無人機遙感影像面向?qū)ο蠓诸惖膬鐾翢崛诨吔缣崛?/h1>
2019-06-10 07:02:02梁林林江利明周志偉陳玉興孫亞飛
自然資源遙感 2019年2期
梁林林， 江利明， 周志偉， 陳玉興， 孫亞飛
(1.中國科學院測量與地球物理研究所大地測量與地球動力學國家重點實驗室，武漢 430077； 2.中國科學院大學，北京 100049)
0 引言
凍土的面積在北半球占比非常大，多年凍土和季節(jié)凍土面積分別占北半球陸地表面積的24%和30%[1-3]。中國是世界第三大凍土國，以青藏高原為主體的多年凍土面積約為1.5×106km2，約占我國多年凍土面積的70%[4]。全球氣候變暖及過多的人類活動導致了地下冰融化、多年凍土退化等凍土問題，容易誘發(fā)熱融滑塌，其形成的主要原因是在人為因素和氣溫升高的影響下，地下冰融化，融化土體產(chǎn)生不均勻沉降，覆蓋的草皮、泥炭層及其下伏土層失去支撐而塌落下來[5]。熱融滑塌一旦形成就會產(chǎn)生溯源侵蝕滑塌，發(fā)展速度快、滑塌范圍大，對凍土區(qū)工程施工以及工程建設(shè)后的長期穩(wěn)定性影響非常大[6]，同時對周圍地區(qū)環(huán)境也會造成難以自然恢復的破壞，如加速了多年凍土退化，導致凍土地區(qū)水土流失、植被退化，加劇凍土荒漠化等。大范圍獲取凍土區(qū)域熱融滑塌分布狀況及其時空變化信息，對凍土區(qū)工程建設(shè)規(guī)劃以及凍土災害防治具有指導意義，同時也可用于凍土退化研究和凍土水碳釋放定量估算，對研究多年凍土退化與全球氣候變化相互影響具有重要意義。
對高空間分辨率影像使用傳統(tǒng)的基于像元的分類方法會產(chǎn)生“椒鹽”現(xiàn)象，分類精度低，不能很好地利用影像的空間信息。而面向?qū)ο蠓治?object-oriented analysis，OOA)是以影像對象作為分類的最小單元，通過對對象進行分析，訓練提取對象的光譜、形狀和紋理等多種語義信息，使用分類方法實現(xiàn)遙感影像的高精度分類，彌補了傳統(tǒng)的基于像元分類方法存在的語義不足，更適合高空間分辨率影像。隨著遙感和計算機技術(shù)的發(fā)展，OOA技術(shù)已在遙感影像地理空間對象提取中被廣泛應用。Daniel等[7]通過對SPOT5和數(shù)字高程模型數(shù)據(jù)應用基于面向?qū)ο蟮陌胱詣臃诸惙椒▽σ獯罄鞅辈康幕逻M行提取，通過預先存在的滑坡庫存數(shù)據(jù)和PSInSAR結(jié)果進行驗證，證明了該方法的有效性； 甘甜等[8]利用玉樹縣結(jié)古鎮(zhèn)震后的QuickBird高空間分辨率遙感影像，采用OOA技術(shù)實現(xiàn)研究區(qū)內(nèi)建筑物震害信息提取，為災害損失快速評估提供了可靠的基礎(chǔ)數(shù)據(jù)； 孫娜等[9]利用高分一號PMS影像，采用OOA的影像分析技術(shù)與區(qū)域種子生長方法相結(jié)合實現(xiàn)了黃土高原地區(qū)水體的高精度提??； 王巖等[10]利用汶川地震震后高空間分辨率航空遙感數(shù)據(jù)對建筑物震害情況進行了面向?qū)ο蟮目焖偬崛∨c自動分類，震害提取結(jié)果顯著，表明OOA技術(shù)在地震研究中具有可行性。
衛(wèi)星遙感影像因其空間和時間分辨率較低而難以對研究對象進行精細監(jiān)測，并且大氣和云層的干擾也可能使得數(shù)據(jù)無法使用。近年來，無人機在環(huán)境監(jiān)測中的應用得到了快速發(fā)展，它可以按照要求獲取高空間和高時間分辨率的影像，彌補了遙感衛(wèi)星影像的缺陷。無人機技術(shù)在遙感監(jiān)測調(diào)查中具有無可比擬的優(yōu)勢，在自然科學領(lǐng)域中得到了越來越多的使用[11-13]。
本文利用Trimble UX5無人機獲取了青藏高原黑河流域上游東支的俄博嶺埡口凍土區(qū)高空間分辨率遙感影像，研究了面向?qū)ο蟮膬鐾翢崛诨吔鐧z測方法，詳細分析了遙感影像分割和分類等關(guān)鍵技術(shù)，利用最鄰近、K-最鄰近(K-nearest neighbor，KNN)、決策樹、支持向量機(support vector machine，SVM)和隨機森林5種面向?qū)ο蠓诸惙椒▽鐾羺^(qū)熱融滑塌進行識別檢測，為研究凍土時空變化和凍土水碳儲量估算提供了關(guān)鍵基礎(chǔ)資料。
1 研究區(qū)概況及數(shù)據(jù)源
1.1 研究區(qū)概況
研究區(qū)位于祁連山黑河上游東支的俄博嶺埡口(E100°55′，N38°00′)區(qū)域(圖1)，海拔為3 685 m，處于甘肅省和青海省的交界處，絲綢之路G227國道旁，著名歷史古城峨堡鎮(zhèn)附近。研究區(qū)內(nèi)年平均氣溫低于4 ℃，年平均降水量為350 mm，大陸性氣候明顯。研究區(qū)多年凍土發(fā)育，因而具有典型的濕地生態(tài)系統(tǒng)特征，植被類型為高寒草甸。
圖1 研究區(qū)影像
由于全球氣候變暖的影響，凍土年平均地溫升高，地下冰和積雪融化，雨水下滲，研究區(qū)內(nèi)多年凍土退化，發(fā)育著典型的熱融滑塌，如圖2所示。研究區(qū)內(nèi)存在2條典型的凍土熱融滑塌區(qū)域，大滑塌區(qū)域長度約400 m，面積約7 600 m2； 小滑塌區(qū)域長度約120 m，面積約1 200 m2。
(a) 熱融滑塌區(qū)域1 (b) 熱融滑塌區(qū)域2
1.2 數(shù)據(jù)源
采用天寶公司生產(chǎn)的UX5固定翼無人機(圖3)，搭載Sony A5100數(shù)碼相機作為遙感影像采集平臺。影像獲取時間為2016年7月28日，航拍飛行高度為200 m，航向重疊度和旁向重疊度都為80%，共獲取高空間分辨率影像96幅，包括紅光(R)、綠光(G)、藍光(B)3波段，空間分辨率為5.22 cm，單幅影像覆蓋面積為0.06 km2。本文所使用的其他數(shù)據(jù)包括由R，G，B波段組成的數(shù)字正射影像(digital orthophoto map, DOM)和數(shù)字表面模型(digital surface model, DSM)，以及由DSM影像計算得到的坡度(slope)數(shù)據(jù)。其中DOM和DSM均由UASmaster軟件處理無人機航拍單幅影像生成，主要包括空中三角測量、點云、DSM和DOM影像生成等步驟。DOM影像的空間分辨率為0.06 m，DSM和坡度數(shù)據(jù)的空間分辨率均為0.14 m。數(shù)據(jù)覆蓋范圍大約為0.34 km2。
圖3 UX5固定翼無人機
1.3 野外實測數(shù)據(jù)
野外實測數(shù)據(jù)是利用天寶R8型RTK對研究區(qū)內(nèi)2條典型的熱融滑塌邊界進行野外采集所得，圖4為全球定位系統(tǒng)(global positioning system，GPS)現(xiàn)場測量。野外采集使用的是連續(xù)地形測量的方法，每隔0.5 m左右采集一個點數(shù)據(jù)，每個點測量的時間為1 s，圍繞滑塌邊界測量一周，共測量1 800個點，經(jīng)處理形成2條熱融滑塌的邊界，用于熱融滑塌提取精度評定。
圖4 GPS現(xiàn)場測量
2 面向?qū)ο蟮膬鐾翢崛诨崛》椒?/h2>
本文主要采用eCognition軟件對無人機DOM，DSM和由DSM數(shù)據(jù)得到的坡度數(shù)據(jù)通過最鄰近、KNN、決策樹、SVM和隨機森林等5種不同的面向?qū)ο蠓诸惙椒ㄌ崛崛诨畔?。首先，對坡度、DOM和DSM數(shù)據(jù)進行多尺度分割，并分別選擇不同的分類特征組合； 然后，采用5種面向?qū)ο蟮谋O(jiān)督機器學習方法完成熱融滑塌信息提?。?最后，對提取結(jié)果進行精度評價與分析。
2.1 高空間分辨率影像分割及參數(shù)確定
在進行面向?qū)ο蠓诸悤r首先要對影像進行分割，將影像的同質(zhì)區(qū)域分割出來，作為面向?qū)ο蠓诸惖淖钚卧?，本文使用多尺度分割算法來實現(xiàn)影像分割[14-15]。該算法是一種自下而上的分割算法，從任一個像元開始，根據(jù)相關(guān)的異質(zhì)性標準與其相鄰的對象進行區(qū)域合并，通過迭代形成小于設(shè)定同質(zhì)性尺度閾值(即分割尺度)的影像對象[16]。異質(zhì)性標準由影像對象的光譜異質(zhì)性和形狀異質(zhì)性相結(jié)合計算而得[17]，其中形狀異質(zhì)性包括光滑度和緊致度2種屬性。異質(zhì)性標準f計算公式為
f=ω1hcolor+(1-ω1)hshape，
(1)
式中：ω1為光譜信息權(quán)重，取值在[0,1]之間；hcolor為光譜異質(zhì)性;hshape為形狀異質(zhì)性。
光譜異質(zhì)性hcolor為特定權(quán)重值下各個數(shù)據(jù)層光譜值的標準差之和，計算公式為
(2)
式中：pi為第i波段的權(quán)重；σi為第i波段對象的標準差；n為波段數(shù)。
形狀異質(zhì)性hshape計算公式為
hshape=ω2u+(1-ω2)v，
(3)
式中：ω2為緊致度權(quán)重；u為影像區(qū)域整體緊致度；v為影像區(qū)域邊界光滑度。
影像區(qū)域緊致度u及光滑度v計算公式分別為
(4)
v=E/L，
(5)
式中：E為影像區(qū)域?qū)嶋H的邊界長度；N為影像區(qū)域的像元總數(shù)；L為影像區(qū)域最小外接矩形的邊界長度。
影像分割過程中，需要考慮上文提到的波段權(quán)重、光譜信息權(quán)重、緊致度權(quán)重和分割尺度等參數(shù)。波段權(quán)重是衡量各個波段在數(shù)據(jù)處理中的重要性，因為本文使用的數(shù)據(jù)各波段影響相同，故設(shè)置各波段權(quán)重相同，權(quán)重值為1； 光譜信息權(quán)重是衡量分割過程中光譜信息相對于形狀所占的權(quán)重； 緊致度用于根據(jù)較小的差異區(qū)分緊湊目標和不緊湊的目標； 分割尺度則決定分割對象的大小，既能夠?qū)⒌匚镞吔顼@示清楚，又不能太破碎，本文為了比較分割參數(shù)對分類結(jié)果的影響，通過反復實驗，確定了分割參數(shù)，如表1所示。
表1 分割參數(shù)
2.2 面向?qū)ο笥跋穹诸?/h3>
面向?qū)ο蠓诸愐苑指顚ο笞鳛榉诸惖淖钚卧?，分析提取對象的紋理、光譜和形狀等信息，并將這些信息作為先驗知識加入到分類器，通過一定的分類方法實現(xiàn)高空間分辨率遙感影像的高精度分類。為了驗證該方法的可行性，本文利用最鄰近法、KNN、決策樹、SVM和隨機森林等5種面向?qū)ο蟊O(jiān)督機器學習方法對研究區(qū)內(nèi)的熱融滑塌進行提取。
監(jiān)督機器學習方法首先需要選擇訓練樣本進行訓練學習，樣本選擇的好壞直接影響分類結(jié)果。訓練樣本的選擇遵循了均勻分布和完整性2大原則。盡量在研究區(qū)內(nèi)廣泛而均勻地為待分類類別分別選擇樣本，使選擇的樣本具有代表性和典型性，既能夠很好地反映地物的光譜分布，又能減少“同物異譜”和“異物同譜”現(xiàn)象。
光譜特征是遙感影像中最直觀的信息，能夠反映出不同地物的特性。但由于無人機高空間分辨率影像的波段數(shù)較少，光譜信息比較有限，只利用光譜特征會存在一些不足。由于研究區(qū)內(nèi)熱融滑塌區(qū)域的坡度值變化會比較明顯，因此選擇了地形信息來提取熱融滑塌。本文對研究區(qū)內(nèi)的光譜信息、幾何信息和地形信息進行了綜合研究，分割尺度和分類特征如表2所示。為了實驗分割尺度和分類特征對實驗結(jié)果的影響，分別基于相同分類特征不同分割尺度和相同分割尺度不同分類特征采用上文提到的5種面向?qū)ο蟊O(jiān)督機器學習方法來檢測研究區(qū)內(nèi)熱融滑塌(分別記為SY1，SY2和SY3)，實現(xiàn)對研究區(qū)內(nèi)熱融滑塌分布檢測。
表2 分類特征提取參數(shù)
3 實驗結(jié)果和精度評價
3.1 基于不同分類方法的滑塌提取
本文利用最鄰近法、KNN、決策樹、SVM和隨機森林等5種面向?qū)ο蟊O(jiān)督機器學習方法，按照表2的分割參數(shù)和分類特征對研究區(qū)進行了3次熱融滑塌邊界檢測實驗。以SY1實驗為例進行結(jié)果展示，其中圖5(a)為樣本分布，圖5(b)—(f)為各方法提取結(jié)果及GPS實測數(shù)據(jù)，為清晰展示，僅顯示熱融滑塌類的分類結(jié)果。
(a) SY1樣本分布 (b) 最鄰近分類結(jié)果 (c) KNN分類結(jié)果
(d) 決策樹分類結(jié)果 (e) SVM分類結(jié)果 (f) 隨機森林分類結(jié)果
3.2 熱融滑塌提取精度評價
為了客觀評價不同分類方法的分類結(jié)果，驗證面向?qū)ο蠓诸惙椒☉糜跓崛诨吔鐧z測的可行性與準確性，本文以實地測量的GPS數(shù)據(jù)作為真實滑塌邊界，按照滑塌與非滑塌區(qū)域面積比例在ArcGIS軟件中隨機選取83 063個樣本點作為驗證數(shù)據(jù)建立混淆矩陣對分類實驗進行精度評價，分類精度評價指標如表3—5所示。
表3 SY1分類混淆矩陣
表4 SY2分類混淆矩陣
表5 SY3分類混淆矩陣
分析表3—5可知，3次實驗總體精度均高于90%，分類效果較好；制圖精度均高于73%，最高達到94%，表明熱融滑塌邊界識別效果良好，有利于在沒有先驗知識的情況下發(fā)現(xiàn)凍土熱融滑塌問題。SY3的用戶精度明顯低于SY1和SY2，主要因為分類特征較少，不能很好地區(qū)分滑塌與非滑塌區(qū)域；而SY1和SY2的用戶精度相差較小。
5種分類方法的Kappa系數(shù)如圖6所示。分析圖6可知，SY1和SY2的Kappa系數(shù)基本在0.6以上，最高達到0.72，且2次實驗Kappa系數(shù)相差較小，而SY3的Kappa系數(shù)則明顯低于SY1和SY2，最低只有0.35。表明在本次實驗中，分割尺度對分類精度影響較小，分類特征對分類精度影響較大，因此選取合適的分類特征是提高分類精度的關(guān)鍵。5種方法中，3次實驗SVM的Kappa系數(shù)均高于其他4種分類方法，分別是0.72，0.69和0.61，表明SVM方法比較適合該研究區(qū)熱融滑塌邊界的檢測提取。
圖6 5種分類方法Kappa系數(shù)比較
4 結(jié)論
本文利用無人機高空間分辨率影像和實地測量GPS數(shù)據(jù)，采用5種面向?qū)ο蠓诸惙椒▽Χ聿X埡口凍土區(qū)熱融滑塌邊界進行了檢測及驗證，實驗結(jié)果表明：
1)采用無人機高空間分辨率影像和實地測量GPS數(shù)據(jù)，利用面向?qū)ο蠓椒▽ρ芯繀^(qū)熱融滑塌進行提取，提取總體精度均在90%以上。表明基于無人機高空間分辨率影像的面向?qū)ο蠓椒▽μ崛∏嗖馗咴瓋鐾翢崛诨吔绲目尚行院蜏蚀_性，有良好的應用發(fā)展前景。
2)對比3次分類實驗結(jié)果，分割尺度不同而分類特征相同(SY1和SY2)的Kappa系數(shù)相差甚微，表明本實驗分割尺度對分類精度影響較?。?分割尺度相同而分類特征不同(SY2和SY3)的Kappa系數(shù)相差比較大，SY3的分類效果較差，表明分類特征對分類精度影響較大，因此分類需要選擇合適的分類特征。
3)對比分析3組分類實驗的Kappa系數(shù)，SVM方法的Kappa系數(shù)高于其他4種分類方法，表明基于SVM面向?qū)ο蟊O(jiān)督學習的無人機影像分類方法更適合于該研究區(qū)熱融滑塌邊界提取。
志謝：感謝香港中文大學劉琳教授和蘭州大學張廷軍教授的指導。
猜你喜歡
FMS與YBT相關(guān)性的實證研究體育科技文獻通報(2022年3期)2022-05-23 13:46:54 遼代千人邑研究述論遼金歷史與考古(2021年0期)2021-07-29 01:06:54 分類算一算數(shù)學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56 視錯覺在平面設(shè)計中的應用與研究科技傳播(2019年22期)2020-01-14 03:06:54 EMA伺服控制系統(tǒng)研究民用飛機設(shè)計與研究(2019年4期)2019-05-21 07:21:24 分類討論求坐標中學生數(shù)理化·七年級數(shù)學人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學生數(shù)理化·七年級數(shù)學人教版(2018年6期)2018-06-26 08:36:06 教你一招：數(shù)的分類初中生世界·七年級(2017年9期)2017-10-13 22:27:46 可能是方法不對意林原創(chuàng)版(2016年10期)2016-11-25 10:28:30 用對方法才能瘦Coco薇(2016年2期)2016-03-22 02:42:52
梁林林， 江利明， 周志偉， 陳玉興， 孫亞飛
(1.中國科學院測量與地球物理研究所大地測量與地球動力學國家重點實驗室，武漢 430077； 2.中國科學院大學，北京 100049)
0 引言
凍土的面積在北半球占比非常大，多年凍土和季節(jié)凍土面積分別占北半球陸地表面積的24%和30%[1-3]。中國是世界第三大凍土國，以青藏高原為主體的多年凍土面積約為1.5×106km2，約占我國多年凍土面積的70%[4]。全球氣候變暖及過多的人類活動導致了地下冰融化、多年凍土退化等凍土問題，容易誘發(fā)熱融滑塌，其形成的主要原因是在人為因素和氣溫升高的影響下，地下冰融化，融化土體產(chǎn)生不均勻沉降，覆蓋的草皮、泥炭層及其下伏土層失去支撐而塌落下來[5]。熱融滑塌一旦形成就會產(chǎn)生溯源侵蝕滑塌，發(fā)展速度快、滑塌范圍大，對凍土區(qū)工程施工以及工程建設(shè)后的長期穩(wěn)定性影響非常大[6]，同時對周圍地區(qū)環(huán)境也會造成難以自然恢復的破壞，如加速了多年凍土退化，導致凍土地區(qū)水土流失、植被退化，加劇凍土荒漠化等。大范圍獲取凍土區(qū)域熱融滑塌分布狀況及其時空變化信息，對凍土區(qū)工程建設(shè)規(guī)劃以及凍土災害防治具有指導意義，同時也可用于凍土退化研究和凍土水碳釋放定量估算，對研究多年凍土退化與全球氣候變化相互影響具有重要意義。
對高空間分辨率影像使用傳統(tǒng)的基于像元的分類方法會產(chǎn)生“椒鹽”現(xiàn)象，分類精度低，不能很好地利用影像的空間信息。而面向?qū)ο蠓治?object-oriented analysis，OOA)是以影像對象作為分類的最小單元，通過對對象進行分析，訓練提取對象的光譜、形狀和紋理等多種語義信息，使用分類方法實現(xiàn)遙感影像的高精度分類，彌補了傳統(tǒng)的基于像元分類方法存在的語義不足，更適合高空間分辨率影像。隨著遙感和計算機技術(shù)的發(fā)展，OOA技術(shù)已在遙感影像地理空間對象提取中被廣泛應用。Daniel等[7]通過對SPOT5和數(shù)字高程模型數(shù)據(jù)應用基于面向?qū)ο蟮陌胱詣臃诸惙椒▽σ獯罄鞅辈康幕逻M行提取，通過預先存在的滑坡庫存數(shù)據(jù)和PSInSAR結(jié)果進行驗證，證明了該方法的有效性； 甘甜等[8]利用玉樹縣結(jié)古鎮(zhèn)震后的QuickBird高空間分辨率遙感影像，采用OOA技術(shù)實現(xiàn)研究區(qū)內(nèi)建筑物震害信息提取，為災害損失快速評估提供了可靠的基礎(chǔ)數(shù)據(jù)； 孫娜等[9]利用高分一號PMS影像，采用OOA的影像分析技術(shù)與區(qū)域種子生長方法相結(jié)合實現(xiàn)了黃土高原地區(qū)水體的高精度提??； 王巖等[10]利用汶川地震震后高空間分辨率航空遙感數(shù)據(jù)對建筑物震害情況進行了面向?qū)ο蟮目焖偬崛∨c自動分類，震害提取結(jié)果顯著，表明OOA技術(shù)在地震研究中具有可行性。
衛(wèi)星遙感影像因其空間和時間分辨率較低而難以對研究對象進行精細監(jiān)測，并且大氣和云層的干擾也可能使得數(shù)據(jù)無法使用。近年來，無人機在環(huán)境監(jiān)測中的應用得到了快速發(fā)展，它可以按照要求獲取高空間和高時間分辨率的影像，彌補了遙感衛(wèi)星影像的缺陷。無人機技術(shù)在遙感監(jiān)測調(diào)查中具有無可比擬的優(yōu)勢，在自然科學領(lǐng)域中得到了越來越多的使用[11-13]。
本文利用Trimble UX5無人機獲取了青藏高原黑河流域上游東支的俄博嶺埡口凍土區(qū)高空間分辨率遙感影像，研究了面向?qū)ο蟮膬鐾翢崛诨吔鐧z測方法，詳細分析了遙感影像分割和分類等關(guān)鍵技術(shù)，利用最鄰近、K-最鄰近(K-nearest neighbor，KNN)、決策樹、支持向量機(support vector machine，SVM)和隨機森林5種面向?qū)ο蠓诸惙椒▽鐾羺^(qū)熱融滑塌進行識別檢測，為研究凍土時空變化和凍土水碳儲量估算提供了關(guān)鍵基礎(chǔ)資料。
1 研究區(qū)概況及數(shù)據(jù)源
1.1 研究區(qū)概況
研究區(qū)位于祁連山黑河上游東支的俄博嶺埡口(E100°55′，N38°00′)區(qū)域(圖1)，海拔為3 685 m，處于甘肅省和青海省的交界處，絲綢之路G227國道旁，著名歷史古城峨堡鎮(zhèn)附近。研究區(qū)內(nèi)年平均氣溫低于4 ℃，年平均降水量為350 mm，大陸性氣候明顯。研究區(qū)多年凍土發(fā)育，因而具有典型的濕地生態(tài)系統(tǒng)特征，植被類型為高寒草甸。
圖1 研究區(qū)影像
由于全球氣候變暖的影響，凍土年平均地溫升高，地下冰和積雪融化，雨水下滲，研究區(qū)內(nèi)多年凍土退化，發(fā)育著典型的熱融滑塌，如圖2所示。研究區(qū)內(nèi)存在2條典型的凍土熱融滑塌區(qū)域，大滑塌區(qū)域長度約400 m，面積約7 600 m2； 小滑塌區(qū)域長度約120 m，面積約1 200 m2。
(a) 熱融滑塌區(qū)域1 (b) 熱融滑塌區(qū)域2
1.2 數(shù)據(jù)源
采用天寶公司生產(chǎn)的UX5固定翼無人機(圖3)，搭載Sony A5100數(shù)碼相機作為遙感影像采集平臺。影像獲取時間為2016年7月28日，航拍飛行高度為200 m，航向重疊度和旁向重疊度都為80%，共獲取高空間分辨率影像96幅，包括紅光(R)、綠光(G)、藍光(B)3波段，空間分辨率為5.22 cm，單幅影像覆蓋面積為0.06 km2。本文所使用的其他數(shù)據(jù)包括由R，G，B波段組成的數(shù)字正射影像(digital orthophoto map, DOM)和數(shù)字表面模型(digital surface model, DSM)，以及由DSM影像計算得到的坡度(slope)數(shù)據(jù)。其中DOM和DSM均由UASmaster軟件處理無人機航拍單幅影像生成，主要包括空中三角測量、點云、DSM和DOM影像生成等步驟。DOM影像的空間分辨率為0.06 m，DSM和坡度數(shù)據(jù)的空間分辨率均為0.14 m。數(shù)據(jù)覆蓋范圍大約為0.34 km2。
圖3 UX5固定翼無人機
1.3 野外實測數(shù)據(jù)
野外實測數(shù)據(jù)是利用天寶R8型RTK對研究區(qū)內(nèi)2條典型的熱融滑塌邊界進行野外采集所得，圖4為全球定位系統(tǒng)(global positioning system，GPS)現(xiàn)場測量。野外采集使用的是連續(xù)地形測量的方法，每隔0.5 m左右采集一個點數(shù)據(jù)，每個點測量的時間為1 s，圍繞滑塌邊界測量一周，共測量1 800個點，經(jīng)處理形成2條熱融滑塌的邊界，用于熱融滑塌提取精度評定。
圖4 GPS現(xiàn)場測量
2 面向?qū)ο蟮膬鐾翢崛诨崛》椒?/h2>
本文主要采用eCognition軟件對無人機DOM，DSM和由DSM數(shù)據(jù)得到的坡度數(shù)據(jù)通過最鄰近、KNN、決策樹、SVM和隨機森林等5種不同的面向?qū)ο蠓诸惙椒ㄌ崛崛诨畔?。首先，對坡度、DOM和DSM數(shù)據(jù)進行多尺度分割，并分別選擇不同的分類特征組合； 然后，采用5種面向?qū)ο蟮谋O(jiān)督機器學習方法完成熱融滑塌信息提?。?最后，對提取結(jié)果進行精度評價與分析。
2.1 高空間分辨率影像分割及參數(shù)確定
在進行面向?qū)ο蠓诸悤r首先要對影像進行分割，將影像的同質(zhì)區(qū)域分割出來，作為面向?qū)ο蠓诸惖淖钚卧?，本文使用多尺度分割算法來實現(xiàn)影像分割[14-15]。該算法是一種自下而上的分割算法，從任一個像元開始，根據(jù)相關(guān)的異質(zhì)性標準與其相鄰的對象進行區(qū)域合并，通過迭代形成小于設(shè)定同質(zhì)性尺度閾值(即分割尺度)的影像對象[16]。異質(zhì)性標準由影像對象的光譜異質(zhì)性和形狀異質(zhì)性相結(jié)合計算而得[17]，其中形狀異質(zhì)性包括光滑度和緊致度2種屬性。異質(zhì)性標準f計算公式為
f=ω1hcolor+(1-ω1)hshape，
(1)
式中：ω1為光譜信息權(quán)重，取值在[0,1]之間；hcolor為光譜異質(zhì)性;hshape為形狀異質(zhì)性。
光譜異質(zhì)性hcolor為特定權(quán)重值下各個數(shù)據(jù)層光譜值的標準差之和，計算公式為
(2)
式中：pi為第i波段的權(quán)重；σi為第i波段對象的標準差；n為波段數(shù)。
形狀異質(zhì)性hshape計算公式為
hshape=ω2u+(1-ω2)v，
(3)
式中：ω2為緊致度權(quán)重；u為影像區(qū)域整體緊致度；v為影像區(qū)域邊界光滑度。
影像區(qū)域緊致度u及光滑度v計算公式分別為
(4)
v=E/L，
(5)
式中：E為影像區(qū)域?qū)嶋H的邊界長度；N為影像區(qū)域的像元總數(shù)；L為影像區(qū)域最小外接矩形的邊界長度。
影像分割過程中，需要考慮上文提到的波段權(quán)重、光譜信息權(quán)重、緊致度權(quán)重和分割尺度等參數(shù)。波段權(quán)重是衡量各個波段在數(shù)據(jù)處理中的重要性，因為本文使用的數(shù)據(jù)各波段影響相同，故設(shè)置各波段權(quán)重相同，權(quán)重值為1； 光譜信息權(quán)重是衡量分割過程中光譜信息相對于形狀所占的權(quán)重； 緊致度用于根據(jù)較小的差異區(qū)分緊湊目標和不緊湊的目標； 分割尺度則決定分割對象的大小，既能夠?qū)⒌匚镞吔顼@示清楚，又不能太破碎，本文為了比較分割參數(shù)對分類結(jié)果的影響，通過反復實驗，確定了分割參數(shù)，如表1所示。
表1 分割參數(shù)
2.2 面向?qū)ο笥跋穹诸?/h3>
面向?qū)ο蠓诸愐苑指顚ο笞鳛榉诸惖淖钚卧?，分析提取對象的紋理、光譜和形狀等信息，并將這些信息作為先驗知識加入到分類器，通過一定的分類方法實現(xiàn)高空間分辨率遙感影像的高精度分類。為了驗證該方法的可行性，本文利用最鄰近法、KNN、決策樹、SVM和隨機森林等5種面向?qū)ο蟊O(jiān)督機器學習方法對研究區(qū)內(nèi)的熱融滑塌進行提取。
監(jiān)督機器學習方法首先需要選擇訓練樣本進行訓練學習，樣本選擇的好壞直接影響分類結(jié)果。訓練樣本的選擇遵循了均勻分布和完整性2大原則。盡量在研究區(qū)內(nèi)廣泛而均勻地為待分類類別分別選擇樣本，使選擇的樣本具有代表性和典型性，既能夠很好地反映地物的光譜分布，又能減少“同物異譜”和“異物同譜”現(xiàn)象。
光譜特征是遙感影像中最直觀的信息，能夠反映出不同地物的特性。但由于無人機高空間分辨率影像的波段數(shù)較少，光譜信息比較有限，只利用光譜特征會存在一些不足。由于研究區(qū)內(nèi)熱融滑塌區(qū)域的坡度值變化會比較明顯，因此選擇了地形信息來提取熱融滑塌。本文對研究區(qū)內(nèi)的光譜信息、幾何信息和地形信息進行了綜合研究，分割尺度和分類特征如表2所示。為了實驗分割尺度和分類特征對實驗結(jié)果的影響，分別基于相同分類特征不同分割尺度和相同分割尺度不同分類特征采用上文提到的5種面向?qū)ο蟊O(jiān)督機器學習方法來檢測研究區(qū)內(nèi)熱融滑塌(分別記為SY1，SY2和SY3)，實現(xiàn)對研究區(qū)內(nèi)熱融滑塌分布檢測。
表2 分類特征提取參數(shù)
3 實驗結(jié)果和精度評價
3.1 基于不同分類方法的滑塌提取
本文利用最鄰近法、KNN、決策樹、SVM和隨機森林等5種面向?qū)ο蟊O(jiān)督機器學習方法，按照表2的分割參數(shù)和分類特征對研究區(qū)進行了3次熱融滑塌邊界檢測實驗。以SY1實驗為例進行結(jié)果展示，其中圖5(a)為樣本分布，圖5(b)—(f)為各方法提取結(jié)果及GPS實測數(shù)據(jù)，為清晰展示，僅顯示熱融滑塌類的分類結(jié)果。
(a) SY1樣本分布 (b) 最鄰近分類結(jié)果 (c) KNN分類結(jié)果
(d) 決策樹分類結(jié)果 (e) SVM分類結(jié)果 (f) 隨機森林分類結(jié)果
3.2 熱融滑塌提取精度評價
為了客觀評價不同分類方法的分類結(jié)果，驗證面向?qū)ο蠓诸惙椒☉糜跓崛诨吔鐧z測的可行性與準確性，本文以實地測量的GPS數(shù)據(jù)作為真實滑塌邊界，按照滑塌與非滑塌區(qū)域面積比例在ArcGIS軟件中隨機選取83 063個樣本點作為驗證數(shù)據(jù)建立混淆矩陣對分類實驗進行精度評價，分類精度評價指標如表3—5所示。
表3 SY1分類混淆矩陣
表4 SY2分類混淆矩陣
表5 SY3分類混淆矩陣
分析表3—5可知，3次實驗總體精度均高于90%，分類效果較好；制圖精度均高于73%，最高達到94%，表明熱融滑塌邊界識別效果良好，有利于在沒有先驗知識的情況下發(fā)現(xiàn)凍土熱融滑塌問題。SY3的用戶精度明顯低于SY1和SY2，主要因為分類特征較少，不能很好地區(qū)分滑塌與非滑塌區(qū)域；而SY1和SY2的用戶精度相差較小。
5種分類方法的Kappa系數(shù)如圖6所示。分析圖6可知，SY1和SY2的Kappa系數(shù)基本在0.6以上，最高達到0.72，且2次實驗Kappa系數(shù)相差較小，而SY3的Kappa系數(shù)則明顯低于SY1和SY2，最低只有0.35。表明在本次實驗中，分割尺度對分類精度影響較小，分類特征對分類精度影響較大，因此選取合適的分類特征是提高分類精度的關(guān)鍵。5種方法中，3次實驗SVM的Kappa系數(shù)均高于其他4種分類方法，分別是0.72，0.69和0.61，表明SVM方法比較適合該研究區(qū)熱融滑塌邊界的檢測提取。
圖6 5種分類方法Kappa系數(shù)比較
4 結(jié)論
本文利用無人機高空間分辨率影像和實地測量GPS數(shù)據(jù)，采用5種面向?qū)ο蠓诸惙椒▽Χ聿X埡口凍土區(qū)熱融滑塌邊界進行了檢測及驗證，實驗結(jié)果表明：
1)采用無人機高空間分辨率影像和實地測量GPS數(shù)據(jù)，利用面向?qū)ο蠓椒▽ρ芯繀^(qū)熱融滑塌進行提取，提取總體精度均在90%以上。表明基于無人機高空間分辨率影像的面向?qū)ο蠓椒▽μ崛∏嗖馗咴瓋鐾翢崛诨吔绲目尚行院蜏蚀_性，有良好的應用發(fā)展前景。
2)對比3次分類實驗結(jié)果，分割尺度不同而分類特征相同(SY1和SY2)的Kappa系數(shù)相差甚微，表明本實驗分割尺度對分類精度影響較?。?分割尺度相同而分類特征不同(SY2和SY3)的Kappa系數(shù)相差比較大，SY3的分類效果較差，表明分類特征對分類精度影響較大，因此分類需要選擇合適的分類特征。
3)對比分析3組分類實驗的Kappa系數(shù)，SVM方法的Kappa系數(shù)高于其他4種分類方法，表明基于SVM面向?qū)ο蟊O(jiān)督學習的無人機影像分類方法更適合于該研究區(qū)熱融滑塌邊界提取。
志謝：感謝香港中文大學劉琳教授和蘭州大學張廷軍教授的指導。
猜你喜歡
體育科技文獻通報(2022年3期)2022-05-23 13:46:54
遼金歷史與考古(2021年0期)2021-07-29 01:06:54
數(shù)學小靈通(1-2年級)(2021年4期)2021-06-09 06:25:56
科技傳播(2019年22期)2020-01-14 03:06:54
民用飛機設(shè)計與研究(2019年4期)2019-05-21 07:21:24
中學生數(shù)理化·七年級數(shù)學人教版(2019年4期)2019-05-20 10:06:32
中學生數(shù)理化·七年級數(shù)學人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(2017年9期)2017-10-13 22:27:46
意林原創(chuàng)版(2016年10期)2016-11-25 10:28:30
Coco薇(2016年2期)2016-03-22 02:42:52
