributes (DSM, DTM, off-ground features, slope map, multiple pulse returns, and normalized intensity) have been utilized for wetland classification based on an object-oriented classification method. The overall classify accuracy of the proposed LiDAR’s multi-attribute approach reaches 91.2%.

RÉSUMÉ

Les milieux humides ont reçu une attention interdisciplinaire intensive en tant qu’écosystèmes uniques avec des ressources précieuses. En tant que nouvelle technologie, le LiDAR aéroporté a récemment été utilisé comme outil dans les études sur les milieux humides. Toutefois, la plupart des études se sont concentrées sur une ou deux observations LiDAR pour extraire de l’information sur la topographie ou la végétation des milieux humides. Cette recherche vise à évaluer la combinaison des informations spatiale, spectrale et dérivée du LiDAR afin d’améliorer la cartographie et la classification des milieux humides. Six attributs dérivés des données LiDAR (DSM, DTM, caractéristiques hors sol, carte des pentes, retours d’impulsion multiples et l’intensité normalisée) ont été utilisés pour la classification des milieux humides basée sur une méthode de classification orientée objet. L’exactitude globale de l’approche multi-attributs LiDAR proposée atteint 91,2%.

Acknowledgments

The dataset used for this study was provided by the First Institute of Oceanography of China.

Additional information

Funding

This research was supported in part by the National Natural Science Foundation of China [Grant No. 41874031, No. 41704019 and No. 41804021].