融合机载LiDAR和高光谱影像的土地利用分类

高光谱影像包含丰富的光谱信息，能够准确地描述地物的光谱特征，但在地物分类应用中通常会存在同物异谱和同谱异物现象。机载激光雷达（Light  Detection and  Ranging，Li DAR）可以直接获取地物高精度、高密度的三维空间信息，通常为离散点云，由于缺乏光谱/纹理信息，在地物分类方面表现出最大的不足。因此，融合机载 Li DAR 点云的三维空间信息和高光谱影像的纹理信息，即可发挥各自优势、取长补短，提升地物分类的精度和可信度。 本文在已有研究基础上从机载 Li DAR数据和高光谱影像数据提取不同特征，设计了不同特征组合的融合数据集，采用效率 更 高 、 实 现 简 单 的 随 机 森 林 算 法（random  forest ，RF） 进行地物分类研究，并进行精度评价与对比，以提高分类精度，为土地资源利用监测、管理提供据支持。

1数据源

机载 Li DAR 和高光谱影像数据覆盖区域位于广西灵川县，地形平坦，包括民房、农田、林地、裸地等地物类型（图1）。其中机载 Li DAR 数据采集于 2020 年11 月 6 日，由 无人机 Li DAR系统获取，飞行高度约 120  m，平均点密度 38 点/m2，包含 xyz 坐标信息、强度信息及多次回波信息。高光谱数据采用高光谱成像仪于 2020 年 12 月 25日获取，当日天气晴好，飞行高度为 130 m ，空间分辨率为 0.12  m ；波长范围为400-1000 nm，包含 270 个光谱波段。

图 1 实验区地理位置

2研究方法 

分别从机载 Li DAR 点云数据和高光谱影像中提取地物的高度特征、光谱特征、红边特征及纹理特征，并设计了 5 种不同特征组合的影像，然后应用随机森林分类器对不同特征组合的影像进行土地利用分类，并比较其精度。技术路线如图 2。

图 2 技术路线图

2.1  Li DAR 点云特征提取 

首先采用三角网滤波方法进行点云滤波 ， 然 后 采 用 不 规 则 三 角 网 方 法（Triangulated  Irregular  Network，TIN）对滤波后的地面点和非地面点进行插值，生成格网分辨率为 0.25m 的数字高程模型（digital  elevation  model，DEM）和数字表面模型（digital  surface  model，DSM），将插值生成的 DEM 和 DSM 进行差值运算，得到 n DSM。

2.2 高光谱影像特征提取 

高光谱影像包含丰富的地物光谱信息，波段数多，在分类过程中，会导致数据冗余、效率变低、影响分类精度，因此首先要对高光谱影像数据进行降维处理。主成分分析法（principal  component analysis，PCA）是目前应用最广泛的降维方法，在 ENVI5.3 中对高光谱数据进行降维处理，选取前 5 个主成分波段特征。利用红边波段可以增强不同地物间的区分度，本文根据所用高光谱影像的光谱特点，定义了 3 种红边植被指数，组成红边特征集（后文以 RE 表示）。归一化植被指数（normalized  difference vegetation index，NDVI）对绿色植被比较敏感，也是遥感影像分类中常用的植被指数。各植被指数计算公式如表 1 所示。

表 1 植被指数 

注：NIR 为近红外波段；R 为红波段；RE1 为红边 710 波段；RE2 为红边 750 波段 

纹理特征信息能够有效提升分类精度，本文采用灰度共生矩阵（gray-level co-occurrence  matrix，GLCM）方法提取影像的纹理特征，并选取了同质度、非相似性、对比度、相关性、熵和角二阶矩作为影像的纹理特征，对经 PCA 变换后的影像进行 GLCM 计算得到纹理特征。

2.3 分类方法  

首先使用 ENVI5.3 软件，以高光谱影像为基准影像，选取 n DSM 和高光谱影像上明显的同名地物点作为配准基元进行配准。  为探究不同特征组合的分类效果，本文根据提取的不同特征，设计了 5个特征组合的融合影像，如表 2 所示。

表 2 不同特征波段组合

随机森林是一种机器学习算法，它将多棵决策树集成在一起组成“森林”是目前遥感影像分类常用的方法，具有参数设置少、稳定性好、训练样本速度快、分类精度高等特点。本文根据实地调查数据和通过 Google earth 高分辨率影像目视解译完成训练样本和验证样本的选择，使用 RF分类器，对构建的不同特征组合进行地物分类。在随机森林算法中，决策树的数量（ntree）和为随机特征的数量（mtry）是两个关键参数，本文通过反复优化，将ntree 设置为 100，mtry 设为特征数量的平方根。

2.4 精度评价  

采 用 Kappa 系 数 和 总 体 分 类 精 度（Overall  Classification Accuracy，OA）对分类结果进行精度评价。并计算每种地物类别的用户精度和生产者精度，以便更好地评价不同实验组合的分类结果。

3 结果与分析 不同特征组合的分类结果如图 3 所示。可以看出，在融合影像仅具有光谱特征时（组合 1），部分建筑物明显被误分为了道路和裸地。在加入植被指数和纹理特征后（组合 3），植被和裸地的区分更明显，建筑物误分为道路的情况也有所改善，但仍有部分裸地被分为了建筑物；加入 Li DAR 点云数据提取的 n DSM 后，融合影像（组合 4）具有了高度特征，建筑物和道路边缘区分更清晰，建筑物和裸地的误分情况相较于组合 3 也有极大改善，林地、农作物和裸地的区分也更明显。

图 3 不同特征组合分类结果 

表 3 分类结果精度统计

注：PA 为生产者精度；UA 为用户精度 

从表 3 可以看出，组合 1 的分类精度最低，OA 和 Kappa 系数分别为 77.73%和0.69 ；组合 5 的分类精度最高， OA 和Kappa 系数分别为 85.96%、0.81，说明高光谱影像融合植被指数、纹理特征和高度特征后，分类精度得到有效提升。特别在添加了 Li DAR 点云数据提取的 n DSM 的高度特征后，分类精度提升最多，相较于未添加高度特征（组合 3）OA 和 Kappa 系数分别提升了 5.33%和 0.07，说明融合高程信息可以极大提高高光谱数据的分类精度；组合 4 的总体分类精度虽略低于组合5，但组合 4 中林地的分类精度却更高，PA和 UA 均达到 95%以上，说明红边光谱特征与从 Li DAR 数据提取的 n DSM 融合后对高植被的分类效果更好。 

审核编辑 黄昊宇