高光譜影像包含豐富的光譜信息，能夠準確地描述地物的光譜特征，但在地物分類應用中通常會存在同物異譜和同譜異物現象。機載激光雷達（LightDetectionandRanging，LiDAR）可以直接獲取地物高精度、高密度的三維空間信息，通常為離散點云，由于缺乏光譜/紋理信息，在地物分類方面表現出最大的不足。因此，融合機載LiDAR點云的三維空間信息和高光譜影像的紋理信息，即可發揮各自優勢、取長補短，提升地物分類的精度和可信度。本文在已有研究基礎上從機載LiDAR數據和高光譜影像數據提取不同特征，設計了不同特征組合的融合數據集，采用效率更高、實現簡單的隨機森林算法（randomforest，RF）進行地物分類研究，并進行精度評價與對比，以提高分類精度，為土地資源利用監測、管理提供據支持。

1數據源

機載LiDAR和高光譜影像數據覆蓋區域位于廣西靈川縣，地形平坦，包括民房、農田、林地、裸地等地物類型（圖1）。其中機載LiDAR數據采集于2020年11月6日，由無人機LiDAR系統獲取，飛行高度約120m，平均點密度38點/m2，包含xyz坐標信息、強度信息及多次回波信息。高光譜數據采用高光譜成像儀于2020年12月25日獲取，當日天氣晴好，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實驗區地理位置

2研究方法

分別從機載LiDAR點云數據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，并設計了5種不同特征組合的影像，然后應用隨機森林分類器對不同特征組合的影像進行土地利用分類，并比較其精度。技術路線如圖2。

圖2技術路線圖

2.1 LiDAR點云特征提取

首先采用三角網濾波方法進行點云濾波，然后采用不規則三角網方法（TriangulatedIrregularNetwork，TIN）對濾波后的地面點和非地面點進行插值，生成格網分辨率為0.25m的數字高程模型（digitalelevationmodel，DEM）和數字表面模型（digitalsurfacemodel，DSM），將插值生成的DEM和DSM進行差值運算，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，波段數多，在分類過程中，會導致數據冗余、效率變低、影響分類精度，因此首先要對高光譜影像數據進行降維處理。主成分分析法（principalcomponentanalysis，PCA）是目前應用最廣泛的降維方法，在ENVI5.3中對高光譜數據進行降維處理，選取前5個主成分波段特征。利用紅邊波段可以增強不同地物間的區分度，本文根據所用高光譜影像的光譜特點，定義了3種紅邊植被指數，組成紅邊特征集（后文以RE表示）。歸一化植被指數（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。各植被指數計算公式如表1所示。

表1植被指數

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，并選取了同質度、非相似性、對比度、相關性、熵和角二階矩作為影像的紋理特征，對經PCA變換后的影像進行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影像，選取nDSM和高光譜影像上明顯的同名地物點作為配準基元進行配準。為探究不同特征組合的分類效果，本文根據提取的不同特征，設計了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

隨機森林是一種機器學習算法，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，具有參數設置少、穩定性好、訓練樣本速度快、分類精度高等特點。本文根據實地調查數據和通過Googleearth高分辨率影像目視解譯完成訓練樣本和驗證樣本的選擇，使用RF分類器，對構建的不同特征組合進行地物分類。在隨機森林算法中，決策樹的數量（ntree）和為隨機特征的數量（mtry）是兩個關鍵參數，本文通過反復優化，將ntree設置為100，mtry設為特征數量的平方根。

2.4精度評價

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

3 結果與分析不同特征組合的分類結果如圖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。在加入植被指數和紋理特征后（組合3），植被和裸地的區分更明顯，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點云數據提取的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、農作物和裸地的區分也更明顯。

圖3不同特征組合分類結果

表3分類結果精度統計

注：PA為生產者精度；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系數分別為77.73%和0.69；組合5的分類精度最高，OA和Kappa系數分別為85.96%、0.81，說明高光譜影像融合植被指數、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點云數據提取的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據的分類精度；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均達到95%以上，說明紅邊光譜特征與從LiDAR數據提取的nDSM融合后對高植被的分類效果更好。

審核編輯 黃昊宇