基于无人机的乡村土地利用遥感分类研究.pdf

技术协作信息2023（12）总第 1493 期技术探讨与推广基于无人机的乡村土地利用遥感分类研究叶谋鑫1龚辉2*1.深圳市红树林湿地保护基金会；2.广州市城市规划勘测设计研究院摘要：本文利用无人机可见光影像，结合随机森林、支持向量机和旋转森林三种分类算法对广东省云浮市新兴县部分乡村区域进行土地利用分类并对比分类精度。结果表明，利用无人机数据可以有效地开展乡村土地利用与土地覆盖分类；随机森林分类方法的总体分类精度最高，为 95.32%，Kappa 系数为 0.937；相比于其他两种算法，随机森林方法在针对厘米级无人机数据在乡村地区的分类中具有更好的优势。关键词：无人机影像；随机森林；旋转森林；土地利用分类土地利用是城乡发展规划及资源开发利用的关键信息。近年来，国内外学者使用不同的遥感影像进行了土地利用分类研究，但受限于空间分辨率，在提取部分细小地物时具有局限性。无人机体型小、机动灵活，具备时效性强、空间分辨率高的特点，可有效克服光学卫星缺点。不同于以像元为基本单位的传统方法，面向对象方法以对象作为基本处理单位，能在较大程度上解决光谱混淆、混合像元等问题，也可以减小分类结果中的“椒盐效应”。尽管近年来机器学习算法与面向对象在地物分类的研究数量众多1，但其在乡村土地利用覆盖中的研究仍较少。本文选用无人机可见光影像，使用随机森林、支持向量机（SVM）与旋转森林三种算法进行土地利用分类并对比，验证无人机影像与这三种分类方法在乡村地物分类应用中的可行性。一、数据与方法（一）研究区域研究区域位于广东省云浮市新兴县太平镇南部区，该地区属亚热带季风气候，热量丰富，雨水充沛。研究区呈矩形，南北长约 800m，东西长约 600m（图1）。研究区内土地利用类型较为丰富，农作物主要以水稻为主，建物分布比较集中，坡度较缓。图 1 研究区区位图及无人机数据（二）数据采集采用大疆 DJI 精灵 4 PRO V2.0 四旋翼消费级可见光无人机设备进行研究区数据采集。该无人机质量轻、体积小，CMOS 传感器，镜头焦距为 8.8mm，无人机平台与 RGB 传感器集成一体，整机重量 1375g。共有红、绿、蓝 3 个波段，传感器分辨率为 54723648。无人机影像的采集时间为 2022 年 7 月 6 日，天气状况良好，飞行时段选择正午 10：00-14：00。使用 DJI Pilot 生成无人机正射摄影航线，航向重叠率设置为 80%，旁向重叠率设置为 80%，航高设置为窑窑技术协作信息2023（12）总第 1493 期技术探讨与推广120m，飞行速度约为 10m/s。共获取覆盖研究区的无人机倾斜摄影影像 2590 幅。二、研究方法（一）数据预处理基于摄影建模软件 ContextCapture 生成研究区无人机正射影像图（Digital Orthophoto Map，DOM）和数字表面模型（Digital Surface Model，DSM），空间分辨率均为 0.05m。在 eCognition 软件中基于 DOM 与DSM 进行多尺度分割，选择不透水面、耕地、裸地、植被与水体作为分类类别，随机选取 983 个对应样本并提取其光谱、纹理等特征，分别使用 SVM、随机森林和旋转森林三种不同的分类模型用于地物分类，技术路线如图 2 所示：图 2技术路线（二）影像分割与特征提取本文使用 eCognition 软件对影像进行多尺度分割，分割时需要对尺度参数、形状参数和紧凑度参数进行设置，尺度参数决定影像对象的大小，形状参数决定色彩和形状分割准则的关系，紧凑度参数用于区分影像对象。多次试验与对比分析后，本研究选定的最适宜的尺度参数为 80，形状参数为 0.6，紧致度参数为 0.4。由于无人机可见光影像光谱波段较少，本文进一步提取影像对象的指数特征、纹理特征、形状特征和高度特征进行地物分类如表 1 所示。其中选取的植被指数如表 2 所示。表 1分类所用特征表 2可见光指数特征（三）分类算法1.SVMSVM 是由 Vapnik 于 1995 年在统计学习理论基础上提出的一种机器学习算法，目标是寻找一个最优的超平面，在尽可能满足分类的限制条件下，把分类数据集中的所有点分开，且使点与该超平面距离最远3。2.随机森林随机森林（RF）是一种统计学习理论，2001 年由Leo Breiman 提出，它是利用 bootsrap 重抽样方法从原始样本中抽取多个样本，对每个 bootsrap 样本进行决策树建模，然后组合多棵决策树的预测，通过投票得出最终预测结果4。随机森林可以处理高维数据，且具窑窑技术协作信息2023（12）总第 1493 期有避免过拟合和可以对特征重要性进行排序等优点。3.旋转森林旋转森林（Rotation Forest）是在随机森林上改进，添加了数据轴的一种算法。该算法通过训练整个数据集中旋转特征空间的每棵树得到树的多样性。在确保树的多样性同时被旋转的树能降低对单变量树的约束，这些单变量树能分解输入空间到平行与原始特征轴的超平面5。随机分离特征集到 K 个互相独立的区间，之后分别在每个特征区间使用主成分分析法，保证第一主要元素具有最大方差。新的训练集被应用到训练分类树的树归纳算法中。三、结果分析运用 Weka 3.8.6 软件中的 libsvm、随机森林和旋转森林算法对区域进行分类，得到的分类结果如图3 所示。从三种结果的图可以看出总体分类效果都较好，但部分裸地和水体会出现误分现象，而 SVM的分类结果中出现部分水体误分为建筑和裸地的情况。图 3 地物分类结果（a）随机森林分类结果（b）SVM分类结果（c）旋转森林分类结果对分类结果进行混淆矩阵的计算，混淆矩阵是精度评价的核心方法，描述分类精度与类别间的混淆性，基本统计量包括总体精度、Kappa 系数、用户精度和制图精度。三种分类精度评价结果如下表 3 所示。表 3三种分类方法精度评价结果对比从表 3 可得，三种分类算法中随机森林的总体分类精度最高，为 95.32%，Kappa 系数为 0.9371；SVM 的总体分类精度最低，为 84.44%，Kappa 系数只有 0.7919。其中，随机森林与旋转森林得到的分类精度类似。相比于其他地物，三种方法在水体的区分上精度较低，这可能与无人机在对水体部分影像拼接时难以确定同名点因而造成水体部分的影像质量较低有关。结论无人机数据可以有效地为对乡村的土地利用与土地覆盖类型进行分类，为乡村发展提供基础数据，且具有较高精度。随机森林的方法相比于 SVM 与旋转森林的方法，在针对厘米级无人机数据在乡村地区的分类中具有更好的优势。参考文献：1陆妍如,毛辉辉,贺琰,等.基于 Deeplab v3+的高分辨率遥感影像地物分类研究J.地理空间信息,2022,20(06):1-6.2汪小钦,王苗苗,王绍强,等.基于可见光波段无人机遥感的植被信息提取J.农业工程学报,2015,31(05):152-157.3张学工.关于统计学习理论与支持向量机J.自动化学报,2000(01):36-46.4方匡南,吴见彬,朱建平,等.随机森林方法研究综述J.统计与信息论坛,2011,26(03):32-38.5黄海新,吴迪,文峰.决策森林研究综述J.电子技术应用,2016,42(12):5-9.作者简介：叶谋鑫（1994-），男，广东深圳人，主要从事红树林湿地修复及保护地赋能工作。通讯作者：龚辉（1995-），男，江西南昌人，从事无人机遥感与地理信息科学工作。技术探讨与推广窑窑