摘" 要：城市地表要素是城市管理和規(guī)劃的基礎(chǔ)構(gòu)成，準確獲取其信息對于城市規(guī)劃及社會經(jīng)濟分析具有重要意義。該文基于金寨縣部分無人機影像數(shù)據(jù)，采用面向?qū)ο蟮姆诸惙椒?，研究城市地表要素提取，并探究特征?shù)量及不同特征組合對分類結(jié)果的影響。結(jié)果表明，第一，充分考慮特征的選擇，并非特征數(shù)量選擇越多，結(jié)果精度越高；第二，在城市地物提取中，貝葉斯模型比KNN模型精度高，總體精度可達84%，Kappa系數(shù)為0.78。

關(guān)鍵詞：無人機；城市地表要素；面向?qū)ο?；特征?yōu)選；精度

中圖分類號：Ｐ２１７" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）07-0085-04

城市地形具有平直地形與起伏地形共存、自然地形與人工地形交融、突變地形與漸變地形交錯的特點[1]。城市地表要素作為城市管理和規(guī)劃的基礎(chǔ)構(gòu)成，對于促進城市可持續(xù)發(fā)展具有重要意義。因此，對城市地物高效、準確的分類研究尤為重要。

隨著遙感技術(shù)的飛速發(fā)展，使用遙感影像對城市地物提取已經(jīng)得到廣泛應(yīng)用。李軍軍等[2]基于高空間分辨率遙感影像提取城市建筑區(qū)域。周亦等[3]使用高分一號遙感影像對徐州市的土地利用信息進行提取。傳統(tǒng)的遙感衛(wèi)星數(shù)據(jù)易受天氣影響，不利于城市信息提取研究的需求。隨著無人機技術(shù)的迅速發(fā)展，無人機影像彌補了衛(wèi)星遙感的不足[4]。無人機影像具有豐富的光譜、紋理、形狀等特征，是識別城市地物重要數(shù)據(jù)之一。宋曉陽等[5]使用無人機影像在面向?qū)ο蠓诸惙椒ǖ幕A(chǔ)上，對城市土地利用分類。陳遜龍等[6]使用無人機可見光影像和面向?qū)ο蟮碾S機森林模型對城市樹種分類。面向?qū)ο蠓诸愂菓?yīng)用較廣泛的遙感影像信息提取方法。城市地表要素較為復(fù)雜，選擇單一特征的面向?qū)ο蠓诸惙椒y以滿足城市地表信息提取的要求。因此，本文采取增加特征數(shù)量的方式，比較不同分類算法的分類精度，為城市地表信息提取提供一種新的思路和方法。

1" 數(shù)據(jù)描述

1.1" 研究區(qū)概況

研究區(qū)位于安徽省六安市金寨縣城內(nèi)，地理范圍為經(jīng)度115°56'24\"～115°56'42\"，緯度31°42'36\"～31°42'46\"，海拔56～82m，地表形態(tài)豐富多樣，內(nèi)部分布著房屋、廣場、道路、草地、水系及操場等多種地物要素，能夠準確反映出城市地表下墊面形態(tài)多樣化、不連續(xù)的特征，具有城市地形的典型代表性。

1.2" 數(shù)據(jù)獲取及處理

本研究采用大疆經(jīng)緯M300-RTK無人機進行影像采集。外業(yè)航飛平均航高為127 m，飛行速度為12.5 m/s，影像的航向重疊度為80%，旁向重疊度70%，地面采樣距離（GSD）2 cm，獲取影像包含紅、綠、藍3個通道。研究區(qū)影像處理流程如下：檢查影像，剔除問題影像；利用Context Capture軟件，結(jié)合POS數(shù)據(jù)、地面控制點，生成地面分辨率為5 cm的正射影像；重采樣為0.3 m的正射影像，對影像線性拉伸，得到實驗區(qū)影像數(shù)據(jù)，其空間參考坐標系為CGCS2000_3_degree_Gauss_Kruger_zone_39。研究區(qū)正射影像如圖1所示。

2" 研究方法

2.1" 影像分割

影像分割是面向?qū)ο蠓诸惙椒ㄖ兄陵P(guān)重要的步驟，分割所得到的對象輪廓直接影響地物分類精度[7]。分割尺度、形狀因子、緊致度都是影像分割的重要參數(shù)。在eCognition 9.0軟件中，采用多尺度分割方法，結(jié)合尺度參數(shù)估計工具（EPS2）對影像分割，確定最佳分割參數(shù)。總體思路：①選擇分割尺度參數(shù)范圍，建立最優(yōu)起始分割尺度候選序列；②將形狀參數(shù)和緊致度參數(shù)的范圍設(shè)置為[0.1，0.9]，步長設(shè)置為0.1，組合參數(shù)，進行影像分割。采用控制變量方法，先控制形狀因子查找最優(yōu)緊致度因子，再控制緊致度因子找最優(yōu)形狀因子；③基于EPS2工具對組合參數(shù)進行迭代計算，得到整體局部方差均值隨尺度變化率，將局部方差突變的參數(shù)視為潛在最優(yōu)尺度參數(shù)；④EPS2工具計算出的尺度參數(shù)具有多個值，結(jié)合目視解譯確定最佳分割參數(shù)。

2.2" 特征變量選取及特征組合

光譜特征是遙感影像的重要特征之一，因此根據(jù)地物光譜信息的差異性可區(qū)分地物類型。紋理特征作為遙感圖像的底層特征，能夠清晰地反映出地物圖像的灰度分布和表面結(jié)構(gòu)信息。在面向?qū)ο蟮姆诸愡^程中，結(jié)合紋理特征對于提升分類精度效果顯著[8]。因此，本文采用基于灰度共生矩陣（GLCM）提取影像的紋理特征。城市區(qū)域分布大量人工建筑，其形態(tài)正是一種具備復(fù)雜性與系統(tǒng)性的不規(guī)則平面圖形[9]。不同地物在影像中具有不同復(fù)雜程度的邊緣特征，基于幾何特征的面向?qū)ο蠓诸惙椒軌蚩焖贉蚀_地識別地物類型[10]。因此，本研究選取光譜特征、紋理特征、幾何特征共32個特征變量，組建不同的特征空間提取地物信息，根據(jù)易康軟件自帶的特征空間選擇獲得優(yōu)選特征。特征變量統(tǒng)計信息見表1。

城市地表要素較為復(fù)雜，可分為道路、房屋、水體、植被和其他共5大類。選擇單一特征難以滿足多種城市地表信息提取的要求。因此，本文實驗采用不同特征組合的方式增加特征數(shù)量，用于探究不同特征組合對分類結(jié)果的影響。特征組合方案見表2。

2.3" 影像分類方法

本研究選取較為普遍的KNN和貝葉斯（Bayes）2種分類方法，對研究區(qū)地物進行分類研究。KNN原理是對于待分類的樣本，根據(jù)某種距離度量（如歐氏距離）在訓練集中找到與該樣本最鄰近的K個樣本，然后基于這K個樣本預(yù)測，方法簡單，易于理解。貝葉斯是通過對已分類的樣本進行訓練，計算每個類別的出現(xiàn)概率，并選擇最大后驗概率的類別作為分類結(jié)果，能夠充分利用遙感圖像的光譜、紋理、形狀等多種特征進行分類，提高分類精度。

2.4" 精度評價

本文采用混淆矩陣對結(jié)果精度進行定量評價。通過比較結(jié)果和地表真實信息之間的差異，將分類模型的性能用可視化數(shù)據(jù)來表示。其評價指標包括總體精度、Kappa系數(shù)、生產(chǎn)者精度以及用戶精度，可為分類結(jié)果提供詳細評價信息。

3" 結(jié)果與分析

3.1" 最優(yōu)分割參數(shù)確定及分割結(jié)果

將分割尺度參數(shù)的范圍設(shè)定為[10，110]，使用ESP2工具迭代計算，將分割對象可變率（Rate of Change）突變較大的分割參數(shù)，計入最優(yōu)起始分割尺度候選序列。基于控制變量法，綜合考慮無人機影像的特點以及影像的形狀因子和緊致度因子的相互關(guān)系，將形狀參數(shù)設(shè)置為0.3，緊致度參數(shù)設(shè)置為0.6。其他必要參數(shù)為：各波段的權(quán)重值設(shè)置為1，起始分割尺度為40、分割步長為10、迭代100。隨著尺度的增大，局部方差均值整體呈現(xiàn)上升的趨勢，而尺度變化率呈現(xiàn)下降的趨勢（圖2）。

為了獲得圖像的過分割和欠分割之間的臨界值，選取尺度變化率峰值為54、87、113和137的尺度參數(shù)，采用多尺度分割算法進行分割（圖3）。對結(jié)果目視解譯，分割尺度參數(shù)設(shè)置為137時，存在多處道路、植被、其他等劃分為同一個對象，使得地物難以區(qū)分。分割尺度參數(shù)設(shè)置為54和87時，存在同一地物劃分多個對象的情況，過分割現(xiàn)象增加了數(shù)據(jù)冗余。尺度參數(shù)設(shè)置為113時，大部分區(qū)域的地物能夠分割為獨立的對象，整體分割效果較為理想。因此研究區(qū)影像最佳尺度分割參數(shù)選擇為113，并使用此參數(shù)提取城市地表要素。

3.2" 不同特征組合下的分類結(jié)果及精度評價

本研究在不同的特征空間組合下構(gòu)建特征模型，并使用KNN和貝葉斯2種分類算法，對研究區(qū)地表信息提取，結(jié)果如圖4所示。從分類方法選擇看，貝葉斯分類結(jié)果相對理想，大部分地物邊緣較為清晰，與研究區(qū)的實際情況較為一致。如圖4中的B1與A1對比可看出，B1建筑物、道路等地物邊緣較為清晰，而A1中存在道路被錯分為房屋的情況，且房屋邊緣模糊不清。從特征空間組合看，并非地物特征數(shù)量選擇越多，其信息提取效果越好。如A4和B4可看出，特征空間數(shù)量高達34個，但信息提取效果是最差，地物分類混亂，道路、植被和其他等地物大多數(shù)被分為房屋。5種方案中，優(yōu)選特征信息提取效果最佳。如A5和B5，各類地物邊緣清晰，道路、房屋等地物能夠較為完整地提取。整體來看，地物信息提取結(jié)果中都存在房屋、道路及其他3種類型地物提取錯亂的情況。這是由于其他類別地物中包含廣場、停車場等平直面，屬于人工建筑，與道路、房屋所用材料相似，影像中的地物光譜信息區(qū)別不夠明顯，導致地物分類錯誤。

不同的信息提取方案結(jié)果精度見表3?？梢钥闯觯惾~斯模型比KNN模型相比精度較高，貝葉斯最佳總體精度為84%，高于KNN模型的最佳總體精度8%。特征數(shù)量越多，地物信息提取精度越低。B4方案總體精度為42%，Kappa系數(shù)0.24，與B5相比總體精度降低42個百分點，Kappa系數(shù)降低0.54。

4 結(jié)論

本文在高分辨率無人機可見光影像數(shù)據(jù)基礎(chǔ)上，引入KNN模型和貝葉斯模型，在城市地物分類上的適用性進行對比，并應(yīng)用光譜、幾何、紋理等特征，構(gòu)建不同特征組合方案，實現(xiàn)城市地表要素的提取，探究了不同的特征組合對要素提取結(jié)果的影響。主要結(jié)論如下：①在特征選擇方面，并非特征數(shù)量選取越多，信息提取效果越好。通過優(yōu)選特征能夠有效提高分類精度；②在分類算法選擇方面，基于最優(yōu)特征組合下的面向?qū)ο蠓诸惙椒軌蛴行У靥崛〕鞘械乇硪?，其中貝葉斯分類精度最高，總體精度可達84%，Kappa系數(shù)為0.78。

參考文獻：

[1] 楊燦燦，江嶺，陳昕，等.面向城市DEM構(gòu)建的地形要素分類及表達[J].地球信息科學學報，2017，19（3）：317-325.

[2] 李軍軍，曹建農(nóng)，朱瑩瑩，等.高分辨率遙感影像建筑區(qū)域局部幾何特征提取[J].遙感學報，2020，24（3）：233-244.

[3] 周亦，張亞亞.利用eCognition進行高分一號衛(wèi)星數(shù)據(jù)土地利用現(xiàn)狀解譯能力測試[J].測繪通報，2016（8）：70-80，94.

[4] 馬飛虎，徐發(fā)東，孫翠羽.面向?qū)ο蟮臒o人機影像地物分類[J].應(yīng)用科學學報，2021，39（2）：312-320.

[5] 宋曉陽，黃耀歡，董東林，等.融合數(shù)字表面模型的無人機遙感影像城市土地利用分類[J].地球信息科學學報，2018，20（5）：703-711.

[6] 陳遜龍，孫一銘，郭仕杰，等.應(yīng)用無人機可見光影像和面向?qū)ο蟮碾S機森林模型對城市樹種分類[J].東北林業(yè)大學學報，2024，52（3）：48-59.

[7] 佘潔，沈愛紅，石云，等.基于無人機遙感影像和面向?qū)ο蠹夹g(shù)的荒漠草原植被分類[J].草業(yè)學報，2024，33（7）：1-14.

[8] 吳艷雙，張曉麗．結(jié)合多尺度紋理特征的高光譜影像面向?qū)ο髽浞N分類[J]．北京林業(yè)大學學報，2020，42（6）：91－101．

[9] 張宸銘，高建華，黎世民，等.基于路網(wǎng)可達性的城市空間形態(tài)集聚分形研究[J].地理研究，2018，37（12）：2528-2540.

[10] 方炫，張同亮，彭明國，等，張秋亞．利用空間特征的平原地區(qū)灌溉溝渠優(yōu)化提取[J].常州大學學報（自然科學版），2023，35（4）：43-51.

Abstract： Urban surface elements are the basic components of urban management and planning， and accurate acquisition of their information is of great significance for urban planning and social and economic analysis. Based on some drone image data in Jinzhai County， this paper uses an object-oriented classification method to study the extraction of urban surface elements， and explores the impact of the number of features and different feature combinations on classification results. The results show that， the selection of features is fully considered， and the more the number of features is selected， the higher the accuracy of the result; in urban feature extraction， the Bayesian model has higher accuracy than the KNN model， with the overall accuracy reaching 84%， and the Kappa coefficient is 0.78.

基金項目：滁州職業(yè)技術(shù)學院校級科研項目（ZKZ-2024-5、ZKY-2024-7）

第一作者簡介：宋素素（1996-），女，碩士。研究方向為無人機遙感。