一种用于电力选线的高分二号影像分类方法

□ 张家宾 熊宝武 刘华清 赵斌滨 王 帅

（1.北京航空航天大学交通科学与工程学院，北京 100191；2.中国电力科学研究院，北京 100192）

0.引言

卫星遥感技术以其宏观性强、大尺度、周期短、成本较低、能反映动态变化、受地面条件限制少等特点，广泛应用于国民生产的各个领域[1]，在辅助输变电工程选线中的应用优势也已经被广泛认可[2]，但目前仍然存在着一些问题：（1）利用国外高分辨率遥感（如SPOT5、IKONOS）立体像对生产数字高程模型（DEM）和数字正射影像（DOM），精度可以满足要求，但成本高，且数据源没有保障；（2）DEM和DOM产品在辅助电力选线的应用大多数还停留在人工目视识别层次，局限在将卫星影像作为基础地理信息的底层背景数据，信息利用的自动化程度有待加强。

针对上述问题，本文面向国产主流卫星遥感数据源在电力选线中适用性问题，以亚米级的高分二号数据以及可以提供三线阵数据的资源三号卫星遥感数据这两类国产遥感代表性数据源为基础，研究可提高常见电力选线要素分类精度的方法，旨在提高卫星遥感在电网路径规划中应用的自动化程度。

1.试验区及分类比较

本文选择河北省锦界—府谷一条220KV电力线路中5个区段为试验区，覆盖这些区段的高分二号和资源三号影像为试验数据。按照《GB 50545-2010 110kV～750kV架空输电线路设计规范》《GB50548-2010 330kV～750kV架空输电线路勘测规范》《GB50665-20111000KV架空输电线路设计规范》等输电线路规范，归纳出包括水域、城镇及工业用地、交通运输用地、林地、耕地、草地、裸土7种要素[3]在内的选线关键地形要素，对试验区段高分二号数据分别利用最大似然、支持向量机、神经网络、最小距离、马氏距离5种方法进行分类试验，各试验区NND（NNDiffusePanSharpening）融合影像分类结果（如图1所示）。

图1 5个试验区NND最大似然、支持向量机、神经网络、最小距离、马氏距离分类结果

因为同一个试验区不同融合影像应用的分类样本验证样本一致，因此分类精度的差别主要取决于分类器的不同。根据5个试验区的分类结果，其kappa系数和总体分类精度[4]对比折线图（如图2和图3所示）。

图2 5个试验区kappa系数折线分布图

图3 5个试验区总体分类精度折线分布图

由图2、图3各折线图可以看出：

（1）对于5种不同的分类器，支持向量机法具有最高的分类精度和Kappa系数值，其5个试验区的总体分类精度均超过80%；最大似然法次之，但相差不大，基本保持在5%以内；最小距离法分类精度最差，和支持向量机法差别达到20%以上。

（2）从分类速度来看，虽然支持向量机具有最高的分类精度但是其花费的时间较长，本次5个试验区，最大似然分类耗时在30分钟左右，但是支持向量机耗时约7至8个小时，时间效益差距明显，而且随着示范区范围的扩大，这种差距也将会更加明显。

（3）综合来看，最大似然方法具有较高的分类精度和分类速度，在两者兼顾的情况下是最优化的选择；支持向量机法具有最高的分类精度，但是需要最长的时间，尤其是在跨度达几十上百千米的电力线路选线中，并不适用；神经网络和马氏距离法分类精度居中，其中神经网络方法经常发生不收敛的情况，随机性较大，需要反复设置参数，同时速度也较慢；最小距离法分类精度最差，不建议使用。

1.1 不同地物分类精度分析

由上可知，最大似然法和支持向量机法能够有最好的总体分类精度，同时又保持较好的稳定性，对比分析了NND最大似然和支持向量机两种分类法对不同地物的分类精度，结果（如图4、图5所示）。

图4 NND融合最大似然生产者精度

图5 NND融合支持向量机生产者精度

由图4、图5可知：

（1）在电力选线各关键地形要素中，水域的分类精度最高，基本都可以达到96%以上，但是试验区5的最大似然分类水域精度均较低，只有75%左右，说明相比于支持向量机，最大似然分类还是存在精度不稳定的情况，遇到某些情况后分类精度得到不保证。

（2）总体来看，最大似然分类结果精度最低的一般为城镇及工业用地，而支持向量机分类结果精度最低的一般为交通运输用地，说明两者对不同要素的敏感程度不同，因此，对于城镇较少的山区，对于道路的依赖性较强，可以采用最大似然分类方法；对于城镇居民较多的地区，电力线路需要避开居民区，可以选用支持向量机法进行分类。

（3）除了城镇及工业用地、交通运输用地两种要素外，其他地形要素的生产者精度均能达到80%以上，可以满足电力选线关键地形要素的提取精度要求；而针对分类精度较低的两者需要研究提高其精度的方法。

2.基于高分二号和资源三号波段融合影像的分类精度

2.1 国产卫星数据波段融合处理

国产高分二号卫星能制作高分辨率正射影像图，而资源三号卫星数据制作的数字表面模型具有高程数据[5]。作为两种不同维度的数据源，如果能够进行数据融合，对高分二号添加一个维度的数据然后再进行分类，则能够提高相应的精度。

高分二号和资源三号均应用国情普查控制点成果做的控制处理，两者的配准较好，将资源三号数据制作的DSM作为一个波段和高分二号4个波段DOM进行数据融合，得到一个5波段的遥感影像，其中前4个波段为高分二号原始波段，第5波段为资源三号DSM值。

2.2 分类精度对比

基于上述结论，在监督分类方法中，最大似然和支持向量机的分类方法具有更高的分类精度和更好的稳定性，因此本试验主要研究融合后的影像对此两种方法分类精度的提高程度。

本试验依据前面5个试验区的高分二号影像和资源三号影像波段采用NND方法融合后的结果，采用与前述分类方法一致的分类样本和验证样本。

融合后影像应用最大似然和支持向量机分类方法，分类精度评价结果（如表1所示）。其中“S-前”代表波段融合前最大似然分类精度，“S-后”代表波段融合后最大似然分类精度。

“S-相对”表示其分类精度提高的相对值；“Z-前”代表波段融合前支持向量机分类精度，“Z-后”代表波段融合后支持向量机分类精度。

表1 高分二号与资源三号波段融合前后对比

为了更清晰地对照，制作5个试验区融合前后分类精度对比图进行分析（如图6所示），其中折线（实线）代表波段融合后分类精度，折线（虚线）代表波段融合前分类精度；柱状图代表最大似然（S-绝对）和支持向量机（Z-绝对）的精度提高绝对值。

图6 5个试验区融合前后分类精度对比图

由图6可知：

（1）高分二号和资源三号进行波段融合后再分类，其分类精度有显著提高，最大似然法分类精度绝对提高值一般在2%以上，5个试验区平均提高4.16%；支持向量机法分类精度绝对提高值在1.20%以上，5个试验区平均提高2.30%。

（2）由于部分试验区的分类精度已经很高（90%以上），所以只关注分类精度提高绝对值存在局限性，分类精度提高相对值则表现了其提高的分类精度相对大小。由图6可以看出，最大似然分类波段融合前后精度提高相对值最小为14.23%，支持向量机为15.88%，提高相对值均超过了10%，而两者的平均提高相对值均超过了20%，说明融合高分二号和资源三号波段再分类的方法对提高分类精度有显著作用。

（3）最大似然法波段融合后的分类精度虽然有所提高，试验区1和试验区3支持向量机法非常接近，但试验区2、试验区4和试验区5差距比较明显，说明支持向量机法具有更高且更稳定的分类精度。

总体精度的提高离不开各个地物分类精度的提高，高分二号和资源三号进行波段融合前后不同地物分类精度提高情况（如表2和表3所示）。

表2 融合DSM后各地物类型最大似然分类精度提高情况汇总（%）

表3 融合DSM后各地物类型支持向量机法分类精度提高情况汇总（%）

由表3可以看出，基于高分二号和资源三号波段融合后的影像进行支持向量机分类后，几乎全部提高了水域、城镇及工业用地、裸地的分类精度，对林地、交通运输用地、耕地则大部分提高了分类精度，对于草地则效果不显著，甚至还有所降低，不过总体来说，对其分类精度较差的交通运输用地提高显著。

总体来看，融合高分二号和资源三号的波段后再进行分类，最大似然分类和支持向量机分类精度均有所提高，而处理时间则变化不大，具有很好的应用价值。对于原始影像分类精度不高的情况，两种国产卫星数据联合应用则能够带来非常显著的作用。支持向量机法虽然具有更高的分类精度，但是其分类速度较差，耗费的时间约是最大似然的10倍，在跨度较大、数据量较大的电力选线中并不推荐适用。

3.结束语

本文基于高分二号融合影像进行监督分类并进行精度评价，结合电力选线关注的地形要素类型，选取了水域、城镇及工业用地、交通运输用地、林地、耕地、草地、裸地7种类型进行遥感分类提取试验。分类样本和验证样本数量足够并保持独立。结果显示，支持向量机分类具有最高的分类精度，但耗时较长；最大似然分类具有较高的分类精度且耗时较短，综合考虑分类精度和分类速度最优。

本文提出的联合应用高分二号和资源三号数据的方法—将两者的波段进行融合形成新的影像，分类试验结果表明，5个试验区的最大似然分类精度和支持向量机分类精度均有较大提高，一般在2%以上，最大达到6%；对于原始影像中分类精度较低的城镇及工业用地、交通运输用地，也有了较大提高，大多数可以达到70%以上，能够满足电力选线中对地物分类要素精度的要求，是一种可以推广应用的技术方法。

参考文献：

【1】孙攀,董玉森,陈伟涛,马娇,邹毅,王金鹏,陈华.高分二号卫星影像融合及质量评价[J].国土资源遥感,2016,28(4):108-113.

【2】刘厚健,陈亚明,隋国秀,等.综合遥感思想在电力工程规划选址中的应用[C].2014全国工程勘察学术大会论文集，2014.

【3】陈姝,居为民.遥感图像分类方法及研究进展[J].河北农业科学,2009,13(1):143-146.

【4】徐涵秋.基于SFIM算法的融合影像分类研究[J].武汉大学学报：信息科学版,2004,29（10）：920-923.

【5】熊德峰.高分二号卫星影像融合方法探析[J].测绘与空间地理信息,2016,39(9):102-104,108.