刘翼，王谱佐，胡翔云，修林冉

(1.中国石油西气东输管道公司 科技信息中心，武汉 430000；2.武汉大学 遥感信息工程学院，武汉 430079；3.中国石油西气东输管道公司 管道处，上海 200000)

0 引言

随着城市化的快速发展，如何在城市规划中有效管理资源成为决策者的难题，而掌握精确的土地覆盖数据能极大地帮助管理城市。由于机载激光雷达数据能够快速提供高精度三维信息，己成为一种重要的遥感数据源，在城市遥感、森林遥感、石油管理信息化等领域发挥着重要作用[1]。目前，将三维点云用于城市遥感信息提取任务己经成为热门研究。机器学习方法可利用提取出的数据特征组合[2]，通过数学模型自动学习分类判别规则并有效分类城市复杂场景的不同地物。提取三维点云数据中的特征信息是区分不同地物的关键。Chehata等[3]总结了21种机载点云数据常见特征；Weinmann等[4]设计了一系列结合2D和3D的点云特征；Blomley等[5]使用了从不同邻域类型和多个尺度中提取的互补型几何特征。在机器学习模型的使用上，不同学者结合了不同的分类器方法[6-11]包括决策树、支持向量机(support vector machine，SVM)、随机森林等。极限梯度算法(eXtreme gradient boosting，XGBoost)分类模型[12]因为其优异的性能在数据挖掘中使用广泛。然而，这些分类器通常独立地使用局部特征标记每个点，通常会导致噪声结果。为此，一些学者提出了几种基于上下文特征的分类方法，这些方法可以考虑其相邻点之间的语义标签分布来改善分类结果[13-14]。本文提出了一种机载激光点云的自动分类方法，通过XGBoost训练从点云数据中抽取的特征信息，并结合全连接条件随机场优化初始分类模型，得到城市地区点云的精细分类结果。……