【论文精选】融合无人机高分辨率DOM和DSM数据语义的崩岗识别学术资讯

来源：农业工程学报

《农业工程学报》2020年第36卷第12期刊载了长江水利委员会长江科学院等单位沈盛彧、张彤、程冬兵、王志刚、赵元凌、邓羽松与钱峰的论文——“融合无人机高分辨率DOM和DSM数据语义的崩岗识别”。该研究由国家自然科学基金（项目号：41601298）等资助。

崩岗发现是大规模的崩岗调查、治理和侵蚀机理等研究的首要任务，但以当地询问、现场寻找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，不仅人力、物力成本高而且效率低，难以满足大范围工作的需要。同时，由于在平面遥感影像上崩岗内部与平地裸土极为相似，且崩岗发育到中后期有植被恢复，边界并不明显，因此识别非常困难。当前遥感影像场景和对象的分类识别方法仅使用正射或平面遥感影像，较适合于仅针对角点、边缘、纹理特征明显的地物地貌（如道路、房屋、滑坡等），而对于地形特征明显，边界、纹理特征并不明显的崩岗识别效果并不好。

高程维度的信息（Digital Surface Model，DSM）能很好地描述崩岗地形起伏复杂零碎，崩壁边缘陡变、倾角较大的特征，能有效的区分于平坦或平缓地形。借鉴遥感影像场景分类识别思路，该文创新性提出视觉-地形词袋模型（Bag ofVisual-Topographic Words, BoV-TW）进行崩岗区域高分辨率Digital Orthophoto Map（DOM）与DSM局部特征的混合表达，并通过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无法较好的识别崩岗这种地貌特征，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。

长按识别二维码关注“农业工程学报”

来源：gh_c45100f8f9c0 农业工程学报

原文链接：http://mp.weixin.qq.com/s?__biz=MjM5NjU1MzcwNQ==&mid=2652997275&idx=2&sn=51b0b7d708fe2cbedfd965d0dfc35c98&chksm=bd32501d8a45d90b454bdafdc0cab982b676ba3ec116f4ab279dd22ac8dd006a4128ad786c28&scene=27#wechat_redirect

电话：（010）86409582

邮箱：kejie@scimall.org.cn