徐 聰，于麗君，柳 澤，朱建峰，李 力，俞 燕

（1. 西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，陜西 西安 710000；2. 中國科學(xué)院空天信息創(chuàng)新研究院，北京 100101；3. 自然資源部國土空間規(guī)劃研究中心，北京 100034；4. 中國國土勘測(cè)規(guī)劃院，北京 100035；5. 中國人民大學(xué)，北京 100872）

2013 年國家發(fā)布中央一號(hào)文件[1]，首次提出建設(shè)“美麗鄉(xiāng)村”的發(fā)展目標(biāo)；2017年中央一號(hào)文件[2]明確提出建立宜居、宜業(yè)的特色村鎮(zhèn)；隨后習(xí)近平總書記在“十九大”報(bào)告中[3]提出了“鄉(xiāng)村振興”的發(fā)展口號(hào)，自此特色村鎮(zhèn)建設(shè)全面升級(jí)[4-6]。優(yōu)化村鎮(zhèn)用地布局、合理安排農(nóng)村各業(yè)用地是特色村鎮(zhèn)建設(shè)的一個(gè)關(guān)鍵任務(wù)[2-3]。我國地大物博，特色村鎮(zhèn)種類繁多，傳統(tǒng)的多依靠人力的村鎮(zhèn)地物提取方式已無法滿足日益快速的國家發(fā)展規(guī)劃需求，為了更好、更及時(shí)地監(jiān)測(cè)、保護(hù)和發(fā)展村鎮(zhèn)用地，時(shí)效性好、數(shù)據(jù)來源多樣、處理速度快的遙感技術(shù)手段正逐漸取代傳統(tǒng)手段。運(yùn)用遙感技術(shù)進(jìn)行特色村鎮(zhèn)地物分類的關(guān)鍵點(diǎn)包括數(shù)據(jù)來源和分類算法。遙感技術(shù)日新月異的發(fā)展產(chǎn)生了大批高質(zhì)量的多源遙感數(shù)據(jù)，多源數(shù)據(jù)的空間、光譜和時(shí)間差異性，使得相互之間具有很好的互補(bǔ)性，可以產(chǎn)生更多的融合特征信息，在實(shí)踐中得到了很好的應(yīng)用[7-10]。此外，豐富的實(shí)驗(yàn)數(shù)據(jù)源也孕育出了一系列實(shí)時(shí)性強(qiáng)、速度快、精度高、魯棒性好的遙感分類算法，面向?qū)ο蟮碾S機(jī)森林算法（OB-RF）是其中的佼佼者[11-22]。雖然多源數(shù)據(jù)在地物分類上已得到了廣泛應(yīng)用，但已有研究多著眼于多源數(shù)據(jù)單一融合方法的分類研究，鮮少探討多源數(shù)據(jù)的最優(yōu)融合分類方法，缺乏對(duì)多源數(shù)據(jù)的優(yōu)勢(shì)最大化探索。因此，本文以浙江省湖州市莫干山鎮(zhèn)的特色村鎮(zhèn)何村為研究對(duì)象，采用無人機(jī)和GF-1 號(hào)影像數(shù)據(jù)，設(shè)計(jì)了6 種特征組合方法來對(duì)比分析多源數(shù)據(jù)融合方式，并對(duì)融合結(jié)果進(jìn)行OB-RF分類，旨在獲取更有效的多源數(shù)據(jù)組合方法來提高特色村鎮(zhèn)的地物提取精度，為后續(xù)多源數(shù)據(jù)特色村鎮(zhèn)地物提取提供更多技術(shù)參考。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

何村位于浙江省湖州市德清縣西部山區(qū)，緊靠國家級(jí)風(fēng)景旅游名勝莫干山，總面積為6.8 km2，土地利用類型主要為耕地（以水田為主）、林地（以山林和竹林為主）、茶園（盛產(chǎn)莫干黃芽）等。根據(jù)東南大學(xué)段進(jìn)院士團(tuán)隊(duì)的研究[23]，何村位于江浙特色區(qū)，屬于太湖亞區(qū)類特色村鎮(zhèn)，主要特征為人口稠密、村莊面水而居、多為兩層民居，按天井方式組合、具有特色鮮明的封火墻，系多民族混居，信仰豐富，村莊多信仰設(shè)施，宜生態(tài)特色旅游。

1.2 數(shù)據(jù)來源

本文采用無人機(jī)影像和GF-1 號(hào)影像，獲取時(shí)間分別為2015年6月和2015年2月。無人機(jī)影像的分辨率為0.5 m，包括R、G、B 三個(gè)波段，可提供詳細(xì)的紋理和幾何等空間影像特征；GF-1 號(hào)數(shù)據(jù)由全色多光譜相機(jī)（P/MS）獲取，包括1 個(gè)空間分辨率為2 m的全色波段和4 個(gè)空間分辨率為8 m 的多光譜波段（表1），可提供更豐富的光譜信息。本文將二者結(jié)合，期望獲取更高的分類精度。

表1 GF-1 P/MS相機(jī)波段信息

1.3 數(shù)據(jù)預(yù)處理

對(duì)于GF-1號(hào)影像，研究區(qū)位于兩幅GF-1號(hào)影像的結(jié)合區(qū)，需要進(jìn)行一系列預(yù)處理。首先將兩幅原始GF-1 號(hào)影像分別進(jìn)行輻射定標(biāo)，獲取地物真實(shí)反射信息；然后進(jìn)行正射校正，消除掃描畸變和非系統(tǒng)因素的幾何變形；再對(duì)兩幅影像的多光譜和全色波段分別進(jìn)行鑲嵌，并對(duì)鑲嵌結(jié)果進(jìn)行融合，獲取高空間分辨率（2 m）和多光譜（紅、綠、藍(lán)和近紅外）的融合影像；最后對(duì)融合結(jié)果進(jìn)行輻射校正以消除輻射誤差。預(yù)處理完成后，將無人機(jī)影像與GF-1 號(hào)融合校正結(jié)果進(jìn)行空間配準(zhǔn)，并基于何村矢量邊界進(jìn)行裁剪，獲取研究區(qū)的兩幅影像數(shù)據(jù)。

2 研究方法

本文的技術(shù)流程見圖1，首先將預(yù)處理完成的影像數(shù)據(jù)導(dǎo)入eCognition 軟件進(jìn)行多尺度分割，獲取同質(zhì)性對(duì)象，以對(duì)象為分類目標(biāo)可以很好地降低結(jié)果的破碎性[24-25]；再計(jì)算每個(gè)對(duì)象的光譜、紋理、幾何和指數(shù)特征；然后設(shè)計(jì)6種不同的特征組合方式對(duì)無人機(jī)影像和GF-1號(hào)影像進(jìn)行融合，以探索哪種組合方式的分類精度更高；最后基于訓(xùn)練樣本進(jìn)行OB-RF 分類，選取合理的分類參數(shù)，并對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。

圖1 本文技術(shù)流程圖

2.1 影像分割

eCognition 中的多尺度分割方法通過分割尺度、形狀因子和緊致度因子3 個(gè)關(guān)鍵參數(shù)來控制分割結(jié)果。這3 個(gè)關(guān)鍵參數(shù)的最優(yōu)解，通過控制變量法[26]和ESP輔助插件[27]來獲取，首先以0.1為步長值，分別將0.1～0.9范圍所有的形狀因子和緊致度因子進(jìn)行排列組合，得到耕地分割效果最優(yōu)的形狀因子和緊致度因子分別為0.3 和0.8；然后通過ESP 插件來輔助尋找最優(yōu)分割尺度，ESP 插件采用自下而上的迭代分割方法，每次迭代會(huì)計(jì)算對(duì)象局部方差和局部方差變化率，一般認(rèn)為[15,18-19,26]當(dāng)局部方差變化率取值為局部最大值時(shí)，即為局部最優(yōu)分割尺度。由圖2a 可知，局部最優(yōu)分割尺度存在多個(gè)，由于尺度越大局部方差越大、尺度越小時(shí)間成本越高，結(jié)合具體分割效果，本文分割尺度選取為67。采用最優(yōu)分割尺度的影像局部分割效果見圖2b。

圖2 ESP估算最佳分割尺度和影像局部分割效果

2.2 對(duì)象特征獲取

影像的對(duì)象特征參數(shù)是后續(xù)隨機(jī)森林分類方法的重要依據(jù)。通過查閱相關(guān)文獻(xiàn)[15,18-19,28-31]可知，目前常用的對(duì)象特征描述參數(shù)包括光譜特征、紋理特征、幾何特征和指數(shù)特征。結(jié)合本文研究實(shí)際，共獲取19類對(duì)象特征，各特征變量名稱描述和公式見表2，由于指數(shù)特征計(jì)算需要近紅外波段，而無人機(jī)影像缺乏近紅外波段，因此只能獲取14 類對(duì)象特征；GF-1 號(hào)影像可獲取全部對(duì)象特征。

表2 對(duì)象特征與公式

2.3 6種特征組合方式設(shè)計(jì)

高分?jǐn)?shù)據(jù)的空間分辨率高，對(duì)地物空間特征細(xì)節(jié)的體現(xiàn)較突出，多光譜數(shù)據(jù)豐富的波譜特征可放大不同地物的空間差異，二者結(jié)合可獲取更精確的分類特征信息。不過已有研究鮮少探討二者合理的組合方式，因此本文重點(diǎn)探討如何利用更合理的組合方式來獲取更精確的分類結(jié)果。本文設(shè)計(jì)了6 種特征組合方式來對(duì)比分析高分?jǐn)?shù)據(jù)與多光譜數(shù)據(jù)的合理融合方式，其中組合1～4 為多源數(shù)據(jù)特征組合，組合5～6 為對(duì)照實(shí)驗(yàn)組，為單一數(shù)據(jù)源特征組合。

組合1：無人機(jī)+GF-1號(hào)（全部特征），即簡(jiǎn)單做加法，將無人機(jī)的全部14 類對(duì)象特征與GF-1 號(hào)影像的全部19類特征疊加在一起，形成一幅待分類的特征影像。組合2：無人機(jī)GF-1 號(hào)融合影像（全部特征），首先將兩幅影像進(jìn)行傳統(tǒng)的GS算法融合，獲取一幅融合后影像，再將融合影像的全部19類對(duì)象特征組合成一幅待分類的特征影像。組合3：無人機(jī)+指數(shù)合成影像（全部特征），首先將5 幅GF-1 號(hào)指數(shù)影像（基于5個(gè)指數(shù)特征獲取）組合為一幅5波段的指數(shù)合成影像，再計(jì)算該影像的14類對(duì)象特征，并與無人機(jī)的全部14類對(duì)象特征進(jìn)行疊加，形成一幅待分類的特征影像。組合4：無人機(jī)+GF-1號(hào)指數(shù)特征，將GF-1號(hào)的5個(gè)指數(shù)特征與無人機(jī)的全部14類對(duì)象特征進(jìn)行結(jié)合，形成一幅待分類的特征影像。為了更好地分析多源數(shù)據(jù)特征融合分類方法的優(yōu)劣，另外設(shè)計(jì)了兩組對(duì)比實(shí)驗(yàn)。組合5為無人機(jī)（全部特征），即獲取無人機(jī)全部14類對(duì)象特征作為后續(xù)的分類特征；組合6為GF-1 號(hào)（全部特征），即獲取GF-1 號(hào)全部19 類對(duì)象特征作為后續(xù)的分類特征。

2.4 樣本數(shù)據(jù)

根據(jù)土地利用現(xiàn)狀分類2020版文件和何村用地實(shí)際情況，將研究區(qū)用地分為道路、水體、林地、園地、建筑物和耕地6 類一級(jí)用地。6 類用地需要制作訓(xùn)練樣本和驗(yàn)證樣本數(shù)據(jù)，訓(xùn)練樣本用于訓(xùn)練隨機(jī)分類算法，建立隨機(jī)分類模型；驗(yàn)證樣本用于驗(yàn)證分類結(jié)果精度。根據(jù)樣本選取的均衡性和代表性[32-33]，兩類樣本的選取個(gè)數(shù)見表3。

表3 6類用地樣本選取結(jié)果/個(gè)

2.5 基于OB-RF的分類算法

已有研究在進(jìn)行多源數(shù)據(jù)面向?qū)ο蠓诸悤r(shí)，不同影像會(huì)采用不同的最優(yōu)分割尺度[18]，本文通過相關(guān)實(shí)驗(yàn)發(fā)現(xiàn)，多種分割尺度會(huì)降低最終分類精度，通過多次嘗試得出結(jié)論：多源數(shù)據(jù)宜采用統(tǒng)一的最優(yōu)分割尺度，且該最優(yōu)分割尺度應(yīng)基于空間分辨率最高的數(shù)據(jù)源獲取，因?yàn)樵擃悢?shù)據(jù)源擁有更精細(xì)的空間特征，可將地面地物分為更一致的對(duì)象。因此，本文首先獲取無人機(jī)數(shù)據(jù)的最優(yōu)分割影像，再將其余影像基于無人機(jī)的分割結(jié)果進(jìn)行重采樣和分割，獲取統(tǒng)一的分割后影像。分割后的影像會(huì)產(chǎn)生對(duì)象，基于對(duì)象進(jìn)行隨機(jī)森林分類，即為0B-RF 分類算法。隨機(jī)森林方法由Breiman L[34]提出，核心算法原理為決策樹，由于采用多棵決策樹來隨機(jī)預(yù)測(cè)和建立模型，故形成隨機(jī)森林。在給定的訓(xùn)練樣本中通過N次有放回的抽取操作，獲得N個(gè)訓(xùn)練樣本集，然后從每個(gè)訓(xùn)練樣本集中隨機(jī)選取m個(gè)（m≤M，M為特征影像總數(shù)）特征影像，單個(gè)決策樹通過特征影像包含的數(shù)據(jù)信息進(jìn)行生長分裂，獲取N棵決策樹；最終單個(gè)對(duì)象分類結(jié)果由N棵決策樹的分類結(jié)果來投票決定。該方法可加大分類模型之間的差異性，提高模型的泛化能力，比其他傳統(tǒng)分類方法具有明顯的優(yōu)勢(shì)。

決策樹個(gè)數(shù)是隨機(jī)森林算法的一個(gè)關(guān)鍵參數(shù)，主要依靠先驗(yàn)知識(shí)設(shè)置，本文根據(jù)多次嘗試并參考已有研究成果[15,17-19,22]，同時(shí)考慮時(shí)間效率（參數(shù)越大運(yùn)行速度越慢），以50、100和150為待選參數(shù)，由實(shí)驗(yàn)結(jié)果（圖3）可知，當(dāng)參數(shù)為50 時(shí)平均分類誤差變大，而當(dāng)參數(shù)為150 時(shí)，平均運(yùn)行時(shí)間大大增加，綜合考慮，決策樹個(gè)數(shù)選取為100。

圖3 不同決策樹個(gè)數(shù)表現(xiàn)參數(shù)圖

2.6 精度評(píng)價(jià)

本文采用混淆矩陣進(jìn)行精度評(píng)價(jià)[15,18]，確定總體以及每一類地物的分類精度?；煜仃嚳商崛】傮w精度（OA）、Kappa系數(shù)、用戶精度、制圖者精度4個(gè)指標(biāo)來定量描述精度結(jié)果，各指標(biāo)的計(jì)算公式為：

式中，N為像元總數(shù)；Pii為第i類地物被正確分為第i類的個(gè)數(shù)；Pi+為分類后樣本中被分為第i類地物的像元總和；P+i為驗(yàn)證樣本中第i類的像元總和。

3 實(shí)驗(yàn)結(jié)果分析

根據(jù)6種特征組合方式進(jìn)行OB-RF分類，提取研究區(qū)6 類用地，提取結(jié)果見圖4，分類后各種精度評(píng)價(jià)見表4、5，可以看出：①6 種特征組合方式的分類精度均在0.85 以上，其中分類效果最差的為組合6，分類效果最好的為組合3，說明本文采用的OB-RF分類方法在特色村鎮(zhèn)地物類型提取方面具有較高的適應(yīng)性和可信度，為后續(xù)特色村鎮(zhèn)地物類型研究提供了一個(gè)可行的研究思路；②組合1～4 的分類精度整體高于組合5、6，說明多源數(shù)據(jù)較單一數(shù)據(jù)源可以較好地提升最終分類精度；③對(duì)于組合1～4，組合4的分類精度最低（0.920 5），組合3的分類精度最高（0.950 2），表明對(duì)于高分和多光譜結(jié)合的多源數(shù)據(jù)而言，多光譜數(shù)據(jù)提供的光譜信息越豐富，分類精度就越高，本文中高分?jǐn)?shù)據(jù)的空間光譜信息與多光譜數(shù)據(jù)的指數(shù)合成影像結(jié)合（組合3）可使多源數(shù)據(jù)的優(yōu)勢(shì)最大化；④基于組合3的分類結(jié)果，進(jìn)行6 類用地用戶精度和制圖者精度評(píng)價(jià)，用戶精度最高的是林地（0.973 6），最低的是耕地（0.801 4），表示該分類結(jié)果中林地的可信度最高，耕地的可信度最低，制圖者精度最高的是林地（0.985 1），最低的是園地（0.866 6），表明園地最易被漏分，綜合用戶精度和制圖者精度來看，6類用地均具有較好的區(qū)分性，與周圍地物差異明顯，獲得了較好的分類效果；⑤雖然組合3 整體精度最高，但耗時(shí)也最長，這是因?yàn)榻M合3的特征個(gè)數(shù)較多（71個(gè)），隨機(jī)森林方法的分類速度會(huì)隨著特征個(gè)數(shù)的增多而明顯下降，因此若對(duì)分類精度要求不高，耗時(shí)較短的組合2、4也是很好的選擇。

圖4 6種特征組合方式分類結(jié)果

表4 6種特征組合方式精度評(píng)價(jià)

表5 6類用地的用戶和制圖者精度評(píng)價(jià)（基于組合3）

此外，為了驗(yàn)證本文提出的最優(yōu)組合3 在不同分類算法下的魯棒性，選擇在相同條件下，分別基于支持向量機(jī)（SVM）、馬氏距離（MDC）和平行六面體（PC）算法進(jìn)行6類特征組合分類，結(jié)果見表6，可以看出：①本文采用的OB-RF算法的分類精度整體優(yōu)于其他算法，因此可將其作為后續(xù)特色村鎮(zhèn)地物提取算法的優(yōu)勢(shì)選項(xiàng)；②組合3在SVM和MDC算法中的分類精度排序最高，在PC 算法中的分類精度排序第二，但與排序第一的組合4 也相差無幾，說明組合3 在不同的分類算法下均可提供出色的分類效果，具有較強(qiáng)的魯棒性，可為后續(xù)相關(guān)研究提供可靠的借鑒。

表6 不同方法的分類精度對(duì)比

4 結(jié) 語

隨著各類特色村鎮(zhèn)的蓬勃發(fā)展，村鎮(zhèn)各類用地信息的及時(shí)獲取與更新勢(shì)必成為一個(gè)新的遙感研究方向，準(zhǔn)確快速地獲取村鎮(zhèn)地物信息具有重要的研究意義。本文在多源數(shù)據(jù)的基礎(chǔ)上，設(shè)計(jì)了6 種數(shù)據(jù)組合方式，并基于OB-RF分類算法探討了最優(yōu)數(shù)據(jù)融合方式。結(jié)果表明，本文采用的OB-RF算法在特色村鎮(zhèn)地物提取上的分類精度普遍優(yōu)于其他算法；多源數(shù)據(jù)融合分類精度高于單一數(shù)據(jù)源；充分融合無人機(jī)影像的高分特征和多光譜影像光譜特征的組合3 在特色村鎮(zhèn)用地分類上具有最高的分類精度，且通過驗(yàn)證可知，其在多種其他分類算法上也具有較好的分類效果、魯棒性好。整體來說，本文的研究?jī)?nèi)容可為后續(xù)類似地物提取提供一個(gè)較可靠的數(shù)據(jù)選取和算法選取思路，具有一定的適應(yīng)性和推廣性。