基于超高空間分辯率無人機影像的面向對象土地利用分類方法

劉 舒，朱 航

·農業航空工程·

基于超高空間分辯率無人機影像的面向對象土地利用分類方法

劉 舒1，朱 航2※

（1. 吉林建筑大學測繪與勘查工程學院，長春 130118； 2. 吉林大學機械與航空航天工程學院，長春 130022）

為明確基于無人機超高空間分辨率影像的土地利用分類方法，尤其是有效特征和算法的選擇，該研究獲取吉林省德惠市一農耕區超高分無人機影像，獲取區域正射影像圖和數字表面模型，計算地形指標，采用面向對象方法進行土地利用分類研究。首先，采用隨機森林算法，以光譜特征為基礎，依次引入指數、形態、地形、紋理特征，建立5種特征選擇方案，分析各類特征對分類效果的影響。其次，以Boruta特征選擇算法獲取的優化特征集為基礎，采用隨機森林算法、樸素貝葉斯算法、邏輯回歸算法和支持向量機算法分類，分析不同算法的分類效果。結果表明：采用5種特征選擇方案分類，引入形態特征時總體精度降低，引入其他特征時總體精度逐漸提高。5種特征共同參與的分類效果最佳，總體精度為98.04%，Kappa系數為0.980。錯分主要發生在裸地和宅基地，漏分主要發生在草地、裸地、水渠和道路。錯分和漏分主要是因為這幾種類型對象具有相似的光譜、形態、紋理特征或相似的分布位置。采用優化特征集分類時，相比其他算法，隨機森林算法更擅長處理高維特征集，獲得最高的總體精度98.19%，最低的錯分和漏分誤差，分類效果最佳。借助無人機超高空間分辨率影像提取地形信息、形態信息，可以有效輔助土地利用分類，并能提高傳統分類方法精度。

遙感；土地利用；無人機影像；面向對象；特征選擇；隨機森林

0 引 言

實時可靠的土地利用信息，是土地利用變化監測的基礎[1]。目前常使用衛星獲取的多光譜數據提取土地利用信息[2-3]。由于受數據空間分辨率、獲取條件和成本的限制，常用的衛星數據無法識別精細尺度的地物細節，且數據獲取時間受衛星重訪周期制約。近年來小型無人機迅速發展，具有操作簡單，使用靈活，空間分辨率高，且在云下操作等特點，彌補了衛星遙感影像的應用限制[4]。此外，無人機可根據需要加載多種傳感器獲取數據，也可以一定航高和重疊度，按照規定航線獲取影像，建立數字表面模型（digital surface model, DSM），擴展可利用信息[5-6]。目前無人機遙感技術已被廣泛用于土地利用分類[4-8]、農情監測[9-10]、自然災害分析[11-12]、專題信息提取與專題圖制作[6]等領域中。當采用無人機影像進行土地利用分類時，影像高空間分辨率在降低混合像元帶來影響的同時，也增大了計算機的數據處理量。過高的空間分辨率加強了地物細節，增大同類地物間的細節差異以及不同地物間的相似程度，降低分類精度[13]。若基于無人機常規傳感器獲取可見光波段的影像進行分類，較低的光譜分辨率也會影響分類的效果。

常用的分類方法包括面向像素方法和面向對象方法。面向對象分類以分割后的對象為基本單元，平滑了影像噪聲和不必要的細節；減少參與運算的數據量；整合不同類型數據；引入對象的形態、上下文等特征，進一步挖掘分類可用信息，提高分類精度和結果可靠性[2]。然而，面向對象的方法雖彌補了基于無人機可見光影像分類的不足，但在結合多種數據的同時，也增大了特征空間的維度[1]，其中的次要特征可能起到噪聲作用，降低分類精度[14]。隨機森林是一種集成分類算法，因其強大的數據整合與靈活處理能力，近年來被應用在醫學、生物學、管理學、遙感等領域，并取得了穩定可信的研究成果[15-16]。目前，該算法已被用于基于多光譜、雷達和無人機影像的土地利用類型提取中[8,17-18]。

無人機影像與傳統遙感影像相比具有一定的相似性和特殊性。傳統方法的適用性、新方法的可行性以及分類特征的作用仍然被廣泛討論[19]。劉凱等[20]以紅樹林為研究對象，討論了不同類型無人機數據的分類效果，劉斌[21]討論了不同影像分辨率對分類結果的影響，耿仁方等[7]討論了以不同影像處理軟件獲得DSM和數字正射影像圖（digital orthophoto map, DOM）對分類的影響。目前廣泛采用光譜、指數、紋理和上下文特征，僅少數研究用到反映地形的地物表面特征。此外，單一類型特征，尤其是由超高分無人機影像提取的特征，對實際分類效果的影響尚不明確，采用不同算法對區域分類結果的影響也需要進一步討論。本研究獲取吉林省德惠市一農耕區的無人機超高分可見光影像，采用面向對象的隨機森林算法，進行土地利用分類，分析不同類型特征對分類結果的影響，并借助Boruta特征選擇算法獲取優化特征集，分別采用隨機森林、樸素貝葉斯、邏輯回歸和支持向量機算法分類，分析不同算法的分類效果，評估分類方法的實用性。

1 研究區與數據來源

1.1 研究區概況

研究區位于吉林省德惠市的農耕區。區域地理位置：44°34′N，126°17′E，屬于溫帶大陸性氣候，光照充足，降水量較少。區域內作物以一年一熟的水稻、玉米為主。本研究影像拍攝于9月下旬，此時水稻成熟，部分已被收割并堆放在田間，田塊內可見割茬殘留。玉米田尚未大規模收割[22]。田間分布有水渠，用于排水和灌溉。區內還分布有道路、草地、農村宅基地以及鮮有植被生長的裸地。道路兩側的綠化帶以及位于房屋周圍的楊樹為林地。依據2017年發布并實施的土地利用現狀分類標準，將研究區土地利用類型劃分為：水田、旱地、裸地、道路、水渠、宅基地、林地和草地[23]。

1.2 數據獲取及預處理

于2018年9月23日下午采用大疆精靈4搭載非量測相機分10條航帶進行拍攝，設定航高為60 m，航向重疊度為70%，旁向重疊度為65%，共獲取研究區影像104張。影像傳感器為CMOS，可獲取紅光、綠光和藍光3個通道的像片，像片尺寸為4 000′3 000像素，空間分辨率約為0.04 m，為超高空間分辨率影像[7,19]。航片借助攝影測量軟件進行匹配，并生成DSM和DOM，如圖1所示。

圖1 研究區數字表面模型（DSM）和正射影像圖（DOM）

借助ArcGIS軟件生成區域表面坡度、坡面、山體陰影圖等。DOM包括紅（），綠（），藍（）3個波段，在ENVI5.1中以DOM為基礎計算5種僅基于RGB波段的植被指數，生成指數波段，并將以上數據合并為分類基礎影像。植被指數包括紅綠比值指數（red green ratio index, RGRI），歸一化綠藍指數（normalized green-blue difference index, NGBDI），歸一化紅綠指數（normalized green-red difference index, NGRDI），過綠指數（excess green index, EXG）和差異植被指數（visible-band difference vegetation index, VDVI），計算公式如表1所示[24]。

表1 指數特征計算公式[24]

注：為DOM紅波段，為DOM綠波段，為DOM藍波段。

Note:is the red band of DOM,is the green band of DOM andis the blue band of DOM.

2 研究方法

2.1 隨機森林分類算法原理

隨機森林算法（random forest, RF）實質是決策樹的組合。本研究應用R語言軟件Random Forest語言包實現分類過程。從樣本集有放回地抽取約2/3樣本構成訓練集，再從其包含的全部特征中隨機抽取有限個樣本建立決策樹，并利用未被抽取的樣本估計分類內部誤差。重復此過程，建立多棵決策樹，構成隨機森林模型。在為新數據分類時，所有決策樹獨立預測結果，通過投票方式決定目標的最可能類別，并得出袋外誤差（out-of-bag error, OOB誤差），用以評價分類結果精度和分類特征重要性[2-3,17]。袋外誤差越小，模型分類效果越好。

2.2 基礎數據分割

本研究采用Ecognition軟件多尺度分割模塊進行分割，分割前需設置尺度參數，各圖層的權重，形狀異質性權重（Shape）和緊致度異質性權重（Compactness）。本研究將所有圖層權重設為1，并應用ESP（estimation of scale parameter）插件通過試驗確定其他參數的取值。ESP插件由下至上迭代分割，以對象局部方差（local variance, LV）估計影像對象內部異質性，根據局部方差變化率（rate of change of LV, ROC）確定分割尺度[25-26]。迭代時首先將形狀異質性權重（shape）、緊致度異質性權重（compactness）以0.1為步長，取遍0.1～0.9的所有值進行多次分割試驗，確定理想的shape和compactness取值分別為0.8和0.6，此時獲得的ROC曲線和LV曲線如圖2a所示。

圖2a中LV曲線有多個峰值，即可獲得多個最佳尺度取值。為保證對象類型的純度，取第一個峰值對應的最佳分割尺度45為本研究分割尺度，局部影像分割結果如圖2b所示。對于農田部分雖然分割較細，但邊界與地物實際邊界位置相符，分割結果可靠。

2.3 對象特征提取

共提取對象的100個特征信息，包括以下5大類（表2）。

1）光譜特征（Spec_Feat）：DOM中、、波段的均值（Mean）、標準差（standard deviation, SD）、以及波段最大差異（Max_diff）和總體亮度值（Brightness）特征，共8個[15]。

2）指數特征（VI_Feat）：分類基礎影像5種指數波段的均值和標準差，共10個。

3）地形特征（DTM_Feat）：DSM中的表面高程特征，以及由此獲取的表面坡度（Slope）、表面坡向（Aspect）和山體陰影（Hillshade）特征的均值和標準差，共8個。

4）紋理特征（GLCM_Feat）：DOM中R、G和B波段和DSM、Slope、Aspect和Hillshade波段各對象全方位灰度共生矩陣（GLCM）的均值、標準差、熵（Ent）、同質度（Homo）、對比度（Const）、非相似性（Dis）、角二階矩（Ang）和相關性（Corr）特征，共56個。紋理特征中以Mea表示均值，以StD表示標準差。

5）形態特征（SHP_Feat）：對象形狀和范圍特征共18個。

圖2 最佳分割尺度及影像分割結果

表2 提取特征列表

2.4 樣本選取

隨機森林分類效果受樣本數量及其分布的制約[14]，參考野外照片，依據地物實際分布和概略面積比例，以50為各類別最小樣本量，按照表3選取8類地物的樣本，將其中60%作為訓練樣本建立分類模型，剩余40%為測試樣本，計算總體精度、Kappa系數、錯分誤差和漏分誤差等指標，評估模型分類精度[27]。

表3 各土地利用類型樣本數量

2.5 RF模型參數確定

調用Random Forest語句時需要設置2個重要參數，一個為森林中決策樹棵數；另一個為抽取特征數。選用不同的樣本和特征類型，最佳的參數取值不同，需通過迭代試驗來確定。首先固定生成決策樹數目為3000，抽取特征數取遍1和最大值之間的所有整數值分別建模，計算每個模型的OOB誤差，OOB取最小值時的值（0）即為最佳參與建模特征數。再令=0，令取遍1到3000的所有整數值，比較模型的OOB誤差，選擇合適的取值。

為研究不同特征對分類效果的影響，本研究首先設定不同的特征選擇方案并篩選子特征集，進行多次分類對比試驗。方案1僅選擇光譜特征（Spec），方案2在此基礎上添加指數特征（Spec+VI），方案3再引入形態特征（Spec+VI+SHP），方案4進一步引入紋理特征（Spec+VI+SHP+DTM），方案5采用全部特征類型（Spec+VI+SHP+DTM+GLCM）。對于所有的特征選擇方案做和取值的試驗，確定參數取值。各取值對應的OOB誤差如圖3a和圖3b所示。

注：圖中方案1~方案5依次表示采用子特征集Spec、Spec+VI、Spec+VI+SHP、Spec+VI+SHP+DTM、Spec+VI+SHP+DTM+GLCM進行分類試驗。

圖3a表明，隨著抽取特征個數增多，各方案的OOB誤差取值呈先減小后增大的趨勢，對特征選擇方案1～方案5，OOB取最小時對應的參數值依次為2、2、8、10和24。當參數大于2 000時，圖3b中各方案OOB誤差取值趨于穩定，因此將各方案參數取值統一設為2 000。增加選取特征類別時，除采用方案3外，各方案的OOB誤差間大體呈減小趨勢。采用特征選擇方案3時，對于和的絕大多數取值，模型分類精度低于采用方案2的結果。可見部分形態特征對分類起到干擾作用。

2.6 分類特征集優化

采用RF內置的Boruta特征選擇算法，按照特征的平均重要程度（MeanImp）指標判斷其在分類中的有效性，構建優化特征集（Spec+VI+SHP+DTM+GLCM2）。以優化特征集為基礎，分別采用基于最優參數值的隨機森林算法（RF）、樸素貝葉斯算法（naive Bayesian, NB）、邏輯回歸算法（logistic regression, LR）和支持向量機算法（support vector machine, SVM）分別進行分類，分析不同算法對分類結果的影響。

3 結果與分析

3.1 基于樣本的分類結果數據說明

基于最優參數和樣本數據分類的總體精度和Kappa系數如表4所示。

表4 不同方案分類精度對比

在采用隨機森林算法評估不同特征選擇方案時，方案1~方案5的總體分類精度分別為93.72%、97.35%、96.93%、97.77%和98.04%，Kappa系數值分別為0.937、0.973、0.969、0.978和0.980。所有方案分類結果的總體精度都達到90%以上，表明面向對象的隨機森林算法是一種有效的分類方法，且分類結果具有較高精度。

將不同的特征依次引入分類特征集時，除引入SHP時外，各分類結果總體精度和Kappa系數呈逐漸增大趨勢，采用方案5時分類結果最佳。表明引入多類特征有利于提高分類精度。為明確形態特征的作用，補充進行2次試驗，分別采用跳過形態特征直接引入地形特征的方案6（Spec+VI+DTM），以及在此基礎上引入紋理特征的方案7（Spec+VI+DTM+GLCM）進行分類。這2種方案的總體精度分別高于與之對應的方案3和方案4，但仍低于方案5，表明分類過程應引入形態特征，不過部分形態特征相當于噪聲數據，降低分類結果精度。

在方案5的基礎上，采用Boruta算法進行特征選擇，共72個特征通過篩選，包括全部的光譜特征、指數特征，7個地形特征，4個形態特征以及43個紋理特征。根據平均重要程度指標，對分類起重要作用的特征依次為光譜特征、指數特征、地形特征、紋理特征和形態特征。

以優化特征集為基礎的分類試驗中，采用隨機森林算法的分類結果最佳，總體精度為98.19%，Kappa系數為0.982，優于其他算法的結果，也優于方案5的分類結果。采用邏輯回歸算法、支持向量機算法、樸素貝葉斯算法的總體分類精度分別為90.22%、96.23%和96.79%。在高維分類特征集中，部分特征引起地類間的混淆，通過對特征集的優化和降維，可提高分類精度。然而當優化特征集仍具有較高的維度時，隨機森林算法更適合處理高維特征，表現出更好的性能。

不同特征選擇方案評估中，各方案不同地類的錯分誤差和漏分誤差分別如圖4a和圖4b所示。裸地、宅基地的錯分誤差較大，裸地、道路、水渠、草地的漏分誤差較大。

草地主要分布于農田邊緣以及道路和水渠兩側的洼地里，所處地勢較低，且植株較矮。由于相似的地理位置，當引入地形特征時，草地與水渠、水田之間的混淆增大，錯分和漏分誤差增大。在影像獲取期間，草地、林地和旱地在可見光波段的光譜特征相似，且本研究對各地類以統一尺度進行分割，部分草地和林地形態特征相似；這些因素造成草地、林地和旱地之間的誤分。裸地、干涸的水渠以及部分宅基地具有相似的光譜特征，道路與水渠對象具有相似的形態特征，導致水渠、道路、宅基地、裸地之間的誤分現象。

若不同地類間特征取值相似，特征取值差異可能由數據噪聲決定，實際分類結果受噪聲方向和取值的影響。引入多類特征，有利于從多角度描述各地類特點，減小錯分和漏分誤差。本研究形態特征的低效可能由采用統一的分割尺度造成，在后續研究中，可嘗試多尺度分割方式，增強形態特征對類型的描述能力。

圖4 不同特征選擇方案錯分誤差和漏分誤差

基于優化特征集，采用不同分類算法進行面向對象分類，各土地利用類型的錯分誤差和漏分誤差分別如圖5a和圖5b所示。隨機森林算法對各個地類的錯分誤差和漏分誤差均較小，邏輯回歸算法對于各個地類的分類誤差較大。結果進一步驗證了隨機森林算法對高維特征的性能。

圖5 不同分類算法錯分誤差和漏分誤差

3.2 基于區域的分類結果

基于特征選擇方案1～方案5分類的區域應用效果如圖6所示。僅采用光譜特征進行分類（圖6a），水田中也有部分圖斑被錯分為草地類型，在區域D一帶錯分情況嚴重，可能與該區域水田的顏色較綠、較暗，光譜特征取值與草地接近有關。區域B、C和E處較大面積的收割后水田被錯分為裸地和水渠。而引入指數特征和形態特征時（圖6b和圖6c），上述錯分現象沒有改善，反而在A區域和G區域部分地類被錯分為水渠，E區域錯分有進一步加劇的現象?；谒刑卣黝愋偷姆桨福▓D6e）分類時，區域F處仍有部分水田錯分為草地，區域C、E處部分水田錯分為裸地和水渠。但上述各區域的錯分現象有所改善，分類效果最好，所得結果更接近研究區實際情況。

注：字母A～G標記了誤分類發生的區域。

基于優化特征集，不同分類算法的區域應用效果如圖7所示。采用隨機森林算法的分類結果（圖7d）更符合實際情況，但仍存在個別區域的錯分。采用貝葉斯算法的分類結果（圖7a）較好，但在H區域處部分水田被錯分為旱地，整體效果較隨機森林算法差。其余2種算法均造成大量水田、旱地與林地、草地之間的錯分。

注：字母A～K標記了誤分類發生的區域。

區域B、C和E為已收獲的水田，包括規則堆放的水稻、水稻割茬和裸土。對于所有分類試驗，在區域B和C的水田被大量錯分為裸地、水渠，且分類結果并未隨特征類型增多而有明顯改善。分析其中原因，水稻割茬殘留區域光譜特征、形態特征、紋理特征、指數特征與裸地接近，僅以獨立的對象為單位提取的特征無法將其與水渠和裸地進行區分。然而它與田中堆放的稻垛相鄰，在后續研究中可嘗試增加描述其與稻垛對象之間關系的特征對其進行分類。

4 結 論

本研究以吉林省德惠市一農耕區為研究區，借助無人機拍攝影像，提取分類特征，進行面向對象土地利用分類，并分析各類特征、不同算法對分類效果的影響，得到如下結論：

1）隨機森林算法更適合處理高維特征。基于無人機低空影像，采用面向對象的隨機森林算法可以有效進行研究區土地利用分類，得到較理想的分類結果，分類總體精度達93.72%以上，Kappa系數達0.937以上。

2）基于無人機影像，在數字攝影測量專業軟件提取區域DSM，提取地形特征，并將其引入分類特征集，能夠輔助土地利用分類并獲得更高的分類精度，分類總體精度由96.93%提高到97.77%，Kappa系數由0.969提高到0.978。

3）光譜特征、指數特征、地形特征、紋理特征和形態類型共同參與的分類方法獲得的分類精度最高，其中光譜特征、指數特征、地形特征和紋理特征對分類起重要作用，研究區內形態特征為次要特征，部分形態特征在實際分類過程中起到干擾作用。

相關文獻研究表明超高空間分辨率的無人機影像具有大量可用的形態及空間關系特征，能夠提高分類精度。本研究中，部分形態特征對分類結果卻起到了相反的作用，分析原因是由于過高的空間分辨率帶來了部分冗余地物信息，僅依賴于常規的分割方法，采用統一參數對區域進行分割，不足以得到最優結果，導致形態特征沒有充分發揮作用。后續研究中可進一步調整影像分割方案，提高形態特征的可用性。

[1] 肖艷，姜琦剛，王斌，等. Relief F和PSO混合特征選擇的面向對象土地利用分類[J]. 農業工程學報，2016，32(4)：211－216.

Xiao Yan, Jiang Qigang, Wang Bin, et al. Object based land-use classification based on hybrid feature selection method of combining Relief F and PSO[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 211－216. (in Chinese with English abstract)

[2] Dronova I. Object-based image analysis in wetland research: A review[J]. Remote Sensing, 2015, 7(5): 6380－6413.

[3] Shruthi R B, Kerle N, Jetten V, et al. Object-based gully system prediction from medium resolution imagery using Random Forests[J]. Geomorphology, 2014, 216: 283－294.

[4] 戴建國，張國順，郭鵬，等. 基于無人機遙感可見光影像的北疆主要農作物分類方法[J]. 農業工程學報，2018，34(18)：122－129.

Dai Jianguo, Zhang Guoshun, Guo Peng, et al. Classification method of main crops in northern Xinjiang based on UAV visible waveband images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(18): 122－129. (in Chinese with English abstract)

[5] 劉斌，史云，吳文斌，等. 基于無人機遙感可見光影像的農作物分類[J]. 中國農業資源與區劃，2019，40(8)：55－63.

Liu Bin, Shi Yun, Wu Wenbin, et al. Crop classification based on UAV remote sensing images[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(8): 55－63. (in Chinese with English abstract)

[6] Zhang Q, Qin R, Huang X, et al. Classification of ultra-high resolution orthophotos combined with DSM using a dual morphological top hat profile[J]. Remote Sensing, 2015, 7(12): 16422－16440.

[7] 耿仁方，付波霖，蔡江濤，等. 基于無人機影像和面向對象隨機森林算法的巖溶濕地植被識別方法研究[J]. 地球信息科學學報，2019，21(8)：1295－1306.

Geng Renfang, Fu Bolin, Cai Jiangtao, et al. Object-based karst wetland vegetation classification method using unmanned aerial vehicle images and random forest algorithm[J]. Journal of Geo-information Science, 2019, 21(8): 1295－1306. (in Chinese with English abstract)

[8] 馮家莉，劉凱，朱遠輝，等. 無人機遙感在紅樹林資源調查中的應用[J]. 熱帶地理，2015，35(1)：35－42.

Feng Jiali, Liu Kai, Zhu Yuanhui, et al. Application of unmanned aerial vehicles to mangrove resources monitoring[J]. Tropical Geography, 2015, 35(1): 35－42. (in Chinese with English abstract)

[9] 蘭玉彬，鄧小玲，曾國亮. 無人機農業遙感在農作物病蟲草害診斷應用研究進展[J]. 智慧農業，2019，1(2)：1－19.

Lan Yubin, Deng Xiaoling, Zeng Guoliang. Advances in diagnosis of crop diseases, pests and weeds by UAV remote sensing[J]. Smart Agriculture, 2019, 1(2): 1－19. (in Chinese with English abstract)

[10] 朱姜蓬，岑海燕，何立文，等. 農情監測多旋翼無人機系統開發及性能評估[J]. 智慧農業，2019，1(1)：43－52.

Zhu Jiangpeng, Cen Haiyan, He Liwen, et al. Development and performance evaluation of a multi-rotor unmanned aircraft system for agricultural monitoring[J]. Smart Agriculture, 2019, 1(1): 43－52. (in Chinese with English abstract)

[11] 陸博迪，孟迪文，陸鳴，等. 無人機在重大自然災害中的應用與探討[J]. 災害學，2011，26(4)：122－126.

Lu Bodi, Meng Diwen, Lu Ming, et al. Application and exploration of unmanned aerial vehicle in major natural disasters[J]. Journal of Catastrophology, 2011, 26(4): 122－126. (in Chinese with English abstract)

[12] 王曉剛，高飛云，楊磊，等. 無人機遙感技術在自然災害應急中的應用及前景[J].四川地質學報，2019，39(1)：158－163.

Wang Xiaogang, Gao Feiyun, Yang Lei, et al. The application of unmanned aerial vehicle remote sensing technology to natural disaster emergency[J]. Acta Geologica Sichuan, 2019, 39(1): 158－163. (in Chinese with English abstract)

[13] Zhang L, Huang X, Huang B, et al. A pixel shape index coupled with spectral information for classification of high spatial resolution remotely sensed imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(10): 2950－2961.

[14] Millard K, Richardson M. On the importance of training data sample selection in random forest image classification: A case study in peatland ecosystem mapping[J]. Remote Sensing, 2015, 7(7): 8489－8515.

[15] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5－32.

[16] Belgiu M, Dr?gu? L. Random forest in remote sensing: A review of applications and future directions[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2016, 114: 24－31.

[17] 馬玥，姜琦剛，孟治國，等. 基于隨機森林算法的農耕區土地利用分類研究[J]. 農業機械學報，2016，47(1)：297－303.

Ma Yue, Jiang Qigang, Meng Zhiguo, et al. Random forest classification of land use in farming area[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 297－303. (in Chinese with English abstract)

[18] 劉舒. 吉林西部濕地分布及NPP時空動態變化研究[D]. 長春：吉林大學，2018.

Liu Shu. Spatial and Temporal Dynamic Changes of Wetland in the West of Jilin Province and its NPP[D]. Changchun: Jilin University, 2018. (in Chinese with English abstract)

[19] Yao H, Qin R, Chen X. Unmanned aerial vehicle for remote sensing applications: A review[J]. Remote Sensing, 2019, 11(12): 1443.

[20] 劉凱，龔輝，曹晶晶，等. 基于多類型無人機數據的紅樹林遙感分類對比[J]. 熱帶地理，2019，39(4)：492－501.

Liu Kai, Gong Hui, Cao Jingjing, et.al. Comparison of mangrove remote sensing classification based on multi-type UAV data[J]. Tropical Geography, 2019, 39 (4): 492－501. (in Chinese with English abstract)

[21] 劉斌. 基于無人機遙感影像的農作物分類研究[D]. 北京：中國農業科學院，2019.

Liu Bin. Classification of Crops Based on UAV Remote Sensing Images[D]. Beijing: Chinese Academy of Agricultural Sciences Dissertation, 2019. (in Chinese with English abstract)

[22] 淮賀舉，李存軍，李奇峰，等. 東北地區春玉米物候期時空動態變化特征[J]. 玉米科學，2019，27(1)：85－90.

Huai Heju, Li Cunjun, Li Qifeng, et. al. Changes of spring maize phenology from 1981 to 2012 in the northeast plain of China[J]. Journal of Maize Sciences, 2019, 27(1): 85－90. (in Chinese with English abstract)

[23] 中華人民共和國國家標準GB/T 21010-2017，土地利用現狀分類[S]. 北京：中國標準出版社，2017.

[24] 李廣. 基于無人機遙感技術的玉米種植分布信息提取方法研究[D]. 楊凌：西北農林科技大學，2016.

Li Guang. Research on the Extraction Method of Maize Planting Distribution Information Based on the UAV Remote Sensing System[D]. Yangling: Northwest A&F University, 2016. (in Chinese with English abstract).

[25] Dr?gu? L, Tiede D, Levick S R. ESP: A tool to estimate scale parameters for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010, 24(6): 859－871.

[26] 井然，鄧磊，趙文吉，等. 基于可見光植被指數的面向對象濕地水生植被提取方法[J]. 應用生態學報，2016，27(5)：1427－1436.

Jing Ran, Deng Lei, Zhao Wenji, et al. Object-oriented aquatic vegetation extracting approach based on visible vegetation indices[J]. Chinese Journal of Applied Ecology, 2016, 27(5): 1427－1436. (in Chinese with English abstract)

[27] 劉舒，姜琦剛，馬玥，等. 基于多目標遺傳隨機森林特征選擇的面向對象濕地分類[J]. 農業機械學報，2017，48(1)：119－127.

Liu Shu, Jiang Qigang, Ma Yue, et. al. Object-oriented wetland classification based on hybrid feature selection method combining with Relief F, multi-objective genetic algorithm and random forest[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 119－127. (in Chinese with English abstract)

Object-oriented land use classification based on ultra-high resolution images taken by unmanned aerial vehicle

Liu Shu1, Zhu Hang2※

(1.,,130118,; 2.,,130022,)

Unmanned aerial vehicle (UAV) has been increasingly used to aid agricultural production and land management, and this paper investigates the feasibility of using ultra-high resolution UAV images to differentiate land usage. We took a farmland at Dehui of Jilin province as an example and acquired its UAV images. The digital surface model (DSM) and the digital orthophoto map (DOM) of the region was generated using the digital photogrammetry software. We then calculated the regional terrain factors and the vegetation indices, and combined them with the original orthophoto model to construct the baseline images for land use classification. The tool of estimation of scale parameters (ESP) was used to extract the optimal scale for segmentation, and a level of objects was constructed after processing the multi-scale segmentation based on the optimal value of each parameter. Terrain and morphological features of each object was used for the classification. It included two steps. The first one was to perform an object-oriented classification of all the five features based on the random forest algorithm. We used a five-feature classifications to analyze the impact of different features. The first one only used the spectrum feature to classify and the index features, morphological features, terrain features and textural features were added consecutively for further classification. The overall accuracy, kappa coefficient, the omission errors and the commission errors for each feature were compared. In the second step, Boruta feature selection method was applied to the original feature space to obtain an optimal feature subset. Based on the optimal feature subset, land use classification was conducted using the random forest algorithm, naive Bayesian algorithm, logistic regression method and the support vector machine (SVM). Using the same optimal feature subset, the influence of each method on the classification was tested. The results showed that the accuracy of the five feature selection schemes was 93.72%, 97.35%, 96.93%, 97.77%, and 98.04% respectively. Adding morphological features reduced accuracy, while adding other features improved accuracy. The scheme with five features gave the best result. The commission was mainly between the bare land and residential land, and the omissions were mainly among grassland, water canals and roads. The confusion between them was likely to be caused by the similarity of spectral, morphology, textural properties and their similar positions. In this study, the important features for classification were spectrum features, textural features, index features and terrain features, and the least important features were morphological features. There were 72 features passing the Boruta test and forming the optimal feature subset. Based on this feature space, the overall accuracy with the above four different algorithms was 98.19%, 96.79%, 90.22% and 96.23% respectively. The classification using the random forest algorithm gave the best result. In conclusion, adding the terrain features can assist classification of land coverage and improve accuracy. Compared with other algorithms, the random forest algorithm is most robust in classification of land coverage in using high dimensional feature space.

remote sensing; land use type; images taken by UAV; object-oriented; feature selection scheme; random forest

劉 舒，朱 航. 基于超高空間分辯率無人機影像的面向對象土地利用分類方法[J]. 農業工程學報，2020，36(2)：87－94.doi：10.11975/j.issn.1002-6819.2020.02.011 http://www.tcsae.org

Liu Shu, Zhu Hang. Object-oriented land use classification based on ultra-high resolution images taken by unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 87－94. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.011 http://www.tcsae.org

2019-09-25

2020-01-07

國家重點研發計劃項目（2016YFD0200701）

劉 舒，講師，博士，主要從事遙感地學和環境遙感研究。Email：liushu8877@126.com

朱 航，副教授，從事航空遙感及多源信息融合技術研究。Email：hangzhu@jlu.edu.cn

10.11975/j.issn.1002-6819.2020.02.011

TP79

A

1002-6819(2020)-02-0087-08