基于無人機的鄉村土地利用遙感分類研究

葉謀鑫 龔輝

1.深圳市紅樹林濕地保護基金會；2.廣州市城市規劃勘測設計研究院

土地利用是城鄉發展規劃及資源開發利用的關鍵信息。近年來，國內外學者使用不同的遙感影像進行了土地利用分類研究，但受限于空間分辨率，在提取部分細小地物時具有局限性。無人機體型小、機動靈活，具備時效性強、空間分辨率高的特點，可有效克服光學衛星缺點。不同于以像元為基本單位的傳統方法，面向對象方法以對象作為基本處理單位，能在較大程度上解決光譜混淆、混合像元等問題，也可以減小分類結果中的“椒鹽效應”。盡管近年來機器學習算法與面向對象在地物分類的研究數量眾多[1]，但其在鄉村土地利用覆蓋中的研究仍較少。本文選用無人機可見光影像，使用隨機森林、支持向量機（SVM）與旋轉森林三種算法進行土地利用分類并對比，驗證無人機影像與這三種分類方法在鄉村地物分類應用中的可行性。

一、數據與方法

（一）研究區域

研究區域位于廣東省云浮市新興縣太平鎮南部區，該地區屬亞熱帶季風氣候，熱量豐富，雨水充沛。研究區呈矩形，南北長約800m，東西長約600m（圖1）。研究區內土地利用類型較為豐富，農作物主要以水稻為主，建物分布比較集中，坡度較緩。

（二）數據采集

采用大疆DJI 精靈4 PRO V2.0 四旋翼消費級可見光無人機設備進行研究區數據采集。該無人機質量輕、體積小，CMOS 傳感器，鏡頭焦距為8.8mm，無人機平臺與RGB 傳感器集成一體，整機重量1375g。共有紅、綠、藍3 個波段，傳感器分辨率為5472×3648。無人機影像的采集時間為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DJI Pilot 生成無人機正射攝影航線，航向重疊率設置為80%，旁向重疊率設置為80%，航高設置為120m，飛行速度約為10m/s。共獲取覆蓋研究區的無人機傾斜攝影影像2590 幅。

二、研究方法

（一）數據預處理

基于攝影建模軟件ContextCapture 生成研究區無人機正射影像圖（Digital Orthophoto Map，DOM）和數字表面模型（Digital Surface Model，DSM），空間分辨率均為0.05m。在eCognition 軟件中基于DOM 與DSM 進行多尺度分割，選擇不透水面、耕地、裸地、植被與水體作為分類類別，隨機選取983 個對應樣本并提取其光譜、紋理等特征，分別使用SVM、隨機森林和旋轉森林三種不同的分類模型用于地物分類，技術路線如圖2 所示：

圖2 技術路線

（二）影像分割與特征提取

本文使用eCognition 軟件對影像進行多尺度分割，分割時需要對尺度參數、形狀參數和緊湊度參數進行設置，尺度參數決定影像對象的大小，形狀參數決定色彩和形狀分割準則的關系，緊湊度參數用于區分影像對象。多次試驗與對比分析后，本研究選定的最適宜的尺度參數為80，形狀參數為0.6，緊致度參數為0.4。

由于無人機可見光影像光譜波段較少，本文進一步提取影像對象的指數特征、紋理特征、形狀特征和高度特征進行地物分類如表1 所示。其中選取的植被指數如表2 所示。

表1 分類所用特征

表2 可見光指數特征

（三）分類算法

1.SVM

SVM 是由Vapnik 于1995 年在統計學習理論基礎上提出的一種機器學習算法，目標是尋找一個最優的超平面，在盡可能滿足分類的限制條件下，把分類數據集中的所有點分開，且使點與該超平面距離最遠[3]。

2.隨機森林

隨機森林（RF）是一種統計學習理論，2001 年由Leo Breiman 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 樣本進行決策樹建模，然后組合多棵決策樹的預測，通過投票得出最終預測結果[4]。隨機森林可以處理高維數據，且具有避免過擬合和可以對特征重要性進行排序等優點。

3.旋轉森林

旋轉森林（Rotation Forest）是在隨機森林上改進，添加了數據軸的一種算法。該算法通過訓練整個數據集中旋轉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]。隨機分離特征集到K 個互相獨立的區間，之后分別在每個特征區間使用主成分分析法，保證第一主要元素具有最大方差。新的訓練集被應用到訓練分類樹的樹歸納算法中。

三、結果分析

運用Weka 3.8.6 軟件中的libsvm、隨機森林和旋轉森林算法對區域進行分類，得到的分類結果如圖3 所示。從三種結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誤分現象，而SVM的分類結果中出現部分水體誤分為建筑和裸地的情況。

圖3 地物分類結果（a）隨機森林分類結果（b）SVM分類結果（c）旋轉森林分類結果

對分類結果進行混淆矩陣的計算，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，基本統計量包括總體精度、Kappa 系數、用戶精度和制圖精度。

三種分類精度評價結果如下表3 所示。

表3 三種分類方法精度評價結果對比

從表3 可得，三種分類算法中隨機森林的總體分類精度最高，為95.32%，Kappa 系數為0.9371；SVM 的總體分類精度最低，為84.44%，Kappa 系數只有0.7919。其中，隨機森林與旋轉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分上精度較低，這可能與無人機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分的影像質量較低有關。

結論

無人機數據可以有效地為對鄉村的土地利用與土地覆蓋類型進行分類，為鄉村發展提供基礎數據，且具有較高精度。隨機森林的方法相比于SVM 與旋轉森林的方法，在針對厘米級無人機數據在鄉村地區的分類中具有更好的優勢。