基于無人機(jī)的鄉(xiāng)村土地利用遙感分類研究

土地利用是城鄉(xiāng)發(fā)展規(guī)劃及資源開發(fā)利用的關(guān)鍵信息。近年來，國內(nèi)外學(xué)者使用不同的遙感影像進(jìn)行了土地利用分類研究，但受限于空間分辨率，在提取部分細(xì)小地物時具有局限性。無人機(jī)體型小、機(jī)動靈活，具備時效性強(qiáng)、空間分辨率高的特點，可有效克服光學(xué)衛(wèi)星缺點。不同于以像元為基本單位的傳統(tǒng)方法，面向?qū)ο蠓椒ㄒ詫ο笞鳛榛咎幚韱挝?，能在較大程度上解決光譜混淆、混合像元等問題，也可以減小分類結(jié)果中的“椒鹽效應(yīng)”。盡管近年來機(jī)器學(xué)習(xí)算法與面向?qū)ο笤诘匚锓诸惖难芯繑?shù)量眾多[1]，但其在鄉(xiāng)村土地利用覆蓋中的研究仍較少。本文選用無人機(jī)可見光影像，使用隨機(jī)森林、支持向量機(jī)（SVM）與旋轉(zhuǎn)森林三種算法進(jìn)行土地利用分類并對比，驗證無人機(jī)影像與這三種分類方法在鄉(xiāng)村地物分類應(yīng)用中的可行性。一、數(shù)據(jù)與方法（一）研究區(qū)域研究區(qū)域位于廣東省云浮市新興縣太平鎮(zhèn)南部區(qū)，該地區(qū)屬亞熱帶季風(fēng)氣候，熱量豐富，雨水充沛。研究區(qū)呈矩形，南北長約800m，東西長約600m（圖1）。研究區(qū)內(nèi)土地利用類型較為豐富，農(nóng)作物主要以水稻為主，建物分布比較集中，坡度較緩。（二）數(shù)據(jù)采集采用大疆DJI精靈4PROV2.0四旋翼消費級可見光無人機(jī)設(shè)備進(jìn)行研究區(qū)數(shù)據(jù)采集。該無人機(jī)質(zhì)量輕、體積小，CMOS傳感器，鏡頭焦距為8.8mm，無人機(jī)平臺與RGB傳感器集成一體，整機(jī)重量1375g。共有紅、綠、藍(lán)3個波段，傳感器分辨率為5472×3648。無人機(jī)影像的采集時間為2022年7月6日，天氣狀況良好，飛行時段選擇正午10：00-14：00。使用DJIPilot生成無人機(jī)正射攝影航線，航向重疊率設(shè)置為80%，旁向重疊率設(shè)置為80%，航高設(shè)置為120m，飛行速度約為10m/s。共獲取覆蓋研究區(qū)的無人機(jī)傾斜攝影影像2590幅。二、研究方法（一）數(shù)據(jù)預(yù)處理基于攝影建模軟件ContextCapture生成研究區(qū)無人機(jī)正射影像圖（DigitalOrthophotoMap，DOM）和數(shù)字表面模型（DigitalSurfaceModel，DSM），空間分辨率均為0.05m。在eCognition軟件中基于DOM與DSM進(jìn)行多尺度分割，選擇不透水面、耕地、裸地、植被與水體作為分類類別，隨機(jī)選取983個對應(yīng)樣本并提取其光譜、紋理等特征，分別使用SVM、隨機(jī)森林和旋轉(zhuǎn)森林三種不同的分類模型用于地物分類，技術(shù)路線如圖2所示：圖2技術(shù)路線（二）影像分割與特征提取本文使用eCognition軟件對影像進(jìn)行多尺度分割，分割時需要對尺度參數(shù)、形狀參數(shù)和緊湊度參數(shù)進(jìn)行設(shè)置，尺度參數(shù)決定影像對象的大小，形狀參數(shù)決定色彩和形狀分割準(zhǔn)則的關(guān)系，緊湊度參數(shù)用于區(qū)分影像對象。多次試驗與對比分析后，本研究選定的最適宜的尺度參數(shù)為80，形狀參數(shù)為0.6，緊致度參數(shù)為0.4。由于無人機(jī)可見光影像光譜波段較少，本文進(jìn)一步提取影像對象的指數(shù)特征、紋理特征、形狀特征和高度特征進(jìn)行地物分類如表1所示。其中選取的植被指數(shù)如表2所示。表1分類所用特征表2可見光指數(shù)特征（三）分類算法1.SVMSVM是由Vapnik于1995年在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上提出的一種機(jī)器學(xué)習(xí)算法，目標(biāo)是尋找一個最優(yōu)的超平面，在盡可能滿足分類的限制條件下，把分類數(shù)據(jù)集中的所有點分開，且使點與該超平面距離最遠(yuǎn)[3]。2.隨機(jī)森林隨機(jī)森林（RF）是一種統(tǒng)計學(xué)習(xí)理論，2001年由LeoBreiman提出，它是利用bootsrap重抽樣方法從原始樣本中抽取多個樣本，對每個bootsrap樣本進(jìn)行決策樹建模，然后組合多棵決策樹的預(yù)測，通過投票得出最終預(yù)測結(jié)果[4]。隨機(jī)森林可以處理高維數(shù)據(jù)，且具有避免過擬合和可以對特征重要性進(jìn)行排序等優(yōu)點。3.旋轉(zhuǎn)森林旋轉(zhuǎn)森林（RotationForest）是在隨機(jī)森林上改進(jìn)，添加了數(shù)據(jù)軸的一種算法。該算法通過訓(xùn)練整個數(shù)據(jù)集中旋轉(zhuǎn)特征空間的每棵樹得到樹的多樣性。在確保樹的多樣性同時被旋轉(zhuǎn)的樹能降低對單變量樹的約束，這些單變量樹能分解輸入空間到平行與原始特征軸的超平面[5]。隨機(jī)分離特征集到K個互相獨立的區(qū)間，之后分別在每個特征區(qū)間使用主成分分析法，保證第一主要元素具有最大方差。新的訓(xùn)練集被應(yīng)用到訓(xùn)練分類樹的樹歸納算法中。三、結(jié)果分析運用Weka3.8.6軟件中的libsvm、隨機(jī)森林和旋轉(zhuǎn)森林算法對區(qū)域進(jìn)行分類，得到的分類結(jié)果如圖3所示。從三種結(jié)果的圖可以看出總體分類效果都較好，但部分裸地和水體會出現(xiàn)誤分現(xiàn)象，而SVM的分類結(jié)果中出現(xiàn)部分水體誤分為建筑和裸地的情況。圖3地物分類結(jié)果（a）隨機(jī)森林分類結(jié)果（b）SVM分類結(jié)果（c）旋轉(zhuǎn)森林分類結(jié)果對分類結(jié)果進(jìn)行混淆矩陣的計算，混淆矩陣是精度評價的核心方法，描述分類精度與類別間的混淆性，基本統(tǒng)計量包括總體精度、Kappa系數(shù)、用戶精度和制圖精度。三種分類精度評價結(jié)果如下表3所示。表3三種分類方法精度評價結(jié)果對比從表3可得，三種分類算法中隨機(jī)森林的總體分類精度最高，為95.32%，Kappa系數(shù)為0.9371；SVM的總體分類精度最低，為84.44%，Kappa系數(shù)只有0.7919。其中，隨機(jī)森林與旋轉(zhuǎn)森林得到的分類精度類似。相比于其他地物，三種方法在水體的區(qū)分上精度較低，這可能與無人機(jī)在對水體部分影像拼接時難以確定同名點因而造成水體部