基于无人机影像的喀斯特农耕区地物识别_以桂林市为例_.docxVIP

PAGE #国土资源遥感 娄佩卿，等：基于无人机影像的喀斯特农耕区地物识别 娄佩卿，等：基于无人机影像的喀斯特农耕区地物识别——以桂林市为例 网络首发时间：2019-05-31 16:43:39 _ 网络首发地址： /kcms/detai?.25lfe.p.2^05：^25?)2.1^1 REMOTE SENSING FOR LAND RESOURCES doi ： 引用格式：娄佩卿，陈晓雨，王疏桐，等.基于无人机影像的喀斯特农耕区地物识别——以桂林市为例[J].国土资源遥感， .(Lou P Q,Chen X Y, Wang S T, et al. Object recognition of karst farming area based on UAY image： A case study of Guilin [J ]. Remote Sensing for Land and Resources ) 基于无人机影像的喀斯特农耕区地物识别 以桂林市为例 娄佩卿\陈晓雨2，王疏桐3，付波霖\黄永怡\唐廷元\凌铭1 (1.桂林理工大学测绘地理信息学院，桂林541006; 2.桂林理工大学土木与建筑学院， 桂林541006; 3.桂林理工大学信息科学与工程学院，桂林541006) 摘要：为了探究低空无人机遥感技术对喀斯特地貌条件下不同形态农耕区地物类型的识别精度，以桂林市3个 200 mx200 m样方的农耕区为研究区，在无人机航拍影像和地面调查数据的支持下，分别将基于像元和面向对象 的影像分析技术与支持向量机（support vector machines，SVM)算法相结合，构建不同地貌条件下农耕区地物遥感识 别模型，并进行精度对比分析。结果表明，面向对象的SVM分类结果保留了原始地物的大致轮廓，且地块较完整， 更为适用于喀斯特地貌条件下的农耕区地物识别，较基于像元的SVM分类方法总体精度高6. 54%，KaPPa系数高 0. 135;基于像元的SVM分类方法适用于地物分布规则的农耕区地物识别，相比面向对象的SVM分类方法总体精 度高 2. 92%，Kappa 系数高 0. 026。 关键词：无人机影像；农耕区；多尺度影像分割；SVM算法 中图法分类号：TP79文献标志码：A 收稿日期： 收稿日期：2019-02-01;修订日期：2019 -03 -15 基金项目：国家自然科学青年基金项目“基于主被动遥感的沼泽植被群丛时空分布与水文情势耦合研究”（编号资助、‘广 西八桂学者’专项经费资助、广西自然科学青年基金项目‘基于主被动遥感的北部湾红树林群丛时空分布与水文情势耦 合研究”（编号：2018GXNSFBA281015)、桂林理工大学科研启动基金资助项目（编号：GUTQDJJ2017096)共同资助。 第一作者：娄佩卿（1995 -)，男，硕士，主要从事遥感图像智能处理研究。Email: gisbu@126.com。 通信作者：付波霖（1988 -)，男，博士，副教授，主要从事RS和GIS的应用研究。Email: fbl2012@126.com。 〇引言 近年发展起来的低空无人机遥感，具有飞行高 度低，受云层影响小，飞行控制简单，起降灵活高效， 作业周期短等优点[1_4]，可弥补现有航天、航空遥感 和地面遥感系统的不足，完善地面作物监测体系，成 为地理国情监测中高空间分辨率数据获取的有利工 具[5-11] 1995年，Vapnik等[12_13]提出支持向量机（support vector machines ， SVM ) 这 —^新的机器学习算法〇 该算法具有分类结构简单、训练难度低、分类精度 高、收敛速度快等优点[14_1?。目前SVM算法主要 与基于像元和面向对象的影像分析技术相结合。在 基于像元的SVM算法中，Maulik等[2°_21]采用基于 迭代过程的半监督SVM对城镇SPOT遥感影像进 行基于像元的地物分类，结果精度高于标准SVM算 法；Yang等[22]提出了一种基于像元的最小二乘支 持向量机的RGB图像分割方法，结合像元及纹理特征，提高了 SVM分类器的泛化能力；Mugiraneza 等[23]采用基于像元的SVM算法定量评价城市景观 变化动态空间格局和可持续城市生态系统的管理。 在面向对象的SVM算法中，Li等[24]提出一种结合 栅格分析和矢量分析的面向对象SVM 土地覆盖分 类方法对QuickBird影像进行地物分类，分类精度高 于基于像元的分类方法；Malik等[25]首次利用多尺 度分割算法结合SVM分类器对Alsat - 2A高分影像 进行地物分类，并将总体精度（94. 23% )和Kappa 系数(0.93)作为分类结果的评价指标；裴欢等[26] 采用基于纹