硬核！林地调查监测分类“照片”这样拍！( 二 ) 正所谓“工欲善其事

　　精灵 4 多光谱版无人机一次拍摄即可获取 6 张照片，分别是 RGB、B、G、R、RE、NIR 。将外业采集的影像导入到大疆智图中重建，重建类型选择“二维多光谱” 。大疆智图不仅能自动完成正射拼接，还可以给出 GNDVI、LCI、NDRE、NDVI等几种植被指数，多光谱成果地面分辨率达到 4 cm 。

　　在 GIS 应用软件中，对拼接好的数字正射影像图(DOM)和数字表面模型(DSM)进行裁剪，得到实验区的范围如图 4 所示。

----硬核！林地调查监测分类“照片”这样拍！//----

　　图4 研究区正射影像图

　　”多光谱“树种分类更高效

　　如何对多光谱遥感影像数据进行特征提取与地物分类？利用遥感影像分析软件，采用面向对象的方法对实验区的红树林物种进行精细分类。面向对象的方法首先要对遥感影像进行初始分割，得到一个个属性各异的同质区域，这些同质区域被称之为“对象”;进而从这些影像对象中提取多种特征，如光谱、形状、纹理、结构和空间关系等，最后引入采用随机森林分类算法以完成最终的影像分类。

　　第一步影像分割：在 Ecognition 软件中使用面向对象的方法，对实验区的红树林物种进行精细分类。影像分割是面向对象分类的基础，分割算法将影像分为多个对象单元，特征提取、分类器分类等方法均基于对象操作，分割的准确度影响分类精度。本次实验采用多尺度分割算法，经过多次调试，确定分割尺度、形状因子和紧致度因子分别为 180、0.5、0.5 。

　　第二步为地物分类。根据试验区地块的属性，该地块包含老鼠簕、黄槿、卤蕨、秋茄、桐花树、银叶树、芦苇等 7 种主要植物;水体与人工建筑归为其它类型;阴影对分类结果影响较大，单独分为一类，共计 9 类地物。

　　第三步采用随机森林分类算法执行分类过程。将蓝、绿、红、红边、近红外波段均作为光谱特征。纹理特征使用灰度共生矩阵，包括同质性、熵、对比度、差异性、角二阶矩、自相关、均值和标准差，对数据的红、绿、蓝 3 个波段提取这 8 种纹理特征，共计 24 个纹理特征。

　　从无人机影像中提取的 DSM 信息，能够反映出不同树种的相对高差， DSM 与 DOM 的融合数据能够有效提高红树林树种分类精度，所以把从影像中提取的 DSM 数据作为高度特征。在实验区内均匀的选择训练样本，执行分类过程，得到最终分类结果，如图 5 所示。