杨利娟 庞帅峰
（1.海南天涯人力资源管理服务有限公司，海南 海口 571000；
2.自然资源部第七地形测量队，海南 海口 571000）
2013 年以来，国家开展农村土地确权工作，对农村宅基地、耕地等利用情况开展确权登记，其中十分重要的一项工作就是进行全国范围内的宅基地普查测量[1,2]。农村不动产登记工作中，由于不动产确权登记工作的精度要求高、项目周期短、工作难度大、各地项目要求差异较大等，对较难获取准确信息的地区，甚至采用传统的全站仪测量手段[3]，成本高，工期长，承担部门投入了巨大的人力物力[4]。
随着硬件与软件技术的快速发展，无人机在测绘行业取得了广泛应用[5]。国内外众多学者开展了大量的无人机航空摄影应用研究工作，从硬件与软件两方面入手，提升无人机航摄技术在地面信息提取工作中的精度[6]。目前，农村不动产信息航摄影像提取主要依靠内业人工勾画，尚未形成全自动或半自动信息提取方案，而星载遥感影像的图像识别与分类已经应用成熟。相对于其他分类器分类精度高，面向对象分类方法的优势在于面向对象分类流程中，将像元通过多尺度分割，划分为一个个像元集合，即对象，然后以对象代替像元作为样本，带入监督分类器中进行图像识别与分类，以此避免混合像元对分类精度造成的影响[7]。而随机森林分类方法通过多场合应用与验证，其精度高于传统的面向对象分类方法，采用多尺度分割+随机森林分类的方法，势必大大提升遥感识别精度[8,9]。
本文在不动产确权工作中，选用搭载于六旋翼大疆M600 无人机获取的多光谱影像，采用多尺度分割+随机森林分类方法进行不动产信息遥感提取试验，探讨无人机影像在遥感分类中的适用性，研究多尺度分割方法在随机森林分类中的应用。
2.1 数据介绍
本研究选用的无人机平台为深圳市大疆公司生产的六旋翼无人机M600，该飞机具有起降灵活、维护简单、垂直起降场地无限制、携带方便、操作简单、飞行姿态稳定等优势，可实现定点悬停、低速飞行、多样载荷。搭载于无人机平台的镜头拍摄获取的影像为4 波段多光谱影像，涵盖了可见光近红外光谱范围，空间分辨率为5cm，具体成像效果如图1 所示。
图1 航空影像区
2.2 原理介绍
随机森林分类算法是一种高效的分类学习器，该算法将多个CART 决策算子集合到一起进行综合训练，最终生成一个新的综合型机器学习算法，该算法可预测几千个解释变量，是目前遥感影像分类中比较受欢迎的分类算法。
3.1 多尺度分割
选用多尺度分割方法对无人机航空影像进行像元分割，不同分割尺度得到的分割效果也各不相同，如图2 所示：图2（a）为分割尺度60 的分割效果，分割图斑琐碎，且独栋建筑按照像元边界分割成多个图斑，存在严重的过度分割，但该尺度适合裸地信息的分割提取；
图2（b）为分割尺度70 的分割效果，分割图斑较之前改善较多，且纹理信息的划分更加符合实际；
图2（c）为分割尺度80 的分割效果，分割图斑中的建筑信息被完整分割出来，且道路信息也较好地识别出来，但林地信息仍存在过度分割现象；
图2（d）为分割尺度90 的分割效果，分割图斑中水体与林地的分割效果达到最优，但建筑信息存在分割不饱和现象。
图2 不同尺度分割效果
3.2 样本选择
在上述多尺度分割的基础上，通过筛选不同分割尺度，进行不同地类的对象选择，筛选出的对象作为样本，送入随机森林分类算法中。通过对比得出以下结论：建筑样本选用分割尺度为80 的图斑、道路样本选用分割尺度为80 的图斑、林地样本选用分割尺度为90 的图斑、水体选用分割尺度为70 的图斑、裸地选用分割尺度为60 的图斑，通过不同分割尺度提取的样本如图3 所示。
图3 样本选择
3.3 随机森林分类
将上述样本带入随机森林分类算法中，得到如图4（a）所示的分类成果。为了便于对比多尺度分割+随机森林遥感识别放在不动产信息提取中的优势，将面向对象分类算法也进行了遥感分类，结果如图4（b）所示：整体来说面向对象分类效果整体较随机森林分类效果模糊，建筑物识别多为连片分布，独栋房屋未识别出来；
而随机森林分类算法的分类成果中，独栋房屋被完整识别出来，且分布规则，边界合理。但随机森林分类算法的道路信息提取效果较差，面向对象分类方法识别的道路信息更合理。
图4 不同分类算法遥感分类效果
无人机航空影像的不动产信息遥感提取效果分别如图5（a）、5（b）所示：面向对象分类算法在不动产信息的提取中具有较好的适用性，房屋信息均识别出来，但对于不动产登记工作要求的农村宅基地面积精准测量与提取精度，仍然不能满足；
而随机森林分类算法提取的不动产信息，具有较高的精度，独栋房屋提取效果显著，联排独栋房屋更是单独提取出来，并且未有连片提取的现象，在影像上部的不规则分布图斑中，随机森林分类算法的精度更是远高于面向对象分类算法，完好地区分出了硬化地表、荒地对不规则分布的独栋房屋遥感提取的影响。
图5 不同分类算法不动产信息提取效果
3.4 精度验证
对两种分类算法的提取精度进行验证，各地类提取精度如表1 所示：整体来说随机森林分类算法精度达到了97%，高于面向对象分类算法的分类精度。但面向对象提取结果中，道路信息提取精度高于随机森林的精度，究其原因是道路信息具有典型的几何特征，该特征在面向对象特征库中经过大量训练，可以较好地反映出来，而随机森林分类算法中对几何特征的计算有一定缺陷，但整体上，多尺度分割+随机森林分类方法在地物信息提取中仍优于面向对象分类方法。
表1 各地类精度验证
多尺度分割+随机森林分类算法在不动产信息遥感提取中的精度也具有绝对优势，如图6 所示，随机森林分类算法的精度高于面向对象分类精度8%，达到了91%，本研究采用的方法在无人机航空影像上的不动产信息提取工作中具有较好的应用性。
图6 无人机影像不动产信息提取精度
结合目前不动产确权工作的开展情况、无人机技术的使用情况、遥感手段的应用情况，本文采用多尺度分割+随机森林分类算法在无人机航空影像上进行不动产信息遥感提取，通过试验得出以下结论：
（1）大疆M600 无人机获取的多光谱影像质量较高，房屋等纹理信息表达清晰；
（2）通过多尺度分割工作，将房屋、道路等不同地物类型的像元特征进行最优组合，组合成不同的对象，并在分割基础上得到了相对纯净的样本对象；
（3）通过多尺度分割+随机森林分类的方法，得到了较理想的分类成果，房屋不动产信息的遥感提取精度较高，图斑提取边界清晰，与实际情况高度吻合，且道路、裸地等其他地类对其混淆较小，分类精度达到97%；
（4）对于不动产信息遥感提取，结合实际提取效果可知，本研究采用的方法已处于较高层面，且具有较好的应用性。
在选定区域内，多为联排房屋，且呈均匀分布，取得了较好的实验效果，但在分布凌乱的地区，尚未开展相关研究，后续将持续深入开展相关工作。
猜你喜欢 图斑面向对象尺度 地理国情监测中异形图斑的处理方法北京测绘(2022年9期)2022-10-11GEE平台下利用物候特征进行面向对象的水稻种植分布提取农业工程学报(2022年12期)2022-09-09新安县有序开展卫星遥感监测图斑核查工作资源导刊(信息化测绘)(2022年3期)2022-05-05基于C#编程的按位置及属性值自动合并图斑方法探究绿色科技(2021年5期)2021-11-28财产的五大尺度和五重应对内蒙古民族大学学报（社会科学版）(2020年2期)2020-11-06土地利用图斑自动检测算法研究计算机技术与发展(2020年4期)2020-04-30面向对象方法在水蓄冷PLC编程中应用分析电子制作(2019年7期)2019-04-25面向对象的组合软件工程研究数码世界(2018年10期)2018-12-19宇宙的尺度太空探索(2016年5期)2016-07-129时代英语·高三(2014年5期)2014-08-26