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（LightDetectionandRanging，LiDAR）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LiDAR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LiDAR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（randomforest，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LiDAR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LiDAR数据采集于2020年11月6日，由无人机LiDAR系统获取，飞行高度约120m，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130m，空间分辨率为0.12m；波长范围为400-1000nm，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LiDAR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 LiDAR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（TriangulatedIrregularNetwork，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（digitalelevationmodel，DEM）和数字表面模型（digitalsurfacemodel，DSM），将插值生成的DEM和DSM进行差值运算，得到nDSM。

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（principalcomponentanalysis，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（normalizeddifferencevegetationindex，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-levelco-occurrencematrix，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nDSM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Googleearth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（OverallClassificationAccuracy，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LiDAR点云数据提取的nDSM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LiDAR点云数据提取的nDSM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LiDAR数据提取的nDSM融合后对高植被的分类效果更好。

审核编辑 黄昊宇