基于機(jī)載CCD和ALS偽波形數(shù)據(jù)的山區(qū)地表分類研究

黃 侃 于 強(qiáng) 黃華國

(北京林業(yè)大學(xué)省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083)

0 引言

地表覆被是地球表面各種地物類型及其屬性特征的綜合體[1]，其空間分布變化反映了人類社會的經(jīng)濟(jì)活動發(fā)展過程以及生態(tài)格局的變化趨勢。同時，地表覆被的變化會引起地球表面物質(zhì)和能量的循環(huán)過程的改變，繼而對區(qū)域及全球的環(huán)境與氣候產(chǎn)生重要影響[2]。因此，地表覆被變化研究是當(dāng)今國際科學(xué)研究的前沿領(lǐng)域，也是我國全球變化研究所關(guān)注的重點(diǎn)領(lǐng)域。精準(zhǔn)的地表覆被數(shù)據(jù)對于研究社會經(jīng)濟(jì)發(fā)展的健康狀況、指導(dǎo)土地科學(xué)利用，以及研究區(qū)域乃至全球的生態(tài)環(huán)境和氣候變化具有重要意義[3-4]。遙感技術(shù)的出現(xiàn)極大方便了地表覆蓋分類及其變化監(jiān)測，但精度已經(jīng)基本達(dá)到了上限。而機(jī)載激光雷達(dá)(ALS)作為一種新興的高分辨率、高點(diǎn)密度的遙感空間數(shù)據(jù)獲取技術(shù)，在土地分類中具有重要應(yīng)用。目前其應(yīng)用主要集中于城市建筑提取分類[5-6]、森林分類[7-8]以及地質(zhì)地貌分類與識別[9-10]等方面。

然而，ALS點(diǎn)云數(shù)據(jù)缺乏直接表達(dá)物體表面的語義信息(例如紋理和結(jié)構(gòu))，且空間三維點(diǎn)云數(shù)據(jù)本身具有不連續(xù)性、不規(guī)則性以及數(shù)據(jù)的密度不均勻等，直接利用ALS點(diǎn)云數(shù)據(jù)進(jìn)行分類，操作較為復(fù)雜，且效果并不理想[5,11]。由于地物的復(fù)雜性、城市高大建筑的陰影問題以及光譜異質(zhì)性問題的存在，單獨(dú)利用光譜數(shù)據(jù)進(jìn)行土地利用分類同樣存在缺陷[12]，而結(jié)合ALS與光譜數(shù)據(jù)進(jìn)行分類則具有更大的潛力。

基于此，已有許多研究嘗試通過ALS數(shù)據(jù)與光譜影像數(shù)據(jù)融合進(jìn)行模式識別和地物提取與分類。其中，大多數(shù)研究均是通過ALS數(shù)據(jù)衍生出的歸一化地表模型nDSM或DEM和強(qiáng)度參數(shù)結(jié)合光譜數(shù)據(jù)衍生出的NDVI值或其他光譜特征參數(shù)對地表進(jìn)行分類和特征提取[13-20]，所采用的分類方法主要包括支持向量機(jī)SVM、決策樹、面向?qū)ο蠓椒皩?yīng)的改進(jìn)方法，對建筑、水體、綠地等地物的分類都表現(xiàn)出較高的精度。袁楓[21]利用統(tǒng)計方法，將ALS數(shù)據(jù)高程、激光強(qiáng)度信息和紅綠藍(lán)波段進(jìn)行分布統(tǒng)計，提取各種土地利用類別的特征值，利用框架理論對城鎮(zhèn)地區(qū)土地利用類型進(jìn)行了分類。

目前，大多數(shù)類似研究僅針對城市區(qū)域，區(qū)域內(nèi)地面相對規(guī)整，分類精度較高。山地區(qū)域由于地形起伏的影響，光學(xué)圖像容易產(chǎn)生陰影、同物異譜現(xiàn)象，而ALS數(shù)據(jù)則存在DEM的提取精度不足、光譜紋理信息缺乏等困難，光學(xué)圖像和ALS數(shù)據(jù)地表分類均面臨挑戰(zhàn)。針對山區(qū)復(fù)雜地形下的地表分類問題，本文從數(shù)據(jù)融合入手，提出一種基于ALS點(diǎn)云數(shù)據(jù)構(gòu)建大光斑偽波形，并結(jié)合點(diǎn)云強(qiáng)度信息和CCD影像的RGB 3波段信息的地表分類方法，并在安徽黃山地區(qū)進(jìn)行驗(yàn)證。

1 研究區(qū)概況及研究數(shù)據(jù)

研究區(qū)位于安徽省黃山市南部，地理位置為北緯29°39′58.76″～29°41′33.45″，東經(jīng)118°13′48.50″～118°23′3.09″。具體位置如圖1a所示。研究數(shù)據(jù)包括ALS點(diǎn)云數(shù)據(jù)(三維坐標(biāo)和強(qiáng)度)、配套的高分辨率CCD影像以及GlobeLand30全球分類產(chǎn)品。主要地物類型包括農(nóng)田、水體、村莊及森林。

1.1 點(diǎn)云數(shù)據(jù)和CCD

數(shù)據(jù)采集系統(tǒng)為Leica ALS60，飛行時間為2011年4月。ALS數(shù)據(jù)點(diǎn)云密度約為0.39點(diǎn)/m2，CCD數(shù)據(jù)空間分辨率約為1 m，共有15景影像。圖1b所示點(diǎn)云數(shù)據(jù)經(jīng)過ENVI LiDAR處理生成的DSM圖像，圖1c為經(jīng)過ENVI軟件幾何校正、精校正和配準(zhǔn)拼接后的CCD影像。

1.2 全球30 m地表覆蓋(GlobeLand30)分類數(shù)據(jù)

GlobeLand30分類產(chǎn)品數(shù)據(jù)(http:∥www.globallandcover.com)是中國國家基礎(chǔ)地理信息中心研制的全球30 m地表覆蓋產(chǎn)品，其在環(huán)境變化分析、土地資源管理等方面已經(jīng)得到廣泛應(yīng)用[22-27]。該產(chǎn)品基于30 m多光譜影像，包括TM5、ETM+多光譜影像和中國環(huán)境減災(zāi)衛(wèi)星(HJ-1)多光譜影像等。數(shù)據(jù)采用WGS 84坐標(biāo)系，UTM投影，6°分帶，參考橢球?yàn)閃GS 84橢球。本文從官方網(wǎng)站上下載2011年圖幅號N50-25的 GlobeLand30數(shù)據(jù)，包含了研究區(qū)全部范圍。

2 研究方法

2.1 偽波形提取

偽波形是激光雷達(dá)點(diǎn)云的一種轉(zhuǎn)換方式，可以更好地利用波形特征進(jìn)行分類。BLAIR等[28]在對熱帶森林冠層垂直結(jié)構(gòu)研究中發(fā)現(xiàn)，利用小光斑激光雷達(dá)高程信息模擬的垂直結(jié)構(gòu)和全波形裝置記錄的全波形數(shù)據(jù)基本相似。FARID等[29]在以小光斑激光雷達(dá)模擬的波形數(shù)據(jù)估計森林葉面積指數(shù)(LAI)的研究中，通過對比發(fā)現(xiàn)小光斑激光雷達(dá)模擬的波形和地基激光掃描儀的回?fù)懿ㄐ蜗嚓P(guān)程度能達(dá)到0.75。尤號田等[30-31]利用0.5 m為層間距分層統(tǒng)計小光斑激光雷達(dá)樣方內(nèi)不同高程的點(diǎn)云數(shù)據(jù)，模擬偽波形并提取了平均樹高、LAI、郁閉度和生物量等森林結(jié)構(gòu)參數(shù)，效果優(yōu)于其他方法。

為了能夠更好地將偽波形與CCD影像的像元進(jìn)行融合，假設(shè)偽波形的光斑近似于邊長為L的正方形。利用CSF濾波算法[32]對研究區(qū)ALS點(diǎn)云進(jìn)行濾波并獲取研究區(qū)5 m分辨率DEM。在此基礎(chǔ)上，用光斑內(nèi)所有點(diǎn)云高度減去DEM得到每個點(diǎn)的歸一化高程h。對所有樣地內(nèi)歸一化后的點(diǎn)云高程h經(jīng)過統(tǒng)計發(fā)現(xiàn)，絕大多數(shù)點(diǎn)云高程h均位于0～20 m范圍內(nèi)，約占99.8%，因此為了統(tǒng)一偽波形的統(tǒng)計范圍與橫坐標(biāo)刻度值，偽波形高程范圍設(shè)為0～20 m，分為10個區(qū)間段，每個區(qū)間段間隔2 m。將h從低到高以2 m為區(qū)間統(tǒng)計點(diǎn)云數(shù)量占光斑內(nèi)總點(diǎn)云數(shù)量百分比，以此構(gòu)成模擬的波形，即邊長為L光斑對應(yīng)的偽波形fw，其表達(dá)式為

(1)

式中nx——光斑內(nèi)高程h在[2(x-1),2x]范圍中點(diǎn)的數(shù)量

N——光斑內(nèi)所有點(diǎn)的數(shù)量

通過設(shè)置不同大小的光斑(L=10～80 m)進(jìn)行波形模擬便能得到一系列不同光斑大小的偽波形。偽波形的模擬公式與計算過程均基于Matlab程序?qū)崿F(xiàn)。

本文所用的高程歸一化方法比較簡略，僅能大致消減地形起伏對實(shí)際地物高程的影響，為避免引起因分類地形所產(chǎn)生較大誤差，后續(xù)可以考慮加入更多相關(guān)因子或者算法以更高的分辨率進(jìn)行歸一化。另外，由于水體能夠吸收激光脈沖，返回的能量幾乎為0，點(diǎn)云數(shù)量極少，基于此特性能夠很容易將水體從其他地類中區(qū)分，因此分析試驗(yàn)中未加入水體類型。

2.2 CCD影像處理

對15幅有重疊的CCD影像分別進(jìn)行幾何校正、精校正配準(zhǔn)后，將多幅圖像無縫拼接成一幅覆蓋整個研究區(qū)的圖像，并將研究區(qū)域從中分割，為后續(xù)研究提供數(shù)據(jù)基礎(chǔ)，圖像處理步驟均在ENVI軟件中實(shí)現(xiàn)。拼接中只在重合區(qū)進(jìn)行色彩融合調(diào)整。

2.3 特征曲線提取

利用同樣的方式對同一個光斑范圍內(nèi)所有點(diǎn)的強(qiáng)度信息，以及光斑垂直投影面覆蓋范圍對應(yīng)CCD影像數(shù)據(jù)相同區(qū)域范圍內(nèi)的各個像元RGB 3波段值，分別按從最小值到最大值分為10個等間隔區(qū)間統(tǒng)計每個區(qū)間點(diǎn)(或像元)的數(shù)量占總點(diǎn)(或像元)數(shù)的百分比，構(gòu)成與偽波形相類似的統(tǒng)計點(diǎn)云(或像元)相對數(shù)量分布曲線。其中，強(qiáng)度信息fI為未經(jīng)過標(biāo)定的相對度量，無量綱，經(jīng)過統(tǒng)計分析發(fā)現(xiàn)，大多數(shù)點(diǎn)云強(qiáng)度都位于0～10之間，因此強(qiáng)度信息區(qū)間范圍設(shè)為0～10。強(qiáng)度信息fI可表示為

(2)

式中mx——光斑中強(qiáng)度I在[x-1,x]范圍內(nèi)點(diǎn)的數(shù)量

CCD影像像元的RGB波段范圍均集中于50～150之間，因此所有像元的區(qū)間統(tǒng)計范圍設(shè)為50～150。RGB波段信息fR/G/B可表示為

(3)

式中n′x——光斑范圍內(nèi)CCD影像中像元R/G/B波段值域范圍[10(x-1)+50,10x+50]內(nèi)像元的數(shù)量

N′——光斑范圍內(nèi)所有像元的數(shù)量

將所有曲線相結(jié)合連接成一條曲線f，作為直徑L的光斑所屬特征曲線(類似高光譜曲線)，以此作為分類基礎(chǔ)。曲線f可表示為

(4)

2.4 判別分析

2.4.1光斑

為了探究偽光斑大小與分類精度的關(guān)系，找出最適合于分類的偽光斑長度L，預(yù)先試驗(yàn)1將光斑邊長L以10 m為步長，從10 m到80 m設(shè)置8個區(qū)梯度。在村莊、農(nóng)田、森林3種地類中分別選擇樣點(diǎn)進(jìn)行分類試驗(yàn)，每一個樣點(diǎn)代表一個偽光斑。樣點(diǎn)類別的選擇和區(qū)分均通過在高分辨率CCD影像上進(jìn)行目視判讀，記錄樣點(diǎn)坐標(biāo)與類別信息。部分樣點(diǎn)位置如圖2(圖中藍(lán)色圓形代表村莊；紅色三角形代表農(nóng)田；綠色正方形代表森林)所示。

圖2 部分樣點(diǎn)分布位置

由于作為分類的特征曲線具有較多的變量，在分類之前需要對分類曲線參數(shù)利用主成分分析(PCA)進(jìn)行降維處理，以滿足包含80%以上信息量為標(biāo)準(zhǔn)提取前n個主成分因子作為分類的依據(jù)。利用判別分析的方法對樣點(diǎn)進(jìn)行分類判別。將所有樣點(diǎn)隨機(jī)分為訓(xùn)練樣本和驗(yàn)證樣本，其中訓(xùn)練樣本占總樣本數(shù)量30%，驗(yàn)證樣本占70%。對不同偽光斑大小的分類特征曲線判別正確率進(jìn)行統(tǒng)計分析，得光斑大小與分類精度關(guān)系曲線。試驗(yàn)流程如圖3所示。所有統(tǒng)計分析和計算均通過Matlab程序?qū)崿F(xiàn)。

圖3 分類試驗(yàn)流程圖

2.4.2坡向

不同坡向下由于陰影的影響太陽輻射差異較大，這會影響到通過光譜圖像進(jìn)行分類的精度，較容易將不同坡向的森林分為不同的類型。進(jìn)行坡向分析試驗(yàn)，利用CCD影像結(jié)合偽波形進(jìn)行分類試驗(yàn)。共選取150個樣點(diǎn)，農(nóng)田、村莊和森林各50個樣點(diǎn)，森林中陰坡、陽坡各選取15個樣點(diǎn)，另外局部地勢相對平緩的森林中也挑選了20個樣點(diǎn)。設(shè)置訓(xùn)練樣本為總樣本量的30%，即45個樣點(diǎn)，其中每種地類中各取15個樣點(diǎn)。為了能更好地驗(yàn)證坡向?qū)Ψ诸惖挠绊?，森林的?xùn)練樣本均選自地勢平緩的樣點(diǎn)內(nèi)。其余的70%樣點(diǎn)作為驗(yàn)證樣本進(jìn)行判別分析，可以獲得判別精度。

2.4.3林分密度

同樣，林分密度不一的情況下光譜的分異性也較大，稀疏林分和密集林分在光譜圖像上差別也較大，在一定程度上影響光譜圖像的分類。進(jìn)行林分密度分析試驗(yàn)。3種地類分別選取50個樣點(diǎn)，其中位于森林的樣點(diǎn)疏森林、密森林各布有15個，疏密相間的混合區(qū)域也設(shè)置了20個樣點(diǎn)。驗(yàn)證樣本和訓(xùn)練樣本的選擇與坡向分析試驗(yàn)類似，森林的訓(xùn)練樣本選自混合區(qū)域樣點(diǎn)。

2.5 基于人工神經(jīng)網(wǎng)絡(luò)的土地利用分類

以前文所得的最優(yōu)光斑大小，提取研究區(qū)范圍內(nèi)區(qū)域的特征曲線，并且將特征曲線上50個變量看作50個波段，生成分辨率為L、波段數(shù)為50的研究區(qū)高光譜圖像。將研究區(qū)中地物分為森林、農(nóng)田、村莊、水體4種類型，分別從每種類型中選出60個分布相對均勻的像元作為訓(xùn)練樣本，采用人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)方法對地物進(jìn)行分類。人工神經(jīng)網(wǎng)絡(luò)ANN是由大量的處理單元(神經(jīng)元)廣泛互相連接而成的網(wǎng)絡(luò)，是一種具有高度非線性的分類分析方法，其特點(diǎn)和優(yōu)越性主要體現(xiàn)在3方面：自學(xué)習(xí)功能、聯(lián)想存貯功能和高速尋找優(yōu)化解的能力，特別適用于復(fù)雜非線性關(guān)系的遙感分類、回歸、評價和預(yù)測[33]。

根據(jù)訓(xùn)練樣本，分別利用偽波形曲線與CCD影像的RGB 3波段采用ANN對整個研究區(qū)進(jìn)行分類，在此基礎(chǔ)上結(jié)合50個波段30 m分辨率的分類圖像地表進(jìn)行研究區(qū)地表分類，用目視判讀的方式在研究區(qū)內(nèi)為每種地類選取特征明顯、具有代表性的區(qū)域作為真實(shí)值，對分類結(jié)果進(jìn)行驗(yàn)證。為了進(jìn)一步與僅采用光學(xué)數(shù)據(jù)進(jìn)行分類的常規(guī)方法進(jìn)行比較，選擇GlobeLand30分類結(jié)果產(chǎn)品對偽波形結(jié)合CCD影像的分類結(jié)果進(jìn)行對比驗(yàn)證。地表分類及精度驗(yàn)證均利用ENVI軟件實(shí)現(xiàn)。

3 結(jié)果與分析

3.1 偽波形提取效果

以L為30 m為例，圖4顯示了90個樣點(diǎn)的偽波形累積能量強(qiáng)度平均值。從圖中可以看出，不同地類偽波形曲線有較明顯差異，農(nóng)田地勢較為平緩，在較低高程內(nèi)的偽波形累積能量強(qiáng)度較大，因此大多數(shù)的偽波形累積能量集中于0～2 m區(qū)間內(nèi)。村莊由于有較多地面的回波，其0～2 m區(qū)間內(nèi)的偽波形累積能量強(qiáng)度平均值比森林高，而16～20 m的高程區(qū)間內(nèi)有回波的主要是森林，其他兩類均趨于0。這歸根于森林植被冠層的覆蓋，使得其地面低層回波點(diǎn)的數(shù)量少于建筑物零散分布的村莊和植被相對低矮或幾乎為平地的農(nóng)田，而高層的回波則高于另外兩類。

圖4 3種地類偽波形平均累積能量強(qiáng)度

3.2 特征曲線

圖5 3種地類特征曲線

3種地類的特征曲線如圖5所示，圖中曲線均為3種地類90個樣地的均值曲線。曲線范圍1～10代表點(diǎn)云平均強(qiáng)度信息fI，11～40分別代表R、G、B3個波段的頻率統(tǒng)計數(shù)據(jù)fR/G/B，41～50代表偽波形信息fw。可以看出，幾種地類平均值曲線在RGB 3個波段范圍內(nèi)(11～40)均呈現(xiàn)單峰分布，峰值居中，地類之間峰值差異不太顯著，只有村莊與其他兩類在R波段范圍內(nèi)峰值略有差異。而強(qiáng)度平均值曲線3種地類峰值點(diǎn)差異比較明顯，森林強(qiáng)度峰值明顯偏低，村莊其次，農(nóng)田強(qiáng)度平均值曲線峰值偏高。各段特征曲線互相之間有一定的互補(bǔ)性。

3.3 光斑對分類精度的影響

以選定的90個樣地作為試驗(yàn)樣本，分類精度與光斑邊長L關(guān)系如圖6所示。L在10～20 m范圍內(nèi)，精度相對較低，這是由于光斑過小，點(diǎn)云密度偏低，統(tǒng)計特征不明顯。L達(dá)到30～40 m時精度基本達(dá)到最高，而L超過50 m時精度有所下降，原因可能是光斑過大時一個光斑樣地中包含了多種地物，形成了混合像元。進(jìn)一步增大樣本量到130和150時，趨勢基本相同，說明規(guī)律較為穩(wěn)定。因此本文中選取L為30 m進(jìn)行進(jìn)一步的分類試驗(yàn)。

圖6 判別精度隨光斑邊長的變化曲線

3.4 坡向?qū)Ψ诸惥鹊挠绊?/h3>

單獨(dú)利用CCD影像RGB 3波段信息進(jìn)行判別分析，總體正確率為60.95%，Kappa系數(shù)0.414，混淆矩陣如表1所示，其中森林陽坡有較多樣點(diǎn)被錯分為農(nóng)田，村莊與農(nóng)田之間混分現(xiàn)象也比較多；加入偽波形信息后，誤判率顯著降低(表2)。105個驗(yàn)證樣本中只有4個判別錯誤，判別總體正確率96.19%，Kappa系數(shù)0.943，其中森林中陰坡陽坡及平地樣本均判別正確，對不同坡向的森林地類基本無明顯誤分為其他地類的情況。在山區(qū)，坡向會造成同為森林，但是由于光照陰影的影響,植被生長的差異和反射的光譜信息不同的現(xiàn)象，進(jìn)而降低分類精度。加入偽波形的特征曲線分類對地形的坡向差異適應(yīng)性較好。

表1 基于CCD影像的坡向試驗(yàn)混淆矩陣

表2 加入偽波形信息后的坡向試驗(yàn)混淆矩陣

3.5 林分密度對分類精度的影響

單獨(dú)利用CCD影像RGB 3波段信息進(jìn)行判別分析，總體正確率為67.62%，Kappa系數(shù)0.512，混淆矩陣如表3所示，其中疏林有較多樣點(diǎn)被錯分為農(nóng)田，村莊與農(nóng)田之間同樣有混分現(xiàn)象，同為森林，由于密度不同，可能會造成較大的光譜差異；加入偽波形信息后總體精度為91.43%，Kappa系數(shù)0.871，分類結(jié)果混淆矩陣見表4?？梢钥闯鲛r(nóng)田沒有出現(xiàn)誤判，農(nóng)田與疏林之間判別精度有較大提高，但是森林仍有兩個樣點(diǎn)被誤判為村莊，村莊有7個樣點(diǎn)誤判為森林。出現(xiàn)誤判的森林均為疏林，由此可以看出森林過于稀疏依然會對分類產(chǎn)生一定的影響，但是試驗(yàn)中疏林的誤判率能夠維持在較低的水平。而村莊的誤判率明顯更高，原因可能是村莊中部分區(qū)域有一定的綠化種植或原生植被覆蓋，加上村莊中建筑高度與喬木植被高度相當(dāng)，使其樣地中光斑內(nèi)同時具備類似于森林中的光譜反射條件和高程條件，很容易被誤分為森林。

表3 基于CCD影像的林分密度試驗(yàn)混淆矩陣

表4 加入偽波形信息后的林分密度試驗(yàn)混淆矩陣

3.6 圖像分類精度評價

1 m分辨率CCD影像、驗(yàn)證樣地位置范圍及各分類結(jié)果見圖7。圖7a中驗(yàn)證樣地綠色斑塊為森林、紅色斑塊為村莊、藍(lán)色斑塊為水體、粉色斑塊為農(nóng)田?；趥尾ㄐ吻€和CCD影像的分類結(jié)果總體精度分別為91.93%和68.08%，Kappa系數(shù)分別為0.866 8和0.518 6，混淆矩陣見表5和表6。

圖7 CCD影像及驗(yàn)證樣地與各分類結(jié)果對比

表5 基于偽波形分類結(jié)果的混淆矩陣

表6 基于CCD影像RGB三波段信息分類結(jié)果的混淆矩陣

從偽波形分類結(jié)果的混淆矩陣可以發(fā)現(xiàn)，基于偽波形分類結(jié)果中森林分類精度最高，幾乎沒有錯分誤差，只有少量的漏分誤差，主要與村莊有一定的混分。村莊區(qū)域則有較大的錯分誤差，其中多數(shù)被錯分為森林，這證明了利用偽波形高程信息進(jìn)行分類不利于區(qū)分部分高度與森林相類似的村莊區(qū)域。漏分誤差最嚴(yán)重的地類為水體，約有51%水體被分成了農(nóng)田和村莊，這是由于水體與農(nóng)田和村莊部分區(qū)域均比較平坦，在偽波形中更容易混淆難以被分辨。這些都是高程信息不足以分辨的部分。

而基于CCD影像RGB 3波段信息分類結(jié)果混淆矩陣中村莊的錯分誤差相對較低，相反，村莊的漏分誤差極高，被混分為其他地類的較多；水體也同樣與偽波形呈現(xiàn)相反的精度，水體的漏分誤差較低，而錯分誤差極高，錯分來源主要是森林與村莊，這也是由于3.4節(jié)中提到的部分陽坡面的森林和村莊中建筑表面光譜反射率較高，與水體相類似所引起的混分。

偽波形與CCD影像單獨(dú)分類結(jié)果的驗(yàn)證表明，兩類數(shù)據(jù)源各有優(yōu)勢且互相之間對于劣勢具有較高的互補(bǔ)性，有必要將其結(jié)合用于提升分類精度。

圖7d為結(jié)合CCD與ALS提取的50個波段30 m分辨率分類圖像地表分類結(jié)果，圖7e為GlobeLand30 分類產(chǎn)品在研究區(qū)范圍內(nèi)的分類結(jié)果?；隍?yàn)證樣地驗(yàn)證結(jié)果表明，CCD與ALS數(shù)據(jù)融合得到的50個波段分類圖像的分類結(jié)果總體精度為95.22%，Kappa系數(shù)0.919 2，混淆矩陣及各種地類的生產(chǎn)者精度和用戶精度見表7。對應(yīng)的研究區(qū)GlobeLand30產(chǎn)品總體分類精度為79.56%，Kappa系數(shù)0.661 8，混淆矩陣見表8，這與其產(chǎn)品描述中提到的總體分類精度83.51%，Kappa系數(shù)0.78相近，檢驗(yàn)結(jié)果可靠。

表7 基于50個波段分類圖像分類結(jié)果混淆矩陣

從結(jié)果中可以看出，集合CCD與ALS數(shù)據(jù)的50個波段分類圖像分類結(jié)果總體精度和Kappa系數(shù)(95.22%，0.919 2)均高于偽波形單獨(dú)分類(91.93%，0.866 8)，并且相較于CCD單獨(dú)分類(68.08%，0.518 6)有較大幅度提升，各種地類的用戶精度與生產(chǎn)者精度也都與兩者的結(jié)果基本持平或有顯著提高。同時，數(shù)據(jù)融合分類的結(jié)果總體精度也優(yōu)于GlobeLand30產(chǎn)品的總體分類精度。其中農(nóng)田的分類用戶精度(91.71%)相對于GlobeLand30產(chǎn)品(58.11%)有大幅度提升，森林(97.59%與73.89%)和村莊(90.25%與72.31%)的生產(chǎn)者精度也有較大幅度提升。

表8 基于GlobeLand30分類結(jié)果的混淆矩陣

4 結(jié)論

(1)ALS偽波形對于地面高程差別較大的地表差異顯著，利用其與光譜信息相結(jié)合能夠?qū)崿F(xiàn)信息量的互補(bǔ)，有助于提高分類及地物判別精度。

(2)不同光斑大小的偽波形對分類有一定的影響。光斑邊長過小，可能存在信息量不足，分類精度較低；而光斑邊長過大，則光斑內(nèi)可能包含多種地物，分類精度相應(yīng)也會有所降低。基于每平米點(diǎn)密度約0.39的ALS數(shù)據(jù)所構(gòu)造的偽波形及特征曲線，當(dāng)光斑邊長在30 m以內(nèi)時，隨著光斑邊長的增加，分類精度有明顯的提升，光斑邊長達(dá)到30～40 m時，精度達(dá)到峰值，此后隨著光斑邊長的增加，分類精度不再上升，且在一定范圍內(nèi)(50～60 m)有所降低，之后在峰值附近趨于穩(wěn)定。

(3)相對于單一光譜數(shù)據(jù)，利用偽波形進(jìn)行地物判別能夠更好地適應(yīng)復(fù)雜地形及地表覆被的影響，對于不同坡向、不同疏密度的森林，加入偽波形時判別準(zhǔn)確率較高。但是，對于綠色植被較多或者與其他地類有重疊的村莊地區(qū)，也出現(xiàn)了一些將村莊誤判為其他地類的情況。因此，偽波形結(jié)合光譜數(shù)據(jù)對于村莊地區(qū)中與其他地類混合度較大的分類效果有所欠缺。

(4)通過偽波形結(jié)合強(qiáng)度信息和光譜RGB 3波段信息進(jìn)行土地利用分類，分類總體精度達(dá)到95.22%，Kappa系數(shù)0.919 2，較同一地區(qū)的純光譜分類GlobeLand30產(chǎn)品(總體精度79.56%，Kappa系數(shù)0.661 8)精度有明顯的提高。