Multispectral LiDAR (Light Detection And Ranging) is characterized of the completeness and consistency of its spectrum and spatial geometric data, which provides a new data source for land-cover classification. In recent years, the convolutional neural network (CNN), compared with traditional machine learning methods, has made a series of breakthroughs in image classification, object detection, and image semantic segmentation due to its stronger feature learning and feature expression abilities. However, traditional CNN models suffer from some issues, such as a large number of layers, leading to higher computational cost. To address this problem, we propose a CNN-based multi-spectral LiDAR land-cover classification framework and analyze its optimal parameters to improve classification accuracy. This framework starts with the preprocessing of multi-spectral 3D LiDAR data into 2D images. Next, a CNN model is constructed with seven fundamental functional layers, and its hyper-parameters are comprehensively discussed and optimized. The constructed CNN model with the optimized hyper-parameters was tested on the Titan multi-spectral LiDAR data, which include three wavelengths of 532 nm, 1064 nm, and 1550 nm. Extensive experiments demonstrated that the constructed CNN with the optimized hyper-parameters is feasible for multi-spectral LiDAR land-cover classification tasks. Compared with the classical CNN models (i.e., AlexNet, VGG16 and ResNet50) and our previous studies, our constructed CNN model with the optimized hyper-parameters is superior in computational performance and classification accuracies.

多光谱LiDAR（光探测与测距）的特征在于其光谱和空间几何数据的完整性和一致性，这为土地覆被分类提供了新的数据源。近年来，卷积神经网络（CNN）与传统的机器学习方法相比，由于其更强的特征学习和特征表达能力，在图像分类，对象检测和图像语义分割方面取得了一系列突破。但是，传统的CNN模型存在一些问题，例如层数众多，从而导致更高的计算成本。为了解决这个问题，我们提出了一种基于CNN的多光谱LiDAR土地覆盖分类框架，并分析其最佳参数以提高分类精度。该框架从将多光谱3D LiDAR数据预处理为2D图像开始。接下来，构建具有七个基本功能层的CNN模型，并对其超级参数进行全面讨论和优化。使用Titan超多光谱LiDAR数据测试了构建的具有优化超参数的CNN模型，该数据包括532 nm，1064 nm和1550 nm的三个波长。大量实验表明，构建的具有优化超参数的CNN对于多光谱LiDAR土地覆盖分类任务是可行的。与传统的CNN模型（即AlexNet，VGG16和ResNet50）以及我们以前的研究相比，我们构建的具有优化超参数的CNN模型在计算性能和分类准确性方面均更为出色。接下来，构建具有七个基本功能层的CNN模型，并对它的超参数进行全面讨论和优化。使用Titan超多光谱LiDAR数据测试了构建的具有优化超参数的CNN模型，该数据包括532 nm，1064 nm和1550 nm的三个波长。大量实验表明，构建的具有优化超参数的CNN对于多光谱LiDAR土地覆盖分类任务是可行的。与传统的CNN模型（即AlexNet，VGG16和ResNet50）以及我们以前的研究相比，我们构建的具有优化超参数的CNN模型在计算性能和分类准确性方面均更为出色。接下来，构建具有七个基本功能层的CNN模型，并对它的超参数进行全面讨论和优化。使用Titan超多光谱LiDAR数据测试了构建的具有优化超参数的CNN模型，该数据包括532 nm，1064 nm和1550 nm的三个波长。大量实验表明，构建的具有优化超参数的CNN对于多光谱LiDAR土地覆盖分类任务是可行的。与传统的CNN模型（即AlexNet，VGG16和ResNet50）以及我们以前的研究相比，我们构建的具有优化超参数的CNN模型在计算性能和分类准确性方面均更为出色。并对其超参数进行了全面讨论和优化。使用Titan超多光谱LiDAR数据测试了构建的具有优化超参数的CNN模型，该数据包括532 nm，1064 nm和1550 nm的三个波长。大量实验表明，构建的具有优化的超参数的CNN对于多光谱LiDAR土地覆盖分类任务是可行的。与传统的CNN模型（即AlexNet，VGG16和ResNet50）以及我们以前的研究相比，我们构建的具有优化超参数的CNN模型在计算性能和分类准确性方面均更为出色。并对其超参数进行了全面的讨论和优化。使用Titan超多光谱LiDAR数据测试了构建的具有优化超参数的CNN模型，该数据包括532 nm，1064 nm和1550 nm的三个波长。大量实验表明，构建的具有优化超参数的CNN对于多光谱LiDAR土地覆盖分类任务是可行的。与传统的CNN模型（即AlexNet，VGG16和ResNet50）以及我们以前的研究相比，我们构建的具有优化超参数的CNN模型在计算性能和分类准确性方面均更为出色。大量实验表明，构建的具有优化超参数的CNN对于多光谱LiDAR土地覆盖分类任务是可行的。与传统的CNN模型（即AlexNet，VGG16和ResNet50）以及我们以前的研究相比，我们构建的具有优化超参数的CNN模型在计算性能和分类准确性方面均更为出色。大量实验表明，构建的具有优化的超参数的CNN对于多光谱LiDAR土地覆盖分类任务是可行的。与传统的CNN模型（即AlexNet，VGG16和ResNet50）以及我们以前的研究相比，我们构建的具有优化超参数的CNN模型在计算性能和分类准确性方面均更为出色。