融合无人机高分辨率DOM和DSM数据语义的崩岗识别

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。