關(guān)鍵詞： 可見光 遙感 土地利用 無人機

中圖分類號： TP751 文獻標(biāo)識碼： A 文章編號： 1672-3791（2023）16-0134-04

隨著測繪技術(shù)的不斷發(fā)展，衛(wèi)星遙感技術(shù)已經(jīng)廣泛應(yīng)用于土地利用、城市化與荒漠化監(jiān)測、農(nóng)作物與森林等可再生資源的監(jiān)測和評估、災(zāi)害監(jiān)測和環(huán)境監(jiān)測相關(guān)的地球科學(xué)相關(guān)研究和生產(chǎn)領(lǐng)域[1-3]。而無人機遙感技術(shù)（Unmanned Aerial Vehicle Remote Sensing，UVA-RS）的出現(xiàn)成為了衛(wèi)星遙感和有人機航空遙感的技術(shù)補充，利于無人機搭載高分辨率CCD 相機系統(tǒng)獲取遙感影像，通過航線的規(guī)劃、監(jiān)控、控制相機系統(tǒng)自動拍照獲取影像并實時傳輸與存儲，具有快速高效、直觀全面、影像實時傳輸、成本低、高分辨率、機動靈活等優(yōu)點，廣泛應(yīng)用于國家生態(tài)環(huán)境保護、礦產(chǎn)資源勘探、海洋環(huán)境監(jiān)測、土地利用調(diào)查、水資源開發(fā)、農(nóng)作物長勢監(jiān)測與估產(chǎn)、農(nóng)業(yè)作業(yè)、自然災(zāi)害監(jiān)測與評估、城市規(guī)劃與市政管理、森林病蟲害防護與監(jiān)測、公共安全、國防事業(yè)、數(shù)字地球等領(lǐng)域[4-6]。

土地利用類型是一種在自然和人類活動雙重作用下的產(chǎn)物，具有不規(guī)則、相對不穩(wěn)定性和復(fù)雜性特征，進行土地利用類型的劃定不是單純?yōu)榱苏J識利用現(xiàn)狀的地域差異，更主要的是為了評定土地的生產(chǎn)力[7-9]。按土地的自然屬性對其進行科學(xué)分類，有助于環(huán)境影響評價，以及潛在的土地利用多樣性，可以認清各種土地的特點，揭示土地利用存在問題，為合理利用土地資源、調(diào)整土地利用結(jié)構(gòu)和確定土地利用方向提供科學(xué)依據(jù)，同時，也是人們深度了解自然，合理利用資源的途徑[10]。

隨著航空影像分辨率的不斷提高，憑借紋理信息可以更好地進行植被信息提取和土地分類。針對利用可見光航空影像進行土地利用信息獲取存在的問題，文章嘗試通過試驗，在ENVI 中對可見光航空影像進行土地利用信息進行提取，對比不同監(jiān)督分類方法的計算結(jié)果，分析差異產(chǎn)生的原因[11-14]。

1 數(shù)據(jù)源和樣本選擇

本文選取拍攝于2021 年的臨夏州康樂縣田家溝區(qū)域的部分影像數(shù)據(jù)作為數(shù)據(jù)源進行研究，影像投影方式為高斯投影，坐標(biāo)系統(tǒng)為西安80，空間分辨率為0.114 6 m，比例尺為1∶2 000。數(shù)據(jù)獲取的季節(jié)為春季，拍攝時天氣良好，獲取的無人機影像受氣象影響較小。鑒于研究內(nèi)容不涉及波段中心波長位置和波段范圍，故未對研究影像進行嚴格的校正[15-16]。圖1為測試區(qū)域影像。

為了使所構(gòu)建的樣本數(shù)據(jù)具有更好的通用性和可靠性，按照以下原則進行確定：（1）范圍，對于每一類樣本，其選擇邊界應(yīng)當(dāng)與區(qū)域邊界保持一定的距離；（2）亮度區(qū)，選取的每類地物時，應(yīng)當(dāng)考慮覆蓋低、中、高亮度區(qū)域；（3）數(shù)量，每一類樣本數(shù)目應(yīng)當(dāng)盡量均衡，若某一樣區(qū)亮度差異過大則可適當(dāng)增加樣本數(shù)量選?。唬?）分布，在影像上選取樣本時，盡可能使每一類樣本在圖面分布均勻。

遵照以上樣本選取原則，將研究區(qū)域中的地物分為林木、草地/灌木、農(nóng)田、裸地、道路和建筑共6 種類型，利用ENVI 軟件人工勾畫出87 個代表樣區(qū)：林木（14）、草地/灌木（13）、農(nóng)田（14）、裸地（13）、道路（17）、建筑（16）。利用均值作為各類地物在可見光波段之間象元值總體差異的評價指標(biāo)，以標(biāo)準(zhǔn)差對各類地物在各波段中象元值波動范圍進行評價。表1 是各類地物在不同波段下的統(tǒng)計差異。

2 可見光影像土地利用分類

ENVI 軟件中所提供的分類方法有監(jiān)督分類和非監(jiān)督分類，兩者都是在圖像的灰度的基礎(chǔ)上統(tǒng)計計算均值，對協(xié)方差等一系列特征參數(shù)進行分類。兩者雖相似，但有各自的特點：監(jiān)督分類可針對具體的應(yīng)用目的和區(qū)域，充分利用先驗知識，人為有選擇地決定分類類別，避免出現(xiàn)不必要的類別；可以通過反復(fù)檢驗訓(xùn)練樣本，來提高分類精度，避免分類嚴重錯誤[17]。同時，監(jiān)督分類也具有一定的局限性。例如：圖像中同一類別的光譜差異造成訓(xùn)練樣本沒有很好的代表性；只能識別訓(xùn)練樣本中已經(jīng)定義的類別，若某類別由于訓(xùn)練者不知道或者其數(shù)量太少未被定義，則監(jiān)督分類不能識別。因此，訓(xùn)練樣本的合理選擇一定程度上影響著分類結(jié)果的精度[18-19]。

非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗知識，僅憑數(shù)據(jù)進行“盲目”分類；其分類的結(jié)果只是對不同類別達到了區(qū)分，但并不能確定類別的屬性，其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的。

文章采用同一樣本進行測試，選擇監(jiān)督分類中的馬氏距離法、最大似然法、最小距離法分別對部分山區(qū)影像進行土地利用分類、統(tǒng)計，監(jiān)督分類成果圖具體見圖2。

對3 種監(jiān)督土地利用分類結(jié)果進行分類成果統(tǒng)計，可以看出，建筑、農(nóng)田、林木三類地物分類結(jié)果差異性較大。

最小距離分類法在計算過程中只考慮每一類樣本的均值，而顧及類別內(nèi)部的方差和類別之間的協(xié)方差（已知樣本的分布情況），所以分類精度不高；從表2 統(tǒng)計結(jié)果可以看出，該方法的分類成果與其他兩者差異較大；最大似然法具有清晰的參數(shù)解釋能力，不僅考慮了待分類樣本內(nèi)部距離特征，還考慮了已知類別的分布特征，所以其分類精度比最小距離分類法高；馬氏距離法與最大似然法類似，相對于最大似然做出了協(xié)方差相等的假設(shè)條件進行計算，計算速度快，兩者分類成果差異較小[20]。

3 精度評定

為了確保分析結(jié)果的可靠性，此次研究選擇利用ENVI 軟件中手動繪制分類樣本為真值來檢測分類結(jié)果精度。在ENVI 軟件中選擇感興趣分類結(jié)果進行混淆矩陣計算，從Overall Accuracy（總體精度）、Commission（錯分誤差）、Omission（漏分誤差）及Kappa Coefficient（KAPPA 系數(shù)）這4 個方面定量分析，其中，總體精度是被正確分類的象元總和與總象元數(shù)的比值，地表真實圖像或地表真實感興趣區(qū)限定了象元的真實分類；Kappa 系數(shù)用于一致性檢驗和分類精度的衡量，其計算結(jié)果一般位于0～1 之間，以0.2 為間隔劃分為5 個不同級別，0.8～1為最高級別。計算分析結(jié)果如表3所示。

錯分誤差是指被分為用戶感興趣的類，而實際上屬于另一類的象元；漏分誤差是指本屬于地表真實分類，但沒有被分類器順利分到相應(yīng)類別中的象元數(shù)。試驗結(jié)果中按照地類的不同，將錯分、漏分情況進行統(tǒng)計，統(tǒng)計內(nèi)容具體如表4 所示。

4 討論

從表2 和表3 的結(jié)果來看，利用最小距離法進行土地利用分類精度最差，總體精度74.348%，Kappa 系數(shù)0.670 7，馬氏距離法分類精度較最小距離法精度較好，首先在分類效果上降低了建筑與農(nóng)田的錯分率，其次特別對于覆膜農(nóng)田的辨識度較最小距離法更為準(zhǔn)確，最后對于道路和建筑的識別更加準(zhǔn)確，但是對于裸地和農(nóng)田存在小范圍錯分。最大似然法分類精度在3 種試驗方法中達到了最高，其Kappa 系數(shù)為0.960 8，總體精度為97.1059%，從效果圖來看，最大似然法對于道路的界限識別更加明晰，減少了裸地與農(nóng)田和裸地的錯分情況，建筑的漏分率較馬氏距離法和最小距離法成果更加可靠，存在一定的錯分。

以人機交互繪制真實地表分類結(jié)果為真值，分別對比3 種分類成果，最大似然法的分類成果更為接近，部分類型邊界識別較為清晰，說明相比之下，最大似然法對于山區(qū)土地利用分類統(tǒng)計具有較好的結(jié)果，如圖3 所示。

5 結(jié)論

本文通過選取部分山區(qū)無人機影像，分別進行最小距離法、馬氏距離法和最大似然法的監(jiān)督分類，并對結(jié)果進行對比分析。從試驗結(jié)果來看，最小距離法對覆膜農(nóng)用地和建筑的區(qū)分度不高，道路邊界不清晰，導(dǎo)致建筑錯分，影響土地利用分類的準(zhǔn)確性，因此，一般不用它作為對精度有高要求的分類，可以在快速瀏覽分類概況中使用；最大似然法能夠排除常見的陰影和覆膜農(nóng)田裸地的干擾，較好地針對覆膜農(nóng)田和建筑進行提取，被提取信息較最小距離和最大似然兩種方法更加完整，精度更高，對于山區(qū)的土地利用分類具有一定的應(yīng)用價值。

本文通過試驗對比分析認為可從以下兩方面進一步完善：第一，對于道路兩側(cè)樹木的提取不準(zhǔn)確；第二，對于建筑群中的空地不能夠完全提取出來，對建筑信息提取精度有一定程度影響。如何準(zhǔn)確獲取不同地物類別的界限將作為下一步的研究內(nèi)容。