融合无人机高分辨率DOM和DSM数据语义的崩岗识别

作     者：沈盛彧 张彤 程冬兵 王志刚 赵元凌 邓羽松 钱峰 Shen Shengyu;Zhang Tong;Cheng Dongbing;Wang Zhigang;Zhao Yuanling;Deng Yusong;Qian feng

作者机构：长江水利委员会长江科学院武汉430010 水利部山洪地质灾害防治工程技术研究中心武汉430010 武汉大学测绘遥感信息工程国家重点实验室武汉430079 广西大学林学院南宁530004 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2020年第36卷第12期

页      面：69-79页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(41601298,51909011) 国家重点研发计划专项(2016YFC050230305) 中央级公益性科研院所基本科研业务费资助项目(CKSF2019196/TB) 

主　　题：无人机 识别 崩岗 DOM DSM 视觉-地形词袋模型 

摘      要：崩岗识别是大规模的崩岗调查、治理和侵蚀机理等研究的首要任务,但以现场调查和人工解译高分辨率卫星遥感影像为主的传统方法,自动化程度低,人力、物力成本高而且效率低,不能满足大范围工作的需要。该研究借鉴遥感影像场景分类识别思路,利用视觉-地形词袋模型(Bag of Visual-Topographic Words,BoV-TW)进行崩岗区域高分辨率数字正射影像图Digital Orthophoto Map(DOM)与数字表面模型Digital Surface Model(DSM)局部特征的混合表达,并通过潜在狄利克雷分配Latent Dirichlet Allocation(LDA)的潜在语义分析融合形成低维度的高层语义表征,最后以支持向量机(Support-Vector Machine,SVM)作为监督学习训练分类器,实现崩岗的高精度快速自动识别。试验结果表明:1)LDA主题个数变化时,该方法总精度可保持在95%左右,崩岗查全率和查准率保持在80%以上,最高分别为97.22%和94.44%;2)视觉-地形词袋词汇表大小变化时,该方法总精度一直在90%以上,最高为96.10%,崩岗查全率也基本在90%以上,最高为100%,崩岗查准率随词汇表大小的增加逐渐提升,最高为85.00%;3)仅使用DOM无法较好地识别崩岗地貌特征,没有合适的特征提取和融合策略,DOM和DSM结合也无法提高崩岗识别效果。同时,该方法时间花费少,效率高,可行性强。该研究可为崩岗调查、监测、治理及侵蚀机理的定量化研究提供参考。