ABSTRACT Airborne light detection and ranging (LiDAR) data have been used to generate land cover models for almost two decades. In this paper, three common processing decisions are assessed for their impact on the accuracy and configuration of the resultant land cover models. Using data acquired from a single-wavelength, discrete return system, this study compares six land cover models that investigate (i) the organization of data into tiles or flightstrips, (ii) the unit of analysis as either the individual LiDAR point or as a pixel in a rasterized model of the LiDAR data, and (iii) the use of either pixel- or object-based image analysis. Although the overall accuracies of the land cover models generated in this study are comparable, models disagree on up to 17% of the total study area. Class-specific metrics of recall and precision differ markedly between models, and the configuration of land covers are also affected. Models that employ pixel-based image analysis techniques tend to generate models with smaller, more dispersed patches of land cover. Data organization and choice of unit of analysis also influence the configuration of land cover, although effects differ depending on the land cover class. Comprehensive analyses of accuracy and precision are crucial to developing land cover models. This study demonstrates that it is also important to understand the potential influence of classification methodologies on the configuration of landscape features, especially when interpreting land cover models from an ecological or landscape genetic perspective.

中文翻译：

---

光探测和测距 (LiDAR) 数据组织和分析单元对土地覆盖分类的影响

摘要 近二十年来，机载光探测和测距 (LiDAR) 数据已被用于生成土地覆盖模型。在本文中，评估了三种常见的处理决策对结果土地覆盖模型的准确性和配置的影响。本研究使用从单波长离散返回系统获取的数据，比较了六种土地覆盖模型，这些模型调查 (i) 将数据组织成瓦片或飞行跑道，(ii) 作为单个 LiDAR 点或作为分析单位的分析单位LiDAR 数据光栅化模型中的像素，以及 (iii) 使用基于像素或基于对象的图像分析。尽管本研究中生成的土地覆盖模型的整体精度具有可比性，但模型在总研究面积的 17% 上存在分歧。特定类别的召回率和精度指标在模型之间存在显着差异，土地覆盖的配置也受到影响。采用基于像素的图像分析技术的模型倾向于生成具有更小、更分散的土地覆盖块的模型。数据组织和分析单位的选择也会影响土地覆盖的配置，尽管影响因土地覆盖类别而异。准确度和精确度的综合分析对于开发土地覆盖模型至关重要。本研究表明，了解分类方法对景观特征配置的潜在影响也很重要，尤其是从生态或景观遗传角度解释土地覆盖模型时。采用基于像素的图像分析技术的模型倾向于生成具有更小、更分散的土地覆盖块的模型。数据组织和分析单位的选择也会影响土地覆盖的配置，尽管影响因土地覆盖类别而异。准确度和精确度的综合分析对于开发土地覆盖模型至关重要。本研究表明，了解分类方法对景观特征配置的潜在影响也很重要，尤其是从生态或景观遗传角度解释土地覆盖模型时。采用基于像素的图像分析技术的模型倾向于生成具有更小、更分散的土地覆盖块的模型。数据组织和分析单位的选择也会影响土地覆盖的配置，尽管影响因土地覆盖类别而异。准确度和精确度的综合分析对于开发土地覆盖模型至关重要。本研究表明，了解分类方法对景观特征配置的潜在影响也很重要，尤其是从生态或景观遗传角度解释土地覆盖模型时。数据组织和分析单位的选择也会影响土地覆盖的配置，尽管影响因土地覆盖类别而异。准确度和精确度的综合分析对于开发土地覆盖模型至关重要。本研究表明，了解分类方法对景观特征配置的潜在影响也很重要，尤其是从生态或景观遗传角度解释土地覆盖模型时。数据组织和分析单位的选择也会影响土地覆盖的配置，尽管影响因土地覆盖类别而异。准确度和精确度的综合分析对于开发土地覆盖模型至关重要。本研究表明，了解分类方法对景观特征配置的潜在影响也很重要，尤其是从生态或景观遗传角度解释土地覆盖模型时。