1、第 44 卷第 3 期2023 年 3 月激光杂志LASE JOUNALVol.44，No.3March，2023http /www laserjournal cn收稿日期:20220920基金项目:广西自然科学基金创新研究团队项目(No 2019GXNSFGA245001)、广西高校中青年教师基础能力提升项目(No 2020KY06031)作者简介:张高腾(1998)，男，硕士研究生，研究方向:激光雷达遥感。Email:1059859242 qq com通讯作者:王浩宇(1986)，男，博士研究生，讲师，研究方向:激光雷达遥感。Email:haoyu glut edu cn融合机载 LiDA
2、 和高光谱影像的土地利用分类张高腾1，王浩宇1，王成1，2，武晓康11桂林理工大学测绘地理信息学院，广西 桂林541004;2中国科学院空天信息创新研究院数字地球重点实验室，北京100094摘要:高光谱影像具有丰富的波谱和纹理信息，机载 LiDA 点云数据包含了地物高密度、高精度的三维信息。分别从两种数据中提取地物的光谱特征、纹理特征和高度特征，并进行不同的特征组合，然后采用随机森林分类器进行地物分类实验。结果表明，机载 LiDA 点云和高光谱数据在地物分类方面具有很强的信息互补性;融合了 LiDA 高度特征的总体分类精度和 Kappa 系数均优于仅使用高光谱影像，其中“PCA+NDVI+GL
3、-CM+CHM”的特征组合总体分类精度和 Kappa 系数最高，分别为 85.96%和 0.81;与未加入 LiDA 特征的组合相比，总体分类精度提高了 5.33%。关键词:机载激光雷达;高光谱影像;数据融合;随机森林;地物分类中图分类号:TN237文献标识码:Adoi:10.14016/j cnki jgzz.2023.03.133Fusion of airborne LiDA and hyperspectral image forland use and cover classificationZHANG Gaoteng1，WANG Haoyu1，WANG Cheng1，2，WU Xiao
4、kang11College of Geomatics and Geoinformation，Guilin University of Technology，Guilin Guangxi 541004，China2Key Lab of Digital Earth Science，Aerospace Information esearch Institute，Chinese Academy of Sciences，Beijing 100094，ChinaAbstract:Hyperspectral images contain abundant spectral texture informati
5、on，airborne LiDA contain highden-sity and highprecision threedimensional information of the features In this study，based on airborne LiDA dataand hyperspectral data，height features，spectral features and texture features are extracted from the two kinds of datarespectively to form different feature c
6、ombinations，and then random forest classifier is used for land use and coverclassification The results indicate that airborne LiDA and hyperspectral data have complementary information interms of feature classification;the overall classification accuracy and Kappa coefficient of the combination of L
7、iDAheight features were better than those of hyperspectral images only，with the highest overall classification accuracy andKappa coefficient of 85.96%and 0.81 for the combination of PCA+NDVI+GLCM+CHM，respectively;Comparedwith the combination without the LiDA features，the overall classification accur
8、acy was improved by 5.33%Key words:airborne lidar;hyperspectral images;data fusion;random forest;land cover classification1引言高光谱影像包含丰富的光谱信息，能够准确地描述地物的光谱特征，但在地物分类应用中通常会存在同物异谱和同谱异物现象。机载激光雷达(Light De-tection and anging，LiDA)可以直接获取地物高精度、高密度的三维空间信息，通常为离散点云，由于缺http /www laserjournal cn乏光谱/纹理信息，在地物分类方面表现出最
9、大的不足1。因此，融合机载 LiDA 点云的三维空间信息和高光谱影像的纹理信息，即可发挥各自优势、取长补短，提升地物分类的精度和可信度2。国内外已有学者开展了机载 LiDA 与影像数据进行地物分类、树种识别及生物量估测等方面研究，并取到了比单一遥感源更好的效果36。Chen 等7 将 Landsat8、环境一号卫星获取的多光谱影像与 Li-DA 融合进行地物分类，提高了光学影像的地物分类精度。Chu 等8 融合全波形 LiDA 数据和高光谱影像，利用支持向量机(super vector machine，SVM)对山区进行土地覆盖分类，结果表明融合数据分类精度更高，比仅用高光谱影像提高了 8%。
10、董彦芳等9 结合 LiDA 数据提取的归一化数字表面模型(normal-ized digital surface model，nDSM)数据与高光谱影像的植被指数特征，总体分类精度达到 84.0%，但仅将地物分为了建筑物与林地。杨思睿等10 采用稀疏多项式逻辑回归分类器对融合了高度特征、光谱特征的融合影像进行农作物精细分类，结果表明组合特征比单一特征的分类精度提升了 4.4%。虽然融合机载 LiDA 和高光谱影像的地物分类研究已有部分研究成果，但大部分研究使用的高光谱波段信息有限，并未利用到红边光谱特征与 LiDA 数据结合。而且，常用的支持向量机等方法在处理高维数据时效率不足，不适用于大规模
11、数据集。在已有研究基础上从机载 LiDA 数据和高光谱影像数据提取不同特征，设计了不同特征组合的融合数据集，采用效率更高、实现简单的随机森林算法(random forest，F)进行地物分类研究，并进行精度评价与对比，以提高分类精度，为土地资源利用监测、管理提供数据支持。2数据源机载 LiDA 和高光谱影像数据覆盖区域位于广西灵川县，地形平坦，包括民房、农田、林地、裸地等地物类型(图 1)。其中机载 LiDA 数据采集于 2020 年11 月 6 日，由 iegl VUX1 无人机 LiDA 系统获取，飞行高度约 120 m，平均点密度 38 点/m2，包含 xyz 坐标信息、强度信息及多次回
12、波信息。高光谱数据采用NanoHyperspec 高光谱成像仪于 2020 年 12 月 25 日获取，当日天气晴好，飞行高度为 130 m，空间分辨率为 0.12 m;波长范围为 400 nm1 000 nm，包含 270个光谱波段。图 1实验区地理位置3研究方法分别从机载 LiDA 点云数据和高光谱影像中提取地物的高度特征、光谱特征、红边特征及纹理特征，并设计了 5 种不同特征组合的影像，然后应用随机森林分类器对不同特征组合的影像进行土地利用分类，并比较其精度。技术路线如图 2 所示。图 2技术路线图3.1LiDA 点云特征提取首先采用三角网滤波方法进行点云滤波，然后采用不规则三角网方法(
13、Triangulated Irregular Network，TIN)对滤波后的地面点和非地面点进行插值，生成格网分辨率为 0.25 m 的数字高程模型(digital elevationmodel，DEM)和数字表面模型(digital surface model，DSM)，将插值生成的 DEM 和 DSM 进行差值运算，得到 nDSM。3.2高光谱影像特征提取高光谱影像包含丰富的地物光谱信息，波段数多，在分类过程中，会导致数据冗余、效率变低、影响分类精度，因此，首先要对高光谱影像数据进行降维处理11。主成分分析法(principal component analy-431张高腾，等:融合机
14、载 LiDA 和高光谱影像的土地利用分类http /www laserjournal cnsis，PCA)是目前应用最广泛的降维方法12，在 EN-VI5.3 中对高光谱数据进行降维处理，选取前 5 个主成分波段特征。利用红边波段可以增强不同地物间的区分度1314，根据所用高光谱影像的光谱特点，定义了 3种红边植被指数，组成红边特征集(后文以 E 表示)。归一化植被指数(Normalized Difference Vegeta-tion Index，NDVI)对绿色植被比较敏感，也是遥感影像分类中常用的植被指数。各植被指数计算公式如表 1 所示。表 1植被指数植被指数缩写计算公式归一化红边差值
15、植被指数NDENDE=E2E1(1)红边归一化植被指数NDVIreNDVIre=(NIE1)/(NI+E1)(2)红边叶绿素指数CIreCIre=NI/E11(3)归一化植被指数NDVINDVI=(NI)/(NI+)(4)注:NI 为近红外波段;为红波段;E1 为红边 710 波段;E2 为红边 750 波段纹理特征信息能够有效提升分类精度15，采用灰度共生矩阵(GrayLevel Cooccurrence Matrix，GL-CM)方法提取影像的纹理特征16，并选取了同质度、非相似性、对比度、相关性、熵和角二阶矩作为影像的纹理特征，对经 PCA 变换后的影像进行 GLCM 计算得到纹理特征。
16、3.3分类方法首先使用 ENVI5.3 软件，以高光谱影像为基准影像，选取 nDSM 和高光谱影像上明显的同名地物点作为配准基元进行配准。为探究不同特征组合的分类效果，根据提取的不同特征，设计了 5 个特征组合的融合影像，如表 2 所示。表 2不同特征波段组合特征组合特征波段数组合 1PCA5组合 2PCA+NDVI6组合 3PCA+NDVI+GLCM12组合 4PCA+NDVI+GLCM+CHM15组合 5PCA+E+GLCM+CHM13随机森林是一种机器学习算法，它将多棵决策树集成在一起组成“森林”，是目前遥感影像分类常用的方法，具有参数设置少、稳定性好、训练样本速度快、分类精度高等特点。根据实地调查数据和通过Google earth 高分辨率影像目视解译完成训练样本和验证样本的选择，使用 F 分类器，对构建的不同特征组合进行地物分类。在随机森林算法中，决策树的数量(ntree)和伪随机特征的数量(mtry)是两个关键参数，通过反复优化，将 ntree 设置为 100，mtry 设为特征数量的平方根。3.4精度评价采用 Kappa 系数和总体分类精度(Overall Classi-