随着遥感技术的持续进步，遥感图像在土地利用分类的应用范围已得到了广泛拓展。然而，传统的卫星影像在实际应用中遇到了诸如天气条件影响、高昂的成本以及分辨率受限等挑战，这些因素在一定程度上限制了其应用的广度和效果。

近年来，无人机遥感技术的兴起为遥感监测领域注入了新的活力。无人机在局部监测领域的精确应用，显著增强了监测工作的效率和效果。这些传感器能够提供高空间分辨率和光谱分辨率的影像数据，使得地物分类的准确性得到了显著提升。本次实验中，我们采用了 Mavic 3 无人机搭载的多光谱数据，对地物进行分类探索，旨在进一步验证和优化无人机遥感技术在土地利用分类中的应用效能。

本次使用DJI Mavic 3 多光谱版无人机进行多光谱数据采集，DJI Mavic 3 多光谱版无人机有效像素 500 万单波段相机 * 4 个（ 绿（G）560nm ±16nm，红（R）：650 nm ± 16nm，红边（RE）：730 nm ± 16 nm，近红外（NIR）：860 nm ± 26 nm ）和有效像素 2000 万可见光相机 * 1 个。

图 1 Mavic 3 可见光和多光谱相机

本次实验选择晴朗无云的天气,并在地面放置漫反射标准板 通过无人机规划航线获取了研究区多光谱影像，无人机一次航拍可获取可见光影像和绿、红、红边，和红外波段图像（图 2）。测区包含水体，植被，裸土，硬化道路等地物。

使用大疆智图将采集郭璞数据进行辐射校正和多光谱正射影像的生产，大疆智图可伴随生产 NDVI 归一化植被指数、NDRE 归一化差异红边指数、GNDVI 绿色归一化植被差值指数、OSAVI 优化土壤调节植被指数、LCI 叶片叶绿素植被指数（图 3）。

图 2 多光谱原始影像

图 3 NDVI

1. 数据合成

将大疆智图生产的绿、红、红边、近红外 4 个波段的数据进行合成，并查看典型地物的光谱曲线是否正确（图 4）。

图 4 假彩色显示和植被光谱曲线

2. 图像监督分类

合并好的多光谱数据利用监督分类进行图像的分类（图 5），监督分类就是用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

图 5 监督分类步骤

通过目视绘制水体，植被，裸土，硬化道路 4 类地物样本，绘制完成后计算样本的可分离度，可分离度表示各个样本类型之间的可分离性，用 Jeffries-Matusita， Transformed Divergence 参数表示，这两个参数的值在 0~2.0 之间，大于 1.9 说明样本之间可分离性好，属于合格样本；小于 1.8，需要编辑样本或者重新选择样本；小于 1，考虑将两类样本合成一类样本。

图 6 样本可分离度

样本选择好后使用支持向量机分类，分类器自动寻找那些对分类有较大区分能力的支持向量，将类与类之间的间隔最大化。如（图 7）（图 8）我们通过人工判读分类的结果准确度还是比较高的，也可以利用混淆矩阵的方法进行进度验证。

图 7 分类图

图 8 分类对比

本次实验 Mavic 3 多光谱数据在土地利用分类中的应用，验证了该方法在地物分类的可行性。未来，随着无人机遥感技术的不断发展和完善，其在土地利用变化监测和分类中的应用前景将更加广阔。