Tree genera classification with geometric features from high-density airborne LiDAR

Abstract

Categorical recognition of a tree's genus is known to be valuable information for the effective management of forest inventories. In this paper, we present a method for learning a discriminative model using Random Forests to classify individual trees into three genera: pine, poplar, and maple. We believe that both internal and external geometric characteristics of the tree crown are related to tree form and therefore useful in classifying trees to the genus level. Our approach involves the extraction of both internal and external geometric features from a LiDAR point cloud as we believe that geometric features provide important information about the organization of the points inside the tree crown along with overall tree shape and form. We developed 24 geometric features and then reduced the number of features to increase efficiency. These geometric characteristics, computed for 160 sampled trees from eight field sites, were classified using Random Forests and achieved an 88.3% average accuracy rate by using 25% (40 trees) of the data for training.

La reconnaissance catégorielle du genre d'un arbre est reconnue comme une information importante pour la gestion efficace des inventaires forestiers. Dans cet article, on présente une méthode pour l'apprentissage d'un modèle discriminant à l'aide du modèle Random Forests pour classifier les arbres individuels en trois genres : pin, peuplier et érable. On croit que les caractéristiques géométriques internes et externes de la couronne de l'arbre sont reliées à la forme de l'arbre et qu'ainsi celles-ci sont utiles pour classifier les arbres au niveau du genre. Notre approche implique l'extraction des caractéristiques géométriques internes et externes à partir d'un nuage de points LIDAR étant donné que l'on estime que les caractéristiques géométriques apportent une information importante concernant l'organisation des points à l'intérieur de la couronne de l'arbre en plus de sa forme et de sa structure en général. On a développé 24 caractéristiques géométriques pour ensuite réduire le nombre de ces caractéristiques afin d'accroître l'efficacité. Ces caractéristiques géométriques, calculées pour 160 arbres échantillonnés sur huit sites sur le terrain, ont été classifiées à l'aide du modèle Random Forests et celles-ci ont atteint un taux moyen de précision de 88,3% en utilisant 25% (40 arbres) des données pour fins d'entraînement.

[Traduit par la Rédaction]

Acknowledgements

This research was funded by GeoDigital International Inc., Ontario Centres for Excellence, and a Discovery Grant from the Natural Sciences and Engineering Research Council of Canada. We thanks Dr. Richard Pollock, Konstantin Lisitsyn, Doug Parent, and Yulia Lazukova at GeoDigital International Inc. for their assistatance in preparing the data; Junji Zhang, Jili Li, Yoonseok Jwa at York University, Canada, and Nakhyn Song at Inha University, South Korea for acquiring field surveying data for this stundy.