基于可见光航空影像的土地利用分类.pdf

SCIENCE&TECHNOLOGY INFORMATION科技资讯建 筑 与 土 木 2023 NO.16 SCIENCE&TECHNOLOGY INFORMATION科技资讯基于可见光航空影像的土地利用分类李玉霞(兰州资源环境职业技术大学 甘肃兰州 730000)摘要：无人机遥感（Unmanned Aerial Vehicle Remote Sensing，UVA-RS）技术已成为卫星遥感和有人机航空遥感的有力补充技术，该文以山区小区域无人机航空影像为数据源，测试讨论使用不同监督分类方式对于山区部分进行土地利用分类的精度，针对利用可见光航空影像进行土地利用信息获取存在的问题，尝试通过试验，在ENVI中对可见光航空影像进行土地利用信息提取，对比分析不同的分类方法在应用过程中产生的问题与各自的优势。关键词：可见光 遥感 土地利用 无人机中图分类号：TP751文献标识码：A 文章编号：1672-3791(2023)16-0134-04Land Use Classification Based on Visible Aerial ImagesLI Yuxia(Lanzhou Resources and Environment Voc-Tech university,Lanzhou,Gansu Province,730000 China)Abstract:Unmanned Aerial Vehicle Remote Sensing(UVA-RS)technology has become a powerful complementary technology to satellite remote sensing and manned aerial remote sensing.This paper takes UAV aerial images in small mountainous areas as the data source,and tests and discusses the accuracy of land use classification in mountainous areas by using different supervised classification methods.In view of the problems existing in the acquisition of land use information by using visible light aerial images,this paper attempts to extract land use information from visible aerial images in ENVI through the test,and compares and analyzes the problems arising from the application process of different classification methods and their respective advantages.Key Words:Visible light;Remote sensing;Land use;Unmanned aerial vehicle随着测绘技术的不断发展，卫星遥感技术已经广泛应用于土地利用、城市化与荒漠化监测、农作物与森林等可再生资源的监测和评估、灾害监测和环境监测相关的地球科学相关研究和生产领域1-3。而无人机遥感技术（Unmanned Aerial Vehicle Remote Sensing，UVA-RS）的出现成为了卫星遥感和有人机航空遥感的技术补充，利于无人机搭载高分辨率CCD相机系统获取遥感影像，通过航线的规划、监控、控制相机系统自动拍照获取影像并实时传输与存储，具有快速高效、直观全面、影像实时传输、成本低、高分辨率、机动灵活等优点，广泛应用于国家生态环境保护、矿产资源勘探、海洋环境监测、土地利用调查、水资源开发、农作物长势监测与估产、农业作业、自然灾害监测与评估、城市规划与市政管理、森林病虫害防护与监测、公共安全、国防事业、数字地球等领域4-6。土地利用类型是一种在自然和人类活动双重作用下的产物，具有不规则、相对不稳定性和复杂性特征，进行土地利用类型的划定不是单纯为了认识利用现状的地域差异，更主要的是为了评定土地的生产力7-9。按土地的自然属性对其进行科学分类，有助于环境影响评价，以及潜在的土地利用多样性，可以认清各种土地的特点，揭示土地利用存在问题，为合理利用土地资源、调整土地利用结构和确定土地利用方向提供科学依据，同时，也是人们深度了解自然，合理利用资源的途径10。随着航空影像分辨率的不断提高，凭借纹理信息可以更好地进行植被信息提取和土地分类。针对利用DOI：10.16661/ki.1672-3791.2212-5042-7827基金项目：2022年校级科研课题（项目编号：X2022F-05）。作者简介：李玉霞（1988），女，本科，讲师，研究方向为摄影测量与遥感。134SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.16 建 筑 与 土 木科技资讯SCIENCE&TECHNOLOGY INFORMATION可见光航空影像进行土地利用信息获取存在的问题，文章尝试通过试验，在ENVI中对可见光航空影像进行土地利用信息进行提取，对比不同监督分类方法的计算结果，分析差异产生的原因11-14。1 数据源和样本选择本文选取拍摄于2021年的临夏州康乐县田家沟区域的部分影像数据作为数据源进行研究，影像投影方式为高斯投影，坐标系统为西安80，空间分辨率为0.114 6 m，比例尺为1 2 000。数据获取的季节为春季，拍摄时天气良好，获取的无人机影像受气象影响较小。鉴于研究内容不涉及波段中心波长位置和波段范围，故未对研究影像进行严格的校正15-16。图1为测试区域影像。为了使所构建的样本数据具有更好的通用性和可靠性，按照以下原则进行确定：（1）范围，对于每一类样本，其选择边界应当与区域边界保持一定的距离；（2）亮度区，选取的每类地物时，应当考虑覆盖低、中、高亮度区域；（3）数量，每一类样本数目应当尽量均衡，若某一样区亮度差异过大则可适当增加样本数量选取；（4）分布，在影像上选取样本时，尽可能使每一类样本在图面分布均匀。遵照以上样本选取原则，将研究区域中的地物分为林木、草地/灌木、农田、裸地、道路和建筑共6种类型，利用ENVI软件人工勾画出87个代表样区：林木（14）、草地/灌木（13）、农田（14）、裸地（13）、道路（17）、建筑（16）。利用均值作为各类地物在可见光波段之间象元值总体差异的评价指标，以标准差对各类地物在各波段中象元值波动范围进行评价。表1是各类地物在不同波段下的统计差异。2 可见光影像土地利用分类ENVI软件中所提供的分类方法有监督分类和非监督分类，两者都是在图像的灰度的基础上统计计算均值，对协方差等一系列特征参数进行分类。两者虽相似，但有各自的特点：监督分类可针对具体的应用目的和区域，充分利用先验知识，人为有选择地决定分类类别，避免出现不必要的类别；可以通过反复检验训练样本，来提高分类精度，避免分类严重错误17。同时，监督分类也具有一定的局限性。例如：图像中同一类别的光谱差异造成训练样本没有很好的代表性；只能识别训练样本中已经定义的类别，若某类别由于训练者不知道或者其数量太少未被定义，则监督分类不能图1 测试区域影像（a）最小距离法分类结果（b）马氏距离法分类结果（c）最大似然法分类结果图2 监督分类结果表1 各类地物在不同波段下的统计差异地物类型林木草地/灌木农田裸地道路建筑红平均值32.1534.1193.6255.47141.1680.37标准偏差5.865.8319.169.0911.3728.10绿平均值46.1743.3993.7849.03142.1349.59标准偏差6.065.5720.016.3511.4712.00蓝平均值28.6832.5496.1342.07138.0156.45标准偏差5.344.2321.624.5112.1223.01135SCIENCE&TECHNOLOGY INFORMATION科技资讯建 筑 与 土 木 2023 NO.16 SCIENCE&TECHNOLOGY INFORMATION科技资讯识别。因此，训练样本的合理选择一定程度上影响着分类结果的精度18-19。非监督分类是指人们事先对分类过程不施加任何的先验知识，仅凭数据进行“盲目”分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性，其类别的属性是通过分类结束后目视判读或实地调查确定的。文章采用同一样本进行测试，选择监督分类中的马氏距离法、最大似然法、最小距离法分别对部分山区影像进行土地利用分类、统计，监督分类成果图具体见图2。对3种监督土地利用分类结果进行分类成果统计，可以看出，建筑、农田、林木三类地物分类结果差异性较大。最小距离分类法在计算过程中只考虑每一类样本的均值，而顾及类别内部的方差和类别之间的协方差（已知样本的分布情况），所以分类精度不高；从表2统计结果可以看出，该方法的分类成果与其他两者差异较大；最大似然法具有清晰的参数解释能力，不仅考虑了待分类样本内部距离特征，还考虑了已知类别的分布特征，所以其分类精度比最小距离分类法高；马氏距离法与最大似然法类似，相对于最大似然做出了协方差相等的假设条件进行计算，计算速度快，两者分类成果差异较小20。3 精度评定为了确保分析结果的可靠性，此次研究选择利用ENVI软件中手动绘制分类样本为真值来检测分类结果精度。在ENVI软件中选择感兴趣分类结果进行混淆矩阵计算，从Overall Accuracy（总体精度）、Commission（错分误差）、Omission（漏分误差）及Kappa Coefficient（KAPPA系数）这4个方面定量分析，其中，总体精度是被正确分类的象元总和与总象元数的比值，地表真实图像或地表真实感兴趣区限定了象元的真实分类；Kappa系数用于一致性检验和分类精度的衡量，其计算结果一般位于01之间，以0.2为间隔划分为5个不同级别，0.81为最高级别。计算分析结果如表3所示。错分误差是指被分为用户感兴趣的类，而实际上属于另一类的象元；漏分误差是指本属于地表真实分类，但没有被分类器顺利分到相应类别中的象元数。试验结果中按照地类的不同，将错分、漏分情况进行统计，统计内容具体如表4所示。4 讨论从表2和表3的结果来看，利用最小距离法进行土地利用分类精度最差，总体精度74.348%，Kappa系数表4 错分精度与漏分精度地物类型林木草地/灌木农田裸地道路建筑错分误差（Commission）最小距离法38.6830.51.059.4863.7674.64马氏距离法26.6911.780.827.9626.650最大似然法12.592.361.730.782.579.53漏分误差（Omission）最小距离法25.2821.9532.4121.444.5732.13马氏距离法11.7813.047.478.480.3132.53最大似然法3.526.40.80.961.0619.53表3 山区可见光航空影像土地利用分类精度分析评定指标总体精度（Overall Accuracy）KAPPA系数（Kappa Coefficient）最小距离法74.348%0.670 7马氏距离法90.1406%0.867 7最大似然法97.1059%0.960 8 表2 山区可见光航空影像土地利用分类成果统计 （单位：%）地物类型林木草地/灌木农田裸地道路建筑最小距离法12.0925.0225.5419.637.3710.35马氏距离法8.1826.2034.8826.403.530.82最大似然法8.9722.0642.6821.341.753.20136SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.16 建 筑 与 土 木科技资讯SCIENCE&TECHNOLOGY INFORMATION0.670 7，马氏距离法分类精度较最小距离法精度较好，首先在分类效果上降低了建筑与农田的错分率，其次特别对于覆膜农田的辨识度较最小距离法更为准确，最后对于道路和建筑的识别更加准确，但是对于裸地和农田存在小范围错分。最大似然法分类精度在3种试验方法中达到了最高，其Kappa系数为0.960 8，总体精度为97.1059%，从效果图来看，最大似然法对于道路的界限识别更加明晰，减少了裸地与农田和裸地的错分情况，建筑的漏分率较马氏距离法和最小距离法成果更加可靠，存在一定的错分。以人机交互绘制真实地表分类结果为真值，分别对比3种分类成果，最大似然法的分类成果更为接近，部分类型边界识别较为清晰，说明相比之下，最大似然法对于山区土地利用分类统计具有较好的结果，如图3所示。5 结论本文通过选取部分山区无人机影像，分别进行最小距离法、马氏距离法和最大似然法的监督分类，并对结果进行对比分析。从试验结果来看，最小距离法对覆膜农用地和建筑的区分度不高，道路边界不清晰，导致建筑错分，影响土地利用分类的准确性，因此，一般不用它作为对精度有高要求的分类，可以在快速浏览分类概况中使用；最大似然法能够排除常见的阴影和覆膜农田裸地的干扰，较好地针对覆膜农田和建筑进行提取，被提取信息较最小距离和最大似然两种方法更加完整，精度更高，对于山区的土地利用分类具有一定的应用价值。本文通过试验对比分析认为可从以下两方面进一步完善：第一，对于道路两侧树木的提取不准确；第二，对于建筑群中的空地不能够完全提取出来，对建筑信息提取精度有一定程度影响。如何准确获取不同地物类别的界限将作为下一步的研究内容。参考文献1 董南.特征优选下的无人机可见光影像地物分类J.测绘与空间地理信息,2022,45(9):9-12,16.2 张晓同,徐佳,陈仁喜.基于无人机可见光影像的城市植被信息提取J.地理空间信息,2022,20(5):63-68.3 孙凯月.无人机可见光遥感影像的农作物信息提取及验证J.安徽农学通报,2022,28(4):94-96.4 赵晓宇.无人机影像空间分辨率和波谱信息对湿地地物分类的影响研究D.桂林:桂林理工大学,2022.5 周涛,胡振琪,韩佳政，等.基于无人机可见光影像的绿色植被提取J.中国环境科学,2021,41(5):2380-2390.6 尹林江,周忠发,李韶慧,等.基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究J.草地学报,2020,28(6):1664-1672.7 吕厚谊.无人机发展与无人机技术J.世界科技研究与发展,1998(6):113-116.8 周在明,杨燕明,陈本清.基于无人机影像的滩涂入侵种互花米草植被信息提取与覆盖度研究J.遥感技术与应用,2017,32(4):714-720.9 田振坤,傅莺莺,刘素红,等.基于无人机低空遥感的农作物快速分类方法J.农业工程学报,2013,29(7):109-116,295.10 张弛,李慧芳,沈焕锋.联合统计信息与散射模型的GF-5AHSI可见光影像薄云校正J.遥感学报,2020,24(4):368-378.11 金忠明,曹姗姗,王蕾,等.天山云杉林无人机可见光影像树冠信息提取方法研究J.林业资源管理,2020(1):125-135.12 刘斌.基于无人机遥感影像的农作物分类研究D.北京:中国农业科学院,2019.13 郭鹏,武法东,戴建国,等.基于无人机可见光影像的农田作物分类方法比较J.农业工程学报,2017,33(13):112-119.14 邬宁珊,王佳希,张岩,等.基于无人机可见光影像的树种和树冠信息提取：以晋西黄土区蔡家川流域为例J.浙江农业学报,2021,33(8):1505-1518.15 张园,陶萍,梁世祥,等.无人机遥感在森林资源调查中的应用J.西南林业大学学报,2011,31(3):49-53.16 高永刚,林悦欢,温小乐,等.基于无人机影像的可见光波段植被信息识别J.农业工程学报,2020,36(3):178-189.17 肖武,任河,吕雪娇,等.基于无人机遥感的高潜水位采煤沉陷湿地植被分类J.农业机械学报,2019,50(2):177-186.18 王树琪,朱大明,张述清,等.一种基于可见光植被指数的高分辨率影像林地提取方法J.软件导刊,2020,19(7):232-235.19 王利民,刘佳,杨玲波,等.基于无人机影像的农情遥感监测应用J.农业工程学报,2013,29(18):136-145.20 谢栋博.基于无人机可见光影像的城市公园树冠覆盖率和乔木多样性研究D.郑州:河南农业大学,2022.（a）马氏距离法（b）最大似然法图3 马氏距离与最大似然错分对比137