_9,2地形特征信息提取
第八章 特征地形要素的提取
大规模的侵蚀沟形态，较小的侵蚀作用，只能产生较小的侵蚀沟。
河流水量的大小直接和流域面积大小有关，除干燥地区以外，一般是 流域面积越大，河流水量越大。
流域长度：主河道从流域出口到分水线的距离。
因而造成地形结构线的
漏判和误判。 所确定地形特征线具有 一定近似性，与实际地 形特征线存在差异。
• 3、基于地形表面流水物理模拟分析原理的算法
方法：汇水量——汇水线（山谷线）——分水线 （山脊线） 缺陷：汇水线误判：高处汇水量少的点被排除；低 处汇水量大的点被误认为是地形特征点。 分水线闭合与实际不符
• 2、模拟法
– 基于地表物质运动的水流模拟方法。
– 基本思想：
在自然表面上，水流沿 最陡方向向下流，并不断 地向下游汇聚。
二、地形特征点的提取
• 1、类型：
– 山顶点（Peak） – 凹陷点（洼地点，Pit） – 脊点（Ridge） – 谷点（Channel） – 鞍点（Pass） – 平地点（坡面点，Plane ）
若与洼地（1）相邻的洼地区域（2）的集水出口，位于洼地（1）、（2）
其他洼地依次处理
（2）平地处理
• 处理方法：
– Martz和Garbrecht（1992）高程增量叠加算法 – 增加栅格高程采样精度的十分之一、千分之一或万分 之一。
（3）水流方向
• 指水流离开此网格时的指向。
（3）水流方向
分水岭（分水线）：两个相邻集水区之间
的最高点连接成的不规则曲线。 流域出水口（集水出口 outlet）：水流离
开集水流域的点。
六、流域的提取
应用无人机可见光影像和面向对象的随机森林模型对城市树种分类
第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（３１９０１２９８），西藏自治区科学技术重点研发计划项目（ＸＺ２０２２０１ＺＹ０００３Ｇ），福建农林大学省级大学生创新创业训练项目（Ｓ２０２３１０３８９０４６），福建农林大学科技创新专项基金项目（ＫＦｂ２２０３３ＸＡ）㊂第一作者简介：陈逊龙，男，１９９８年１０月生，福建农林大学林学院，硕士研究生㊂Ｅ－ｍａｉｌ：１２２０４９６００２＠ｆａｆｕ．ｅｄｕ．ｃｎ㊂通信作者：张厚喜，福建农林大学林学院㊁南方红壤区水土保持国家林业和草原局重点实验室（福建农林大学）㊁海峡两岸红壤区水土保持协同创新中心（福建农林大学）㊁福建长汀红壤丘陵生态系统国家定位观测研究站，副教授㊂Ｅ－ｍａｉｌ：ｚｈａｎｇｈｏｕｘｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月２３日㊂责任编辑：王广建㊂应用无人机可见光影像和面向对象的随机森林模型对城市树种分类１）陈逊龙㊀孙一铭㊀郭仕杰㊀段煜柯㊀唐桉琦㊀叶章熙㊀张厚喜（福建农林大学，福州，３５０００２）㊀㊀摘㊀要㊀为及时准确的了解城市树种空间分布信息，提升城市居民生活水平和推动城市生态系统可持续发展㊂以福州市仓山区城市森林为研究对象，应用无人机（ＵＡＶ）监测城市树种空间分布及其动态变化的可见光影像，根据最佳尺度对影像进行分割，并提取分割对象的光谱㊁地形㊁指数㊁纹理和几何特征㊂通过对不同类型特征的组合构建不同的分类方案，利用递归特征消除法（ＲＦＥ）筛选出优选特征子集，利用面向对象方法结合随机森林（ＲＦ）模型对城市树种进行分类㊂结果表明：在随机森林模型分类的过程中，利用光谱特征对树种分类的总体分类精度为８２．１２％；地形特征对树种分类的贡献度率为１４．９６％；指数特征和纹理特征的引入，在一定程度提高了树种的分类精度；几何特征的贡献较小，在分类过程中没有明显的贡献㊂特征优选子集的Ｓ１０方案分类精度最高，总体精度达９２．４２％，Ｋａｐｐａ系数为０．９１㊂说明特征优选能够降低高维度特征的复杂性，在大幅减少数据冗余的同时提高了分类精度㊂在最优特征子集下，随机森林（ＲＦ）算法分类的总体精度比极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）和ｋ最近邻算法（ＫＮＮ）分别提高了１．１５％㊁１．８１％和１５．１５％，Ｋａｐｐａ系数分别提高了１％㊁２％和１７％㊂关键词㊀城市树种；无人机影像；面向对象；随机森林模型；地形特征分类号㊀Ｓ７７１．８ＵｒｂａｎＴｒｅｅＳｐｅｃｉｅｓＣｌａｓｓｉｆｉｃａｔｉｏｎｂｙＵＡＶＶｉｓｉｂｌｅＬｉｇｈｔＩｍａｇｅｒｙａｎｄＯＢＩＡ－ＲＦＭｏｄｅｌ／／ＣｈｅｎＸｕｎｌｏｎｇ，ＳｕｎＹｉｍ⁃ｉｎｇ，ＧｕｏＳｈｉｊｉｅ，ＤｕａｎＹｕｋｅ，ＴａｎｇＡｎｑｉ，ＹｅＺｈａｎｇｘｉ，ＺｈａｎｇＨｏｕｘｉ（ＦｕｊｉａｎＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ３５０００２，Ｐ．Ｒ．Ｃｈｉｎａ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：４８－５９．Ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ，ｉｍｐｒｏｖｅｔｈｅｌｉｖｉｎｇｓｔａｎｄ⁃ａｒｄｓｏｆｕｒｂａｎｒｅｓｉｄｅｎｔｓ，ａｎｄｐｒｏｍｏｔｅｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｕｒｂａｎｅｃｏｓｙｓｔｅｍｓ，ｔｈｉｓｓｔｕｄｙｔａｋｅｓｔｈｅｕｒｂａｎｆｏｒｅｓｔｉｎＣａｎｇｓｈａｎＤｉｓｔｒｉｃｔ，ＦｕｚｈｏｕＣｉｔｙａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ．Ｉｔａｐｐｌｉｅｓｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｓ（ＵＡＶｓ）ｔｏｍｏｎｉｔｏｒｔｈｅｖｉｓｉｂｌｅｌｉｇｈｔｉｍａｇｅｓｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｔｈｅｉｒｄｙｎａｍｉｃｃｈａｎｇｅｓ．Ｔｈｅｉｍａｇｅｓｗｅｒｅｓｅｇｍｅｎｔｅｄｂａｓｅｄｏｎｔｈｅｏｐｔｉｍａｌｓｃａｌｅ，ａｎｄｔｈｅｓｐｅｃｔｒａｌ，ｔｅｒｒａｉｎ，Ｉｎｄｅｘ，ｔｅｘｔｕｒｅ，ａｎｄｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｏｆｔｈｅｓｅｇｍｅｎｔｅｄｏｂｊｅｃｔｓａｒｅｅｘｔｒａｃｔｅｄ．Ｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｈｅｍｅｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｃｏｍｂｉｎｉｎｇｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔｗａｓｓｅｌｅｃｔｅｄｕｓｉｎｇｔｈｅｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎ（ＲＦＥ）ｍｅｔｈｏｄ．Ｔｈｅｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｗｅｒｅｃｌａｓｓｉｆｉｅｄｕｓｉｎｇｔｈｅｏｂ⁃ｊｅｃｔ⁃ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｒａｎｄｏｍｆｏｒｅｓｔ（ＲＦ）ｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｉｎｔｈｅｐｒｏｃｅｓｓｏｆＲＦｍｏｄｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｏｖｅｒａｌｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｕｓｉｎｇｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｗａｓ８２．１２％．Ｔｈｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｏｆｔｅｒｒａｉｎｆｅａｔｕｒｅｓｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｗａｓ１４．９６％．ＴｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆＩｎｄｅｘｆｅａｔｕｒｅｓａｎｄｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｉｍ⁃ｐｒｏｖｅｓｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｔｏａｃｅｒｔａｉｎｅｘｔｅｎｔ．Ｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｈａｖｅａｓｍａｌｌｃｏｎｔｒｉｂｕｔｉｏｎａｎｄｄｏｎｏｔｈａｖｅａｓｉｇｎｉｆｉｃａｎｔｃｏｎｔｒｉｂｕｔｉｏｎｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｏｃｅｓｓ．ＴｈｅＳ１０ｓｃｈｅｍｅｏｆｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｓｕｂｓｅｔｈａｄｔｈｅｈｉｇｈｅｓｔｃｌａｓ⁃ｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ９２．４２％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．９１．Ｔｈｉｓｉｎｄｉｃａｔｅｓｔｈａｔｆｅａｔｕｒｅｓｅｌｅｃ⁃ｔｉｏｎｃａｎｒｅｄｕｃｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｈｉｇｈ⁃ｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｓ，ｗｈｉｌｅｇｒｅａｔｌｙｒｅｄｕｃｉｎｇｄａｔａｒｅｄｕｎｄａｎｃｙａｎｄｉｍｐｒｏｖｉｎｇｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｕｎｄｅｒｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔ，ｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｔｈｅＲＦａｌｇｏｒｉｔｈｍｗａｓｉｎ⁃ｃｒｅａｓｅｄｂｙ１．１５％，１．８１％，ａｎｄ１５．１５％ｃｏｍｐａｒｅｄｔｏｅｘｔｒｅｍｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇ（ＸＧＢｏｏｓｔ），ｌｉｇｈｔｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍａ⁃ｃｈｉｎｅ（ＬｉｇｈｔＧＢＭ），ａｎｄｋ⁃ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒａｌｇｏｒｉｔｈｍ（ＫＮＮ），ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓｉｎｃｒｅａｓｅｄｂｙ１％，２％，ａｎｄ１７％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ㊀Ｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ；ＵＡＶｉｍａｇｅｒｙ；Ｏｂｊｅｃｔ－ｂａｓｅｄ；Ｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌ；Ｔｅｒｒａｉｎｆｅａｔｕｒｅ㊀㊀城市树木作为城市的重要组成部分是评估城市生态环境的重要指标之一，具有重要的生态㊁经济和社会效益［１］㊂随着城市化进程的不断深化，城市树木的生态效益也日渐凸显㊂然而，不同种类㊁种植结构和种植区域的城市树木会产生不同的生态环境效益［２］㊂因此，及时准确地获取城市树种的类别和空间分布信息对城市规划㊁城市树木的管理与维护具有重要意义［３］㊂传统的城市树种分类主要依靠地面调查，然而该方法存在成本高㊁耗时长且难以获取大尺度数据等不足［４］㊂近年来，遥感技术飞速发展，为城市树种的准确快速识别提供了新的途径㊂然而，传统的高分辨率卫星遥感影像易受天气和环境因素干扰㊁时效性较差且费用昂贵㊂此外，免费提供的卫星遥感影像空间分辨率低，难以适用于树种层面的识别研究［５］㊂相比传统的遥感平台，近地无人机（ＵＡＶ）能在较小空间尺度上提供高分辨率的遥感影像和地理数据，具有更高的适用性，是遥感数据获取的重要手段之一［６］㊂然而，目前有关树种信息提取的无人机遥感研究多集中于多光谱㊁高光谱影像的分类领域，但由于搭载多光谱㊁高光谱传感器的无人机普遍价格昂贵，极大地限制了其在实际生产中的推广应用㊂随着数码技术的发展，通过搭载可见光传感器的无人机获取包含树种信息的遥感影像，具有获取方便㊁成本低㊁空间分辨率高等优点，已成为遥感影像识别树种研究方向上重要的数据源之一［７］㊂根据遥感影像分类单元的不同，可将分类方法归为基于像元和面向对象两类㊂基于像元的方法主要关注局部像素的光谱信息，在处理高分辨率遥感影像时对噪声比较敏感㊁稳健性差，极易出现错分㊁漏分现象［８］㊂为弥补基于像元方法的不足，面向对象的影像分析技术（ＯＢＩＡ）逐渐被用于处理高分辨率遥感影像［９］㊂ＯＢＩＡ方法综合考虑区域相邻像素的纹理㊁形态以及空间结构等多维特征，减少了 椒盐噪声 的同时，通常具有更高的准确率［１０］㊂然而，随着特征维数的增加，数据处理的难度呈几何倍数增长，使得传统分类算法的应用受到一定限制㊂随机森林（ＲＦ）是一种基于集成学习思想集成多颗决策树的机器学习算法，通过对样本的决策树建模以及组合多棵决策树的预测，最终由分类树投票决定数据的分类［１１］㊂随机森林算法不仅具有模型简单㊁分类精度更高㊁校正参数更少的特点，而且鲁棒性强，不易过拟合，在遥感领域高维特征分类中得到广泛应用［１２］㊂面向对象方法可以有效减少 同物异谱 现象，而随机森林算法在处理高维数据时有其独特的性能优势，二者的结合在一定程度上提高了分类精度㊂宗影等［１３］将面向对象方法和随机森林算法的有机结合，有效提高了滨海湿地植被的分类精度，总体精度达８７．０７％；赵士肄等［１４］将面向对象方法和随机森林算法应用于耕地领域，并与其他机器学习分类算法进行对比验证，结果表明基于面向对象的随机森林模型取得了最高的耕地提取精度，并减弱了 椒盐 噪声，优化了分类结果；耿仁方等［１５］研究结果表明，基于面向对象结合随机森林算法对岩溶湿地植被具有较高的识别能力，在９５％置信区间内的总体精度为８６．７５％㊂虽然该方法的研究已经取得了一定的成功，但不同类型的特征对城市树种信息提取效果的影响尚不明确㊂因此，面向对象结合随机森林的方法对于城市树种分类的效果有待进一步探讨㊂此外，目前主流的数据源是大尺度的卫星影像和航空影像，或者是特征信息更加丰富的多光谱和激光雷达影像，而消费级无人机可见光影像在城市树种的精细分类方面还鲜有报道㊂因此，本文以福州市仓山区无人机可见光影像为研究对象，基于ＯＢＩＡ－ＲＦ模型，通过特征优选，构建最佳子集并比较不同机器学习算法的分类精度，并分析不同特征对城市树种分类的影响，构建该研究区城市行道树的最佳特征子集，比较不同分类算法对城市树种的分类效果，进一步评估ＯＢＩＡ－ＲＦ模型的分类性能和适用性，为城市生态系统保护及生态环境治理提供技术支持㊂１㊀研究区概况研究区位于福建省福州市仓山区（见图１），该区域属于南亚热带海洋性季风气候温暖湿润，冬季无严寒，夏季无酷暑㊂年日照时间１７００ １９８０ｈ，年降水量９００ ２１００ｍｍ，气温２０ ２５ħ㊂福州市仓山区典型树种包括白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉ⁃ｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌ⁃ｃａｔａｒｉａｆａｌｃａｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａ⁃ｃｈｙｃａｒｐｕｓｆｏｒｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ）等㊂研究区地势平坦，自然环境相对复杂，具备城市的基本特征，对研究城市树种分类具有一定的代表性㊂２㊀研究方法２．１㊀无人机数据采集与预处理实验数据于２０２０年２月８日采集，采用搭载ＦＣ６３１０Ｓ可见光镜头的大疆精灵４Ｐｒｏ（ＤＪＩＰｈａｎｔｏｍ４Ｐｒｏ）无人机进行航拍获取研究区影像，为削弱阴影对分类过程的干扰，选择天气状况良好无风有云的时间段进行作业㊂飞行相关参数设置如下：航高设置为６０ｍ，航向与旁向重叠率均为７０％，镜头角度－９０ʎ，光圈值ｆ／５，曝光时间１／２００ｓ，ＩＯＳ速度为ＩＯＳ－４００㊂本次飞行共获得４５０张航拍影像，照片分辨率为５４７２ˑ３０７８㊂通过瑞士Ｐｉｘ４Ｄｍａｐｐｅｒ专业摄影测量软件对所采集的原始数据进行空中三角测量㊁点云重建㊁裁切以及镶嵌等操作，得到研究区的正射影像（ＤＯＭ）和数字地表模型（ＤＳＭ）㊂为了精确获得研究区的道路信息，采用天地图在线矢量影像作为辅助信息，并通过手绘的方式提取道路矢量数据㊂根据实际调查情况，利用缓冲分析，将缓冲距离设置为５ｍ，得到了行道树的矢量分布图，然后，将矢量布图与原始影像叠加，最终裁剪出了研究区影像㊂２．２㊀地形特征提取归一化数字表面模型（ｎＤＳＭ）是一种反映地物绝对高度的高程模型［１６］，可为地物判别提供可靠依９４第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类据㊂使用ＡｒｃＭａｐ１０．２软件进行地形特征提取㊂首先，通过人工目视解译方法从ＤＳＭ中选取９５０个地面点，并批量提取栅格的高程信息，其中１００个样本点的高程数据用以验证精度㊂其次采用插值的方法生成数字高程模型（ＤＥＭ）㊂为获取更加精确的地面高程信息，比较常见的插值方法（克里金插值法㊁反距离权重法㊁样条插值法以及自然邻域法）生成的数字高程模型（ＤＥＭ），以均方根误差㊁平均绝对值误差和决定系数（Ｒ２）作为评分指标（见表１）㊂４种插值方法均可得到较高精度的ＤＥＭ数据，综合考虑决定系数（Ｒ２）㊁平均绝对值误差以及均方根误差，最终确定采用克里金插值法生成连续的ＤＥＭ数据㊂最后，根据已生成的ＤＥＭ数据，利用Ａｒｃ⁃Ｍａｐ１０．２软件中的栅格计算器，将ＤＳＭ数据与ＤＥＭ数据相减得到ｎＤＳＭ数据［１７］㊂图１㊀研究区概况图表１㊀不同插值方法精度评价方㊀法决定系数（Ｒ２）平均绝对值误差均方根误差克里金插值法０．９９０．０７０．０４反距离权重法０．９９０．０８０．０４样条插值法０．９９０．０８０．０５自然邻域法０．９９０．０７０．０４２．３㊀最佳分割尺度确定影像分割是面向对象方法中至关重要的初始环节，分割结果将直接影响分类精度［１８］㊂本研究采用尺度参数评价工具（ＥＳＰ２），结合目视解译的方法确定最佳分割尺度，所有图像分割过程均在ｅＣｏｇｎｉ⁃ｔｉｏｎ９．０Ｄｅｖｅｌｏｐｅｒ９．０软件完成㊂ＥＳＰ２是用以评价不同尺度影像整体最大差异性的工具，通过计算整体局部方差均值随尺度变化率评估不同地物所对应的最佳尺度参数［１９］㊂而ＥＳＰ２计算出的尺度参数往往是多个值，需要结合人工目视才能确定最佳分割尺度㊂形状参数和紧致度参数是准确表示不同树种轮廓，使得对象内部同质性高的关键㊂综合考虑无人机影像的特点以及影像对象形状和紧致度因子的相互关系，将形状参数设置为０．５，紧致度参数设置为０．３㊂其他必要参数为：各波段的权重值设置为１㊁起始分割尺度为４０㊁分割步长为１㊁迭代８０次㊂随着尺度的增大，局部方差均值整体呈现上升的趋势，而尺度变化率呈现下降的趋势（见图２）㊂为了获得图像的过分割和欠分割之间的临界值，选取尺度变化率峰值为５１㊁５７㊁７６㊁８０㊁８９㊁１０４㊁１０９和１１８作为相对最佳分割尺度参数，采用多尺度分割算法得到分割结果（见图３）㊂当分割尺度参数设置较大（分割尺度参数大于１０４）时，白兰㊁榕树和背景多处０５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷被划分为同一个对象，不同树种存在混淆现象难以被区分㊂当分割尺度参数设置较小（分割尺度小于７６）时，不同地物内部出现了过分割现象，增加了数据冗余㊂当分割尺度参数设置７６ ８９时，植被与背景区分相对明显，不同的树种之间能够被分割成独立的对象，整体分割效果较为理想㊂权衡分割效果与实际情况的吻合度，最终确定研究区无人机影像最佳分割尺度参数为７６，并利用该分割尺度参数进行城市行道树提取㊂图２㊀ＥＳＰ２最佳分割尺度估计图图３㊀不同尺度参数分割效果图２．４㊀对象光谱特征提取光谱特征是遥感影像的重要特征之一，地物通常具有不同的光谱特征，因此根据可见光影像中的地物光谱信息的差异可以用来区分不同的地物类型［２０］㊂植被指数利用植被在不同波段下反射和吸收的特性，增强植被信息的同时使非植被信息最小化［２１］，被广泛应用于林业病虫害防治㊁农作物生长量估计㊁生态环境监测等领域［２２］㊂在遥感图像中，不同地物通常具有复杂程度不同的边缘特征，因此，形状特征可以作为快速准确识别地物类型的有效手段［２３］㊂纹理特征是遥感影像的底层特征，不受图像亮度的影响，能够综合反映像素的灰度分布和结构信息，利用纹理特征可以有效弥补可见光影像光谱信息的不足［６］㊂在面向对象的分类过程中，结合纹理特征对于提升分类精度效果显著［２４］㊂地形特征能真实反映不同地物的高程信息，在影像分类过程中对于区分不同类型的地物具有重要意义㊂因此，本研究共选取光谱㊁指数㊁纹理㊁几何以及地形５大特征，剔除无效特征筛选出４０个子特征，具体如下：（１）光谱特征（ＳＰＥＣ）：主要包括：红色（Ｒ）波段的像元亮度的均值（ＭＲ）㊁绿色（Ｇ）波段的像元亮度的均值（ＭＧ）㊁蓝色（Ｂ）波段像元亮度的均值（ＭＢ）㊁最大差异值（Ｍｄ）㊁亮度值（Ｂｒ）㊂（２）指数特征（ＩＮＤＥ）：包括植被颜色指数（ＩＣＩＶＥ）㊁可见光波段差异植被指数（ＩＶＤＶＩ）㊁联合指数２（ＩＣＯＭ２）㊁超绿指数（ＩＥＸＧ）㊁超绿超红差分指数（ＩＥＸＧＲ）㊁植被指数（ＩＶＧＥ）㊁归一化红绿差异指数（ＩＮＧＲＤＩ）以及归一化绿蓝差异指数（ＩＮＧＢＤＩ）（见表２）㊂（３）几何特征（ＧＥＯＭ）：包括面积㊁边界长㊁宽度㊁长度㊁不对称性㊁长宽比㊁边界指数㊁圆度㊁像素个数㊁紧致度㊁体积㊁密度㊁椭圆拟合㊁主方向㊁形状指数㊁最大封闭椭圆半径㊁最小封闭椭圆半径以及矩形拟合㊂１５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类（４）纹理特征（ＧＬＣＭ）：基于灰度共生矩阵（ＧＬＣＭ）提取影像的纹理特征，包括对比度（ＴＣＯＮ）㊁相关性（ＴＣＯＲ）㊁相异性（ＴＤＩＳ）㊁熵（ＴＥＮＴ）㊁同质度（ＴＨＯＭ）㊁均值（ＴＭＥＡ）㊁角二阶矩（ＴＡＳＭ）和标准差（ＴＳＤ）等特征值［６］（见表３）㊂（５）地形特征：归一化数字表面模型（ｎＤＳＭ）㊂表２㊀植被指数及表达式指数特征公㊀式归一化红绿差异指数（ＩＮＧＲＤＩ）［２５］ＩＮＧＲＤＩ＝（ＭＧ－ＭＲ）／（ＭＧ＋ＭＲ）归一化绿蓝差异指数（ＩＮＧＢＤＩ）［２６］ＩＮＧＢＤＩ＝（ＭＧ－ＭＢ）／（ＭＧ＋ＭＲ）超绿指数（ＩＥＸＧ）［２７］ＩＥＸＧ＝２ＭＧ－ＭＢ－ＭＲ超绿超红差分指数（ＩＥＸＧＲ）［２８］ＩＥＸＧＲ＝ＭＧ－ＭＢ－２．４ＭＲ可见光波段差异植被指数（ＩＶＤＶＩ）［２１］ＩＶＤＶＩ＝（２ＭＧ－ＭＲ－ＭＢ）／（２ＭＧ＋ＭＲ＋ＭＢ）植被颜色指数（ＩＣＩＶＥ）［２９］ＩＣＩＶＥ＝０．４４ＭＲ－０．８８ＭＧ－０．３９ＭＢ＋１８．７９植被指数（ＩＶＧＥ）［３０］ＩＶＧＥ＝ＭＧ／ＭａＲＭ１－ａＢ，ａ＝０．６６７联合指数２（ＩＣＯＭ２）［３１］ＩＣＯＭ２＝０．３６ＩＥＸＧ＋０．４７ＩＣＩＶＥ＋０．１７ＩＶＧＥ㊀㊀注：ＭＲ㊁ＭＧ㊁ＭＢ分别为红㊁绿㊁蓝波段像元亮度的均值㊂表３㊀纹理特征及表达式纹理指标公㊀式角二阶矩（ＴＡＳＭ）ＴＡＳＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）２对比度（ＴＣＯＮ）ＴＣＯＮ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｊ）２相关性（ＴＣＯＲ）ＴＣＯＲ＝ðＮｇｉ＝０ðＮｇｊ＝０（（ｉ－ｕｘ）ˑ（ｊ－ｕｙ）ˑｐ（ｉ，ｊ）２）／σｘσｙ相异性（ＴＤＩＳ）ＴＤＩＳ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ｜ｉ－ｊ｜熵（ＴＥＮＴ）ＴＥＮＴ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｌｎｐ（ｉ，ｊ）同质度（ＴＨＯＭ）ＴＨＯＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（１／（１＋（ｉ＋ｊ）２））均值（ＴＭＥＡ）ＴＭＥＡ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｉ标准差（ＴＳＤ）ＴＳＤ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｕｘ）２㊀㊀注：其中ｉ，ｊ是像元在图像中的行列坐标，ｐ（ｉ，ｊ）为像素对的频数，Ｎｇ为灰度级数，ｕｘ㊁σｘ分别为ｐｘ的均值和标准差，ｕｙ㊁σｙ分别为ｐｙ的均值和标准差㊂２．５㊀试验样本选取本实验通过实地调查获取样本数据㊂调查者沿着研究区的主要道路记录了绿化树种，并排除了数量较少或被其他冠层遮挡的树种，最终确定了７类树种（白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌｃａｔａｒｉａｆａｌｃａ⁃ｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａｃｈｙｃａｒｐｕｓｆｏｒ⁃ｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ））以及草地㊁灌木作为研究对象㊂根据遥感影像中不同地物类型的分布位置与大致面积比例，共选取了１１００个样本点㊂为了避免较小的样本数量影响模型分类精度，将最小样本数量设置为６０㊂采用Ｓｃｉｋｉｔ－ｌｅａｒｎ中内置的ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ函数进行分层抽样，按７：３的比例将数据划分为训练集和测试集（见表４），使各类别样本点数量大致与该类别的总面积成比例㊂训练集用于构建分类模型，测试集用于验证分类精度㊂表４㊀训练和验证样本地物总样本数训练样本数测试样本数白兰２００１４０６０草地５０３５１５灌木５０３５１５荔枝１４０９８４２芒果２００１４０６０南洋楹１２０８４３６榕树１４０９８４２棕榈６０４２１８樟１２０８４３６总计１１００７７０３３０２．６㊀分类模型与参数优化２．６．１㊀随机森林算法随机森林算法（ＲＦ）是一种通过集成学习的装袋思想将多棵决策树集合起来的算法，每棵决策树都充当预测目标类别的分类器㊂随机森林模型在样本数据和分类特征选择方面具有随机性，不容易过拟合，并且表现出良好的稳健性，即使在处理具有缺失值的高维数据时，仍能保持较高的分类精度㊂因此，它被认为是当今最好的算法之一［３２］㊂目前，随机森林算法已经广泛集成在各种软件包中，使用Ｓｔａｔａ数据管理统计绘图软件㊁Ｒ语言统计软件可以轻松实现㊂在模型构造的过程中，通常只需要确定每个树节点包含的特征数量（Ｍ）以及决策树数量（Ｎ），就足以保证模型的性能［３３］㊂本文采取递归特征消除法（ＲＦＥ）［３４］结合交叉验证（Ｃｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ）确定最佳特征数（见图４）㊂随着特征维数的增加，整体分类精度曲线经历 几何增长 ㊁ 缓慢上升 这个两个阶段后趋于平稳㊂当特征数为２０时，各分类精度曲线均处于相对最高点，因此最终将特征数量的参数设置为２０㊂在使用装袋方法生成训练集的过程中，随机森林算法会导致原始数据集中大约３７％的数据未被抽到，这部分数据被称为袋外（ＯＯＢ）数据㊂利用袋外数据对随机森林模型进行评估是一种无偏估计方法，且在一定程度上能减少计算量，提高算法的运行效率［３５］㊂因此，本文采取遍历不同数量（１ １０００）决策树的方法，通过比较袋外误差的大小，确定最佳的决策树数量（见图５）㊂当决策树数量小于８５时，不同子集的袋外数据误差均随着决策树数量的增加而急剧下降，而后随着决策树数量的增加袋外数据误差的下降速度逐渐迟缓，当决策树数量为２００时，袋外数据误差处于相对最低点㊂因此，选择决策树２５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的最佳数量为２００㊂图４㊀模型分类精度与特征数的关系曲线图５㊀袋外误差与决策树数量的关系曲线２．６．２㊀其他分类模型为充分探索随机森林算法对城市树种信息提取的适用性，引入当下流行的机器学习算法作为对照，包括极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）以及ｋ最近邻算法（ＫＮＮ）㊂ＸＧＢｏｏｓｔ是一种基于增强学习（Ｂｏｏｓｔｉｎｇ）的集成算法，它通过在梯度下降方向上将弱分类器集成到强分类器中，并迭代生成新树以拟合先前树的残差㊂ＸＧＢｏｏｓｔ能够自动利用中央处理器（ＣＰＵ）的多线程进行分布式学习和多核计算，在保证分类准确度的前提下提高计算效率，尤其适用于处理大规模数据［３６－３７］㊂ＬｉｇｈｔＧＢＭ也属于增强学习方法，基本原理与ＸＧ⁃Ｂｏｏｓｔ相似㊂但ＬｉｇｈｔＧＢＭ使用基于直方图的决策树算法来减少存储与计算成本，并优化模型训练速度［３８］㊂ＫＮＮ算法是一种近似自变量与连续结果之间的关系的非参数方法［３９］，其基本思路是通过计算待分类样本与临近样本的距离（欧氏距离㊁曼哈顿距离）来确定所属类别，是一种简单而有效的分类算法㊂为了防止过拟合，本研究在ＪｕｐｙｔｅｒＮｏｔｅｂｏｏｋ平台上利用Ｓｃｉｋｉｔ－ｌｅａｒｎ库中的ＧｒｉｄＳｅａｒｃｈＣＶ包对这３种分类器参数进行了调优（见表５）㊂表５㊀不同分类器的超参数分类器参㊀数参数取值范围极致梯度提升（ＸＧＢｏｏｓｔ）决策树数量［５０，１００，１５０，２００］最大树深度［３，５，７，９］学习率［０．０１，０．０５，０．１０］样本抽样率［０．６，０．８，１．０］特征抽样率［０．６，０．８，１．０］轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）学习率［０．０１，０．０５，０．１０］决策树数量［５０，１００，１５０，２００］叶子节点数［１０，２０，３０，４０］最大树深度［３，５，７，９］ｋ最近邻算法（ＫＮＮ）近邻数［１，２，３，４，５，６，７，８，９，１０］２．７㊀试验方案构建不同树种之间单一特征的差异有限，难以满足树种分类的要求㊂因此，本研究采取增加特征数量的方式来提高分类精度，并探究不同特征组合对分类结果的影响（见表６）㊂表６㊀研究区各地物特征值地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟面积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１不对称性０．５５０．４３０．４４０．４３０．４５０．４２０．４８０．５６０．４５边界指数１．７４１．４６２．０１１．９７１．９９１．８４２．０６２．１９１．７９边界长５７８．７０３４０．２０４３１．９５６５０．４１６６９．２９６７０．７３４８８．１６４０８．６３６０１．００亮度值８３．１０７８．７９１１５．６９７４．０９７７．２０８１．１５７１．６３９６．８７６３．８３植被颜色指数－２９．１４－３３．１７－４７．７８－２１．１５－１８．８９－２１．６２－２９．９６－１７．７４－２０．１８联合指数２１４．１１１６．２５２０．１９１１．７４１０．７５１１．６０１５．２７９．２５１１．８２紧致度１．８５１．６３１．８７１．９１１．８６１．８０２．００２．３６１．８５密度２．０３２．１０２．０４２．１０２．１０２．１６１．９７１．８２２．０９超绿指数７６．６０８７．７７１１７．８１５９．６２５３．９３５９．８２８０．８３４８．３１５８．５２超绿超红差分指数－２１５．５６－２０４．０６－３０４．３３－１９４．８８－２０４．０７－１９９．５４－１６８．３２－２７３．２４－１５５．９７椭圆拟合０．６８０．７５０．６３０．６７０．６７０．７１０．５９０．５００．６８角二阶矩０００００００００对比度５５６．７７７８６．２４８７７．５５５９７．２９６１４．１２７７０．７７７１４．２５７６５．５１５１４．１１相关性０．８７０．８２０．８２０．８８０．８８０．８４０．８５０．８６０．９０相异性１７．１３１９．０５２１．６６１８．１２１８．６８２０．２８１９．７２１９．６２１６．６４熵８．７９８．６６８．９０９．１４９．１８９．１９８．９４８．６９９．０７同质度０．０６０．０６０．０５０．０５０．０５０．０５０．０５０．０５０．０６均值１２７．０３１２６．０７１２５．６７１２６．８１１２６．６８１２６．７３１２６．２３１２５．９７１２６．８８３５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类续（表６）地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟标准差３４．１７３４．６５３６．２３３６．４０３６．２３３５．７６３６．４０３７．６６３６．３２长度１４３．４５９１．１０８５．９６１３６．３３１３６．９０１４４．３８１００．０３８９．６２１３８．３１长宽比１．８１１．７４１．５２１．５５１．５５１．５１１．６２１．７８１．６１主方向１１３．６１１３０．６３９５．３２９６．５２９４．５６９４．５５９１．４８８３．５６８１．４５最大差异值１．６４１．６９１．５３１．４７１．３６１．２０１．５０１．３４１．４６蓝色（Ｂ）波段像元亮度的均值８４．４７６６．８０９４．６２７４．２０７９．０８８１．７２６３．６４１０５．５３６４．３８绿色（Ｇ）波段像元亮度的均值１３６．２２１３３．７５１８９．３６１１６．２８１１６．９０１２０．４０１１８．７９１４１．２９１０１．７２红色（Ｒ）波段像元亮度的均值１１１．３８１１２．９２１６６．２８９８．７４１００．７９９９．２６９３．１１１２８．７５８０．５５归一化数字表面模型０．３２１．７０１２．５１７．１６１２．０４２３．２０１０．９６１１．９３８．６７归一化绿蓝差异指数０．２１０．２７０．２７０．２００．１７０．１８０．２６０．１３０．２１归一化红绿差异指数０．１００．０９０．０７０．０８０．０７０．１００．１３０．０５０．１２像素个数６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１最大封闭椭圆半径０．５８０．７２０．４９０．５６０．５４０．６１０．４５０．３８０．５９最小封闭椭圆半径１．４５１．３９１．４４１．４９１．４５１．４３１．５１１．６３１．４５矩形拟合０．８２０．８６０．８００．８２０．８２０．８３０．７８０．７４０．８２圆度０．８６０．６７０．９５０．９３０．９２０．８２１．０６１．２５０．８６形状指数１．８４１．５５２．０９２．０４２．０６１．９０２．１６２．３２１．８６可见光波段差异植被指数０．１７０．２００．１９０．１５０．１３０．１４０．２１０．０９０．１７植被指数１．３６１．４３１．３８１．３０１．２６１．３０１．４６１．１８１．３７体积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１宽度８０．７８５２．７５５８．０３９０．８１９０．４９９７．８８６２．９６５１．４６８８．９４㊀㊀根据优选特征贡献率（见表７），将所选取的５大特征组合形成了１０种试验方案（Ｓ１ Ｓ１０）㊂光谱特征作为每幅遥感影像的基本特征，作为基础被纳入到这１０种方案的构建中㊂其中，Ｓ１仅包含光谱特征；为了全面探究其他特征对分类结果的影响，在Ｓ１基础上引入了地形㊁指数㊁纹理等３个总体特征贡献率较高的特征，通过遍历这３个特征的各种组合得到了Ｓ２ Ｓ８；Ｓ９包含了所有的特征；根据２０个优选特征组合建立Ｓ１０，具体的分类方案见表８㊂表７㊀优选特征重要性优选特征重要性／％归一化数字表面模型１４．９６最大差异值１２．４１联合指数２５．５７植被颜色指数５．４２绿色（Ｇ）波段像元亮度的均值４．８４归一化绿蓝差异指数４．６７超绿指数４．５８亮度值４．３６可见光波段差异植被指数３．４２植被指数３．２６红色（Ｒ）波段像元亮度的均值３．０５角二阶矩２．９０蓝色（Ｂ）波段像元亮度的均值２．８６超绿超红差分指数２．７８标准差２．２５归一化红绿差异指数２．２３熵２．０３相关性１．９７均值１．４１边界指数１．２８表８㊀分类方案方案特征子集特征数量Ｓ１光谱５Ｓ２光谱＋地形６Ｓ３光谱＋指数１３Ｓ４光谱＋纹理１３Ｓ５光谱＋地形＋指数１４Ｓ６光谱＋地形＋纹理１４Ｓ７光谱＋指数＋纹理２１Ｓ８光谱＋地形＋指数＋纹理２２Ｓ９光谱＋地形＋指数＋纹理＋几何４０Ｓ１０优选特征２０２．８㊀精度评价本文根据混淆矩阵对模型的分类精度进行定量评价㊂混淆矩阵也称为误差矩阵，是遥感影像二分类问题上的一种评价方法，反映了分类结果与真实地物类别之间的相关性［４０］㊂混淆矩阵的评价指标包括总体精度（ＯＡ）㊁Ｋａｐｐａ系数（Ｋｐ）㊁生产者精度（ＰＡ）以及用户精度（ＵＡ）㊂其中，总体精度指正确分类样本与总体样本的比值；生产者精度指分类结果与参考分类相符合的程度；用户精度指样本分类正确的可能性；Ｋａｐｐａ系数是用于检验遥感影像分类结果的一致性，也可以用以均衡分类效果［４１］㊂各指标计算公式如下：㊀㊀㊀㊀㊀ＯＡ＝ðｎｉ＝１ｘｉｉＮ；㊀㊀㊀㊀㊀Ｋｐ＝Ｎðｎｉ＝１ｘｉｉ－ðｎｉ＝１ｘｉ＋ｘ＋ｉＮ２－ðｎｉ＝１ｘｉ＋ｘ＋ｉ；４５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷㊀㊀㊀㊀㊀ＰＡ＝ｘｉｉ／ｘ＋ｉ；㊀㊀㊀㊀㊀ＵＡ＝ｘｉｉ／ｘｉ＋㊂式中：Ｎ为参与评价的样本总数；ｎ为混淆矩阵的行列数；ｘｉｉ为混淆矩阵第ｉ行㊁第ｉ列上的样本数；ｘｉ＋和ｘ＋ｉ分别为第ｉ行和第ｉ列的样本总数㊂３㊀结果与分析３．１㊀随机森林算法的不同分类方案精度由表９可知，随着不同特征类型数量的增加，总体分类精度和ｋａｐｐａ系数整体呈上升趋势㊂其中，仅利用光谱特征作为分类依据的方案Ｓ１精度最低，总体精度和ｋａｐｐａ系数分别为８２．１２％和０．７９，说明光谱特征是遥感影像最重要的特征之一，但仅利用光谱特征难以达到所需的分类精度㊂方案Ｓ２ Ｓ４是在Ｓ１的基础上分别加上地形㊁指数和纹理特征，相比方案Ｓ１，这３个方案的总体分类精度分别提高了５．１５％㊁４．５５％㊁１．８２％，ｋａｐｐａ系数分别提高了０．０６㊁０．０６㊁０．０３㊂在分类过程中，地形特征相较于指数和纹理特征扮演着更重要的角色，大幅提高了分类精度㊂方案Ｓ５ Ｓ７是在光谱特征的基础上加入地形㊁指数和纹理特征的两两组合，旨在研究它们之间的相互作用对分类精度的影响㊂整体而言，与Ｓ２ Ｓ４相比，这３个方案的总体分类精度呈上升趋势㊂其中，Ｓ６具有最高的总体精度和ｋａｐｐａ系数，分别达到９０％和０．８８；其次是Ｓ７，和Ｓ１相比，总体精度和ｋａｐｐａ系数分别提高了７．２７％和０．０９；而Ｓ５总体精度和ｋａｐｐａ系数只增长了６．３６％和０．０８㊂表明地形与指数特征交互作用在分类过程中提供了更大的贡献度㊂方案Ｓ８是由特征重要性靠前的光谱㊁地形㊁指数以及纹理特征构成㊂与包含所有特征的方案Ｓ９相比，Ｓ８反而具有更高的总体分类精度和ｋａｐｐａ系数，分别达到９２．１２％和０．９１㊂表明几何特征对分类精度具有负向影响，它的加入降低了分类精度㊂方案Ｓ１０由优选特征组成，其获得了所有子集中最高的分类精度和ｋａｐｐａ系数，分别为９２．４２％和０．９１㊂与Ｓ９相比，分类精度提高了０．６０％㊂说明特征优选方法能消除高维复杂特征间的信息冗余，使模型仅利用较少特征数量并获得更高的运行效率和分类精度㊂表９㊀不同分类方案分类精度方案总体精度／％Ｋａｐｐａ系数方案总体精度／％Ｋａｐｐａ系数Ｓ１８２．１２０．７９Ｓ６９０．０００．８８Ｓ２８７．２７０．８５Ｓ７８９．３９０．８８Ｓ３８６．６７０．８５Ｓ８９２．１２０．９１Ｓ４８３．９４０．８２Ｓ９９１．８２０．９１Ｓ５８８．４８０．８７Ｓ１０９２．４２０．９１㊀㊀由表１０可知，虽然Ｓ１方案的用户精度与生产者精度整体上处于最低水平，但棕榈树的用户精度达到了１００％，表明棕榈与其他树种存在明显的光谱差异㊂方案Ｓ２加入地形指数后，各类地物的用户精度与生产者精度相比Ｓ１都有不同程度的提高，用户精度提升幅度１．８８％ ８．１８％，生产者精度提升幅度２．７８％ １１．１１％，因为地形特征的加入更好的反映了不同地物之间的空间关系，从而大幅提高了分类精度㊂方案Ｓ３在Ｓ１的基础上加入了指数特征，荔枝㊁榕树以及樟的用户精度分别提升了１０．９５％㊁９．１８％和８．７２％，说明植被指数对荔枝㊁榕树以及樟分类效果显著，但对于其他树种的区分能力有限㊂方案Ｓ４加入纹理特征，芒果和樟的用户精度提升了８．８５％和９．００％，而棕榈和榕树的生产者精度分别提升了２２．２２％和１１．９％，说明这些树种的纹理结构特异性强与其他地物的差异显著，因此纹理特征的加入对分类精度有正向影响㊂方案Ｓ５与Ｓ２相比，荔枝和榕树的用户精度提升了７．０５％和５．１２％，而草地的精度下降了５．８８％；与Ｓ３相比，灌木的用户精度提升了４．４７％㊂总体而言，地形特征与指数特征的组合对分类精度的提升不显著，并且在某些树种的分类上精度出现不同程度的下降，说明这二者的组合产生了冗余信息影响了分类精度㊂方案Ｓ６与Ｓ２相比，芒果与樟的用户精度分别提升了６．４４％和７．６６％，而棕榈树和榕树的生产者精度分别提升了２７．７８％和１１．９０％，这个结果与方案Ｓ４类似，说明地形特征和纹理特征的组合与树种的分类精度呈正相关㊂方案Ｓ７与Ｓ６相比，除个别树种外，整体精度出现了不同程度的降低，波动范围为－６．２１％ ４．０４％㊂然而，与方案Ｓ５相比，总体分类精度有一定的提升，波动范围是－０．５８％ ７．５５％㊂方案Ｓ８与表现最好的方案Ｓ７相比，荔枝和榕树的总体分类精度分别提升了９．４２％和６．６７％，其他树种的总体分类精度保持稳定，这表明高维度的特征组合带来了更多的信息，在一定程度上提高了分类精度㊂综合所有特征的方案Ｓ９与Ｓ８相比，总体分类精度呈现出不升反降的现象，波动范围为－１０．２３％ ４．７４％，说明高纬度的特征产生了冗余信息，影响了随机森林模型的分类性能㊂优选特征子集Ｓ１０与Ｓ９相比，总体分类精度有所提升，其中灌木㊁草地以及荔枝的用户精度分别提升了１０．２３％㊁５．８８％和３．５５％㊂由此可见，特征优选通过对高维数据集的降维和优化，使模型仅利用较少的特征仍能保证良好的分类效果㊂３．２㊀应用优选特征子集对不同分类模型的精度评价由表１１可知，随机森林模型的分类精度最高，总体精度为９２．４２％，比ｋ最近邻算法（ＫＮＮ）㊁极致５５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类。
如何利用遥感影像进行地形高程信息提取
如何利用遥感影像进行地形高程信息提取引言：随着科技的不断进步和遥感技术的发展，利用遥感影像进行地形高程信息提取已经成为地球科学研究中不可或缺的一部分。
通过遥感技术，我们可以获取到地球表面的影像数据，然后利用这些数据进行地形高程信息的提取和分析。
本文将介绍如何利用遥感影像进行地形高程信息提取，并探讨其中的原理和技术方法。
一、遥感影像的获取遥感影像是通过航空或卫星传感器对地球表面进行感知和测量，获取到的图像数据。
遥感影像可以提供大范围、连续性的地表信息，具有分辨率高、重访率高的优点。
常见的遥感影像包括卫星影像和航空影像。
卫星影像是由各种地球观测卫星收集的数据，具有广覆盖、频率高的特点。
常见的卫星有Landsat、MODIS等，它们可以提供高分辨率的多谱段影像数据。
航空影像则是通过航空器对地表进行拍摄而获得，一般具有较高的分辨率和空间分辨率。
卫星影像适合用于大面积地形高程信息提取，航空影像适合用于对个别区域进行高程信息提取。
二、地形高程信息提取的原理地形高程信息提取是指通过遥感影像数据获取到地表不同位置的高程信息。
地形高程信息提取的原理是利用遥感影像中的光谱、纹理和几何等信息，结合数学模型和算法来重建地形表面。
常用的地形高程信息提取方法包括数字高程模型(Digital Elevation Model，DEM)的生成。
DEM是以数值形式表示不同区域的地表高程信息的一种地理信息系统数据模型。
通过对遥感影像进行处理，可以获取到DEM数据，进而利用DEM数据进行地形高程的分析和提取。
DEM数据常通过插值算法进行生成，得到地表的高程信息。
三、地形高程信息提取的技术方法1. 影像预处理地形高程信息提取之前，首先需要对遥感影像进行预处理。
这包括影像校正、辐射定标和几何纠正等步骤。
影像校正是指根据传感器和大气条件对影像进行校正，消除辐射误差；辐射定标是指将影像数字值转化为反射率或辐射率；几何纠正是指将影像与地理坐标系统进行匹配，以确保影像与地面位置对应。
如何通过遥感图像实现地形提取
如何通过遥感图像实现地形提取在当代科技快速发展的时代，遥感技术逐渐成为地球科学领域中不可或缺的工具。
遥感图像具有较大的空间范围和高分辨率的特点，可以提供大量的地学信息。
其中一项重要应用是地形提取，通过遥感图像分析提取地表地形特征，为地质勘探、城市规划、环境保护等领域提供了重要的支持。
首先，遥感技术的地形提取能够为地质勘探提供重要的数据基础。
地质勘探是寻找矿产资源、水源和石油等天然资源的过程，而地形是地质勘探的基础因素之一。
通过遥感图像的地形提取，可以快速获得地表高程、地势倾斜度等数据，帮助勘探人员在大范围的区域内确定具有勘探潜力的地区。
同时，地形提取还可以揭示地质构造，如断层、褶皱等，为进一步的地质研究提供了可靠的数据基础。
其次，遥感图像的地形提取对于城市规划和土地利用有着重要的作用。
城市规划需要充分考虑地形特征，以便合理利用土地资源，优化城市空间布局。
通过遥感图像的地形提取，可以获取城市区域的高程和地势信息，为城市规划提供客观依据。
例如，通过提取出具有较高海拔或较陡峭的地形特征，可以确定适合建设公园、雨水花园等的地区，以实现城市生态和环境保护的目标。
此外，地形提取还可以帮助确定建筑物的基础设施建设，如确定底层水位、排水设备等。
另外，遥感图像的地形提取对环境保护和灾害防治也具有重要的意义。
通过遥感图像分析，可以提取出具有较高高程、较陡峭的地区，进而判断出潜在的滑坡、泥石流等自然灾害风险区域。
在环境保护方面，地形提取可以帮助监测河流流向、河床演变等，为水资源管理和河流生态保护提供重要信息。
通过对遥感图像进行地形提取分析，可以及早预测和预防自然灾害，减少损失，保护人民的生命和财产安全。
此外，遥感图像的地形提取还可以为地理研究提供支持。
地理研究常常需要获取地表地形信息，例如地形特征的形成机制、地壳构造演化等。
通过遥感图像的地形提取，可以获取大范围地区的高程、地势信息，为地理研究提供了快速而准确的数据。
特征地形要素的提取
A′
A-A′两点间得通视剖面图 深色实线条为可视区,浅色虚线为不可视区
可视域
可视性分析最基本得用途
可视查询 地形可视结构计算(即可视域得计算) 水平可视计算
基于地形表面几何形态分析原理得算法
找出DEM得纵向与横向得两个断面上得极大、极 小值点,作为地形特征线上得备选点; 根据一定得条件或准则将这些备选点划归各自所 属得地形特征线。
基于地形表面流水物理模拟分析原理得算法
点上得汇水量,然后按汇水量单调增加得顺序,由高到低找出区域中 得每一条汇水线
基于地形表面几何形态分析与流水物理模拟 分析相结合得算法
4、 水系得提取
水系提取有关得概念
集水流域 集水出口 子流域 分水岭 水流网络
基于地表径流漫流模型得水系提取算法
四个基本问题
洼地得处理; 平地得处理; 水流方向及水流累积量得确定; 水道起始位置得确定。
经处理后得平地单元格
水流方向及水流累积量得确定
5、 流域得提取
原始DEM数据
经填充后得无洼地DEM
特征地形要素的提取
主要内容
地形特征点得提取 山脊线、山谷线得提取 沟沿线得提取 水系得提取 流域得提取 可视性分析
1、 地形特征点得提取
山顶点(peak) 凹陷点(pit) 脊点(ridge) 谷点(channel) 鞍点(pass) 平地点(plane)等
2、 山脊线、山谷线得提取
山脊线与山谷线构成了地形起伏变化得分界线 (骨架线)
概略DEM得建立 地形流水物理模拟 概略地形特征线提取 地形几何分析 地形特征线精确确定。
大家学习辛苦了，还是要坚持
继续保持安静
平面曲率与坡位组合法
利用DEM数据提取地面得平面曲率及地面得正负 地形,取正地形上平面曲率得大值即为山脊,负 地形上平面曲率得大值为山谷
地形测绘技术中的地貌特征提取与分析方法
地形测绘技术中的地貌特征提取与分析方法引言地形测绘技术是通过测量和分析地球表面的形状和特征来获取地形信息的一项重要技术。
在地理信息系统、城市规划、环境保护等领域中，地形测绘技术的应用越来越广泛。
地貌特征的提取和分析是地形测绘中的关键步骤，通过这些方法，我们可以对地球表面的地貌特征进行深入研究并获取有价值的信息。
一、数字高程模型数字高程模型（Digital Elevation Model，简称DEM）是地形测绘中常用的一种数据模型，它以矩阵形式表示地球表面的高程信息。
DEM可以通过多种方式获取，包括航空摄影测量、遥感影像解译、全球定位系统等。
在DEM中，每个格点都包含一个高程数值，通过对这些数据进行分析，可以提取地貌特征。
二、坡度和坡向分析坡度和坡向分析是地貌特征提取的常用方法，通过计算DEM中每个格点的坡度和坡向数值，可以揭示地表的起伏变化。
坡度指的是地面上某一点的斜率大小，通常以百分比或角度表示；坡向指的是地表某一点的指向，一般以方位角表示。
通过坡度和坡向的分析，我们可以获得地球表面的地势特征，比如山脉和河流的走向等。
三、山体阴影分析山体阴影分析是一种基于光照模型的地貌特征提取方法。
通过模拟太阳光照射地球表面，可以生成山体的阴影图像。
在阴影图像中，暗区代表山体的凹陷部分，亮区代表山体的凸起部分。
通过对山体阴影图像的分析，我们可以获得地貌特征中的山谷、山脊等信息。
四、地貌湿度指数地貌湿度指数是一种基于遥感数据的地貌特征提取方法。
通过分析植被覆盖的水汽蒸发和土壤含水量等因素，可以计算出不同地区的地貌湿度指数。
地貌湿度指数可以反映地表的湿润程度，对于研究地表的水域分布、植被类型等有重要意义。
通过地貌湿度指数的分析，可以了解地球表面的水文特征。
五、地貌类型分类地貌类型分类是一种将地球表面的地貌特征划分为不同类别的方法。
通过对DEM数据进行分类和聚类分析，可以将地表划分为山地、平原、台地等不同的地貌类型。
特征提取在地理信息系统中的应用(Ⅲ)
地理信息系统（GIS）是一种将地理空间信息与属性数据相结合的技术，可以用来分析和展示地理空间数据。
在GIS中，特征提取是一个重要的步骤，它可以帮助用户从地理空间数据中提取出有意义的特征，以便进行进一步的分析和应用。
一、特征提取的概念和意义特征提取是指从原始数据中提取出具有特定意义和特征的信息。
在GIS中，特征可以是地形、土地利用、水文、交通等各种地理现象和对象。
通过特征提取，可以将这些复杂的地理空间数据转化为便于分析和应用的形式，帮助用户更好地理解和利用地理信息。
二、特征提取的方法在GIS中，特征提取可以采用多种方法，其中最常见的包括图像处理、遥感技术和地理数据挖掘。
图像处理技术可以通过对地理影像进行分割、分类和识别，提取出各种地理特征，如建筑物、道路、植被等。
遥感技术则可以通过获取遥感影像数据，利用遥感图像的光谱、空间和时间信息，提取出地表的各种地理特征。
地理数据挖掘则可以通过对地理数据进行聚类、关联分析和空间模式挖掘，发现其中的潜在特征和规律。
三、特征提取的应用特征提取在GIS中具有广泛的应用，其中最主要的包括地形分析、土地利用规划、环境监测和资源管理等方面。
在地形分析中，特征提取可以帮助用户提取出地形的高程、坡度、坡向等特征，用于地形测量和地形建模。
在土地利用规划中，特征提取可以帮助用户提取出土地利用类型、分布和变化情况，用于土地规划和管理。
在环境监测中，特征提取可以帮助用户提取出环境污染、植被覆盖、水资源等特征，用于环境监测和保护。
在资源管理中，特征提取可以帮助用户提取出矿产资源、林地资源、水资源等特征，用于资源开发和管理。
四、特征提取的挑战和展望虽然特征提取在GIS中有着广泛的应用，但是在实际应用中也面临着一些挑战。
其中最主要的挑战包括数据质量、算法精度和计算效率等方面。
数据质量是特征提取的基础，而地理空间数据往往具有多源、多尺度、多时相的特点，数据质量的不确定性和复杂性给特征提取带来了很大的困难。
地形特征点的提取实验报告
地形特征点的提取实验报告1. 研究背景地形特征点的提取是地理信息领域的重要研究方向之一。
地形特征点是指地表上具有明显特征的点，如山脊、山谷、河流等。
提取地形特征点可以帮助我们了解地貌构造、地质特征以及进行地形分析和地貌模拟等工作。
2. 实验目的本实验旨在探索地形特征点的提取方法，通过实验验证不同算法对地形特征点的有效性和精度，并比较它们的优缺点。
3. 实验材料与方法3.1 数据集本实验使用了某山区的数字高程模型（DEM）数据作为实验材料。
该DEM数据以栅格形式存储，每个栅格代表一单位面积内的高程值。
3.2 实验流程1.数据预处理：对DEM数据进行滤波、降噪等处理，以减少噪声对特征点提取的影响。
2.特征点提取方法比较：2.1 方法A：利用梯度变化法提取特征点，即通过计算DEM数据在各方向上的梯度变化来找到高度变化明显的地方。
2.2 方法B：利用曲率法提取特征点，即通过计算DEM数据的曲率来找到高度变化明显的地方。
2.3 方法C：利用局部最大值法提取特征点，即通过寻找DEM数据中局部最高点来找到地形上的山峰等特征点。
3.实验评估：对比不同方法提取的特征点，分析其准确性、覆盖范围和处理效率等指标。
4. 实验结果与分析4.1 方法A的结果与分析使用梯度变化法提取特征点后，我们得到了一系列特征点的坐标，其中包括山脊、山谷等地形特征。
经与地图对比，发现大部分特征点的位置与真实地形基本吻合，但也存在一些误差，这可能是由于数据噪声和算法的不足导致的。
4.2 方法B的结果与分析使用曲率法提取特征点后，我们得到了另一组特征点的坐标，并将其与方法A提取的特征点进行对比。
发现曲率法能够更好地捕捉到地形的细节特征，尤其是一些地貌变化相对缓和的地方。
然而，与方法A相比，曲率法提取的特征点数量较少，覆盖范围较窄。
4.3 方法C的结果与分析使用局部最大值法提取特征点后，我们得到了一些山峰等特征点的坐标，与方法A和方法B提取的特征点进行了对比。
地形指标的提取
地形指标的提取地形指标是最基本的一些地理自然要素信息，地形指标的提取有利于对水土流失、土地利用、土地资源评价等进行分析。
本篇主要包括坡度变率、坡向变率、地形起伏度、地面粗糙度四个基本地形指标的提取操作介绍。
1.坡度变率：坡度变率是地面坡度的变化率，也就是坡度的坡度（SOS），坡度变率在一定程度上反映了坡面曲率的信息。
提取操作如下：选择【系统工具箱→Spatial Analyst Tools→表面分析→坡度】工具，得到坡度数据层Slope。
选择【系统工具箱→Spatial Analyst Tools→表面分析→坡度】工具，对坡度数据层Slope提取坡度，得到坡度变化率数据层SOS。
2.坡向变率：坡向变率是指在提取坡向数据的基础上提取坡向的变化率，也就是坡向之坡度（SOA），坡向变率可以很好地反映等高线的弯曲程度。
SOA在提取过程中在背面坡将会有误差产生（北面坡坡向值范围是0°90°和270°360°，在正北方向附近如15°~345°两个坡向差值只有30°，而计算结果却是330°），因此需要将北坡向的坡向变率进行误差纠正处理。
选择【系统工具箱→3D Analyst Tools→栅格表面→坡向】工具，提取原始DEM的坡向数据。
选择【系统工具箱→3D Analyst Tools→栅格表面→坡度】工具，提取上一步得到的坡向数据层的坡度数据，得到坡向变率数据层SOA1。
使用原始DEM中的最大值减去原始栅格，得到反地形DEM栅格图像。
然后依次选择【系统工具箱→3D Analyst Tools→栅格表面→坡向】工具和选择【系统工具箱→3D Analyst Tools→栅格表面→坡度】工具，得到坡向变率数据层SOA2。
选择【系统工具箱→Spatial Analyst Tools→地图代数→栅格计算器】工具，输入(("SOA_1" + "SOA_2") - Abs("SOA_1" - "SOA_2")) / 2地图代数公式，得到没有误差的DEM的坡向变率SOA。
测绘技术中的地理信息提取方法
测绘技术中的地理信息提取方法地理信息提取方法是测绘技术中的重要组成部分，它通过一系列的数据处理和分析手段，从遥感影像、地理数据等多种来源中提取出有用的地理信息，为地理研究、资源管理和环境监测等领域提供了支持。
本文将探讨几种常见的地理信息提取方法。
一、图像分类图像分类是地理信息提取的基础方法之一。
通过对遥感影像进行分类，可以将像元划分至不同的类别，如水体、植被、建筑物等。
传统的图像分类方法主要基于像元的统计特征，如光谱特征和纹理特征。
但随着机器学习和深度学习的发展，基于特征提取和模式识别的图像分类方法也逐渐得到了应用。
例如，使用卷积神经网络（CNN）可以有效地提取遥感影像的特征，并实现高精度的分类结果。
二、目标检测目标检测是指在遥感影像中准确地检测和定位特定的目标，如道路、建筑物、车辆等。
传统的目标检测方法主要基于特征匹配和形状检测，但由于遥感影像中目标的形状和尺寸多样性，这些方法往往不能满足实际需求。
近年来，基于深度学习的目标检测方法逐渐发展起来。
例如，使用卷积神经网络结合滑动窗口和区域提议的方法，可以实现高效准确地目标检测。
三、变化检测变化检测是指通过对多期遥感影像进行比较，检测地物或地理现象的变化情况。
变化检测在城市规划、土地利用变化监测等领域具有广泛的应用价值。
传统的变化检测方法主要基于差值图像和基于像元的分类，但这些方法往往对数据质量和噪声比较敏感。
近年来，基于深度学习的变化检测方法逐渐得到应用。
例如，使用卷积神经网络可以提取遥感影像中的特征，并通过像元级别的分类来实现变化检测。
四、地形分析地形分析是指通过对地理数据进行处理和分析，提取出地形地貌等地理要素。
地形分析在土地资源管理、环境评估等方面发挥着重要作用。
常用的地形分析方法包括地形曲率、坡度、坡向等指标的计算。
另外，地形分析还可以借助于地形数据的可视化，如数字高程模型（DEM）和三维地形模型（TIN）等，为地理研究提供直观的展示效果。
实验五地形模型(基本地形因子)提取
实验五地形模型提取一实验目的（ENVI）利用ENVI软件从DEM数据中提取地貌特性和地形特征，作为通视域分析和三维地形可视化的基础数据并熟练掌握处理步骤。
二实验环境安装ENVY软件的计算机一台。
三实验步骤使用8米的DEM数据和4米的正射影像图，数据情况如下：DEM.tif：8米空间分辨率的DEM数据Orthoimagery.tif：4米空间分辨率的航空正射影像数据Orthoimagery.hdr：头文件（一）地形模型的提取——工具ENVI地形模型工具作用在图像格式的DEM文件1.在Toolbox中，启动/Terrain/Topographic Modeling，选择DEM.tif文件，然后单击OK2.在Topo Model Parameters对话框中，选择地形核大小Topographic Kernel Size为5(分辨率低，地形核大。
）3.在Select topographic Measures to Compute列表中点击，选择要计算的地形模型4.如果选择了“Shaded Relief”，需要输入或计算太阳高度角和方位角。
单击Compute Sun Elevation and Azimuth，输入日期和时间，ENVI会自动地计算出太阳高度角和方位角。
5.选择输出路径及文件名，单击OK按钮，执行地形模型计算。
6.得到的结果是一个多波段图像文件，每一个地形模型组成一个波段在Select topographic Measures to Compute列表中，既可以选择一个地形模型，也可选择多个模型生成一个文件7.在使用时可以打开其中任何一个地形模型，并进行分类。
以下是地形模型的提取结果（二）地形模型的提取——结果1.坡度（Slope）2. 坡向（Aspect）3. 阴影地貌图像（Shaded Relief）4. 剖面曲率（Profile Convexity）5.水平曲率（Plan Convexity）6. 纵向曲率（Longitudnal Convexity）7.横向曲率（Cross Sectional Convexity）8.最小曲率（Minimum Curvature）9. 最大曲率（Maximum Curvature）10. 均方根误差（RMS Error）MAPGIS实验五坡面地形因子的提取一、实验目的了解坡面地形因子的定义，掌握用MAPGIS K9软件提取坡面地形因子的方法。
如何利用遥感图像进行局部地形的提取与分析
如何利用遥感图像进行局部地形的提取与分析遥感图像是通过遥感技术获取的地球表面的图像数据，它能提供丰富的地形信息，为局部地形的提取和分析提供了重要的数据来源。
本文将探讨如何利用遥感图像进行局部地形的提取与分析。
一、遥感图像的基本原理1. 电磁波谱的特性：遥感图像是通过接收地面反射或散射的电磁波来获取地表信息的。
电磁波谱的不同波段在地表的互动过程有所不同，因此可以利用不同波段的遥感图像提取地形信息。
2. 分辨率的影响：遥感图像的分辨率决定了它能够提供的地形细节。
较高分辨率的图像可以提供更加精细的地形信息，而较低分辨率的图像则提供的信息相对较少。
二、局部地形提取与分析方法1. 高程模型提取：根据遥感图像的灰度值或颜色信息，可以通过数字高程模型（Digital Elevation Model，简称DEM）来提取地形的高程信息。
DEM可以将地表按照高程分层，从而提供了地形的三维信息。
2. 地形特征提取：利用遥感图像，可以提取出地形的一些特征，如河流、湖泊、山脉等。
通过提取这些地形特征，可以分析地形的形状、分布和变化趋势。
3. 地形剖面分析：利用遥感图像，可以在一定的距离上提取地形剖面信息。
通过分析地形剖面的坡度、高度变化等指标，可以了解地形的起伏情况，并进一步分析其对水文、水资源等方面的影响。
4. 洼地提取：遥感图像中的色彩变化可以用于提取地表的凹地，如低洼区域、水坑等。
通过提取洼地信息，可以研究地表水文过程、水资源等问题。
5. 土地利用/覆盖分析：通过遥感图像，可以提取出不同地表类型（如水体、建筑物、森林、农田等）的信息，进而进行土地利用和覆盖的分析。
这对于城市规划、资源管理等有重要意义。
三、遥感图像处理软件工具为了进行局部地形的提取与分析，需要借助一些遥感图像处理软件工具。
目前市面上有许多专业的遥感图像处理软件，如ENVI、ERDAS IMAGINE等。
这些软件提供了各种功能，包括影像校正、地形矫正、地物提取、空间分析等，方便用户进行遥感图像的处理与分析。
地形数据采集方法与步骤
地形数据采集方法与步骤地形数据采集是指通过现场勘测、遥感技术、地理信息系统等方法，获取地球表面的地形信息，包括地形高程、坡度、坡向、地形起伏等各种地形特征。
地形数据采集是地理信息系统的重要组成部分，为地理空间分析和决策提供基础数据。
下面是地形数据采集的方法与步骤。
一、地形数据采集方法1.现场勘测：现场勘测是通过人工测量方法，直接采集地形数据。
常见的现场勘测方法包括地面测量、三角测量、水准测量等。
现场勘测方法精度高，能够获取精细的地形数据，但工作量大，费时费力。
2.遥感技术：遥感技术是通过航空遥感、卫星遥感等手段，获取地球表面的地形信息。
常用的遥感数据包括数字高程模型（DEM）、数字地面模型（DTM）等。
遥感技术可以大范围地获取地形数据，但精度相对较低。
3.全球定位系统（GPS）：GPS技术经常用于采集地形数据的位置信息。
通过接收卫星信号，测量地理坐标，可以获取地点的经纬度、海拔等位置信息。
GPS技术能够快速准确地测量位置信息，配合其他方法可以获取地形数据。
4.无人机（UAV）技术：无人机技术是近年来发展起来的一种地形数据采集方法。
通过搭载传感器设备的无人机，进行低空遥感拍摄或激光测量，可以获取精细的地形数据。
无人机技术具有灵活性、成本低等优点，在地形数据采集中具有广泛应用前景。
二、地形数据采集步骤1.前期准备在进行地形数据采集前，需要进行一系列的前期准备工作。
（1）确定采集目标：明确采集数据的目的和需求，例如地形高程、坡度等。
根据采集目标确定数据采集方法和设备。
（2）选择适当的设备：根据采集目标和现场环境条件，选择适当的设备，如GPS测量仪、无人机、遥感设备等。
（3）制定采样方案：根据采集目标和现场情况，制定采样方案。
包括采样地点、采样形式、采样密度等。
2.现场测量现场测量是地形数据采集的核心环节，需要准备测量设备和进行测量工作。
（1）设置控制点：根据前期准备的采样方案，确定控制点。
控制点应选择在地形起伏较平缓、能够稳定和方便定位的地点，如平缓的山坡或水平的地面。
用ArcGis进行地形因子提取和水文分析的方法
用ArcGis进展地形因子提取和水文分析的方法(2021-07-24 14:40:16)▼标签：分类：ARCGISgis教育这里介绍的是用dem数据，利用ArcGis进展地形因子提取和水纹分析的方法。
首先，地形因子提取：提取等高线：Spatial Analysis → surface analysis → contour 〔这是ArcGis的Spatial Analysis工具，在做分析之前要将菜单栏中Tool菜单下的extension中的Spatial Analysis选项勾上，否那么不能进展空间分析。
〕提取坡度：Spatial Analysis → surface analysis → slope 重分类：Spatial Analysis →Reclassify 增加山体阴影：spatial analysis → surface analysis → hillshd……掩膜：spatial analysis → raster calculator〔对话框中输入back = [dem] >= 0〕山顶点的提取：这个过程比拟复杂，最后我会附上一个地址，那篇文章里有例子以及具体的介绍。
三维：三维效果图的建立：3D analysis → create/modify tin/Create Tin from features 提取断面、三维可视化等操作需要一些图例，这个在文章中也有，图很漂亮哦~ 水文分析：这个主要用到ArcToolBox中的工具了。
水流方向提取：ArcToolBox → Spatial Analysis Tools → Hydrology → Flow Direction 洼地提取：ArcToolBox → Spatial Analysis Tools → Hydrology → Sink 洼地奉献区域计算：ArcToolBox → Spatial Analysis Tools → Hydrology → Watershed 每个洼地所形成的奉献区域的最低高程：ArcToolBox → Spatial Analysis Tools → Zonal → Zonal Statistics 每个洼地奉献区域出口的最低高程即洼地出水口高程ArcToolBox → Spatial Analysis Tools → Zonal → Zonal Fill 洼地深度：加载Spatial Analyst，Spatial Analyst → Raster Calculator 基于无洼地的水流方向计算ArcToolBox → Spatial Analysis Tools → Hydrology → Flow Direction 汇流累积量ArcToolBox → Spatial Analysis Tools → Hydrology → Fill Accumulation 计算水流长度ArcToolBox → Spatial Analysis Tools → Hydrology → Flow Length 还有栅格河网的生成等，上面这些知识针对要实现的功能能够利用到的工具，具体的操作一下子也讲不清，需要自己慢慢琢磨，这里我放篇文章，里面每个步骤都有图例的，只要有一副dem，看着这篇文章就能照着做的，我试过，和教科书一样清楚。
野外地形数据采集与数据处理
野外地形数据采集与数据处理一、地形点的描述信息测量的基本工作是测定点位，直接测定点的坐标确定点位，或者通过测量水平角、竖直角、距离来确定点位。
数字测图是通过计算机软件自动处理(自动识别、自动检索、自动连接、自动调用图式符号等)，自动绘出所测的地形图。
因此，对地形点必须同时给出点位信息及绘图信息。
数字测图中地形点的描述必须具备3类信息：1.测点的三维坐标；2.测点的属性，即地形点的特征信息； (地貌点还是地物点)测点的连接关系。
3.其中，第一项是定位信息，后两项是绘图信息。
测点是要标明点号，点号在测图系统中是惟一的，根据它可以提取点位坐标。
二、地形编码计算机是通过测点的属性信息来识别测点是哪一类特征点，用什么图式符号来表示，数字测图中是用编码来代替地物的名称和代表相应的图式符号以表明测点的属性信息。
地形编码是一种人为的约定，是联系内业与外业的一种纽带。
我国一推出了关于地形图图式，地形图要素分类代码等国家标准：如《1：500 1 ：1000 1 ：2000 地形图图式》，1 ：《5000 1 ：10000 地形图图式》，1 ：500 1 ：1000 1 ：2000 地形图要素分类代码》，《国土基础信息数据分类与代码GB1804-93》等等。
这些标准是我们制定地形编码的重要依据。
地形信息共分九大类，并挨次细分为小类、一级和二级。
分类代码由四位数字码组成：X大类码代码1X小类码名称测量控制点X一级代码代码2X二级代码名称居民地11 平面控制点111 三角点1111 一等1112 二等1113 三等1114 四等在《国土基础信息数据分类与代码GB-13923-92》中，在上述编码基础上又扩充一位：识别位。
(一)、地形编码的原则1. 符合国标、图式分类，符合地形绘图的习惯；2. 力求简洁，便于操作和记忆，符合测量员的习惯；3. 便于计算机处理；4. 编码要有系统性、科学性和可扩充性。
(二)、常见编码方法按照《1：500 1 ：1000 1：2000 地形图图式》，地形要素分为十类：(1) 测量控制点(2) 居民地(3) 共矿企业建造物和公共设施(4) 独立地物(5) 道路及附属设施(6) 管线及垣栅(7) 水系及附属设施(8) 境界(9) 地貌与土质(10) 植被常见编码1. 三位整数编码2. 四位整数编码3. 五位整数编码4. 六位整数编码5. 七位整数编码6. 八位整数编码7. 拼音字母编码8. “无编码”系统9. “无记忆编码系统”三、连接信息连接信息可分为连接点和连接线型。
arcgis地形因子提取步骤
arcgis地形因子提取步骤1. 简介地形因子是地理信息科学中的一个重要概念，它描述了地表形态特征对环境和生态系统的影响。
arcgis是一款强大的地理信息系统软件，可以用于提取地形因子。
本文将介绍在arcgis中提取地形因子的步骤。
2. 数据准备在进行地形因子提取之前，需要准备相应的数据。
常用的数据包括数字高程模型（DEM）和其他辅助数据，如坡度、坡向、流向等。
这些数据可以从各种渠道获取，如遥感影像、测绘数据等。
3. DEM预处理在进行地形因子提取之前，通常需要对DEM进行一些预处理操作，以确保数据的质量和准确性。
常见的预处理操作包括去除噪声、填充空白像元、平滑处理等。
3.1 去除噪声DEM数据中常常存在一些噪声，如孤立的高值或低值像元。
这些噪声会影响后续的地形因子提取结果。
可以使用滤波算法，如中值滤波或均值滤波，对DEM进行去噪处理。
3.2 填充空白像元在DEM数据中，有时会存在一些空白像元，即没有高程值的像元。
这些空白像元会影响地形因子的计算结果。
可以使用插值算法，如反距离权重插值或克里金插值，对空白像元进行填充。
3.3 平滑处理DEM数据中的高程值可能存在一些突变或不连续的情况。
这些不连续的地形特征会影响地形因子的计算结果。
可以使用平滑算法，如均值滤波或高斯滤波，对DEM进行平滑处理。
4. 地形因子提取在进行地形因子提取之前，需要根据具体的研究目的选择相应的地形因子。
常见的地形因子包括高程、坡度、坡向、流向、流量等。
4.1 高程高程是地形因子的基本属性，代表了地表的海拔高度。
可以直接从DEM数据中提取高程信息。
在arcgis中，可以使用”Extract Values to Points”工具将高程值提取到点要素中。
4.2 坡度坡度描述了地表的陡峭程度，是地形因子中的重要指标之一。
可以通过计算DEM数据的导数来得到坡度信息。
在arcgis中，可以使用”Slope”工具计算坡度。
4.3 坡向坡向描述了地表的朝向，即地表水流的方向。
地理信息科学实验：地形特征点的提取
操作方法：
（1）进行邻域分析，求取最大值。 分析窗口设为17。
（具体的分析范围根据地貌类型有所变化，地形破 碎的区域，分析窗口应适当缩小，地形平坦的区 域，分析窗口应适当扩大）
（2）栅格计算并重分类（0即1，其余为 Nodata）。
（3）由于有平顶山的存在，使得部分区域呈现山 顶点聚集状态。
Conversion Tool—From Raster—Raster to Polygon
（4）多边形转为点。
Data management tools—Features— Feature to point
（5）由于邻域分析范围为17*17，则边界部分生 产的山顶点未必为真实山顶点，需手工去除。
2. 鞍部点的提取
2、流域转换为栅格的山脊线
栅格——面——线——栅格——值改为1
3、提取山脊线的高程值，并进行邻域分析求最低 处（候选鞍部点）
山脊线的高程值——邻域分析——候选鞍部点4、计Βιβλιοθήκη 正地形邻域分析——正地形计算
5、鞍部点的计算
[候选鞍部点]*[正地形]==0
6、提取鞍部点，并转化为矢量点
实验7-1：地形特征点的提取
实验内容：
一、地形特征点的提取
山顶点 鞍部点 径流节点
二、地形结构线的提取
山脊线 沟沿线
回顾：1. 山顶点的提取
山顶点：指山的最高点 提取思路：
• 首先，进行邻域分析，提取分析范围内的最大 值作为当前栅格值； • 然后，运用栅格计算，将邻域分析结果减去原 始DEM，若结果为0，则说明该栅格是分析窗口 内的最大值，即山顶点。
两个山脊和两个山谷会合的 地方
怎样提取鞍部点？ 山脊线和山谷线的叠置是否可以？
ENVI提取地形特征要素
ENVI提取地形特征要素ENVI是一款专门用于遥感图像处理和分析的软件。
它提供了丰富的工具和功能，可以用于从卫星图像中提取地形特征要素。
在这篇文章中，我们将探讨如何使用ENVI进行地形特征要素提取。
首先，ENVI可以用来生成数字高程模型（Digital Elevation Model，DEM），也就是地形表面的三维模型。
生成DEM是提取地形特征要素的第一步。
ENVI提供了多种算法来生成DEM，包括基于光学影像的立体匹配算法、雷达影像的合成孔径雷达干涉测量等。
通过生成DEM，可以获得地形的高程信息，为后续的地形特征要素提取提供基础。
接下来，ENVI可以通过一系列的工具和算法来提取地形特征要素。
其中一种常用的特征要素是地表的山脊和河流。
ENVI提供了边缘检测算法，可以用来检测山脊和河流的边界。
通过对DEM进行边缘检测，可以得到地表上的山脊和河流的特征信息。
此外，ENVI还可以用来提取地表的斜坡和坡向。
斜坡是地表的倾斜程度，坡向是地表的倾斜方向。
这些信息对于地形分析和规划非常重要。
ENVI提供了坡度计算和坡向计算工具，可以通过DEM计算出地表的斜坡和坡向信息。
除了山脊、河流、斜坡和坡向之外，ENVI还可以提取其他地形特征要素，如谷底、高原和陡坡等。
通过结合上述的工具和算法，可以提取出更多的地形特征要素信息。
最后，ENVI还可以进行地形特征要素的可视化和分析。
提取出的地形特征要素可以通过ENVI的渲染和可视化功能进行展示和分析。
此外，ENVI还提供了一些其他的地形分析工具，如流动性分析、坡面指数计算和地形湿度指数计算等，可以进一步深入地进行地形特征要素的分析和研究。
总之，ENVI是一款强大的软件，可以用于提取地形特征要素。
通过生成DEM和使用一系列的工具和算法，可以从卫星图像中提取出地表的各种特征要素信息。
这些信息对于地理信息系统、土地利用规划和环境监测等领域都有着重要的应用价值。
地形特征信息提取(山脊线、山谷线提取)实验要求
实验项目名称：地形特征信息提取（山脊线、山谷线提取）1、背景地信特征要素，主要是指对地形对地表的空间分布特征具有控制作用的点、线或面状要素。
特征地形要素构成地表地形与起伏变化的基本框架。
特征地形要素的提取更多地应用较为复杂的技术方法，如山谷线、山脊线等的提取采用了全局分析法，成为栅格数据地学分析中很具特色的数据处理内容。
自动提取山脊线和山谷线的主要方法都是基于规则格网DEM数据的，算法有多种，其中，平面曲率与坡形组合法方法简便，效果好。
该方法基本处理过程为：首先利用DEM数据提取地面的平面曲率及地面的正负地形，取正地形上平面曲率的大值即为山脊，负地形上平面曲率的大值为山谷。
实际应用中，由于平面曲率的提取比较繁琐，而坡向变率（SOA）在一定程度上可以很好地表征平面曲率。
因此，提取过程中可以SOA代替平面曲率。
2、目的通过本实例，使学生掌握山脊线和山谷线这两个基本地形特征信息的理论及其基于DEM的提取方法与原理。
同时，熟练掌握利用ArcGIS软件对这两个地形特征信息的提取方法。
3、数据某区域栅格DEM。
4、要求利用所给区域DEM数据，提取该区域山脊线、山谷线栅格数据层。
补充资料：1、坡度变率：地面坡度变率，是地面坡度在微分空间的变化率，是依据坡度的求算原理，在所提取的坡度值的基础上对地面每一点再求算一次坡度，即坡度之坡度（Slope of Slope，SOS）。
坡度是地面高程的变化率的求解，因此，坡度变率表征了地表面高程相对于水平面变化的二阶导数。
2、反地形DEM数据：求取原始DEM数据层的最大高程值，记为H，通过公式（H-DEM），得到与原来地形相反的DEM数据层，即反地形DEM数据。
3、地面坡向变率：是指在提取坡向基础上，提取坡向的变化率，亦即坡向之坡度（Slope of Aspect，SOA）。
它可以很好地反应等高线弯曲程度。
地面坡向变率在所提取的地表坡向矩阵的基础上沿袭坡度的求算原理，提取地表局部微小范围内坡向的最大变化情况。
正负地形的提取
正负地形的提取正负地形的提取是一项重要的地理信息处理技术，它能够帮助我们更好地了解地球表面的地形特征。
正负地形提取是利用遥感技术和数字地形模型（DTM）来分析和提取地形数据。
正地形代表高处，负地形代表低处，通过提取这些信息，我们能够得到一幅真实且准确的地形图。
正负地形的提取技术在许多领域都有重要的应用。
其中之一是在地理信息系统（GIS）领域，正负地形提取可以帮助我们更好地理解和分析地球表面的地形特征。
这对于城市规划、土地利用、交通规划等都是非常重要的。
通过正负地形提取，我们能够获得更详细的地形信息，帮助决策者做出更科学和合理的决策。
在环境保护领域，正负地形的提取也有重要的应用。
例如，对于水资源管理和治理来说，正负地形的提取可以帮助我们了解水文特征和水流路径。
这对于保护水源、预防洪灾等都具有重要意义。
此外，对于土地的保护和管理来说，正负地形提取可以帮助我们识别潜在的土壤侵蚀和土地退化风险，从而采取相应的措施进行保护。
在地质勘探和矿产资源开发方面，正负地形提取也发挥着重要的作用。
通过正负地形提取，我们可以分析地球表面的地形特征，帮助我们更好地理解地下地质结构和矿产资源分布。
这对于矿产资源勘探和开发具有重要的指导意义，有助于提高勘探效率和资源利用率。
然而，正负地形的提取也存在一些挑战和困难。
例如，由于地球表面的复杂性，正负地形的提取往往需要大量的数据处理和计算，以及专业的技术和设备支持。
此外，地球表面的遮挡、遥感数据的分辨率等也会对正负地形提取的准确性和可靠性造成一定的影响。
因此，在进行正负地形提取时，需要综合考虑不同因素，并采用合适的方法和技术进行分析和处理。
总之，正负地形的提取是一项重要的地理信息处理技术，它在许多领域都有重要的应用。
通过正负地形提取，我们能够更好地了解地球表面的地形特征，为城市规划、环境保护、矿产资源开发等提供科学依据和指导。
虽然正负地形的提取存在一些挑战，但随着技术的不断进步和发展，相信在未来，正负地形提取将会得到更广泛的应用和推广。