【目的】传统的树木枝叶点云分类模型结构与特征过于复杂,存在稳定性差、精度低、模型过拟合及计算成本高等问题。研究以阔叶树青冈(Quercus glauca)地面激光点云数据为基础,提出一种改进的分类回归树(classification and regression tr...【目的】传统的树木枝叶点云分类模型结构与特征过于复杂,存在稳定性差、精度低、模型过拟合及计算成本高等问题。研究以阔叶树青冈(Quercus glauca)地面激光点云数据为基础,提出一种改进的分类回归树(classification and regression tree, CART)枝叶点云分类模型。【方法】首先根据点的邻域特征构造特征描述子,确定邻域搜索参数的最佳取值。通过逐步引入变量和调整决策树模型结构实现对分类回归树模型的改进。将改进后模型的分类结果与Logistics回归和K近邻模型进行对比。【结果】特征描述子作为变量引入后,模型测试数据分类准确率有所提升,比Logistics回归和K近邻模型分别高出13.1%和13.6%;改进后的分类回归树模型准确率有较大提升,稳定性好且模型大小显著降低,模型大小较改进前减少了99.9%,数据训练时间仅为调整前的51.3%;改进后的方法在树干和树叶上的综合评价指标均在0.9左右,差距小于0.001,无过拟合现象。【结论】改进的CART模型具有较高的精度,在小样本上也能取得较好的分类效果,稳定性好。研究结果可为地面激光雷达枝叶点云精准快速分类提供参考。展开更多
