[发明专利]一种基于无人机提取分类样本点的多源遥感数据分类方法

权利要求书

1.一种基于无人机提取分类样本点的多源遥感数据分类方法，其特征在于，包括：

从无人机航拍相片中均匀提取分类样本点，并对每类样本点进行准备标定；其中，准备标定的样本点类型包括：农田和草地、林地和灌木、空地和裸地、道路、建筑物；

获取分类遥感数据集，所述分类遥感数据集包括：微波数据Sentinel-1数据集、多光谱Sentinel-2数据集、基于Sentinel-2数据集的植被指数数据集、数字高程模型数据集；

对遥感数据集进行处理，获得分类遥感影像数据集；并根据分类遥感影像数据集对分类样本点进行地理空间定位；基于10m分辨率，采用SNAP软件对微波数据Sentinel-1数据集进行轨道修正、热噪声去除、辐射校正、散斑滤波、距离-多普勒地形校正处理，获得VV极化影像数据集和VH极化影像数据集；所述多光谱Sentinel-2数据集包含13个波段数据，涵盖可见光、近红外和短波红外光谱波段；采用Sen2Cor软件对多光谱Sentinel-2数据集进行地形校正、大气校正和辐射校正处理，获得除第10波段外的12层影像数据集，并对12层影像数据集重采样至10m分辨率；

通过地理空间信息定位后的分类样本点，利用随机森林分类模型，获得分类结果；

所述从无人机航拍相片中提取分类样本点，包括：

通过目视解译方法，从无人机航拍相片影像中均匀提取分类样本点；

剔除不同地表类型边缘处的样本点。

2.如权利要求1所述的基于无人机提取分类样本点的多源遥感数据分类方法，其特征在于，所述植被指数数据集包括：NDVI、EVI、SAVI，计算公式如下所示：

NDVI＝(NIR–Red)/(NIR+Red)

EVI＝2.5×(NIR-Red)/(NIR+6.0Red–7.5Blue+1)

SAVI＝(NIR-Red)(1+L)/(NIR+Red+L)

式中，NIR、Red和Blue分别对应近红外、红波段和蓝波段的数据；L为土壤调节系数，由实际区域条件确定；NIR、Red和Blue波段的数据分别对应Sentinel-2数据集的第8波段、第4波段和第2波段的数据。

3.如权利要求2所述的基于无人机提取分类样本点的多源遥感数据分类方法，其特征在于，所述土壤调节系数L＝0.5。

4.如权利要求1所述的基于无人机提取分类样本点的多源遥感数据分类方法，其特征在于，DEM数据集采用SRTM DEM数据集，对SRTM DEM数据集重采样至10m分辨率后，获取高程DEM影像数据集、坡度slope影像数据集、坡向aspect影像数据集、剖面曲率profilecurvature影像数据集。

5.如权利要求1所述的基于无人机提取分类样本点的多源遥感数据分类方法，其特征在于，所述随机森林分类模型，包括：

利用readOGR()和brick()命令读取分类样本点影像和分类遥感数据集于R语言环境中；

利用如下代码搭建随机森林分类模型；

rf-randomForest(lc～b1+b2+b3+b4+b5+b6+b7+b8+b9+b8a+b11+b12,

data＝rois,

ntree＝500,

importance＝TRUE)

其中，b1～b12为随机森林分类模型中的参数层影像，不同数据集对应不同的参数层影像；

利用tuneRF()和randomForest()命令完成随机森林分类模型的调参训练；

利用writeRaster()命令对分类结果进行出图，生成分类结果影像。

6.如权利要求1或5所述的基于无人机提取分类样本点的多源遥感数据分类方法，其特征在于，所述地表类型分类结果的准确率指标包括：总体准确率OA和Kappa系数，计算公式如下：

OA＝(TP+TN)/(TP+FN+FP+TN)

式中，TP为真正，即被随机森林分类模型分类正确的正样本；FN为假负，即被随机森林分类模型分类错误的正样本；FP为假正，即被随机森林分类模型分类错误的负样本；TN为真负，即被随机森林分类模型分类正确的负样本；OA为总体分类精度，即分类正确的样本个数占所有样本个数的比例；

Kappa＝(Po-Pe)/(1-Pe)

式中，Po为对角线单元中观测值的总和，即总体分类精度OA；Pe为对角线单元中期望值的总和；Kappa为评价一致性的测量值，表示分类与完全随机的分类产生错误减少的比例。