基于無(wú)人機(jī)多光譜遙感的農(nóng)業(yè)園區(qū)地物分類研究

宋恩澤, 張 穎, 邵光成, 劉 杰, 王 羿, 朱雪穎

(1.河海大學(xué)農(nóng)業(yè)科學(xué)與工程學(xué)院,江蘇 南京 210098; 2.南京市江寧區(qū)水務(wù)局,江蘇 南京 211100; 3.天津市灌溉排水中心,天津 300074; 4.西安理工大學(xué)水利水電學(xué)院,陜西 西安 710048)

隨著鄉(xiāng)村振興戰(zhàn)略的提出,農(nóng)業(yè)產(chǎn)業(yè)園得到了快速的發(fā)展。農(nóng)業(yè)產(chǎn)業(yè)園在農(nóng)業(yè)技術(shù)推廣、種植結(jié)構(gòu)調(diào)整、項(xiàng)目孵化和企業(yè)孵化、農(nóng)業(yè)知識(shí)譜及等方面具有重要的引領(lǐng)和示范功能[1]。通常情況下,農(nóng)業(yè)產(chǎn)業(yè)園區(qū)面積較小,但土地利用類型多樣,地形結(jié)構(gòu)復(fù)雜,采用傳統(tǒng)的實(shí)地走訪測(cè)量會(huì)浪費(fèi)大量的人力、物力資源[2]?？旖轀?zhǔn)確的農(nóng)業(yè)園區(qū)土地利用類型調(diào)查對(duì)園區(qū)合理的種植規(guī)劃、復(fù)雜地物的分類監(jiān)測(cè)具有重要作用。

遙感技術(shù)是通過(guò)衛(wèi)星等飛行器收集地物目標(biāo)的光譜信息,對(duì)地物進(jìn)行判斷識(shí)別的技術(shù)。其中,衛(wèi)星遙感技術(shù)以人造衛(wèi)星為平臺(tái),因其覆蓋面大,探測(cè)周期短,可在大范圍內(nèi)進(jìn)行地物分類及監(jiān)測(cè),但是相對(duì)于航空遙感攝影,其分辨率相對(duì)較低。同時(shí),中高分辨率的衛(wèi)星遙感影像受天氣和云量影響明顯,在大比例尺制圖方面應(yīng)用有限[3-4]。無(wú)人機(jī)遙感具有作業(yè)靈活、實(shí)時(shí)性強(qiáng)、成本低及分辨率高等特點(diǎn),在土地利用調(diào)查中得到越來(lái)越多的應(yīng)用[5]。早期的無(wú)人機(jī)通常搭載RGB成像相機(jī),得到的RGB影像僅含紅(R)、綠(G)、藍(lán)(B)等可見光波段,這些波段對(duì)部分地物的敏感性較低,且構(gòu)建的植被指數(shù)類型較少,算法的適用性較差,只能通過(guò)目視解譯的方法進(jìn)行地物分類[6]。近年來(lái)隨著多光譜和高光譜相機(jī)的應(yīng)用,無(wú)人機(jī)得到的遙感波段信息更為豐富,為利用ENVI等專業(yè)軟件進(jìn)行自動(dòng)化地物識(shí)別提供了可能[7]。

目前,利用無(wú)人機(jī)高光譜及多光譜影像進(jìn)行地物分類的方法主要有傳統(tǒng)的監(jiān)督分類及非監(jiān)督分類[8]、面向?qū)ο笥跋穹诸怺9]、機(jī)器學(xué)習(xí)分類[10]及深度學(xué)習(xí)分類[11]等。Bryson等[12]基于無(wú)人機(jī)可見光影像,將地物紋理顏色作為分類特征用于大規(guī)模地形分類;楊蜀秦等[13]基于無(wú)人機(jī)多光譜影像,采用深度語(yǔ)義分割算法對(duì)Deeplab V3+進(jìn)行優(yōu)化并用于大田作物分類,比支持向量機(jī)法的分類精度提高了17.75%;楊紅艷等[14]基于無(wú)人機(jī)遙感和隨機(jī)森林法對(duì)荒漠草原的植被進(jìn)行分類,總體分類精度達(dá)到了91.06%,取得了較為優(yōu)良的效果;Lou等[15]基于面向?qū)ο蟮碾S機(jī)森林算法對(duì)沼澤植被進(jìn)行分類,總體分類精度可達(dá)70.26%以上。目前,將無(wú)人機(jī)遙感技術(shù)應(yīng)用于中小型農(nóng)業(yè)園區(qū)的地物分類尚不多見,且對(duì)分類后圖像的精度優(yōu)化研究鮮有報(bào)道。

鑒于此,本試驗(yàn)以河海大學(xué)農(nóng)業(yè)科學(xué)與工程學(xué)院節(jié)水園為研究對(duì)象,利用無(wú)人機(jī)采集研究地塊多光譜遙感圖像,將遙感圖像經(jīng)過(guò)主成分分析增強(qiáng)各波段光譜信息;在樣方調(diào)查的基礎(chǔ)上,分別利用支持向量機(jī)模型(SVM)、人工神經(jīng)網(wǎng)絡(luò)模型(ANN)、隨機(jī)森林模型(RF)等算法進(jìn)行地物分類,篩選最佳分類方法;進(jìn)一步對(duì)影響分類精度的復(fù)雜地塊做裁剪處理,并使用TensorFlow算法對(duì)最優(yōu)分類結(jié)果進(jìn)行深度學(xué)習(xí),優(yōu)化分類效果。

1 材料與方法

1.1 研究區(qū)概況

河海大學(xué)農(nóng)業(yè)科學(xué)與工程學(xué)院節(jié)水園(118°47′E,31°54′N)位于江蘇省南京市江寧區(qū),占地面積19 300 m2,海拔12 m。園區(qū)地處亞熱帶季風(fēng)氣候區(qū),四季分明,氣候溫和,無(wú)霜期長(zhǎng),光照充足。園區(qū)內(nèi)主要地物類別包括林/草地、耕地、水體、道路及房屋等,研究區(qū)地理位置及地物影像圖如圖1A所示。

1.2 數(shù)據(jù)獲取

無(wú)人機(jī)多光譜影像采集時(shí)間為2022年4月21日中午11:00-13:00,天氣狀況良好,晴朗無(wú)風(fēng),能見度好。采用大疆精靈4無(wú)人機(jī)(深圳市大疆創(chuàng)新科技有限公司產(chǎn)品)搭載P4 Multispectral多光譜相機(jī)(深圳市前海雅棋科技有限公司產(chǎn)品)。無(wú)人機(jī)沿著規(guī)劃布置的11條主航線采集多光譜數(shù)據(jù),航線長(zhǎng)度為1 671 m,飛行高度50 m,飛行速度5 m/s,航向重疊率及旁向重疊率分別設(shè)置為80%、 70%,主航線角度177°。

1.3 數(shù)據(jù)處理

將無(wú)人機(jī)采集的圖像按照藍(lán)光、綠光、紅光、紅邊及近紅外波段圖像分別導(dǎo)入Agisoft Metashape Professional軟件,依次進(jìn)行密集點(diǎn)云、網(wǎng)格和紋理處理,進(jìn)行圖像拼接,并生成正射影像及DEM(數(shù)字高程模型)影像。將獲得的正射影像導(dǎo)出至ArcMap10.5,以藍(lán)光正射影像為基準(zhǔn),通過(guò)地理配準(zhǔn)功能對(duì)另外4幅正射影像進(jìn)行圖像配準(zhǔn)。在ENVI Classic 5.5.3軟件中使用layer stacking功能將5個(gè)波段的正射影像進(jìn)行波段合成,由于無(wú)人機(jī)飛行高度較低,可不進(jìn)行大氣校正[16],直接使用Quick Atmospheric Correction功能進(jìn)行快速輻射校正,再通過(guò)裁剪處理,得到待分類圖像。

A:原始影像;B:主成分分析后的影像。圖1 研究區(qū)地物原始影像及主成分分析后影像Fig.1 Original and post principal component analysis images of features in the study area

1.4 研究方法

1.4.1 分類標(biāo)準(zhǔn) 根據(jù)試驗(yàn)區(qū)地物實(shí)地調(diào)查,結(jié)合中國(guó)土地利用現(xiàn)狀圖[17],將研究區(qū)地物分為農(nóng)村道路、空閑地、林/草地、裸土地、溝渠、設(shè)施農(nóng)用地、坑塘水面、塑料實(shí)驗(yàn)器材、建筑垃圾、農(nóng)村宅基地、工業(yè)倉(cāng)儲(chǔ)用地和陰影,具體分類標(biāo)準(zhǔn)如表1。在實(shí)地調(diào)查的基礎(chǔ)上選取了1 185個(gè)訓(xùn)練樣本,390個(gè)驗(yàn)證樣本。

表1 地物類型及影像特征

1.4.2 數(shù)據(jù)優(yōu)化 由于分類地物較為復(fù)雜,因此需對(duì)多波段圖像進(jìn)行圖像增強(qiáng)處理。主成分分析(PCA)是一種廣泛使用的圖像增強(qiáng)與數(shù)據(jù)降維算法,它將n維特征映射到k維上,在原有的n維特征基礎(chǔ)上重新構(gòu)造出全新的正交特征。利用PCA可對(duì)多波段圖像進(jìn)行降維,提高目標(biāo)研究區(qū)內(nèi)地物的植被指數(shù)、紋理特征和反射率[18],主成分分析后研究區(qū)影像如圖1B所示。

1.4.3 植被指數(shù)獲取 歸一化植被指數(shù)(NDVI)在植被生長(zhǎng)狀態(tài)和植被覆蓋度研究中展現(xiàn)出良好的效果[19],本研究中將NDVI作為指標(biāo)用于植被提取。

(1)

其中,ρNIR為近紅外波段反射值;ρR為紅光波段反射值。

1.4.4 分類模型選擇 隨機(jī)森林(RF)是一種基于學(xué)習(xí)理論的組合分類智能算法[20]。RF利用Bootstrap重抽樣方法從原始數(shù)據(jù)中抽取若干樣本,構(gòu)建全體Bootstrap樣本的決策樹,并對(duì)所有決策樹的預(yù)測(cè)結(jié)果進(jìn)行組合,并投票選出最終結(jié)果[21]。在對(duì)圖像進(jìn)行分類的過(guò)程中,每一個(gè)決策樹分別對(duì)像元進(jìn)行分類,而像元最終的類別由決策樹投票決定。因此,RF分類器能夠克服傳統(tǒng)分類器對(duì)多光譜數(shù)據(jù)進(jìn)行分類時(shí)存在的數(shù)據(jù)量大、訓(xùn)練樣本少且計(jì)算速度慢的問(wèn)題[22]。同時(shí)RF處理多維數(shù)據(jù)時(shí)不會(huì)出現(xiàn)過(guò)擬合現(xiàn)象[23]。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是由大量簡(jiǎn)單的處理單元連接成的復(fù)雜網(wǎng)絡(luò),通過(guò)模仿人腦對(duì)數(shù)據(jù)進(jìn)行識(shí)別、接受、處理及傳輸,是以模擬人類神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能為基礎(chǔ)而建立的一種信息處理系統(tǒng)[24]。各單元之間的作用函數(shù)如式(2)、式(3)。

(2)

(3)

其中,yj為神經(jīng)元j的輸入;xi為上一層第i神經(jīng)元值;wij為權(quán)系數(shù);θi為閾值;f為非線性激勵(lì)函數(shù)[25]。

支持向量機(jī)(SVM)[26]是目前被廣泛使用的一種監(jiān)督分類器,建立在統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上,可解決樣本量少的缺陷,實(shí)現(xiàn)高緯度模式識(shí)別[27]。

1.4.5 模型優(yōu)化 TensorFlow是一個(gè)將復(fù)雜的數(shù)據(jù)結(jié)構(gòu)體傳遞輸入至人工智能神經(jīng)網(wǎng)絡(luò)中并進(jìn)行分析和處理的新一代人工智能學(xué)習(xí)系統(tǒng)。TensorFlow包含了兩層含義: Tensor代表N維數(shù)組,Flow表示基于數(shù)據(jù)流圖的計(jì)算。TensorFlow表示數(shù)據(jù)流圖中數(shù)組在兩端點(diǎn)之間流動(dòng)的計(jì)算過(guò)程,在語(yǔ)音及圖像識(shí)別等機(jī)器學(xué)習(xí)與深度學(xué)習(xí)領(lǐng)域應(yīng)用較廣[28]。自2015年首次發(fā)布以來(lái),被廣泛用于改善機(jī)器學(xué)習(xí)中,但其在地物遙感分類方面的應(yīng)用較少。

1.4.6 評(píng)價(jià)指標(biāo) 對(duì)于不同分類模型輸出的結(jié)果,構(gòu)建驗(yàn)證樣本的混淆矩陣,并進(jìn)行下列指標(biāo)的計(jì)算,進(jìn)而進(jìn)行算法的比較。

總體分類精度(Overall accuracy):正確分類的地物像元與試驗(yàn)區(qū)總像元之比。

用戶精度(User accuracy):正確分類到i類的像元總數(shù)與分類器將整個(gè)影像的像元分為i類的像元總數(shù)比率。

Kappa系數(shù)[29](Kappa coefficient):通過(guò)將真實(shí)像元總數(shù)(N)乘以混淆矩陣的對(duì)角線之和,減去某個(gè)地物真實(shí)像元總數(shù)和該類中被分類像元的乘積,再除以總像元數(shù)的平方減去某一類地物真實(shí)像元與該類中被分類像元總數(shù)之積求和。

生產(chǎn)者精度(Producer accuracy):整個(gè)影像的像元正確分為i類的像元數(shù)與該類實(shí)際像元總數(shù)的比率。

1.5 技術(shù)路線圖

本研究采用的技術(shù)路線如圖2所示。

2 結(jié)果與分析

2.1 分類結(jié)果分析

利用SVM、RF、ANN模型對(duì)主成分變換后影像及SVM模型對(duì)未經(jīng)過(guò)主成分變換的原始影像進(jìn)行分類,結(jié)果如圖3所示。從圖3中可以看出,大部分情況下分類結(jié)果一致,局部地區(qū)存在一些差異,將3種分類模型各自分類結(jié)果與試驗(yàn)區(qū)RGB圖像目視比較,SVM、RF、ANN分類模型對(duì)植被及非植被地物的分類匹配度較高。樹木植被環(huán)繞試驗(yàn)區(qū)四周分布,農(nóng)田植被與裸土地邊界較為清晰,對(duì)于種植作物的設(shè)施農(nóng)用地,識(shí)別度也較高;對(duì)于工業(yè)倉(cāng)儲(chǔ)用地、農(nóng)村道路、坑塘水面等地物,3種分類模型均能較為準(zhǔn)確的分類。在分類其他地物時(shí),3種分類模型差距較大。RF、ANN分類模型將工業(yè)倉(cāng)儲(chǔ)用地附近空閑地錯(cuò)分為裸土地; ANN分類模型在分類建筑垃圾時(shí),常錯(cuò)分為工業(yè)倉(cāng)儲(chǔ)用地,分類效果不如SVM、RF分類模型。綜上所述,3種分類模型對(duì)林/草地、工業(yè)倉(cāng)儲(chǔ)用地、農(nóng)村道路等反射率及形狀與周邊差距較大的地物分類效果較好,RF分類模型對(duì)坑塘水面的分類效果較好。從整體來(lái)說(shuō),SVM分類模型對(duì)農(nóng)業(yè)園區(qū)地物的分類效果最好。

2.2 不同分類模型定量分類結(jié)果

根據(jù)不同分類模型得到的分類結(jié)果混淆矩陣(圖4),可得出不同分類模型的總體分類精度、用戶精度、Kappa系數(shù)及生產(chǎn)者精度,如表2和表3所示。

PCA降維:主成分分析降維;SVM分類模型:支持向量機(jī)分類模型;RF分類模型:隨機(jī)森林分類模型;ANN分類模型:人工神經(jīng)網(wǎng)絡(luò)分類模型。圖2 技術(shù)路線圖Fig.2 Technical flow chart

PCA降維、SVM分類模型、RF分類模型、ANN分類模型見圖2注。圖3 分類結(jié)果Fig.3 Classification results

a:空閑地;b:實(shí)驗(yàn)器材;c:設(shè)施農(nóng)用地;d:陰影;e:農(nóng)村宅基地;f:建筑垃圾;g:溝渠;h:坑塘水面;i:工業(yè)倉(cāng)儲(chǔ)用地;j:農(nóng)村道路;k:裸土地;l:林/草地。SVM:支持向量機(jī)分類模型;RF:隨機(jī)森林分類模型;ANN:人工神經(jīng)網(wǎng)絡(luò)分類模型。圖4 不同分類模型分類結(jié)果的混淆矩陣圖Fig.4 Confusion matrix of classification results of different classification models

表2 不同分類模型的分類精度

表3 不同分類模型分類的總體精度和Kappa系數(shù)

SVM分類模型對(duì)PCA降維前后的影像總體分類精度及Kappa系數(shù)分別為95.1%、97.40%和0.75、0.96。從PCA使用前后精度來(lái)看,主成分分析技術(shù)的應(yīng)用使總體分類精度和Kappa系數(shù)分別提高了2.30個(gè)百分點(diǎn)、0.21;從生產(chǎn)者精度來(lái)看,SVM分類模型對(duì)林/草地、坑塘水面、農(nóng)村道路、陰影、設(shè)施農(nóng)用地和建筑垃圾的分類效果最好,均超過(guò)99%;其次對(duì)于工業(yè)倉(cāng)儲(chǔ)用地、裸土地、溝渠和空閑地的分類精度也達(dá)到了90%以上;但是對(duì)農(nóng)村宅基地和塑料實(shí)驗(yàn)器材存在一定錯(cuò)分現(xiàn)象?？赡茉蚴且?yàn)樗芰掀鞑亩啻嬗诼阃恋丶爸脖粎仓?表面被泥土覆蓋或植被遮擋,使其部分像元分類為林/草地和裸土地。農(nóng)村宅基地組成多為表面刷漆石板結(jié)構(gòu),在顏色上與工業(yè)倉(cāng)儲(chǔ)用地極為相似,漆塊脫落后石板易被誤分為農(nóng)村道路。

RF分類模型總體分類精度及Kappa系數(shù)分別為95.95%、0.95。從生產(chǎn)者精度來(lái)看,林/草地、裸土地、農(nóng)村道路、工業(yè)倉(cāng)儲(chǔ)用地、坑塘水面、農(nóng)村宅基地、陰影和設(shè)施農(nóng)用地的分類精度較高,均能達(dá)到90%以上;但是,RF分類模型對(duì)溝渠和塑料實(shí)驗(yàn)器材有部分錯(cuò)分現(xiàn)象。溝渠由石料堆砌而成,其表面與工業(yè)倉(cāng)儲(chǔ)用地和農(nóng)村道路有一定相似性,從而導(dǎo)致實(shí)際溝渠被錯(cuò)分為工業(yè)倉(cāng)儲(chǔ)用地或農(nóng)村道路。

ANN分類模型總體分類精度和Kappa系數(shù)為87.17%及0.84,低于SVM、RF分類模型。但其對(duì)林/草地、裸土地、農(nóng)村道路、工業(yè)倉(cāng)儲(chǔ)用地、坑塘水面、陰影和設(shè)施農(nóng)用地等仍有較高的分類精度;對(duì)于建筑垃圾錯(cuò)分誤差為100%,對(duì)農(nóng)村宅基地、溝渠和塑料實(shí)驗(yàn)器材分類精度也較低。分析其原因是神經(jīng)網(wǎng)絡(luò)模型相比于其他模型,需要更多的訓(xùn)練樣本及數(shù)據(jù),建筑垃圾、農(nóng)村宅基地和塑料實(shí)驗(yàn)器材在試驗(yàn)區(qū)數(shù)據(jù)較少,無(wú)法做出較為準(zhǔn)確的分類。

2.3 TensorFlow優(yōu)化

從3個(gè)分類模型整體分類情況來(lái)看,SVM、RF、ANN分類模型的總體分類精度分別為97.40%、95.95%、87.17%,均超過(guò)80%,Kappa系數(shù)為分別為0.96、0.95、0.84,表現(xiàn)出較高的適用性。其中,SVM分類模型的表現(xiàn)最優(yōu),即SVM為最佳分類模型,因此,將SVM分類模型作為最優(yōu)分類模型進(jìn)行TensorFlow深度學(xué)習(xí),進(jìn)一步優(yōu)化分類模型。

對(duì)試驗(yàn)場(chǎng)地原始偽彩色圖像和SVM分類模型分類后圖像比較得出,試驗(yàn)區(qū)設(shè)施農(nóng)用地右側(cè)為透明薄膜棚區(qū),由于無(wú)人機(jī)多光譜圖像分辨率較高,棚內(nèi)裸土地和林/草地等由于薄膜遮蓋,部分地物被錯(cuò)分為農(nóng)村道路、工業(yè)倉(cāng)儲(chǔ)用地等,將其進(jìn)行深度學(xué)習(xí)訓(xùn)練,會(huì)影響整個(gè)試驗(yàn)區(qū)地物分類,不利于精細(xì)分類,如圖3A。因此,考慮將試驗(yàn)區(qū)圖像裁剪為a、b兩區(qū)分別進(jìn)行分類,裁剪結(jié)果如圖5。

對(duì)a、b兩區(qū)分別使用SVM分類模型分類后進(jìn)行深度學(xué)習(xí)優(yōu)化,得到分類結(jié)果如圖6。

經(jīng)TensorFlow深度學(xué)習(xí)優(yōu)化后的分類精度和混淆矩陣如表4及圖7所示。a、b兩區(qū)的分類精度分別為97.54%和99.12%,總體分類精度和Kappa系數(shù)分別為98.36%和0.98。與原始SVM分類結(jié)果相比,分區(qū)后的分類精度均有較大提高,但仍有部分農(nóng)村宅基地被錯(cuò)分為農(nóng)村道路,其原因在于園區(qū)內(nèi)農(nóng)村宅基地大多較矮小且與農(nóng)村道路材料組成相同,容易產(chǎn)生錯(cuò)分現(xiàn)象?？傮w來(lái)看,TensorFlow優(yōu)化能融合SVM分類模型與神經(jīng)網(wǎng)絡(luò)分類模型的優(yōu)點(diǎn),對(duì)樣本較少的地物也能保持極高的分類精度。

3 討論與結(jié)論

本研究將無(wú)人機(jī)多光譜影像應(yīng)用于農(nóng)業(yè)園區(qū)地物分類中,利用植被信息及光譜信息構(gòu)建模型,對(duì)比分析SVM、RF、ANN分類模型,篩選出了適用于中小型農(nóng)業(yè)園區(qū)地物分類的SVM分類模型。同時(shí),利用篩選出的模型通過(guò)TensorFlow訓(xùn)練深度學(xué)習(xí)樣本,提升了局部地區(qū)分類精度。研究結(jié)果對(duì)農(nóng)業(yè)園區(qū)地物分類有一定的參考價(jià)值。

篩選最優(yōu)分類方法過(guò)程中,SVM分類模型總體分類精度最高,達(dá)到了97.40%;其次是RF分類模型,總體分類精度為95.95%,但ANN分類模型僅為87.17%。綜合對(duì)比,SVM分類模型作為一種二分類模型,能夠很好地解決訓(xùn)練樣本較少的地物分類[30]。本研究區(qū)占地面積1.93 hm2,部分地物如塑料實(shí)驗(yàn)器材等樣本較少,而ANN分類模型雖然作為較智能的模型,但其需要大量的訓(xùn)練樣本進(jìn)行學(xué)習(xí),對(duì)于訓(xùn)練樣本較少的地物容易產(chǎn)生錯(cuò)分及漏分現(xiàn)象。同時(shí),ANN分類模型分類時(shí)存在隱藏層,使其分類過(guò)程中需要更多的計(jì)算量[31],運(yùn)算時(shí)間超過(guò)SVM分類模型及RF分類模型,在地物分類中適用性比SVM分類模型和RF分類模型低。

圖5 研究區(qū)裁剪圖Fig.5 Cutting map of the study area

圖6 裁剪分區(qū)圖的TensorFlow優(yōu)化分類結(jié)果Fig.6 The TensorFlow optimized classification resutls of the cutting maps

表4 SVM分類模型分類結(jié)果經(jīng)TensorFlow深度學(xué)習(xí)優(yōu)化后的分類精度

a:空閑地;b:實(shí)驗(yàn)器材;c:設(shè)施農(nóng)用地;d:陰影;e:農(nóng)村宅基地;f:建筑垃圾;g:溝渠;h:坑塘水面;i:工業(yè)倉(cāng)儲(chǔ)用地;j:農(nóng)村道路;k:裸土地;l:林草地。圖7 TensorFlow深度學(xué)習(xí)優(yōu)化后SVM分類模型的分類混淆矩陣Fig.7 Classification confusion matrix of SVM classification model optimized by TensorFlow deep leaming

在使用TensorFlow對(duì)最優(yōu)分類模型優(yōu)化時(shí),a、b 2個(gè)分區(qū)及完整園區(qū)總體分類精度分別為97.54%、99.12%、98.36%,與原始SVM分類模型的分類結(jié)果保持一致,但溝渠的分類結(jié)果明顯優(yōu)于原始分類結(jié)果,達(dá)到了98.00%,分析原因SVM分類模型作為一種傳統(tǒng)的機(jī)器學(xué)習(xí)分類模型,通過(guò)分離超平面來(lái)完成分類[32],溝渠由于未及時(shí)除草,和林/草地混雜從而影響SVM分類模型的分類;TensorFlow訓(xùn)練深度學(xué)習(xí)模型通過(guò)訓(xùn)練原始模型在待分類圖像中尋找相似特征,在SVM分類模型分類的結(jié)果上,使用深度學(xué)習(xí)算法,能夠更為準(zhǔn)確地實(shí)現(xiàn)溝渠分類。

圖像增強(qiáng)處理技術(shù)能夠有效提高地物分類結(jié)果,經(jīng)過(guò)PCA處理的圖像采用SVM分類模型的分類結(jié)果的總體分類精度及Kappa系數(shù)為97.40%、0.96,相比于應(yīng)用原始圖像總體分類精度和Kappa系數(shù)分別提高了2.30個(gè)百分點(diǎn)和0.21。

SVM、RF、ANN分類模型的總體分類精度,均超過(guò)了87%,表現(xiàn)出一定的適用性?？紤]分類耗費(fèi)時(shí)間及部分地物分類精度,SVM分類模型在樣本較少的地物分類中保持較高的準(zhǔn)確性,耗費(fèi)時(shí)間短,較為穩(wěn)定。

對(duì)分類好的圖像,可通過(guò)TensorFlow訓(xùn)練深度學(xué)習(xí)優(yōu)化,提高部分分類不佳的地物分類精度。經(jīng)過(guò)優(yōu)化后的a、b兩研究區(qū)總體分類精度分別為97.54%及99.12%,整個(gè)園區(qū)總體分類精度為98.36%,均比未經(jīng)TensorFlow處理的分類結(jié)果有所提高。

在復(fù)雜地物的分類中,反射率或形狀相似的地物會(huì)影響彼此的分類精度,造成錯(cuò)分、漏分等現(xiàn)象,通過(guò)裁剪將地物分別進(jìn)行分類能夠提高整個(gè)圖像總體分類精度。