CN115965812B - 无人机影像对湿地植被物种和地物分类的评估方法 - Google Patents
无人机影像对湿地植被物种和地物分类的评估方法 Download PDFInfo
- Publication number
- CN115965812B CN115965812B CN202211604186.2A CN202211604186A CN115965812B CN 115965812 B CN115965812 B CN 115965812B CN 202211604186 A CN202211604186 A CN 202211604186A CN 115965812 B CN115965812 B CN 115965812B
- Authority
- CN
- China
- Prior art keywords
- image
- images
- classification
- feature
- wetland
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 40
- 230000000694 effects Effects 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 16
- 238000012952 Resampling Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000010191 image analysis Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 38
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 241000894007 species Species 0.000 description 90
- 230000007423 decrease Effects 0.000 description 30
- 238000007637 random forest analysis Methods 0.000 description 23
- 241000169203 Eichhornia Species 0.000 description 18
- 244000207740 Lemna minor Species 0.000 description 18
- 235000006439 Lemna minor Nutrition 0.000 description 18
- 235000001855 Portulaca oleracea Nutrition 0.000 description 18
- 240000002853 Nelumbo nucifera Species 0.000 description 15
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 15
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 230000008859 change Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 244000025254 Cannabis sativa Species 0.000 description 11
- 238000010276 construction Methods 0.000 description 9
- 101100425560 Rattus norvegicus Tle4 gene Proteins 0.000 description 7
- 101100327317 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) CDC1 gene Proteins 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 240000005572 Syzygium cordatum Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000534460 Ampullaria Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001295925 Gegenes Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 241000375392 Tana Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000004173 sunset yellow FCF Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及无人机影像对湿地植被物种和地物分类的评估方法,包括:获取不同空间分辨率的航拍影像,对所述航拍影像进行处理,获得不同空间分辨率的重采样影像;通过所述航拍影像和所述重采样影像进行湿地植被物种和地物分类以及分类精度的评估。本发明提供的无人机影像对湿地植被物种和地物分类的评估方法,能够正确认识和发挥湿地的资源优势,为湿地植被恢复技术和区域生物多样性及其形成机制研究提供数据支持。
Description
技术领域
本发明涉及遥感影像分类技术领域,特别是涉及无人机影像对湿地植被物种和地物分类的评估方法
背景技术
湿地是陆地和水生系统的过渡地带,和森林、海洋并称三大生态体系,在涵养水源、净化水质、蓄洪抗旱和保护生物多样性等方面具有重要作用。近半个世纪以来,人类不合理的开发利用给湿地生态系统带来了显著影响,如大量湿地被改造成农田、池塘和建设用地,导致湿地面积大幅度缩小。此外,随着农田和池塘的增加,大量的化学物质通过河流和地下水进入湿地,导致湿地生态环境被破坏,生物多样性受到威胁。迄今为止,全世界高达57%的湿地已被改造或消失,其中亚洲的湿地损失面积最大。因此,当前急需精准掌握湿地植被物种和地物空间分布及其变化特征,进而正确认识和发挥湿地的资源优势,为湿地植被恢复技术和区域生物多样性及其形成机制研究提供数据支持。
卫星遥感技术是区域生态环境监测的主要技术手段,已被广泛应用于湿地信息提取、动态变化监测及资源调查等方面。如Gegen Tana等人以MODIS卫星影像为数据源对北美湿地进行地图绘制。Matthew J.McCarthy等人以WorldView-2卫星影像为数据源对坦帕湾(佛罗里达州)的两个沿海地区的湿地(索托堡州立公园和韦登岛保护区)进行信息提取。这些研究为湿地面积动态监测提供了技术支持。近年来,随着新型传感器分辨率的增强,学者们在湿地分类方面开展了大量工作。如Yuanyuan Chen等人利用ALOS PALSAR数据对中国江苏沿海湿地进行土地覆盖分类,取得了较好的效果。Man Liu等人结合多源卫星遥感数据对中国东北的红河国家级自然保护区的湿地植被进行了提取,最高分类精度达到92.8%。然而,受光谱分辨率和空间分辨率的限制,当前有关湿地植被和地物类型的分类研究主要集中在植被群落和主要地类层面,在湿地植被物种分类方面的研究还存在很大的局限性,给湿地精细化管理和评估带来了一定困难。
近年来,随着无人机技术的快速发展和普及,为生态环境精细化管理和评估提供了技术支撑。无人机技术由于成本低、操作简单、受起降场地和气象条件限制小等特点,已被广泛应用于生态环境监测。此外,无人机可以根据用户要求,获取多角度、高空间分辨率的遥感数据,弥补了卫星影像的应用限制。如Tharindu Abeysinghe等人利用无人机对沿海湿地的入侵物种(芦苇)进行时空监测,提供了一种使用有限数量的样品在小范围内高精度检测芦苇的方法。然而,无人机影像的超高空间分辨率对植被或地物分类带来了挑战,如影像信息过于详细,可以捕捉到详细的植被特征(如阴影、间隙等),增加了影像的复杂程度,从而影响分类精度。此外,在超高空间分辨率影像中,同种植被或地物的光谱和纹理特征差异会变大,异种植被或地物的光谱和纹理特征差异会变小,使得在分类模型中很难获得独特的光谱或纹理特征。因此,如何平衡空间和影像特征信息,有效识别植被物种和地物类型,成为当前研究的难点和热点。
植被物种和地物类型分类精度除受影像数据源影响外,还受分类方法的影响。目前,遥感影像中植被物种和地物类型分类方法主要有基于像元和基于对象两类。基于像元的影像分析技术是从单个像素或单个像素附近提取土地覆盖特征,并对其进行分类。基于像元的分析技术未考虑像素的空间或上下文信息,对超高空间分辨率影像进行分类会产生“椒盐”现象。基于地理对象的影像分析(GEOBIA)技术是将具有相同语义信息的栅格单元组合成一个对象,该对象包含纹理、光谱、位置和几何等特征信息,根据这些特征构建分类规则,然后进行信息提取。前期的研究结果表明基于对象方法的分类精度显著高于基于像素方法。由于湿地植被物种丰富、地物类型破碎度高,基于对象的机器学习算法是目前湿地植被物种和地物分类的重要手段之一。然而,当前有关湿地植被和地物分类的研究主要集中在分类算法的对比方面,而分类算法对影像空间分辨率的响应研究还存在不足。
发明内容
本发明的目的是提供无人机影像对湿地植被物种和地物分类的评估方法,确定不同空间尺度下Am和An的最佳分割尺度,探究不同影像中特征变量的变化规律,揭示Am和An在植被物种和地物分类方面的尺度效应,确定识别不同植被物种和地物类型所需的最佳分辨率影像。
为实现上述目的,本发明提供了如下方案:
无人机影像对湿地植被物种和地物分类的评估方法,包括:
获取不同空间分辨率的航拍影像,对所述航拍影像进行处理,获得不同空间分辨率的重采样影像;
通过所述航拍影像和所述重采样影像进行湿地植被物种和地物分类以及分类精度的评估。
优选地,获取所述不同空间分辨率的航拍影像包括:
基于无人机获取航拍影像,通过电子设备中的控制软件规划无人机的航线并实时操控无人机在不同高度飞行,获得所述不同空间分辨率的航拍影像。
优选地,对所述航拍影像进行处理包括:
将所述航拍影像、经纬度坐标以及飞行姿态数据导入检查软件中进行影像质量检查,插入控制点,进行影像几何校正,并进行影像数据自动匹配、空三解算和区域网平差,生成密集点云数据,通过所述密集点云数据构建TIN三角网,生成数字正射影像;
对所述数字正射影像进行裁剪处理,获得不同空间分辨率的数字正射影像,对所述不同空间分辨率的数字正射影像进行重采样处理。
优选地,通过所述航拍影像和所述重采样影像进行湿地植被物种和地物分类包括:
基于地理对象的影像分析技术对所述航拍影像和所述重采样影像进行图像分割以及特征选择,通过选择后的特征进行所述湿地植被物种和地物分类。
优选地,基于地理对象的影像分析技术对所述航拍影像和所述重采样影像进行图像分割包括:
通过异质性最小准则对所述航拍影像和所述重采样影像的像素按照预定顺序进行区域合并,组成大小不同的对象,通过设置图像分割的内部参数,确定所述对象的最佳分割尺度。
优选地,进行所述特征选择包括:
在所述最佳分割尺度的基础上,通过影像特征,识别出若干个特征变量,对若干个所述特征变量进行计算,得到所有的特征变量组合和各类别之间可分性信息,基于所述所有的特征变量组合和所述各类别之间可分性信息,对若干个所述特征变量进行特征优选,将特征优选后的特征变量进行降维,根据特征的重要程度对特征优选后的特征变量进行排序,去除重要性程度最小的特征变量,获得最终的特征变量。
优选地,通过选择后的特征进行植被物种和地物分类包括:
将所述最终的特征变量放入不同的机器学习分类器,对所述航拍影像和所述重采样影像进行植被物种和地物分类,通过调节所述机器学习分类器的关键参数数值,得到最佳分类结果。
优选地,分类精度的评估包括:
基于总体精度和kappa系数评估无人机影像湿地整体的分类效果,通过生产者精度、用户精度和平均精度评估每种湿地植被物种和地物类型的分类精度。
优选地,通过所述评估无人机影像湿地整体的分类效果和评估所述每种湿地植被物种和地物类型的分类精度,确定分类不同的所述湿地植被物种和地物类型所需的最佳航拍影像和最佳重采样影像。
本发明的有益效果为:
本发明比较了重采样数据和航拍数据在湿地植被物种和地物分类中的差异性,且找出了湿地植被物种和地物分类的适宜空间尺度范围。同时,本发明确定了重采样数据和航拍数据在每个尺度上影像分割的最优尺度参数,并找出了各特征变量的变化规律。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的无人机影像对湿地植被物种和地物分类的评估方法流程图;
图2为本发明实施例的研究区概况;
图3为本发明实施例的技术路线图;
图4为本发明实施例的特征数量与类别间可分性变化图;
图5为本发明实施例的ESP2尺度分析结果图;
图6为本发明实施例的不同数据集中无人机影像的最优分割尺度和分割时间随空间分辨率变化趋势图;
图7为本发明实施例的Am中不同分辨率影像中各特征重要性评价结果图;
其中(a)为1.173cm,(b)为1.781cm,(c)为2.360cm,(d)为2.940cm,(e)为3.561cm,(f)为4.139cm,(g)为4.717cm,(h)为5.321cm,(i)为5.897cm;
图8为本发明实施例的An中不同分辨率影像中各特征参量重要性评价结果图,其中(a)为1.781cm,(b)为2.360cm,(c)为2.940cm,(d)为3.561cm,(e)为4.139cm,(f)为4.717cm,(g)为5.321cm,(h)为5.897cm;
图9为本发明实施例的Am中各植被物种和地物的识别精度随空间分辨率的变化;其中,(a)为生产者精度;(b)为用户精度;(c)为AA平均精度;
图10为本发明实施例的An中各植被物种和地物的识别精度随空间分辨率的变化;其中,(a)为生产者精度;(b)为用户精度;(c)为AA平均精度。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供无人机影像对湿地植被物种和地物分类的评估方法,包括:
获取不同空间分辨率的航拍影像,对所述航拍影像进行处理,获得不同空间分辨率的重采样影像;通过所述航拍影像和所述重采样影像进行湿地植被物种和地物分类以及分类精度的评估。
进一步地,获取所述不同空间分辨率的航拍影像包括:
基于无人机获取航拍影像,通过电子设备中的控制软件规划所述无人机的航线并实时操控无人机在不同高度飞行,获得所述不同空间分辨率的航拍影像;
所述航拍影像包括经纬度坐标以及飞行姿态数据。
进一步地,对所述航拍影像进行处理包括:
将所述航拍影像、经纬度坐标以及飞行姿态数据导入检查软件中进行影像质量检查,插入控制点,进行影像几何校正,并进行影像数据自动匹配、空三解算和区域网平差,生成密集点云数据,通过所述密集点云数据构建TIN三角网,生成数字正射影像;
对所述数字正射影像进行裁剪处理,获得不同空间分辨率的数字正射影像,对所述不同空间分辨率的数字正射影像进行重采样处理。
进一步地,通过所述航拍影像和所述重采样影像进行湿地植被物种和地物分类包括:
基于地理对象的影像分析技术对所述航拍影像和所述重采样影像进行图像分割以及特征选择,通过选择后的特征进行所述湿地植被物种和地物分类。
进一步地,基于地理对象的影像分析技术对所述航拍影像和所述重采样影像进行图像分割包括:
通过异质性最小准则对所述航拍影像和所述重采样影像的像素按照预定顺序(自下而上)进行区域合并,组成大小不同的对象,通过设置图像分割的内部参数,确定所述对象的最佳分割尺度。
其中,所述图像分割的内部参数包括:形状参数、紧凑度参数和多尺度分割最优的尺度参数以及自动生成的颜色参数和平滑度参数。
进一步地,进行所述特征选择包括:
在所述最佳分割尺度的基础上,通过影像特征,识别出若干个特征变量,对若干个所述特征变量进行计算,得到所有的特征变量组合和各类别之间可分性信息,基于所述所有的特征变量组合和所述各类别之间可分性信息,对若干个所述特征变量进行特征优选,将特征优选后的特征变量进行降维,根据特征的重要程度对特征优选后的特征变量进行排序,去除重要性程度最小的特征变量,获得最终的特征变量。
进一步地,通过选择后的特征进行植被物种和地物分类包括:
将所述最终的特征变量放入不同的机器学习分类器,对所述航拍影像和所述重采样影像进行植被物种和地物分类,通过调节所述机器学习分类器的关键参数数值,得到最佳分类结果。
进一步地,分类精度的评估包括:
基于总体精度和kappa系数评估无人机影像湿地整体的分类效果,通过生产者精度、用户精度和平均精度评估每种湿地植被物种和地物类型的分类精度。
进一步地,通过所述评估无人机影像湿地整体的分类效果和评估所述每种湿地植被物种和地物类型的分类精度,确定分类不同的所述湿地植被物种和地物类型所需的最佳航拍影像和最佳重采样影像。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将运用具体的工程案例,对本发明保护的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本专利中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本专利保护的范围。
本实施例
湿地植被物种丰富、地物类型破碎度高,给遥感影像植被物种和地物类型分类带来了很大困难。遥感影像空间分辨率是影响植被物种和地物分类的主要因素,然而当前有关影像空间分辨率和重采样对分类结果的影响研究还存在一定不足。本文以中国广西桂林会仙岩溶湿地公园的核心区为研究区,通过无人机平台获取不同空间分辨率的航拍影像(Am),利用像素聚合方法获得不同空间分辨率的重采样影像(An),基于地理对象的影像分析(GEOBIA)技术和不同的机器学习分类器(RF,SVM,KNN,Bayes)对Am和An进行植被物种和地物分类,评估影像空间分辨率和重采样对分类精度的影响。
结果表明:(1)在多尺度影像中,随着空间分辨率的降低,影像最优分割尺度(SP)减小,分割所需时间也减少,且在相同空间分辨率下,An需设置的SP要比Am更大。(2)Am和An中合适的特征参量是不同的,且An中的光谱特征和纹理特征重要性比Am更高。(3)在1.173~5.897cm空间分辨率区间,不同分类器在Am和An中的分类结果表现出相似的变化趋势,随着空间分辨率的降低,总体分类精度先上升然后下降,且Am的整体精度高于An。(4)同种植被和地物类型的分类精度在Am或An中表现不同。
研究区域与数据来源
研究区域概述
会仙湿地位于中国广西壮族自治区桂林市临桂区会仙镇境内,地理位置为25°01′30″N~25°11′15″N,110°08′15″E~110°18′00″E,东西长约6km,南北宽约2.8km,湿地面积为4.9359km2,该地气候属于亚热带季风气候,年平均降水量为1894mm,年平均气温为19.2℃,植被类型以灌木、草地为主。该地区地貌属于典型的岩溶峰林平原地貌,地形平坦,是中国面积最大的岩溶湿地系统,衔接漓江和洛清江两大水系,为脆弱的岩溶地下水环境提供了天然屏障,被誉为“漓江之肾”。会仙湿地旅游资源丰富,历史文化深厚,具有多样性复合型景观,2012年,被中国国家林业局命名为广西桂林会仙喀斯特国家湿地公园。
近年来,受当地居民活动的影响,加上外来物种(水葫芦、福寿螺等)的入侵,使会仙湿地面积急剧萎缩,生物多样性严重破坏,因此需要对湿地进行针对性的管理和保护。会仙湿地的核心区受人为活动干扰小,保持较为完整的岩溶湿地生态地貌,对研究和保护会仙岩溶湿地起重要作用。本次研究选取会仙湿地的核心区为研究区(图2),覆盖面积77398平方米。
野外调查和无人机航拍影像的获取
无人机航拍影像收集于2021年7月1日,此时会仙湿地植被生长茂盛,采集过程天气晴朗无风。本次研究使用的无人机型号为大疆精灵Phantom 4Pro,该无人机配备了OcuSync图像传输系统,搭载了1英寸CMOS传感器(有效像素2000万),重约1.4kg。通过装有DJI GS Pro软件的平板电脑规划航线和实时操控无人机飞行,航向重叠为80%,旁向重叠为70%,飞行速度7m/s,镜头垂直向下航拍。无人机分别在40m、60m、80m、100m、120m、140m、160m、180m、200m高度飞行,获得不同空间分辨率的RGB影像(表1为无人机飞行高度对应的空间分辨率和航片数)。本次飞行任务是在当地相关管理部门的许可下进行的。
表1
无人机航拍影像处理
首先将无人机航拍影像、经纬度坐标以及飞行姿态等POS数据导入Pix4DMapper软件中。然后进行影像质量检查,去除航向重叠率小于80%、旁向重叠小于70%、模糊的影像。再插入控制点,进行影像几何校正,重新优化。接下来进行影像数据自动匹配、空三解算和区域网平差,生成密集点云数据。最后利用密集点云数据构建TIN三角网,生成数字正射影像(DOM)。
在ENVI 5.3软件中利用Seamless Mosaic工具完成DOM的镶嵌以及直方图匹配均色。然后在ArcGIS 10.6中对影像进行裁剪处理,最终获取九个不同空间分辨率的数字正射影像(Am:1.173,1.781,2.360,2.940,3.561,4.139,4.717,5.321,5.897cm)。为探究Am与重采样后得到的不同空间尺度影像数据在湿地植被和地物识别方面的性能差异,把Am中一张分辨率最高(1.173cm)的影像进行重采样处理。根据以往的研究,使用最邻近、双线性和三次卷积方法对数据进行重采样时,它们的平滑和锐化效果会影响结果,因此本研究使用Pixel Aggregate来降低影像的空间分辨率,得到8个与之相对应的重采样数据(An:1.781,2.360,2.940,3.561,4.139,4.717,5.321,5.897cm)。
参考数据
基于1.173cm的Am,结合野外现场考察和拍照纪录数据,通过人工矢量化获得一幅详细的真实地面植被物种和地物类型参考图,用于精度验证,并统计研究区各植被物种和地物类型所占面积(表2为研究区湿地植被物种和地物类型所占面积)。
表2
方法
基于Am和An,采用基于地理对象影像分析方法,对研究区的水葫芦、荷花、浮萍等进行分类(图3)。具体包括:(1)通过ESP2工具选择合适的尺度参数进行多尺度分割;(2)使用eCognition中的特征优化工具和RF的MDA方法进行特征评估和选择;(3)使用四种不同的机器学习分类器(RF、SVM、KNN、Bayes)对多尺度影像的植被物种和地物类型进行分类;(4)通过总体精度、Kappa系数、生产者精度、用户精度和平均精度对分类结果进行精度评价。
训练样本的制作
无人机在40m高度航拍生成的正射影像空间分辨率达到1.173cm,目视解译可以识别出每一类植被物种和地物类型。综合考虑野外实地调查结果和无人机影像各特征差异,将研究区内的植被分为荷花、水葫芦、浮萍、混合草地、混合林地,地物类型分为建设用地、水体、裸地。为了制作训练样本数据集,在ArcGIS10.6中,在1.173cm分辨率影像图层上创建103个随机点,遍及整个研究区域,并对每一个随机点进行赋值(表3为研究区训练样本数据)。
表3
多尺度分割
影像分割是GEOBIA的基础和关键。本次研究采用分形网络演化方法(Fractal NetEvolution Approach,FNEA)对Am和An进行分割。该方法属于一种多尺度分割算法,以异质性最小的准则对像素进行自下而上的区域合并,从而组成大小不同的对象。分割出来的影像对象比较贴近植被和地物自然边界,并且每个影像对象包含了光谱信息、几何信息、纹理信息和位置信息。
在多尺度算法中,Shape参数定义了形状均匀性相对于光谱值的均匀性加权的百分比,Compactness参数是形状的子参数,用于优化影像对象的紧致度。color与shape权重、Smoothness与Compactness权重的和为1。在eCognition Developer 9.0软件中,只需设置Shape和Compactness两个参数,颜色和平滑度参数自动生成。
结合以往的研究,通过反复实验,最终确定Shape和Compactness的数值为0.2、0.5,红、绿、蓝3波段的影像层权重均为1。Scale parameter(SP)用于控制得到的对象的内部异质性,因此与它们的平均大小相关,即尺度值越大,内部异构性越高,这就增加了每个对象的像素数,反之亦然。SP是多尺度分割算法中最核心的参数,对分类精度影响最大,因此确定SP的大小至关重要。传统的确定SP的大小方法是“试错法”,这种方法偶然性大,且花费时间长。本研究使用ESP2工具来确定多尺度分割最优的SP,当不改变ESP2工具中的初始值和步长时,得到的结果未能看到峰值,而是平滑的或陡峭的曲线,所以需要改变ESP2中这些参数值,通过多次实验,得到具体参数值如表4所示的ESP2工具各参数的设定。
表4
特征选择和评估
GEOBIA的第二个重要步骤是特征选择。对分类影响较好的特征会使得目标对象具有较高的可分离性,即类内相似度达到较高,而类间相似度达到较低。根据研究区影像的特点,在最优分割的基础上,综合考虑了光谱特征、植被指数、几何特征、位置特征和纹理特征五大类影像特征,共识别90个特征变量,组成初始特征空间(表5为对象特征),并给出了各植被指数的计算公式(表6为植被指数的计算公式)。
表5
表6
R、G、B分别代表红、绿、蓝波段
高维数据需要进行特征优选,减少数据冗余,加强对特征的理解,增强模型的泛化能力,提高处理效率。采用eCognition中的特征优化工具对DOM的90个特征变量进行计算,得到所有的特征变量组合和各类别之间可分性的详细信息。以1.173cm空间分辨率影像为例,从图4中可以看出类别间的区分距离随特征数量的变化而变化,当特征维度为45时,样本类别间的分离性最大(2.949)。
经过特征优选后,虽然筛选出部分特征变量,但剩下的这些特征变量仍具有一定程度的相关性。采用RF的平均降低精度方法(mean decreased accuracy,MDA)对45个特征变量进行进一步降维。该方法的原理是,将原有的特征重新排序,然后计算顺序变动对模型精度的影响,对于不重要的特征变量来说,顺序变动后对模型的精度影响很小,但是对于重要的特征变量来说,顺序变动就会降低模型的精度。在MDA结果的基础上,根据特征的重要程度对所有特征进行从大到小的排序,去掉重要性程度小的特征,剩余的特征数量在20~30之间,将这些特征放入RF、SVM、KNN、Bayes模型中,适合用于无人机影像湿地植被物种和地物的识别。
监督分类
机器学习算法是一种非参数监督方法,近年来在遥感影像分类方面取得了很大的成功。本次研究选用了四种不同的机器学习分类器:RF,SVM,KNN和Bayes。根据以往的研究,这四种分类器是遥感影像分类中最有效和应用最广泛的分类器,但是这些算法的性能很大程度上受其使用参数值的影响。
随机森林(RF)是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树。森林的体现就是很多颗“决策树”,每一颗树给出一个分类结果,投票数多的类别为分类结果。本次研究使用Python平台Scikit-Learn库中的RF分类器,首先将mtry保持默认值(auto),即输入特征变量的平方根,然后将ntree从100,150,200逐步增加到500,查看整体分类效果,发现ntree为200时,分类效果最佳。当ntree的值固定在200时,将mtry的数值从默认值更改为较低或较高值,会降低影像的分类精度。这意味着在Scikit-Learn库中调用RF分类器时,mtry应设为默认值,ntree设为200,此时最有利于无人机影像湿地植被物种和地物识别。
SVM是Vapnik团队开发出来的一种基于统计学习理论的机器学习算法,SVM的特点是可以同时最小化经验误差和最大化分类间隔,即通过寻找一个既能保证分类精度,又能使两类数据之间间隔最大化的超平面来实现监督学习。SVM中具有不同的内核,分别有线性的、径向基函数。本研究先测试了径向基函数的分类效果,发现分类精度较低。因此本研究使用线性函数内核,并测试了不同的惩罚系数C,最终确定C的值设为5时分类效果最佳。
KNN是一种常用的非线性分类器,一个对象的分类取决于其邻近的样本,如果该对象在特征空间中的k个最邻近的样本中的大多数属于某一个类别,则该样本也属于这个类别。因此,k值是KNN的关键参数。本研究测试了从1到10的k值,最终确定k值为2时分类效果最佳。
Bayes是一个基于贝叶斯定理的简单概率分类模型,并假设特征彼此不相关。该算法使用训练样本来估计每个类的均值向量和协方差矩阵,然后用它们进行分类。Bayes分类器不需要设置任何参数。
精度评价
通过总体精度(OA)和kappa系数来评估无人机影像湿地整体的分类效果。总体分类精度为分类结果和真实地物信息彼此吻合的概率,其值为实际吻合地物像元个数与实际地物总像元个数的比值。Kappa系数是通过矩阵中各个元素统计计算得到的,采用多元数据分析方法,即考虑模型正确分类的样本数,也兼顾了模型“错分”和“漏分”的样本,能够更加准确地体现分类结果和实际地物之间的匹配度。
通过生产者精度(PA)、用户精度(UA)和平均精度(average PA and UA,AA)来判别湿地各地物类型识别精度的好坏。生产者精度是指正确分类像元数与参考数据中该类像元个数的百分比。用户精度是指正确分类像元个数与所有分为该类像元个数的百分比。
每个分类器(RF、SVM、KNN、Bayes)有9个Am分类结果和8个An分类结果,将这些分类结果与覆盖整个研究区域的地面真实参考图像进行比较,共进行68次精度评价。
式中,N为评价样本总数;Xij是分类数据中第i类和验证数据类型第j类的分类样本数;为分类所得到的第i类的总和;/>为验证数据的第j类的总和。
Am和An的最优分割尺度
图5为1.173cm分辨率影像的LV和ROC曲线图。由图可以看出曲线的峰值为323、393、453、493、543。当SP设为453、493、543时,部分荷花、水葫芦等孤立细小的植被物种分割不完全,同一对象内包含不同植被类型,表现为欠分割现象,当SP设为323时,水体、建设用地和混合林地等大面积、均一的地物分割破碎,表现为过分割现象,当SP设为393时,各植被物种和地物分割效果合适,对象均质性较好,各植被物种和地物分割边界清晰,分割对象比较贴近实际植被物种和地物自然边界。
不同空间尺度的影像对应的最优SP不同(图6),随着空间分辨率的降低,影像最优SP减小,分割所需时间也急剧减少。当空间分辨率高于1.781cm时,所需设置的SP达到三百以上,且分割花费的时间较长。当空间分辨率在2.360~5.897cm区间时,SP设置在90~200之间,分割花费时间相对较少。在相同空间分辨率下,Am和An所需设置的SP具有一定差异性。
特征选择和评估结果
Am各特征参量的重要性
Am中,植被指数重要性占比最高,其次是位置特征(图7)。植被指数中的Red、Blue和EXG指数,处于重要性评价的前列。但在不同尺度影像中,这三个植被指数的重要性占比各不相同。X Center和Y Max是超高分辨率影像信息识别中不可缺少的两个位置特征,在多尺度影像重要性评估中得分较高。在1.173cm影像中,X Center重要性占比超过了植被指数,成为对分类影响最大的特征。在2.940cm影像中,Y Max成为位置特征中重要性占比最高的特征,然后随着空间分辨率的降低,Y Max重要性逐渐减少。
光谱特征和纹理特征在不同空间分辨率影像中表现出不同的重要性程度。在多尺度影像中,Mean R,Mean G,Standard deviation B是对分类较为重要的光谱特征,在Am中都表现出较高的重要性。当分辨率为2.940cm时,Mean R的重要性超过了Mean G,并随着分辨率的降低,二者的差距越来越大。在2.940cm影像中,Standard deviation B是最重要的光谱特征,贡献率最大,而在高于或低于该分辨率的影像中,Standard deviation B特征所占比重都相对减少。随着空间分辨率的降低,Standard deviation R重要性逐渐增加。GLCMMean(0)是超高空间分辨率影像信息识别中最重要的一个纹理特征,在每个数据集中都不可缺少。
几何特征在多尺度影像中的重要性相对较低。Shape index,Compactness只在1.781~2.940cm影像中占有一定的比例,且Shape index在1.781cm影像中重要性达到最大值,并随着空间分辨率的降低或者升高,Shape index的重要性都逐渐减少。
An各特征参量的重要性
An中,各特征变量的重要性依次为:植被指数>位置特征>光谱特征>纹理特征>几何特征(图8),这与Am中各特征变量的重要性排序相似。An中,Blue和EXG在多尺度影像中重要性占比最高,对湿地植被物种和地物识别的贡献率最大。Red在1.781~3.561cm影像中是另一个重要性占比较高的植被指数特征,但在4.139cm~5.897cm影像中重要性占比较低。在多尺度影像中所占比重最高的位置特征是X center,其次是Y max。其它位置特征对分类的影响都很小。
光谱特征中重要性占比普遍较高有Mean G,Mean B,Standard deviation B。随着空间分辨率的降低,Standard deviation B的重要性先增加,然后在波动上略有减少,在2.940cm影像中重要性占比最高。Mean B在1.781~4.139cmc空间分辨率影像中的重要性并不是很突出,但在4.717~5.897cm空间分辨率影像中的重要性占比非常的高。在1.178cm~3.561cm影像中,随着空间分辨率的降低,Max-diff的重要性逐渐增加,且在3.561cm影像中,Max-diff成为最重要的光谱特征。在An中所占比重普遍较高的纹理特征有GLDVContrast(135),GLCM Dissimilarity(90)和GLCM Mean(0)。GLCM Correlation(90)只在4.717cm影像中重要性突出,在其它尺度影像中重要性所占比很少。
几何特征在An中的重要性较低。在2.360~4.717cm影像中,Compactness是重要性占比最高的几何特征,而在5.321~5.897cm影像中,shape index所占比重越来越高,超过了Compactness。
分类结果的总体分类精度
Am分类结果的总体分类精度
Am中,随着空间分辨率的降低,OA和Kappa系数先增大后减少,当分辨率为2.940cm时,OA和Kappa系数达到最大值(表7为Am中各分类器在不同空间尺度下总体分类精度)。在不同的分类器中表现出的变化趋势基本一致。在1.173~2.940cm分辨率区间,RF、SVM、KNN的OA接近(85.16%~88.8%),并大于Bayes。在3.561~5.897cm分辨率区间,SVM的性能优于RF,随着空间分辨率的降低,二者差距越来越大。在空间分辨率低于2.940cm时,KNN的分类精度急剧下降,且当分辨率达到5.321cm时,KNN低于Bayes。
表7
An分类结果的总体分类精度
An中四种分类器的OA和Kappa变化趋势与Am基本一致,都在2.940cm分辨率时出现峰值(表8为An中各分类器在不同空间尺度下总体分类精度)。整体上,RF分类器的性能最优。在1.173~2.36cm分辨率区间,KNN的精度大于SVM,但随着空间分辨率的降低,即在2.940~5.897cm分辨率区间,SVM大于KNN。
表8
各植被物种和地物类型的识别精度
鉴于RF分类器总体上优于SVM、KNN、Bayes,本研究绘制了RF分类器下各植被物种和地物的分类结果图。通过生产者精度(PA)、用户精度(UA)和平均精度(AA)评价每种植被物种和地物类型的识别精度(图9和图10)。
Am中各植被物种和地物类型识别精度
Am的分类结果与地面真实参考图像差异主要集中在研究区北部、东北部和南部。在多尺度影像中,研究区北部较多水葫芦、浮萍和荷花出现错分或漏分现象,在4.717-5.897cm影像中,研究区东北部较多草地被错分为水葫芦。在1.173cm、1.781cm、3.561cm~5.897cm影像中,研究区南部大量混草被错分为混林。水体和建设用地在Am中的分类结果基本与地面真实参考图像基本一致。通过PA、UA和AA来分析Am在分类中的空间尺度效应(图9)。
在Am中,空间分辨率的变化对水体的识别影响较小,而且,在多尺度影像中,水体的PA,UA和AA都是最高(约95%)。对于水葫芦、混林和建设用地,在1.173cm-2.940cm影像中生产者精度非常接近,分别为86%,91%,90%,然后随着空间分辨率的降低,PA逐渐减少。对于荷花和裸地,随着空间分辨率的改变,PA具有相似的变化趋势,PA先增加然后逐渐减少,在1.781cm影像中达到最大值,分别为88.07%和82.55%。对于混草和浮萍,生产者精度在不同分辨率之间的差异很大。浮萍在2.360cm和2.940cm影像中生产者精度最高。在多尺度影像中,荷花、水葫芦、混林和建设用地的UA接近,而且随着空间分辨率的降低,UA逐渐减少。相比于其它类型,浮萍在多尺度影像中UA都是最低。荷花、水葫芦和裸地的最高AA都在1.781cm影像中,而混林、混草和浮萍的最高AA在2.360和2.940cm影像中。
An中各植被物种和地物类型识别精度
An分类结果与地面真实参考图像差异主要集中在研究区北部和东北部。在An中,研究区北部较多水葫芦、浮萍、荷花和混林出现错分或漏分现象,东北部较多的混草被错分混林。与Am分类结果类似,水体和建设用地在An中的分类结果基本与地面真实参考图像一致。
在An中水体的PA、UA和AA在多尺度影像中精度最高(图10)。荷花、混林、裸地和浮萍的PA受空间分辨率影响明显,随着空间分辨率的降低,PA先升高然后降低,最高PA在2.940cm影像中。在多尺度影像中,与其他类别相比,混草的PA最低,尤其是在1.173cm影像中,PA低至44.02%。荷花、水葫芦和混草的UA具有类似的空间尺度效应,随着空间分辨率的降低,UA先升高然后减少,在2.940cm影像中达到最大值,总体上水葫芦的UA最高,荷花次之,混草最低。荷花、水葫芦、浮萍、混林、裸地、建设用地和水体的AA受空间分辨率影响的变化趋势相似,在1.173cm~2.940cm分辨率区间,AA逐渐升高,在2.940~5.897cm分辨率区间,AA逐渐降低。
基于地理对象的影像分析技术(GEOBIA)是对遥感影像进行分类的有效工具,已广泛应用于湿地植被物种和地物的提取。影像分割是GEOBIA第一个关键步骤,以往研究表明,FNEA多尺度分割算法是湿地植被物种和地物类型识别中最流行的影像分割算法之一,适宜的分割参数对分割后生成的对象斑块大小和实际植被物种或地物提取精度有着直接的影响,所以选择最优的分割参数值对湿地植被物种和地物类型识别至关重要。FNEA多尺度分割技术主要设置三个参数:Shape、Compactness和SP。SP的改变对分割结果质量的影响比Shape和Compactness更大。本研究通过“试错法”确定Shape、Compactness参数分别为0.2和0.5后,再通过ESP2工具来选择SP从而避免人为的主观影响。然而,当前有关最优SP研究只是针对某特定空间分辨率影像,对于不同空间分辨率的航拍影像和重采样影像的响应研究还存在不足。本研究结果表明空间分辨率越高,最优SP值越大(图6),且分割时间越久,这是因为空间分辨率越高的影像数据量越大,计算机处理影像的时间会越长。所以在未来的研究中,在获取无人机影像时不应过分追求空间分辨率,要考虑影像的处理效率。在相同空间分辨率下,An需设置的SP要比Am略大(图6),其原因是重采样后An中影像内部异质性更小,设置较大的SP可以达到和Am类似的分割效果。在最优分割参数的组合下,各类植被物种和地物均被分割开来时,每个影像对象比较贴近植被物种和地物自然边界,适合后续的处理。
特征选择是GEOBIA中继影像分割后的第二个关键步骤。由于无人机的RGB影像光谱分辨率有限、湿地中各植被物种光谱混淆严重,本研究综合了植被指数、纹理特征、位置特征和几何特征,弥补了光谱信息的不足,然而,过多的特征变量会导致数据的冗余和过拟合,从而影响分类的准确性,因此本研究利用特征优选工具和MDA方法进行特征优选,提高了高维数据的处理效率,并得到了各特征变量的重要性占比,与以往的研究结果类似,最适合湿地植被物种和地物分类的特征变量个数在20到30之间,植被指数的重要性占比最高,几何特征重要性占比最低。但是在本研究中,位置特征尤其是X Center和Y Max在重要性评估中占很大比例,这可能是因为本研究所选的研究区域地理位置有限,放大了XCenter和YMax的重要性。这也表明,在对小区域的湿地进行分类时,加入XCenter和Y Max更有利于提高分类精度。各几何特征的重要性占比普遍较低,所以在未来的研究中,不能盲目地增加几何特征。通过对比Am和An各植被指数和纹理特征的重要性占比,发现Red、Blue、EXG和GLCMMean(0)重要性占比相对较高,表明在对湿地植被物种和地物分类时应该首先考虑这些特征变量。研究表明Am和An中有些特征变量的重要性占比具有明显差异性,在光谱特征中An的Max_diff特征重要性比Am更高,纹理特征中An中的GLDV Contrast(135),GLCMDissimilarity(90)和GLCM Correlation(90)特征重要性比Am更高,这可能是最后的分类结果An的分类精度高于Am的原因之一。
RF、SVM、KNN和Bayes是常用于影像分类的机器学习分类器,本研究通过OA和Kappa系数评估了这些分类器在湿地植被物种和地物分类中的性能。与以往研究结果一致,不同分类器的表现性能不同,整体上RF分类器最优,所以在未来对湿地进行植被物种和地物分类时,应优先考虑RF分类器。本研究重点探究了这四种分类器对影像空间分辨率的响应,结果表明不同分类器在Am和An中OA和Kappa系数值的变化趋势基本一致。当空间分辨率低于2.940cm时,OA和Kappa明显下降(表7和表8),这是因为随着空间分辨率的降低,混合像元个数不断增加,斑块的边缘更容易增加错分误差和漏分误差。然而,空间分辨率并不是越高越好。例如1.173cm、1.781cm和2.360cm影像的分类精度低于2.940cm影像,这是因为湿地植被物种和地物具有特定的物理大小,空间分辨率高于某一阈值,不利于植被物种和地物的识别。超高空间分辨率的影像不仅有助于了解植被物种和地物的详细信息,而且显著增强了同一植被物种或地物不同光谱的现象,给植被物种和地物的识别带来了更多的干扰。此外,超高空间分辨率会造成信息的多次叠加,大大降低了影像的处理效率。这表明,未来的研究没有必要过分追求比阈值更好的空间分辨率,无人机飞行高度在保证最大分类精度的同时覆盖更大的范围,可提高作业效率。研究还表明An的分类总体精度高于Am,这可能是因为通过像素聚合重采样得到的影像,与相对应的航拍影像相比,同种植被物种或地物间的光谱特征和纹理特征差异会更小,异种植被物种或地物间的光谱特征和纹理特征差异会更大。所以在1.173~5.897cm空间分辨率区间,重采样影像比航拍影像更有利于进行湿地植被物种和地物的识别。
基于RF分类器探究各植被物种和地物在分类中的空间尺度效应,这对选择最佳分辨率的影像来识别湿地植被物种和地物类型具有很好的借鉴意义。本研究计算了RF在Am和An中各植被物种和地物的用户精度、生产者精度和平均精度(图9和图10),结果表明水体在Am和An中具有准确和稳定的识别精度,这可能是因为经过FNEA多尺度分割后形成的水体对象之间异质性较小,而水体对象与其它对象差异明显,从而导致在湿地生态系统中水体更易于提取。图9表明,如果要在Am中提高水葫芦、混林和建设用地的生产者精度,则需要空间分辨率更高、信息更加丰富的影像,如1.173-2.940cm影像。浮萍在Am中UA显著低于其它类型,这是因为浮萍主要分布在研究区北部,该地区植被类型高度破碎化,浮萍与水葫芦高度混合,且浮萍地块在多尺度影像中形状不规则,大小不一,从而导致了浮萍的识别精度最小。在An中,混草的PA最低,混林的PA较高,这是因为混草与周围的混林的边缘地区容易形成混合像素,混草容易被错分为混林,从而降低了混草的识别精度。此外,Am和An对某些特定的植被物种和地物提取所需的最佳分辨率不同,Am中有的植被物种和地物(例如:荷花、水葫芦和裸地)在1.781cm影像中AA最高,有的植被物种(例如混林、混草和浮萍)在2.360cm和2.940cm影像中AA最高。而在An中,在空间分辨率的影响下,大部分植被物种和地物类型的AA变化具有规律性,这可能是因为An是由一张影像通过像素聚合重采样而来,各尺度的影像成像机制类似,而Am是通过无人机在野外不同高度飞行获取的,在飞行过程中容易受到风速、光照等干扰因素的影响,从而导致不同尺度影像信息具有一定的差异性。在An中,具有详细特征的1.173cm~2.360cm影像给湿地植被物种和地物的识别带来了噪声,而3.561~5.897cm影像像元混合现象普遍存在,不能准确区分湿地植被物种和地物,因此在An中,2.940cm影像噪声较小,且足够精细从复杂的湿地环境中识别出植被物种和地物类型。在未来的研究中,选择具有最佳空间分辨率的影像对于获取感兴趣植被物种和地物的最佳分类结果至关重要。
在野外不同高度飞行无人机,获取不同空间分辨率的影像数据(Am),然后将空间分辨率为1.173cm的无人机航拍影像通过像素聚合的方法重采样生成与Am空间分辨率相对应的影像(An)。在GEOBA过程中,基于最优分割结果,通过特征优选,利用不同机器学习分类器对Am和An进行了植被物种和地物类型的分类。得出以下结论:(1)随着空间分辨率的降低,最优分割尺度逐渐减小,分割所需时间也急剧减少,且在相同空间分辨率下,An需设置的分割尺度要比Am更大。(2)不同特征变量会有不同的变化规律。Am和An中各特征变量的重要性依次为:植被指数>位置特征>光谱特征>纹理特征>几何特征,且An进行特征评估时,某些光谱特征和纹理特征重要性比Am更高。(3)从整体精度上来看,Am的分类精度高于An,且RF分类器优于SVM、KNN和Bayes分类器。在Am和An中,随着空间分辨率的降低,OA和Kappa系数逐渐升高,在2.940cm影像中达到最大值,然后逐渐降低。与很多影像尺度上的研究一致,最佳分辨率是在光谱类内方差最小的时候,且类间在空间上混合较小。(4)从各植被物种和地物提取精度来看,植被物种和地物类型的分类精度与遥感影像的尺度密切相关。Am中,荷花和水葫芦的最优识别精度在1.781cm影像中,浮萍的最优识别精度在2.360cm和2.940cm影像中,而在An中,2.940cm影像最有利于荷花、水葫芦和浮萍的识别。以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.无人机影像对湿地植被物种和地物分类的评估方法,其特征在于,包括:
获取不同空间分辨率的航拍影像,对所述航拍影像进行处理,获得不同空间分辨率的重采样影像;
通过所述航拍影像和所述重采样影像进行湿地植被物种和地物分类以及分类精度的评估;
分类精度的评估包括:
基于总体精度和kappa系数评估无人机影像湿地整体的分类效果,通过生产者精度、用户精度和平均精度评估每种湿地植被物种和地物类型的分类精度;
通过所述评估无人机影像湿地整体的分类效果和评估所述每种湿地植被物种和地物类型的分类精度,确定分类不同的所述湿地植被物种和地物类型所需的最佳航拍影像和最佳重采样影像;
评估影像空间分辨率和重采样对所述分类精度的影响包括:
在多尺度影像中,随着空间分辨率的降低,影像最优分割尺度减小,分割所需时间也减少,且在相同空间分辨率下,An需设置的所述影像最优分割尺度要比Am更大;Am和An中合适的特征参量是不同的,且An中的光谱特征和纹理特征重要性比Am更高;在1.173~5.897cm空间分辨率区间,不同分类器在Am和An中的分类结果表现出相似的变化趋势,随着空间分辨率的降低,总体分类精度先上升然后下降,且Am的整体精度高于An;同种植被和地物类型的分类精度在Am或An中表现不同;
其中,Am为通过无人机平台获取不同空间分辨率的航拍影像,An为利用像素聚合方法获得不同空间分辨率的重采样影像。
2.根据权利要求1所述的无人机影像对湿地植被物种和地物分类的评估方法,其特征在于,获取所述不同空间分辨率的航拍影像包括:
基于无人机获取航拍影像,通过电子设备中的控制软件规划无人机的航线并实时操控无人机在不同高度飞行,获得所述不同空间分辨率的航拍影像。
3.根据权利要求1所述的无人机影像对湿地植被物种和地物分类的评估方法,其特征在于,对所述航拍影像进行处理包括:
将所述航拍影像、经纬度坐标以及飞行姿态数据导入检查软件中进行影像质量检查,插入控制点,进行影像几何校正,并进行影像数据自动匹配、空三解算和区域网平差,生成密集点云数据,通过所述密集点云数据构建TIN三角网,生成数字正射影像;
对所述数字正射影像进行裁剪处理,获得不同空间分辨率的数字正射影像,对所述不同空间分辨率的数字正射影像进行重采样处理。
4.根据权利要求1所述的无人机影像对湿地植被物种和地物分类的评估方法,其特征在于,通过所述航拍影像和所述重采样影像进行湿地植被物种和地物分类包括:
基于地理对象的影像分析技术对所述航拍影像和所述重采样影像进行图像分割以及特征选择,通过选择后的特征进行所述湿地植被物种和地物分类。
5.根据权利要求4所述的无人机影像对湿地植被物种和地物分类的评估方法,其特征在于,基于地理对象的影像分析技术对所述航拍影像和所述重采样影像进行图像分割包括:
通过异质性最小准则对所述航拍影像和所述重采样影像的像素,按照规定区域合并,组成大小不同的对象,通过设置图像分割的内部参数,确定所述对象的最佳分割尺度。
6.根据权利要求5所述的无人机影像对湿地植被物种和地物分类的评估方法,其特征在于,进行所述特征选择包括:
在所述最佳分割尺度的基础上,通过影像特征,识别出若干个特征变量,对若干个所述特征变量进行计算,得到所有的特征变量组合和各类别之间可分性信息,基于所述所有的特征变量组合和所述各类别之间可分性信息,对若干个所述特征变量进行特征优选,将特征优选后的特征变量进行降维,根据特征的重要程度对特征优选后的特征变量进行排序,去除重要性程度最小的特征变量,获得最终的特征变量。
7.根据权利要求6所述的无人机影像对湿地植被物种和地物分类的评估方法,其特征在于,通过选择后的特征进行植被物种和地物分类包括:
将所述最终的特征变量放入不同的机器学习分类器,对所述航拍影像和所述重采样影像进行植被物种和地物分类,通过调节所述机器学习分类器的关键参数数值,得到最佳分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604186.2A CN115965812B (zh) | 2022-12-13 | 2022-12-13 | 无人机影像对湿地植被物种和地物分类的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604186.2A CN115965812B (zh) | 2022-12-13 | 2022-12-13 | 无人机影像对湿地植被物种和地物分类的评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965812A CN115965812A (zh) | 2023-04-14 |
CN115965812B true CN115965812B (zh) | 2024-01-19 |
Family
ID=87359490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211604186.2A Active CN115965812B (zh) | 2022-12-13 | 2022-12-13 | 无人机影像对湿地植被物种和地物分类的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965812B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611909A (zh) * | 2023-12-04 | 2024-02-27 | 桂林理工大学 | 一种基于深度学习和影像空间分辨率的湿地植被分类方法 |
CN117391316B (zh) * | 2023-12-13 | 2024-03-19 | 长江水资源保护科学研究所 | 一种蓄洪区水质净化能力的预评估方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学(北京) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN109186672A (zh) * | 2018-09-13 | 2019-01-11 | 浙江农林大学 | 一种大规模竹林环境温湿度检测方法及系统 |
CN109753916A (zh) * | 2018-12-28 | 2019-05-14 | 厦门理工学院 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
CN111242224A (zh) * | 2020-01-16 | 2020-06-05 | 贵州省草业研究所 | 一种基于无人机提取分类样本点的多源遥感数据分类方法 |
CN111274887A (zh) * | 2020-01-13 | 2020-06-12 | 北京师范大学 | 基于机器学习的农作物识别方法、装置、存储介质及终端 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
CN111723643A (zh) * | 2020-04-12 | 2020-09-29 | 四川川测研地科技有限公司 | 一种基于固定区域周期性图像采集的目标检测方法 |
CN111881728A (zh) * | 2020-06-16 | 2020-11-03 | 四川师范大学 | 基于低空遥感的草地鼠害监测方法 |
CN112215186A (zh) * | 2020-10-21 | 2021-01-12 | 深圳市赛为智能股份有限公司 | 沼泽湿地植被分类方法、装置、计算机设备及存储介质 |
CN112651312A (zh) * | 2020-12-15 | 2021-04-13 | 北京林业大学 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
CN113837134A (zh) * | 2021-09-29 | 2021-12-24 | 桂林理工大学 | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 |
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
CN114241331A (zh) * | 2021-12-16 | 2022-03-25 | 中国科学院南京地理与湖泊研究所 | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 |
EP3979193A1 (en) * | 2020-10-02 | 2022-04-06 | Sensilize Ltd | System for evaluating and monitoring plants |
CN114782235A (zh) * | 2022-05-07 | 2022-07-22 | 桂林理工大学 | 一种生态安全分析的构建方法 |
CN115205528A (zh) * | 2022-07-14 | 2022-10-18 | 长安大学 | 一种用于面向地理对象影像分析的特征选择方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8250481B2 (en) * | 2008-10-16 | 2012-08-21 | The Curators Of The University Of Missouri | Visualizing geographic-area change detected from high-resolution, remotely sensed imagery |
US10592780B2 (en) * | 2018-03-30 | 2020-03-17 | White Raven Ltd. | Neural network training system |
EP3895067A4 (en) * | 2018-12-11 | 2022-09-14 | Climate LLC | MAPPING SOIL PROPERTIES WITH SATELLITE DATA USING MACHINE LEARNING APPROACHES |
CN110472525B (zh) * | 2019-07-26 | 2021-05-07 | 浙江工业大学 | 一种时间序列遥感植被指数的噪声检测方法 |
-
2022
- 2022-12-13 CN CN202211604186.2A patent/CN115965812B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646400A (zh) * | 2013-12-17 | 2014-03-19 | 中国地质大学(北京) | 面向对象遥感影像分析中的尺度分割参数自动选择方法 |
CN104794424A (zh) * | 2014-01-20 | 2015-07-22 | 北京天合数维科技有限公司 | 一种新的中低分辨率遥感数据复合的耕地识别方法 |
CN107784283A (zh) * | 2017-10-24 | 2018-03-09 | 防灾科技学院 | 面向对象的无人机高分影像煤火区土地覆被分类方法 |
CN109186672A (zh) * | 2018-09-13 | 2019-01-11 | 浙江农林大学 | 一种大规模竹林环境温湿度检测方法及系统 |
CN109753916A (zh) * | 2018-12-28 | 2019-05-14 | 厦门理工学院 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
CN111274887A (zh) * | 2020-01-13 | 2020-06-12 | 北京师范大学 | 基于机器学习的农作物识别方法、装置、存储介质及终端 |
CN111242224A (zh) * | 2020-01-16 | 2020-06-05 | 贵州省草业研究所 | 一种基于无人机提取分类样本点的多源遥感数据分类方法 |
CN111723643A (zh) * | 2020-04-12 | 2020-09-29 | 四川川测研地科技有限公司 | 一种基于固定区域周期性图像采集的目标检测方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
CN111695088A (zh) * | 2020-06-12 | 2020-09-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 卫星降水空间降尺度最优回归窗口筛选方法与装置 |
CN111881728A (zh) * | 2020-06-16 | 2020-11-03 | 四川师范大学 | 基于低空遥感的草地鼠害监测方法 |
EP3979193A1 (en) * | 2020-10-02 | 2022-04-06 | Sensilize Ltd | System for evaluating and monitoring plants |
CN112215186A (zh) * | 2020-10-21 | 2021-01-12 | 深圳市赛为智能股份有限公司 | 沼泽湿地植被分类方法、装置、计算机设备及存储介质 |
CN112651312A (zh) * | 2020-12-15 | 2021-04-13 | 北京林业大学 | 一种结合激光LiDAR数据和航拍影像数据的林区薇甘菊自动识别方法 |
CN113837134A (zh) * | 2021-09-29 | 2021-12-24 | 桂林理工大学 | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 |
CN113936214A (zh) * | 2021-10-19 | 2022-01-14 | 桂林理工大学 | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 |
CN114241331A (zh) * | 2021-12-16 | 2022-03-25 | 中国科学院南京地理与湖泊研究所 | 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法 |
CN114782235A (zh) * | 2022-05-07 | 2022-07-22 | 桂林理工大学 | 一种生态安全分析的构建方法 |
CN115205528A (zh) * | 2022-07-14 | 2022-10-18 | 长安大学 | 一种用于面向地理对象影像分析的特征选择方法 |
Non-Patent Citations (5)
Title |
---|
A dynamic classification scheme for mapping spectrally similar classes: Application to wetland classification;Sahel Mahdavi等;《International Journal of Applied Earth Observation and Geoinformation》;第83卷;第1-14页 * |
The Effects of Spatial Resolution and Resampling on the Classification Accuracy of Wetland Vegetation Species and Ground Objects: A Study Based on High Spatial Resolution UAV Images;Jianjun Chen等;《MDPI:drones》;第7卷(第1期);第1-25页 * |
基于无人机多光谱的沼泽植被识别方法;左萍萍;《中国环境科学》;第41卷(第5期);第2399-2410页 * |
基于无人机影像和深度学习的岩溶湿地植被信息识别研究;唐廷元;《中国优秀硕士学位论文全文数据库 基础科学辑》(第07期);第A008-114页 * |
基于无人机影像和面向对象随机森林算法的岩溶湿地植被识别方法研究;耿仁方等;《地球信息科学学报》;第21卷(第8期);第1295-1306页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115965812A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
Villoslada et al. | Fine scale plant community assessment in coastal meadows using UAV based multispectral data | |
Keshtkar et al. | Land-cover classification and analysis of change using machine-learning classifiers and multi-temporal remote sensing imagery | |
CN115965812B (zh) | 无人机影像对湿地植被物种和地物分类的评估方法 | |
Chubey et al. | Object-based analysis of Ikonos-2 imagery for extraction of forest inventory parameters | |
CN111598045B (zh) | 一种基于对象图谱和混合光谱的遥感耕地变化检测方法 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
Dihkan et al. | Remote sensing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique | |
CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
Peters et al. | Synergy of very high resolution optical and radar data for object-based olive grove mapping | |
CN112907520A (zh) | 基于端到端深度学习方法的单株树冠检测方法 | |
Zaabar et al. | Application of convolutional neural networks with object-based image analysis for land cover and land use mapping in coastal areas: A case study in Ain Témouchent, Algeria | |
CN110084284A (zh) | 基于区域卷积神经网络的目标检测与二级分类算法及装置 | |
She et al. | Identification and mapping of soybean and maize crops based on Sentinel-2 data | |
Kamal et al. | A preliminary study on machine learning and google earth engine for mangrove mapping | |
Alburshaid et al. | Palm trees detection using the integration between gis and deep learning | |
Chowdhury et al. | Land cover and land use: classification and change analysis | |
CN114022782A (zh) | 一种基于modis卫星数据的海雾探测方法 | |
CN115719453A (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 | |
Alburshaid et al. | Developing date palm tree inventory from satellite remote sensed imagery using deep learning | |
CN113988224A (zh) | 一种珊瑚礁底质分类模型的训练、应用方法及装置 | |
Awuah | Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping | |
Xu | An assessment of land use changes in Fuqing County of China using remote sensing technology | |
Chen et al. | Wetland vegetation identification based on improved JM-Relief F feature optimization algorithm | |
Carneiro et al. | Small Convolutional Neural Networks and Random Forest in Land Use, Land-Use Change and Forestry (LULUCF) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |