俞浩藝

（江蘇省地質(zhì)測(cè)繪院 江蘇南京 211100）

1 引言

社會(huì)經(jīng)濟(jì)發(fā)展對(duì)土地利用方式產(chǎn)生了較為顯著的影響，將無(wú)人機(jī)高分辨率遙感技術(shù)應(yīng)用到土地利用的分類(lèi)中，可以有效提升土地規(guī)劃管理效率，對(duì)于宏觀土地政策的制定具有一定的借鑒意義[1-2]。

相較于普通載人航空和衛(wèi)星遙感，無(wú)人機(jī)遙感技術(shù)具有環(huán)境適應(yīng)性強(qiáng)、機(jī)動(dòng)靈活、成本低廉、分辨率高等特點(diǎn)[3]，近年來(lái)逐漸應(yīng)用于林業(yè)、農(nóng)業(yè)、水土保持、土地利用分類(lèi)等領(lǐng)域[4-6]。最早的土地利用分類(lèi)主要是目視解譯。隨著高分辨率遙感影像的出現(xiàn)，使得目視解譯更加容易，但是分辨率越高，光譜信息就越少，使得傳統(tǒng)的基于像元層次的分類(lèi)方法可能就不再適用于高分率遙感影像的特征提取和分類(lèi)。因此，基于面向?qū)ο蟮挠跋穹诸?lèi)方法就隨之產(chǎn)生。目前關(guān)于面向?qū)ο蟮耐恋乩梅诸?lèi)方法仍處于初步應(yīng)用階段，技術(shù)理論相對(duì)傳統(tǒng)方法還未成熟，其分類(lèi)效果與其他方法相比具有什么樣的優(yōu)勢(shì)也沒(méi)有明確的定論。故本文擬對(duì)基于面向?qū)ο蟮膬呻A段分類(lèi)法、決策樹(shù)分類(lèi)法、支持向量機(jī)分類(lèi)法以及隨機(jī)深林分類(lèi)法的土地利用分類(lèi)情況進(jìn)行對(duì)比分析，以期能為高分辨率無(wú)人機(jī)遙感影像分類(lèi)提供借鑒。

2 研究區(qū)概況

研究區(qū)地貌以丘陵臺(tái)地、沖積平原為主，地勢(shì)總體上比較平坦開(kāi)闊，局部地區(qū)略有起伏，屬亞熱帶季風(fēng)氣候，日照充足，雨量充沛，溫差振幅小，年平均降雨量為1820 mm，年平均溫度22.7 ℃，年平均日照數(shù)1874 h。研究區(qū)耕地呈小斑塊狀分布，多以小規(guī)模經(jīng)營(yíng)方式進(jìn)行耕作，主要農(nóng)作物為水稻、香蕉、荔枝、柑橘等，居民用地比較分散。研究區(qū)內(nèi)有一條小河流穿過(guò)，并分布有零星的坑塘和溝渠，林地面積較小。研究區(qū)高分辨率無(wú)人機(jī)影像見(jiàn)圖1。

圖1 研究區(qū)高分辨率無(wú)人機(jī)影像

本次無(wú)人機(jī)遙感影像主要借助于DB-2 標(biāo)準(zhǔn)型航測(cè)無(wú)人機(jī)，全長(zhǎng)2.1 m，翼展2.59 m，最大起飛重量17 kg，巡航速度為100～110 km/h，續(xù)航時(shí)間3 h，最小起降距離為50 m。航攝儀選用Nikon D800，其最大分辨率為7360×4912。飛行航攝選在天氣晴朗、能見(jiàn)度高且無(wú)風(fēng)時(shí)進(jìn)行，航線飛行方向?yàn)槟媳毕?，飛行高度約1400m。

3 分類(lèi)方法及技術(shù)路線

3.1 土地利用分類(lèi)方法

（一）決策樹(shù)分類(lèi)法

決策樹(shù)分類(lèi)法[7]屬于數(shù)字挖掘方式中常用的一種方法，主要用于無(wú)次序、無(wú)組序的樣本數(shù)據(jù)的分類(lèi)。在決策樹(shù)建立過(guò)程中，一般需要確定最小樣本量和交叉驗(yàn)證的數(shù)量。本文中最小樣本數(shù)量設(shè)置為2，各地物類(lèi)型的樣本數(shù)量分別為耕地68、林地35、居住用地48、交通運(yùn)輸用地15、水體9 以及其他用地21；為避免分支過(guò)多，導(dǎo)致計(jì)算量增大，精度降低，本文交叉驗(yàn)證的數(shù)量設(shè)置為3。

（二）支持向量機(jī)分類(lèi)法

支持向量機(jī)分類(lèi)法[8]屬于統(tǒng)計(jì)學(xué)理論中的一種機(jī)器學(xué)習(xí)算法，其基于最小風(fēng)險(xiǎn)化的原理，在高緯度的特征空間中尋找最優(yōu)分類(lèi)超平面從而得到復(fù)雜數(shù)據(jù)序列中的分類(lèi)結(jié)果，具有適應(yīng)性強(qiáng)、學(xué)習(xí)速度快等優(yōu)點(diǎn)，目前已被廣泛應(yīng)用于遙感數(shù)據(jù)的智能處理過(guò)程中。在支持向量機(jī)分類(lèi)過(guò)程中，最重要的就是誤差懲罰因子C 的設(shè)定和核函數(shù)的選型，常用的核函數(shù)包括線性核函數(shù)、Polynomial 核函數(shù)、RBF 核函數(shù)以及Sigmoid 核函數(shù)。本文根據(jù)前人研究經(jīng)驗(yàn)，將懲罰因子設(shè)置為600，在四種核函數(shù)中，RBF 核函數(shù)表現(xiàn)最為穩(wěn)定，分類(lèi)精度最高，故本文選擇RBF 核函數(shù)作為分類(lèi)核函數(shù)，其gamma 系數(shù)設(shè)置為0.0001。

（三）隨機(jī)森林分類(lèi)法

隨機(jī)森林分類(lèi)法[9]是在決策樹(shù)基礎(chǔ)上發(fā)展而來(lái)的集成分類(lèi)方法，首先需要從原始樣本中隨機(jī)抽取出多個(gè)訓(xùn)練樣本子集，然后分別建立與各個(gè)樣本子集相對(duì)應(yīng)的決策樹(shù)，得到一個(gè)隨機(jī)森林，最后進(jìn)行投票表決和分類(lèi)。該方法具有較強(qiáng)的魯棒性和學(xué)習(xí)速度，在分類(lèi)過(guò)程中需要設(shè)置兩個(gè)重要參數(shù)：決策樹(shù)最大個(gè)數(shù)和生成決策樹(shù)最大個(gè)數(shù)，本文中分別設(shè)置為60 和5。

（四）基于面向?qū)ο蟮膬呻A段分類(lèi)法

基于面向?qū)ο蟮膬呻A段分類(lèi)方法[10]主要分為兩個(gè)分類(lèi)過(guò)程，第一階段的分類(lèi)主要是提取影像圖中的明顯光譜、紋理和幾何特征，通過(guò)建立四個(gè)影像對(duì)象層，并逐一建立起繼承關(guān)系，從而提取得到地物的有效特征；第二階段的分類(lèi)主要是對(duì)第一階段中未被有效提取的信息進(jìn)行再提取，再提取過(guò)程采用最鄰近分類(lèi)法，其主要分類(lèi)過(guò)程為：

1）影像分割（本文采用的最優(yōu)分割尺度為210，形狀和緊致度參數(shù)取值為0.5）；

2）樣本選擇（本文選擇林地、有作物耕地、無(wú)作物耕地樣本個(gè)數(shù)分別為10 個(gè)、7 個(gè)和5 個(gè)）；

3）構(gòu)建最優(yōu)特征空間（空間特征維數(shù)為10）；

4）分類(lèi)。

3.2 技術(shù)路線

首先利用Agisoft Photo Scan 軟件中的SfM 技術(shù)將飛行獲取的無(wú)人機(jī)影像進(jìn)行制作成DOM 數(shù)字產(chǎn)品，然后利用ENVI 軟件裁剪出目標(biāo)研究區(qū)域，接著對(duì)裁剪得到的研究區(qū)影像進(jìn)行特征選?。ㄍ瓿杉y理特征和植被指數(shù)的選?。俳又鴮?shí)驗(yàn)區(qū)影像進(jìn)行多特征融合，得到一個(gè)既包含紋理特征，又包含5 個(gè)波段光譜信息的實(shí)驗(yàn)影像數(shù)據(jù)，然后再進(jìn)行多尺度的影像分割，并完成地物特征的提取，再分別利用基于面向?qū)ο蟮膬呻A段分類(lèi)法、決策樹(shù)分類(lèi)法、支持向量機(jī)分類(lèi)法以及隨機(jī)深林分類(lèi)方法對(duì)研究區(qū)土地利用分類(lèi)情況進(jìn)行分析，最終得到研究區(qū)土地利用分類(lèi)結(jié)果，并對(duì)不同分類(lèi)方法的分類(lèi)效果進(jìn)行比較。技術(shù)流程見(jiàn)圖2。

圖2 技術(shù)流程圖

4 分類(lèi)結(jié)果對(duì)比分析

4.1 分類(lèi)結(jié)果圖

不同分類(lèi)方法得到的分類(lèi)結(jié)果見(jiàn)圖3。從圖中可以看到：決策樹(shù)分類(lèi)法能夠較好地對(duì)林地、耕地進(jìn)行分類(lèi)，但對(duì)其他用地和居民地的劃分較差，特別是中間區(qū)域的居民地，有不少被誤劃分為其他用地。同時(shí)該方法劃分得到的交通用地和水體也比較差，劃分得到的河流出現(xiàn)了幾處不連續(xù)的地方。相反，支持向量機(jī)分類(lèi)法得到的分類(lèi)結(jié)果較決策樹(shù)分類(lèi)法更準(zhǔn)確，特別是居民用地和其他用地的分類(lèi)結(jié)果得到有效提升；隨機(jī)森林分類(lèi)結(jié)果與支持向量機(jī)分類(lèi)法分類(lèi)結(jié)果基本相似，但中間居民區(qū)區(qū)域會(huì)出現(xiàn)其他用地的誤判。此外，該方法對(duì)交通運(yùn)輸用地的劃分不是很準(zhǔn)確，左上角停車(chē)場(chǎng)未能得到有效識(shí)別和分類(lèi)；值得注意的是，兩階段分類(lèi)法得到的分類(lèi)圖與實(shí)際情況基本一致，對(duì)各類(lèi)地物的分類(lèi)均較佳，河流也未出現(xiàn)斷斷續(xù)續(xù)的情況，左上角交通運(yùn)輸用地的劃分也比較清楚。

圖3 不同方法分類(lèi)結(jié)果圖

4.2 不同地物類(lèi)別精度對(duì)比

不同地物類(lèi)別在不同分類(lèi)方法下的分類(lèi)用戶精度和制圖精度結(jié)果見(jiàn)圖4。從用戶精度來(lái)講：支持向量機(jī)分類(lèi)法對(duì)于耕地和水體的分類(lèi)用戶精度最高，分類(lèi)精度分別為95.01%和100%，隨機(jī)森林法對(duì)交通運(yùn)輸用地的分類(lèi)用戶精度最高，分類(lèi)精度分別為100%，兩階段分類(lèi)法對(duì)于林地、居住用地和其他用地的用戶分類(lèi)精度最高，分類(lèi)精度分別為82.46%、92.16%和81.25%；從制圖精度來(lái)講：兩階段分類(lèi)法對(duì)于耕地、林地和交通運(yùn)輸用地的分類(lèi)制圖精度最高，分類(lèi)精度分別達(dá)到95.24%、85.45%和84.21%，支持向量機(jī)法對(duì)于居住用地和水體的分類(lèi)制圖精度最高，分類(lèi)精度分別達(dá)到90.57%和100%，決策樹(shù)和隨機(jī)森林分類(lèi)法對(duì)于其他用地的制圖精度最高，分類(lèi)精度為93.75%。

圖4 用戶和制圖精度對(duì)比

4.3 總體精度對(duì)比

不同分類(lèi)方法得到的總體分類(lèi)精度情況見(jiàn)圖5。從圖中可以看到，決策樹(shù)分類(lèi)法、支持向量機(jī)分類(lèi)法、隨機(jī)森林分類(lèi)法以及兩階段分類(lèi)法的總體分類(lèi)精度分別為85.27%、89.5%、86.99%和92.16%，Kappa 系數(shù)分別為73.24%、80.82%、76.06%以及85.1%，從總體精度和Kappa 系數(shù)的表現(xiàn)來(lái)看，基于面向?qū)ο蟮膬呻A段分類(lèi)法均表現(xiàn)最優(yōu)，其分類(lèi)總體精度分別較決策樹(shù)分類(lèi)法、支持向量機(jī)分類(lèi)法以及隨機(jī)森林分類(lèi)法提高約6.89%、2.66%和5.17%，Kappa 系數(shù)分別提高約11.86%、4.28%和9.04%，這是因?yàn)榛诿嫦驅(qū)ο髢呻A段分類(lèi)法避免了多層次最優(yōu)分割尺度下的規(guī)則分類(lèi)中出現(xiàn)的大量未被有效提取信息的現(xiàn)象，在利用最鄰近分類(lèi)法進(jìn)行二次提取后，可以提高無(wú)人機(jī)高分辨率影像的地物分類(lèi)精度。

圖5 總體分類(lèi)精度對(duì)比

5 結(jié)束語(yǔ)

對(duì)基于面向?qū)ο蟮膬呻A段分類(lèi)法、決策樹(shù)分類(lèi)法、支持向量機(jī)分類(lèi)法以及隨機(jī)深林分類(lèi)法四種分類(lèi)方法在高分辨率無(wú)人機(jī)影像中的土地利用分類(lèi)情況進(jìn)行了對(duì)比分析，結(jié)果表明：基于面向?qū)ο蟮膬呻A段分類(lèi)法可以避免在多層次最優(yōu)分割尺度下的規(guī)則分類(lèi)中出現(xiàn)大量的未被提取的有效信息現(xiàn)象，在進(jìn)行二次提取后，可以更好地提取得到地物特征，從而提升分類(lèi)精度和分類(lèi)效果，因而該方法的分類(lèi)效果在四種土地分類(lèi)法中表現(xiàn)最佳，可在高分辨率無(wú)人機(jī)遙感影像分類(lèi)工作中予以優(yōu)先應(yīng)用。