高光譜影像包含豐富的光譜信息，能夠準(zhǔn)確地描述地物的光譜特征，但在地物分類應(yīng)用中通常會存在同物異譜和同譜異物現(xiàn)象。機(jī)載激光雷達(dá)（LightDetectionandRanging，LiDAR）可以直接獲取地物高精度、高密度的三維空間信息，通常為離散點(diǎn)云，由于缺乏光譜/紋理信息，在地物分類方面表現(xiàn)出最大的不足。因此，融合機(jī)載LiDAR點(diǎn)云的三維空間信息和高光譜影像的紋理信息，即可發(fā)揮各自優(yōu)勢、取長補(bǔ)短，提升地物分類的精度和可信度。本文在已有研究基礎(chǔ)上從機(jī)載LiDAR數(shù)據(jù)和高光譜影像數(shù)據(jù)提取不同特征，設(shè)計了不同特征組合的融合數(shù)據(jù)集，采用效率更高、實現(xiàn)簡單的隨機(jī)森林算法（randomforest，RF）進(jìn)行地物分類研究，并進(jìn)行精度評價與對比，以提高分類精度，為土地資源利用監(jiān)測、管理提供據(jù)支持。

1數(shù)據(jù)源

機(jī)載LiDAR和高光譜影像數(shù)據(jù)覆蓋區(qū)域位于廣西靈川縣，地形平坦，包括民房、農(nóng)田、林地、裸地等地物類型（圖1）。其中機(jī)載LiDAR數(shù)據(jù)采集于2020年11月6日，由無人機(jī)LiDAR系統(tǒng)獲取，飛行高度約120m，平均點(diǎn)密度38點(diǎn)/m2，包含xyz坐標(biāo)信息、強(qiáng)度信息及多次回波信息。高光譜數(shù)據(jù)采用高光譜成像儀于2020年12月25日獲取，當(dāng)日天氣晴好，飛行高度為130m，空間分辨率為0.12m；波長范圍為400-1000nm，包含270個光譜波段。

圖1實驗區(qū)地理位置

2研究方法

分別從機(jī)載LiDAR點(diǎn)云數(shù)據(jù)和高光譜影像中提取地物的高度特征、光譜特征、紅邊特征及紋理特征，并設(shè)計了5種不同特征組合的影像，然后應(yīng)用隨機(jī)森林分類器對不同特征組合的影像進(jìn)行土地利用分類，并比較其精度。技術(shù)路線如圖2。

圖2技術(shù)路線圖

2.1 LiDAR點(diǎn)云特征提取

首先采用三角網(wǎng)濾波方法進(jìn)行點(diǎn)云濾波，然后采用不規(guī)則三角網(wǎng)方法（TriangulatedIrregularNetwork，TIN）對濾波后的地面點(diǎn)和非地面點(diǎn)進(jìn)行插值，生成格網(wǎng)分辨率為0.25m的數(shù)字高程模型（digitalelevationmodel，DEM）和數(shù)字表面模型（digitalsurfacemodel，DSM），將插值生成的DEM和DSM進(jìn)行差值運(yùn)算，得到nDSM。

2.2高光譜影像特征提取

高光譜影像包含豐富的地物光譜信息，波段數(shù)多，在分類過程中，會導(dǎo)致數(shù)據(jù)冗余、效率變低、影響分類精度，因此首先要對高光譜影像數(shù)據(jù)進(jìn)行降維處理。主成分分析法（principalcomponentanalysis，PCA）是目前應(yīng)用最廣泛的降維方法，在ENVI5.3中對高光譜數(shù)據(jù)進(jìn)行降維處理，選取前5個主成分波段特征。利用紅邊波段可以增強(qiáng)不同地物間的區(qū)分度，本文根據(jù)所用高光譜影像的光譜特點(diǎn)，定義了3種紅邊植被指數(shù)，組成紅邊特征集（后文以RE表示）。歸一化植被指數(shù)（normalizeddifferencevegetationindex，NDVI）對綠色植被比較敏感，也是遙感影像分類中常用的植被指數(shù)。各植被指數(shù)計算公式如表1所示。

表1植被指數(shù)

注：NIR為近紅外波段；R為紅波段；RE1為紅邊710波段；RE2為紅邊750波段

紋理特征信息能夠有效提升分類精度，本文采用灰度共生矩陣（gray-levelco-occurrencematrix，GLCM）方法提取影像的紋理特征，并選取了同質(zhì)度、非相似性、對比度、相關(guān)性、熵和角二階矩作為影像的紋理特征，對經(jīng)PCA變換后的影像進(jìn)行GLCM計算得到紋理特征。

2.3分類方法

首先使用ENVI5.3軟件，以高光譜影像為基準(zhǔn)影像，選取nDSM和高光譜影像上明顯的同名地物點(diǎn)作為配準(zhǔn)基元進(jìn)行配準(zhǔn)。為探究不同特征組合的分類效果，本文根據(jù)提取的不同特征，設(shè)計了5個特征組合的融合影像，如表2所示。

表2不同特征波段組合

隨機(jī)森林是一種機(jī)器學(xué)習(xí)算法，它將多棵決策樹集成在一起組成“森林”是目前遙感影像分類常用的方法，具有參數(shù)設(shè)置少、穩(wěn)定性好、訓(xùn)練樣本速度快、分類精度高等特點(diǎn)。本文根據(jù)實地調(diào)查數(shù)據(jù)和通過Googleearth高分辨率影像目視解譯完成訓(xùn)練樣本和驗證樣本的選擇，使用RF分類器，對構(gòu)建的不同特征組合進(jìn)行地物分類。在隨機(jī)森林算法中，決策樹的數(shù)量（ntree）和為隨機(jī)特征的數(shù)量（mtry）是兩個關(guān)鍵參數(shù)，本文通過反復(fù)優(yōu)化，將ntree設(shè)置為100，mtry設(shè)為特征數(shù)量的平方根。

2.4精度評價

采用Kappa系數(shù)和總體分類精度（OverallClassificationAccuracy，OA）對分類結(jié)果進(jìn)行精度評價。并計算每種地物類別的用戶精度和生產(chǎn)者精度，以便更好地評價不同實驗組合的分類結(jié)果。

3 結(jié)果與分析不同特征組合的分類結(jié)果如圖3所示。可以看出，在融合影像僅具有光譜特征時（組合1），部分建筑物明顯被誤分為了道路和裸地。在加入植被指數(shù)和紋理特征后（組合3），植被和裸地的區(qū)分更明顯，建筑物誤分為道路的情況也有所改善，但仍有部分裸地被分為了建筑物；加入LiDAR點(diǎn)云數(shù)據(jù)提取的nDSM后，融合影像（組合4）具有了高度特征，建筑物和道路邊緣區(qū)分更清晰，建筑物和裸地的誤分情況相較于組合3也有極大改善，林地、農(nóng)作物和裸地的區(qū)分也更明顯。

圖3不同特征組合分類結(jié)果

表3分類結(jié)果精度統(tǒng)計

注：PA為生產(chǎn)者精度；UA為用戶精度

從表3可以看出，組合1的分類精度最低，OA和Kappa系數(shù)分別為77.73%和0.69；組合5的分類精度最高，OA和Kappa系數(shù)分別為85.96%、0.81，說明高光譜影像融合植被指數(shù)、紋理特征和高度特征后，分類精度得到有效提升。特別在添加了LiDAR點(diǎn)云數(shù)據(jù)提取的nDSM的高度特征后，分類精度提升最多，相較于未添加高度特征（組合3）OA和Kappa系數(shù)分別提升了5.33%和0.07，說明融合高程信息可以極大提高高光譜數(shù)據(jù)的分類精度；組合4的總體分類精度雖略低于組合5，但組合4中林地的分類精度卻更高，PA和UA均達(dá)到95%以上，說明紅邊光譜特征與從LiDAR數(shù)據(jù)提取的nDSM融合后對高植被的分類效果更好。

審核編輯 黃昊宇