基于可見光航空影像的土地利用分類

關鍵詞： 可見光 遙感 土地利用 無人機

中圖分類號： TP751 文獻標識碼： A 文章編號： 1672-3791（2023）16-0134-04

隨著測繪技術的不斷發展，衛星遙感技術已經廣泛應用于土地利用、城市化與荒漠化監測、農作物與森林等可再生資源的監測和評估、災害監測和環境監測相關的地球科學相關研究和生產領域[1-3]。而無人機遙感技術（Unmanned Aerial Vehicle Remote Sensing，UVA-RS）的出現成為了衛星遙感和有人機航空遙感的技術補充，利于無人機搭載高分辨率CCD 相機系統獲取遙感影像，通過航線的規劃、監控、控制相機系統自動拍照獲取影像并實時傳輸與存儲，具有快速高效、直觀全面、影像實時傳輸、成本低、高分辨率、機動靈活等優點，廣泛應用于國家生態環境保護、礦產資源勘探、海洋環境監測、土地利用調查、水資源開發、農作物長勢監測與估產、農業作業、自然災害監測與評估、城市規劃與市政管理、森林病蟲害防護與監測、公共安全、國防事業、數字地球等領域[4-6]。

土地利用類型是一種在自然和人類活動雙重作用下的產物，具有不規則、相對不穩定性和復雜性特征，進行土地利用類型的劃定不是單純為了認識利用現狀的地域差異，更主要的是為了評定土地的生產力[7-9]。按土地的自然屬性對其進行科學分類，有助于環境影響評價，以及潛在的土地利用多樣性，可以認清各種土地的特點，揭示土地利用存在問題，為合理利用土地資源、調整土地利用結構和確定土地利用方向提供科學依據，同時，也是人們深度了解自然，合理利用資源的途徑[10]。

隨著航空影像分辨率的不斷提高，憑借紋理信息可以更好地進行植被信息提取和土地分類。針對利用可見光航空影像進行土地利用信息獲取存在的問題，文章嘗試通過試驗，在ENVI 中對可見光航空影像進行土地利用信息進行提取，對比不同監督分類方法的計算結果，分析差異產生的原因[11-14]。

1 數據源和樣本選擇

本文選取拍攝于2021 年的臨夏州康樂縣田家溝區域的部分影像數據作為數據源進行研究，影像投影方式為高斯投影，坐標系統為西安80，空間分辨率為0.114 6 m，比例尺為1∶2 000。數據獲取的季節為春季，拍攝時天氣良好，獲取的無人機影像受氣象影響較小。鑒于研究內容不涉及波段中心波長位置和波段范圍，故未對研究影像進行嚴格的校正[15-16]。圖1為測試區域影像。

為了使所構建的樣本數據具有更好的通用性和可靠性，按照以下原則進行確定：（1）范圍，對于每一類樣本，其選擇邊界應當與區域邊界保持一定的距離；（2）亮度區，選取的每類地物時，應當考慮覆蓋低、中、高亮度區域；（3）數量，每一類樣本數目應當盡量均衡，若某一樣區亮度差異過大則可適當增加樣本數量選取；（4）分布，在影像上選取樣本時，盡可能使每一類樣本在圖面分布均勻。

遵照以上樣本選取原則，將研究區域中的地物分為林木、草地/灌木、農田、裸地、道路和建筑共6 種類型，利用ENVI 軟件人工勾畫出87 個代表樣區：林木（14）、草地/灌木（13）、農田（14）、裸地（13）、道路（17）、建筑（16）。利用均值作為各類地物在可見光波段之間象元值總體差異的評價指標，以標準差對各類地物在各波段中象元值波動范圍進行評價。表1 是各類地物在不同波段下的統計差異。

2 可見光影像土地利用分類

ENVI 軟件中所提供的分類方法有監督分類和非監督分類，兩者都是在圖像的灰度的基礎上統計計算均值，對協方差等一系列特征參數進行分類。兩者雖相似，但有各自的特點：監督分類可針對具體的應用目的和區域，充分利用先驗知識，人為有選擇地決定分類類別，避免出現不必要的類別；可以通過反復檢驗訓練樣本，來提高分類精度，避免分類嚴重錯誤[17]。同時，監督分類也具有一定的局限性。例如：圖像中同一類別的光譜差異造成訓練樣本沒有很好的代表性；只能識別訓練樣本中已經定義的類別，若某類別由于訓練者不知道或者其數量太少未被定義，則監督分類不能識別。因此，訓練樣本的合理選擇一定程度上影響著分類結果的精度[18-19]。

非監督分類是指人們事先對分類過程不施加任何的先驗知識，僅憑數據進行“盲目”分類；其分類的結果只是對不同類別達到了區分，但并不能確定類別的屬性，其類別的屬性是通過分類結束后目視判讀或實地調查確定的。

文章采用同一樣本進行測試，選擇監督分類中的馬氏距離法、最大似然法、最小距離法分別對部分山區影像進行土地利用分類、統計，監督分類成果圖具體見圖2。

對3 種監督土地利用分類結果進行分類成果統計，可以看出，建筑、農田、林木三類地物分類結果差異性較大。

最小距離分類法在計算過程中只考慮每一類樣本的均值，而顧及類別內部的方差和類別之間的協方差（已知樣本的分布情況），所以分類精度不高；從表2 統計結果可以看出，該方法的分類成果與其他兩者差異較大；最大似然法具有清晰的參數解釋能力，不僅考慮了待分類樣本內部距離特征，還考慮了已知類別的分布特征，所以其分類精度比最小距離分類法高；馬氏距離法與最大似然法類似，相對于最大似然做出了協方差相等的假設條件進行計算，計算速度快，兩者分類成果差異較小[20]。

3 精度評定

為了確保分析結果的可靠性，此次研究選擇利用ENVI 軟件中手動繪制分類樣本為真值來檢測分類結果精度。在ENVI 軟件中選擇感興趣分類結果進行混淆矩陣計算，從Overall Accuracy（總體精度）、Commission（錯分誤差）、Omission（漏分誤差）及Kappa Coefficient（KAPPA 系數）這4 個方面定量分析，其中，總體精度是被正確分類的象元總和與總象元數的比值，地表真實圖像或地表真實感興趣區限定了象元的真實分類；Kappa 系數用于一致性檢驗和分類精度的衡量，其計算結果一般位于0～1 之間，以0.2 為間隔劃分為5 個不同級別，0.8～1為最高級別。計算分析結果如表3所示。

錯分誤差是指被分為用戶感興趣的類，而實際上屬于另一類的象元；漏分誤差是指本屬于地表真實分類，但沒有被分類器順利分到相應類別中的象元數。試驗結果中按照地類的不同，將錯分、漏分情況進行統計，統計內容具體如表4 所示。

4 討論

從表2 和表3 的結果來看，利用最小距離法進行土地利用分類精度最差，總體精度74.348%，Kappa 系數0.670 7，馬氏距離法分類精度較最小距離法精度較好，首先在分類效果上降低了建筑與農田的錯分率，其次特別對于覆膜農田的辨識度較最小距離法更為準確，最后對于道路和建筑的識別更加準確，但是對于裸地和農田存在小范圍錯分。最大似然法分類精度在3 種試驗方法中達到了最高，其Kappa 系數為0.960 8，總體精度為97.1059%，從效果圖來看，最大似然法對于道路的界限識別更加明晰，減少了裸地與農田和裸地的錯分情況，建筑的漏分率較馬氏距離法和最小距離法成果更加可靠，存在一定的錯分。

以人機交互繪制真實地表分類結果為真值，分別對比3 種分類成果，最大似然法的分類成果更為接近，部分類型邊界識別較為清晰，說明相比之下，最大似然法對于山區土地利用分類統計具有較好的結果，如圖3 所示。

5 結論

本文通過選取部分山區無人機影像，分別進行最小距離法、馬氏距離法和最大似然法的監督分類，并對結果進行對比分析。從試驗結果來看，最小距離法對覆膜農用地和建筑的區分度不高，道路邊界不清晰，導致建筑錯分，影響土地利用分類的準確性，因此，一般不用它作為對精度有高要求的分類，可以在快速瀏覽分類概況中使用；最大似然法能夠排除常見的陰影和覆膜農田裸地的干擾，較好地針對覆膜農田和建筑進行提取，被提取信息較最小距離和最大似然兩種方法更加完整，精度更高，對于山區的土地利用分類具有一定的應用價值。

本文通過試驗對比分析認為可從以下兩方面進一步完善：第一，對于道路兩側樹木的提取不準確；第二，對于建筑群中的空地不能夠完全提取出來，對建筑信息提取精度有一定程度影響。如何準確獲取不同地物類別的界限將作為下一步的研究內容。