精准分类 W地物快速分类方法研究

精准分类 | 基于大禹Specvision-W地物快速分类方法研究

引言

遥感已经成为了解地球表面变化的非常有用的数据来源。基于遥感来观测光谱特征的土地利用分类技术已被广泛应用于许多环境监测、土地利用分类、卫星估产、农作物灾害监测、以及智慧农业、乡村振兴等社会应用中或者农业农村相关的领域。

土地利用和土地覆盖分类是遥感的一项基础性工作。地球表面信息的快速有效的提取目前在许多遥感应用中发挥着重要作用，如土地分类变化和环境监测、城市扩张管理、基础设施规划和生物多样性分析。随着如今光学和航天工业的技术进步，提高了遥感数据的可用性和质量，这些数据在空间、光谱、辐射和时间分辨率上都有所不同。可用数据更具广泛和多样性（例如航空照片、热成像、高光谱图像、雷达和激光雷达）并开辟了许多研究领域，并激发了数字模式分类新技术的发展。多光谱、高光谱图像被用来解决地物分类复杂性的问题。遥感数据分类方法包括最大似然分类器、决策树、k 近邻（KNN）、随机森林（RF）、神经网络和支持向量机（SVM）、面向对象以及深度学习等。近年支持向量机、神经网络、随机森林等机器学习算法不断被优化并且已被广泛应用在土地覆盖等影像分类领域中。

本研究基于无锡谱视界科技有限公司的大禹Specvision-W无人机光谱成像指数分析系统进行机载影像数据的采集，相比于高光谱数据几百个波段的运算量，大禹Specvision-W有18个谱段，在一定程度上减少了数据的传输量、运算量、储存量，与星载（Landsat、SPOT）等卫星和6通道多光谱相机，大禹Specvision-W18个谱段在一定程度上增加了信息量，进而提高了土地利用分类的精度。

土地利用分类是土地评价的基础，以及编制土地利用图的基本依据，根据地物利用的差异性，可划分不同的类别。主要依据中华人民共和国《土地利用分类现状国标GB/T21010-2017》，以及《中华人民共和国土地管理法》的九大类、三大类标准进行。我国土地利用分类主要依据土地的用途、利用方式和覆盖特征等因素，主要采用二级分类。

第一级划分为8类：耕地、园地、林地、牧草地、居民点和工矿用地、交通用地、水域、未利用地。

第二级划分为46类：包括灌溉水田、水浇地、望天田、旱地、菜地、果园、桑园、有林地、灌木林、天然草地、人工草地、盐碱地、沼泽地、城镇、农村居民点、铁路、公路、河流、湖泊等。

同时还可以参考《中华人民共和国土地管理法》的九大类、三大类标准，三大类：即农用地、建设用地和未利用地。本研究将土地利用分类为耕地、林地、建筑用地和水域四类。

研究区域研究方法

1.1 研究区域

研究区域位于安徽省广德市。研究区如图一所示。

大禹Specvision-W广德飞行区域A与飞行区域B拼接伪彩色图

1.2 数据获取

本次试验数据采集于2021年10月21日，采用无锡谱视界科技有限公司的大禹Specvision-W无人机光谱成像指数分析系统获取机载影像数据。无人机飞行高度为150m，数据采集当天为阴天。该系统可实现实时飞行实时监测水体指标，相机内嵌25种水体指标和植被指数（图2.1和图2.2），具体的相机性能如表1所示。

大禹Specvision-W无人机光谱成像指数分析系统图

大禹Specvision-W无人机光谱成像指数分析仪主要性能参数

1.3 数据预处理

无人机多光谱图像的预处理主要包括数据的反射率校正与数据拼接。无人机搭载的高光谱相机获取的高光谱数据为数字量化值（简称 DN 值），无物理意义，需转化为具有物理意义的反射率数据。具体转化方式如公式1所示。

其中，

为目标物的反射率，

为目标物的 DN 值，

为相机本身的暗点流 DN值，

为参考板的 DN 值，

为参考板的反射率。

1.4 分类方法与精度评价

传统光学遥感图像分类主要可以分类两大类，即监督分类和非监督分类。其主要区别在于是否具有先验知识。监督分类的主要原理是根据先验知识在研究区中选取训练样本，分类器通过识别学习，建立分类模型，从而对整个研究区域进行分类的过程。本研究主要采用监督分类中随机森林、支持向量机、神经网络、最大似然法、面向对象以及最小距离立法对研究去进行土地利用覆盖分类。采用混淆矩阵对分类结果进行评价，确定分类结果的精度以及可靠性。构建混淆矩阵是目前遥感影像分类中最常用的一种量化分类精度方法。可以提供的具体衡量有总体精度、生产者进度精度、用户精度、系数和错分误差等，这些指标从不同的角度体现图像分类的精度。选用总体分类精度（Overall Accuracy）、系数、生产者精度以及用户精度作为精度评价指标。各项评价指标的具体内容如下：

（1）总体分类精度（Overall Accuracy）总体分类精度表示所有被分类为正确类别的像元数占总像元数的比例。常用于总体评价分类结果的准确程度。

表示验证样本总像元的数量，

表示混淆矩阵中第行列的像元数。

（2）Kappa系数

系数以全局的像元为基础进行分类误差的精度判断，可以在计算过程尽可能弱化样本选择对精度验证的影响，可以反应出分类效果的优劣。 系数小于 0.6 时，分类效果不佳； 系数在 0.6-0.8之间时，分类效果一般；系数大于0.8 时，分类效果较好。表示第行的总像元数，表示列的总像元数。

结果与分析

2.1 不同分类地物反射率对比分析

研究提取林地、水体、耕地、建筑用地四种不同地物光谱曲线各1000条，并求其均值。图3为不同地物光谱曲线图，由图3可以看出，不同地物之间光谱差异明显。

不同地物光谱曲线图

2.2 不同土地利用分类研究

分别运用最小距离法、最大似然法、神经网络、智齿向量机、随机森林以及面向对象等六种分类方法分别对2021年10月21日安徽飞行区域A和飞行区域B的多光谱数据进行土地利用分类识别研究。

研究选取不同地物训练样本各20000个像元进行分类，并提取不同地物各10000像元构建混淆矩阵来进行进度评价。由表2可以看出，安徽广德飞行区域A土地利用分类随机森林分类精度最高，达到了98.87%，其次是支持向量机（97.72%）和神经网络（98.48%）分类法，面向对象分类法分类效果最差。由表3可以看出，安徽飞行区域B土地利用分类神经网络分类精度最高（98.75%），但随机森林和支持向量机分类精度均达到了98%以上，面向对象分类法分类精度最低，仅达到了87.65%。图4为安徽飞行区域A不同地物四种分类方法得出的分类结果图，图5为安徽飞行区域B不同地物四种分类方法得出的分类结果图，对比不同分类方法分类精度与结果图，最大似然法分类效果较差。

安徽飞行区域A土地利用分类精度评价

安徽飞行区域B土地利用分类精度评价

安徽飞行区域A土地利用分类图

安徽飞行区域A土地利用分类图

安徽飞行区域B土地利用分类图

安徽飞行区域B土地利用分类图

结论

采用大禹Specvision-W无人机光谱成像指数分析系统对安徽飞行区域A以及飞行区域B的光谱数据进行地物分类，得到了较好的分类结果。采用支持向量机、随机森林、神经网络等三种分类方法分类精度均达到了90%以上，系数高于0.9。大禹Specvision-W无人机光谱成像指数分析系统具有高效的光谱影像数据采集与实时在线分析能力，可作为研究植物长势评估、监测水质污染源以及地物识别分析等。