基于无人机可见光影像与OBIA-RF算法的城市不透水面提取

不透水面是一种重要的城市地物类型,及时准确地获取城市不透水面信息对城市的合理规划、生态环境保护及可持续发展具有重要意义.低空无人机(Unmanned Aerial Vehicle,UAV)作为新型的遥感平台,具有操作灵活、时空分辨率高、受云雾影响小等优点,为中小尺度城市不透水面遥感监测提供了新的技术手段.以无人机可见光影像作为数据源,通过使用面向对象与随机森林算法相结合的方法开展对城市不透水面信息提取研究.首先,根据最佳尺度对影像进行分割并提取分割对象的不同特征,以光谱特征为基础,分别引入指数与地形特征建立方案S1～S4,以光谱、指数和地形特征为基础,分别加入纹理与几何特征构建方案S5～S7,以此来分析不同类型特征对不透水面提取效果的影响;同时,基于优选特征子集(13个)构建方案S8,基于上述8种方案,利用随机森林(Random Forest,RF)算法进行分类并确定最佳方案.然后,通过比较随机森林、支持向量机(Support Vector Machine,SVM)和K-最邻近法(K-Nearest Neighbors,KNN)算法在最佳方案的特征子集下的分类效果,评价随机森林算法对于不透水面的分类性能.结果表明:地形特征中的归一化数字表面模型(normalized Digital Surface Model,nDSM)对不透水面提取精度的提升作用最大,多个方案通过引入nDSM后分类精度均有较大幅度的提升(22.49～39.67个百分点);基于特征优选子集的S8方案分类精度最高,其总体精度达96.18％,Kappa系数为0.95,可见特征优选能够将高维度特征进行降维和优化,大幅减少特征数的同时还能一定程度提高分类效果;随机森林算法在最优特征子集下的分类效果优于SVM与KNN,总体精度比二者分别提升了1.35和14.18个百分点.可见面向对象和随机森林相结合的方法可有效开展城市不透水面精细化提取.该研究为基于无人机可见光影像的不透水面提取提供了一种新方法,也可为城市其他类别地物监测提供技术参考.