Multispectral UAV-based LULC mapping performance improvement by integrating precise NDSM data and machine learning algorithms

doi:10.1007/s12145-025-01841-w

Multispectral UAV-based LULC mapping performance improvement by integrating precise NDSM data and machine learning algorithms

2025-03-13

0

OA

AI

DOI：10.1007/s12145-025-01841-w

原文链接

原文求助

摘要

En 中文

传感器技术的进步使得能够生产高分辨率土地利用和土地覆盖（LULC）地图，增强了地表动态变化检测。无人机（UAV）获取的高分辨率数据通过突出对象异质性，提高了分割和分类的性能。本研究聚焦于通过整合高精度归一化数字表面模型（NDSM）数据以及文献中的多个指数，来提升多光谱（MS）无人机基LULC制图的性能，研究区域存在多种地形类别且具有显著高程异质性（最高36米）。主要目标是识别最有效的数据集和分类算法，通过分别评估NDSM在分割和分类中的作用。为此，采用随机森林（RF）、支持向量机（SVM）和极端梯度提升（XGBoost）机器学习算法，对从生成的MS无人机正射镶嵌图的对象基图像分析（OBIA）中获得的谱段、指数、几何、纹理和NDSM特征组创建的四个数据集进行应用，并通过文献中主要偏好的精度指标评估LULC制图的性能。结果表明，与不包括NDSM的其他数据集相比，将NDSM纳入数据集使所有分类器的总体精度提高了4%至7%。使用XGBoost在包含NDSM的数据集上达到了最高的总体精度（94.65%）。随后，利用SHapley加性解释（SHAP）算法，对导致这一结果的全部影响特征进行了全面的类别级分析。结果显示，NDSM获取的高程数据对类别可分性具有最强的影响，提高了专题地图的精度。

Keyword:

MS UAV

LULC Mapping

RF

SVM

XGBoost

SHAP

Multispectral UAV-based LULC mapping performance improvement by integrating precise NDSM data and machine learning algorithms

摘要

期刊

机构