□ 張家賓 熊寶武 劉華清 趙斌濱 王 帥

（1.北京航空航天大學(xué)交通科學(xué)與工程學(xué)院，北京 100191；2.中國(guó)電力科學(xué)研究院，北京 100192）

0.引言

衛(wèi)星遙感技術(shù)以其宏觀性強(qiáng)、大尺度、周期短、成本較低、能反映動(dòng)態(tài)變化、受地面條件限制少等特點(diǎn)，廣泛應(yīng)用于國(guó)民生產(chǎn)的各個(gè)領(lǐng)域[1]，在輔助輸變電工程選線中的應(yīng)用優(yōu)勢(shì)也已經(jīng)被廣泛認(rèn)可[2]，但目前仍然存在著一些問(wèn)題：（1）利用國(guó)外高分辨率遙感（如SPOT5、IKONOS）立體像對(duì)生產(chǎn)數(shù)字高程模型（DEM）和數(shù)字正射影像（DOM），精度可以滿足要求，但成本高，且數(shù)據(jù)源沒(méi)有保障；（2）DEM和DOM產(chǎn)品在輔助電力選線的應(yīng)用大多數(shù)還停留在人工目視識(shí)別層次，局限在將衛(wèi)星影像作為基礎(chǔ)地理信息的底層背景數(shù)據(jù)，信息利用的自動(dòng)化程度有待加強(qiáng)。

針對(duì)上述問(wèn)題，本文面向國(guó)產(chǎn)主流衛(wèi)星遙感數(shù)據(jù)源在電力選線中適用性問(wèn)題，以亞米級(jí)的高分二號(hào)數(shù)據(jù)以及可以提供三線陣數(shù)據(jù)的資源三號(hào)衛(wèi)星遙感數(shù)據(jù)這兩類(lèi)國(guó)產(chǎn)遙感代表性數(shù)據(jù)源為基礎(chǔ)，研究可提高常見(jiàn)電力選線要素分類(lèi)精度的方法，旨在提高衛(wèi)星遙感在電網(wǎng)路徑規(guī)劃中應(yīng)用的自動(dòng)化程度。

1.試驗(yàn)區(qū)及分類(lèi)比較

本文選擇河北省錦界—府谷一條220KV電力線路中5個(gè)區(qū)段為試驗(yàn)區(qū)，覆蓋這些區(qū)段的高分二號(hào)和資源三號(hào)影像為試驗(yàn)數(shù)據(jù)。按照《GB 50545-2010 110kV～750kV架空輸電線路設(shè)計(jì)規(guī)范》《GB50548-2010 330kV～750kV架空輸電線路勘測(cè)規(guī)范》《GB50665-20111000KV架空輸電線路設(shè)計(jì)規(guī)范》等輸電線路規(guī)范，歸納出包括水域、城鎮(zhèn)及工業(yè)用地、交通運(yùn)輸用地、林地、耕地、草地、裸土7種要素[3]在內(nèi)的選線關(guān)鍵地形要素，對(duì)試驗(yàn)區(qū)段高分二號(hào)數(shù)據(jù)分別利用最大似然、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、最小距離、馬氏距離5種方法進(jìn)行分類(lèi)試驗(yàn)，各試驗(yàn)區(qū)NND（NNDiffusePanSharpening）融合影像分類(lèi)結(jié)果（如圖1所示）。

圖1 5個(gè)試驗(yàn)區(qū)NND最大似然、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、最小距離、馬氏距離分類(lèi)結(jié)果

因?yàn)橥粋€(gè)試驗(yàn)區(qū)不同融合影像應(yīng)用的分類(lèi)樣本驗(yàn)證樣本一致，因此分類(lèi)精度的差別主要取決于分類(lèi)器的不同。根據(jù)5個(gè)試驗(yàn)區(qū)的分類(lèi)結(jié)果，其kappa系數(shù)和總體分類(lèi)精度[4]對(duì)比折線圖（如圖2和圖3所示）。

圖2 5個(gè)試驗(yàn)區(qū)kappa系數(shù)折線分布圖

圖3 5個(gè)試驗(yàn)區(qū)總體分類(lèi)精度折線分布圖

由圖2、圖3各折線圖可以看出：

（1）對(duì)于5種不同的分類(lèi)器，支持向量機(jī)法具有最高的分類(lèi)精度和Kappa系數(shù)值，其5個(gè)試驗(yàn)區(qū)的總體分類(lèi)精度均超過(guò)80%；最大似然法次之，但相差不大，基本保持在5%以內(nèi)；最小距離法分類(lèi)精度最差，和支持向量機(jī)法差別達(dá)到20%以上。

（2）從分類(lèi)速度來(lái)看，雖然支持向量機(jī)具有最高的分類(lèi)精度但是其花費(fèi)的時(shí)間較長(zhǎng)，本次5個(gè)試驗(yàn)區(qū)，最大似然分類(lèi)耗時(shí)在30分鐘左右，但是支持向量機(jī)耗時(shí)約7至8個(gè)小時(shí)，時(shí)間效益差距明顯，而且隨著示范區(qū)范圍的擴(kuò)大，這種差距也將會(huì)更加明顯。

（3）綜合來(lái)看，最大似然方法具有較高的分類(lèi)精度和分類(lèi)速度，在兩者兼顧的情況下是最優(yōu)化的選擇；支持向量機(jī)法具有最高的分類(lèi)精度，但是需要最長(zhǎng)的時(shí)間，尤其是在跨度達(dá)幾十上百千米的電力線路選線中，并不適用；神經(jīng)網(wǎng)絡(luò)和馬氏距離法分類(lèi)精度居中，其中神經(jīng)網(wǎng)絡(luò)方法經(jīng)常發(fā)生不收斂的情況，隨機(jī)性較大，需要反復(fù)設(shè)置參數(shù)，同時(shí)速度也較慢；最小距離法分類(lèi)精度最差，不建議使用。

1.1 不同地物分類(lèi)精度分析

由上可知，最大似然法和支持向量機(jī)法能夠有最好的總體分類(lèi)精度，同時(shí)又保持較好的穩(wěn)定性，對(duì)比分析了NND最大似然和支持向量機(jī)兩種分類(lèi)法對(duì)不同地物的分類(lèi)精度，結(jié)果（如圖4、圖5所示）。

圖4 NND融合最大似然生產(chǎn)者精度

圖5 NND融合支持向量機(jī)生產(chǎn)者精度

由圖4、圖5可知：

（1）在電力選線各關(guān)鍵地形要素中，水域的分類(lèi)精度最高，基本都可以達(dá)到96%以上，但是試驗(yàn)區(qū)5的最大似然分類(lèi)水域精度均較低，只有75%左右，說(shuō)明相比于支持向量機(jī)，最大似然分類(lèi)還是存在精度不穩(wěn)定的情況，遇到某些情況后分類(lèi)精度得到不保證。

（2）總體來(lái)看，最大似然分類(lèi)結(jié)果精度最低的一般為城鎮(zhèn)及工業(yè)用地，而支持向量機(jī)分類(lèi)結(jié)果精度最低的一般為交通運(yùn)輸用地，說(shuō)明兩者對(duì)不同要素的敏感程度不同，因此，對(duì)于城鎮(zhèn)較少的山區(qū)，對(duì)于道路的依賴性較強(qiáng)，可以采用最大似然分類(lèi)方法；對(duì)于城鎮(zhèn)居民較多的地區(qū)，電力線路需要避開(kāi)居民區(qū)，可以選用支持向量機(jī)法進(jìn)行分類(lèi)。

（3）除了城鎮(zhèn)及工業(yè)用地、交通運(yùn)輸用地兩種要素外，其他地形要素的生產(chǎn)者精度均能達(dá)到80%以上，可以滿足電力選線關(guān)鍵地形要素的提取精度要求；而針對(duì)分類(lèi)精度較低的兩者需要研究提高其精度的方法。

2.基于高分二號(hào)和資源三號(hào)波段融合影像的分類(lèi)精度

2.1 國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)波段融合處理

國(guó)產(chǎn)高分二號(hào)衛(wèi)星能制作高分辨率正射影像圖，而資源三號(hào)衛(wèi)星數(shù)據(jù)制作的數(shù)字表面模型具有高程數(shù)據(jù)[5]。作為兩種不同維度的數(shù)據(jù)源，如果能夠進(jìn)行數(shù)據(jù)融合，對(duì)高分二號(hào)添加一個(gè)維度的數(shù)據(jù)然后再進(jìn)行分類(lèi)，則能夠提高相應(yīng)的精度。

高分二號(hào)和資源三號(hào)均應(yīng)用國(guó)情普查控制點(diǎn)成果做的控制處理，兩者的配準(zhǔn)較好，將資源三號(hào)數(shù)據(jù)制作的DSM作為一個(gè)波段和高分二號(hào)4個(gè)波段DOM進(jìn)行數(shù)據(jù)融合，得到一個(gè)5波段的遙感影像，其中前4個(gè)波段為高分二號(hào)原始波段，第5波段為資源三號(hào)DSM值。

2.2 分類(lèi)精度對(duì)比

基于上述結(jié)論，在監(jiān)督分類(lèi)方法中，最大似然和支持向量機(jī)的分類(lèi)方法具有更高的分類(lèi)精度和更好的穩(wěn)定性，因此本試驗(yàn)主要研究融合后的影像對(duì)此兩種方法分類(lèi)精度的提高程度。

本試驗(yàn)依據(jù)前面5個(gè)試驗(yàn)區(qū)的高分二號(hào)影像和資源三號(hào)影像波段采用NND方法融合后的結(jié)果，采用與前述分類(lèi)方法一致的分類(lèi)樣本和驗(yàn)證樣本。

融合后影像應(yīng)用最大似然和支持向量機(jī)分類(lèi)方法，分類(lèi)精度評(píng)價(jià)結(jié)果（如表1所示）。其中“S-前”代表波段融合前最大似然分類(lèi)精度，“S-后”代表波段融合后最大似然分類(lèi)精度。

“S-相對(duì)”表示其分類(lèi)精度提高的相對(duì)值；“Z-前”代表波段融合前支持向量機(jī)分類(lèi)精度，“Z-后”代表波段融合后支持向量機(jī)分類(lèi)精度。

表1 高分二號(hào)與資源三號(hào)波段融合前后對(duì)比

為了更清晰地對(duì)照，制作5個(gè)試驗(yàn)區(qū)融合前后分類(lèi)精度對(duì)比圖進(jìn)行分析（如圖6所示），其中折線（實(shí)線）代表波段融合后分類(lèi)精度，折線（虛線）代表波段融合前分類(lèi)精度；柱狀圖代表最大似然（S-絕對(duì)）和支持向量機(jī)（Z-絕對(duì)）的精度提高絕對(duì)值。

圖6 5個(gè)試驗(yàn)區(qū)融合前后分類(lèi)精度對(duì)比圖

由圖6可知：

（1）高分二號(hào)和資源三號(hào)進(jìn)行波段融合后再分類(lèi)，其分類(lèi)精度有顯著提高，最大似然法分類(lèi)精度絕對(duì)提高值一般在2%以上，5個(gè)試驗(yàn)區(qū)平均提高4.16%；支持向量機(jī)法分類(lèi)精度絕對(duì)提高值在1.20%以上，5個(gè)試驗(yàn)區(qū)平均提高2.30%。

（2）由于部分試驗(yàn)區(qū)的分類(lèi)精度已經(jīng)很高（90%以上），所以只關(guān)注分類(lèi)精度提高絕對(duì)值存在局限性，分類(lèi)精度提高相對(duì)值則表現(xiàn)了其提高的分類(lèi)精度相對(duì)大小。由圖6可以看出，最大似然分類(lèi)波段融合前后精度提高相對(duì)值最小為14.23%，支持向量機(jī)為15.88%，提高相對(duì)值均超過(guò)了10%，而兩者的平均提高相對(duì)值均超過(guò)了20%，說(shuō)明融合高分二號(hào)和資源三號(hào)波段再分類(lèi)的方法對(duì)提高分類(lèi)精度有顯著作用。

（3）最大似然法波段融合后的分類(lèi)精度雖然有所提高，試驗(yàn)區(qū)1和試驗(yàn)區(qū)3支持向量機(jī)法非常接近，但試驗(yàn)區(qū)2、試驗(yàn)區(qū)4和試驗(yàn)區(qū)5差距比較明顯，說(shuō)明支持向量機(jī)法具有更高且更穩(wěn)定的分類(lèi)精度。

總體精度的提高離不開(kāi)各個(gè)地物分類(lèi)精度的提高，高分二號(hào)和資源三號(hào)進(jìn)行波段融合前后不同地物分類(lèi)精度提高情況（如表2和表3所示）。

表2 融合DSM后各地物類(lèi)型最大似然分類(lèi)精度提高情況匯總（%）

表3 融合DSM后各地物類(lèi)型支持向量機(jī)法分類(lèi)精度提高情況匯總（%）

由表3可以看出，基于高分二號(hào)和資源三號(hào)波段融合后的影像進(jìn)行支持向量機(jī)分類(lèi)后，幾乎全部提高了水域、城鎮(zhèn)及工業(yè)用地、裸地的分類(lèi)精度，對(duì)林地、交通運(yùn)輸用地、耕地則大部分提高了分類(lèi)精度，對(duì)于草地則效果不顯著，甚至還有所降低，不過(guò)總體來(lái)說(shuō)，對(duì)其分類(lèi)精度較差的交通運(yùn)輸用地提高顯著。

總體來(lái)看，融合高分二號(hào)和資源三號(hào)的波段后再進(jìn)行分類(lèi)，最大似然分類(lèi)和支持向量機(jī)分類(lèi)精度均有所提高，而處理時(shí)間則變化不大，具有很好的應(yīng)用價(jià)值。對(duì)于原始影像分類(lèi)精度不高的情況，兩種國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)聯(lián)合應(yīng)用則能夠帶來(lái)非常顯著的作用。支持向量機(jī)法雖然具有更高的分類(lèi)精度，但是其分類(lèi)速度較差，耗費(fèi)的時(shí)間約是最大似然的10倍，在跨度較大、數(shù)據(jù)量較大的電力選線中并不推薦適用。

3.結(jié)束語(yǔ)

本文基于高分二號(hào)融合影像進(jìn)行監(jiān)督分類(lèi)并進(jìn)行精度評(píng)價(jià)，結(jié)合電力選線關(guān)注的地形要素類(lèi)型，選取了水域、城鎮(zhèn)及工業(yè)用地、交通運(yùn)輸用地、林地、耕地、草地、裸地7種類(lèi)型進(jìn)行遙感分類(lèi)提取試驗(yàn)。分類(lèi)樣本和驗(yàn)證樣本數(shù)量足夠并保持獨(dú)立。結(jié)果顯示，支持向量機(jī)分類(lèi)具有最高的分類(lèi)精度，但耗時(shí)較長(zhǎng)；最大似然分類(lèi)具有較高的分類(lèi)精度且耗時(shí)較短，綜合考慮分類(lèi)精度和分類(lèi)速度最優(yōu)。

本文提出的聯(lián)合應(yīng)用高分二號(hào)和資源三號(hào)數(shù)據(jù)的方法—將兩者的波段進(jìn)行融合形成新的影像，分類(lèi)試驗(yàn)結(jié)果表明，5個(gè)試驗(yàn)區(qū)的最大似然分類(lèi)精度和支持向量機(jī)分類(lèi)精度均有較大提高，一般在2%以上，最大達(dá)到6%；對(duì)于原始影像中分類(lèi)精度較低的城鎮(zhèn)及工業(yè)用地、交通運(yùn)輸用地，也有了較大提高，大多數(shù)可以達(dá)到70%以上，能夠滿足電力選線中對(duì)地物分類(lèi)要素精度的要求，是一種可以推廣應(yīng)用的技術(shù)方法。

參考文獻(xiàn)：

【1】孫攀,董玉森,陳偉濤,馬嬌,鄒毅,王金鵬,陳華.高分二號(hào)衛(wèi)星影像融合及質(zhì)量評(píng)價(jià)[J].國(guó)土資源遙感,2016,28(4):108-113.

【2】劉厚健,陳亞明,隋國(guó)秀,等.綜合遙感思想在電力工程規(guī)劃選址中的應(yīng)用[C].2014全國(guó)工程勘察學(xué)術(shù)大會(huì)論文集，2014.

【3】陳姝,居為民.遙感圖像分類(lèi)方法及研究進(jìn)展[J].河北農(nóng)業(yè)科學(xué),2009,13(1):143-146.

【4】徐涵秋.基于SFIM算法的融合影像分類(lèi)研究[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版,2004,29（10）：920-923.

【5】熊德峰.高分二號(hào)衛(wèi)星影像融合方法探析[J].測(cè)繪與空間地理信息,2016,39(9):102-104,108.