精确的土地覆盖分类与制图对于土地资源规划与管理、环境保护、自然灾害防治等具有重要意义。然而，现有无人机载HSI数据集的场景覆盖范围相对简单，这在一定程度上限制了分类方法的泛化能力评估。在同一传感器下构建包含复杂且具有挑战性的场景的无人机载HSI数据集具有重要意义。

最近，奇异谱分析（SSA）由于其对全局的局部建模而在HSI特征提取和分类中受到了相当大的关注。由于HSI的三维立方结构，基于SSA的方法在内在特征表示方面仍然一些缺陷。其次，目前还没有用于HSI联合光谱空间特征提取的SSA的3D版本，这有望缓解无人机载HSI的光谱变异性和空间异质性。因此，探索新的3D SSA具有重要意义。此外，如何将高分辨率HSI的优势与基于SSA的方法结合起来，在精确的土地覆盖分类中具有挑战性。

本文基于构建的无人机载HSI数据集，提出了一种新颖的3DSSA方法来缓解严重的光谱变异性和空间异质性问题。在3DSSA中，定义了一个新的3D嵌入窗口来构造与整个HSI相对应的低秩轨迹张量，并引入t-SVD进行特征提取和重建。此外，为了减轻尺度多样性并提高分类精度，提出了扩展区域聚类（RC）3DSSA（RC-3DSSA）框架用于精确的土地覆盖分类。在RC-3DSSA中，首先针对异构区域分割执行基于光谱和空间测量的RC。然后，每个不规则异质区域填充平均像素或原始像素，并使用快速 3DSSA 版本实现进一步高效的对象级处理，以获得RC-3DSSA的两个变体（即RC-3DSSA-m和RC-3DSSA-n）。提取的光谱空间特征最终输入有效的分类器SVM以获得精确的分类结果。

中国石油大学孙根云教授团队选取了位于中国山东省青岛市西海岸新区的三个研究区（图1）。在此研究中构建了具有高分类挑战的QUH数据集。QUH数据集包含三个子数据集，即QUH-唐岛湾、QUH-青云和QUH-平安，均由安装在无人机平台上的高光谱传感器Gaiasky mini2-VN成像光谱仪（江苏科技有限公司）获取，规格如图2所示。三个数据集的详细飞行参数信息如表1所示。QUH-唐岛湾、QUH-青云、QUH-平安数据集详细的土地覆盖分布及相应的光谱曲线分别如图3和图4、图5和图6、图8和图9所示。然而，QUH-青云数据集的某些区域被建筑物阴影遮挡，包括树木、汽车和沥青道路等类别（图7）。

▲

图1：研究地点

▲

图2：无人机机载高光谱观测系统及Gaiasky mini2-VN成像光谱仪参数

表 1：三个数据集参数

▼

▲

图3：QUH-唐岛湾数据集。(a) 图像立方体，(b) 地面实况图像，(c) 土地覆盖类别

▲

图4：18 个土地覆盖类别的平均光谱曲线。

▲

图5：QUH-青云数据集。(a) 图像立方体，(b) 地面实况图像，(c) 土地覆盖类别

▲

图6：6个土地覆盖类别的平均光谱曲线

▲

图7：土地覆盖和影子土地覆盖的光谱曲线

▲

图8：QUH-平安数据集。（a）图像立方体，（b）地面实况图像，（c）土地覆盖类别

▲

图9：10个土地覆盖类别的平均光谱曲线

所提出的3DSSA方法用于提取HSI中的3D光谱空间特征，并进一步设计了基于区域聚类的改进RC-3DSSA框架，用于大规模HSI的精确土地覆盖分类。3DSSA和RC-3DSSA的流程图分别如图10和图11所示。

▲

图10：用于3D特征提取的3DSSA流程图

▲

图11：用于HSI分类的RC-3DSSA流程图，包括三个步骤：（a）基于RC的HSI分割，（b）每个区域的3DSSA，（c）基于SVM的分类

所提出的3DSSA使用局部3D窗口对整个HSI的全局低秩张量进行建模，探索光谱和空间依赖性并提取3D上下文特征。它由三个主要步骤组成：（1）3D嵌入，（2）低秩张量 SVD，（3）重建。

3DSSA对于较大的HSI数据存在内存不足的风险。因此，RC3DSSA被提出用于大规模HSI特征提取和分类，它具有三个主要步骤，如图11所示。首先，对原始HSI应用RC预处理以实现同质区域的分割。然后，将3DSSA应用于每个聚类区域进行特征提取，产生光谱空间联合特征。最后利用经典的SVM分类器实现土地覆盖的精确区分。

不同方法在此QUH-唐岛湾数据集上的定量分类结果如表2所示。RC-3DSSA-n在更多类别上取得了出色的准确性和RC-3DSSA-m在OA、AA和kappa方面获得了最高值。通过对比发现，RC-3DSSA以比深度学习更低的运行成本实现了卓越的分类性能。

表2：QUH-唐岛湾数据集的分类结果，其中最佳结果以粗体显示，次优结果以下划线显示

▼

图12显示了所有方法对QUH-唐岛湾数据集的分类图，并标记了三个典型区域以进行比较。对于区域I（黑框），所提出的方法能够有效地区分海水、沙地和岩石浅滩并保留其形态；对于区域II（红框），所提出的方法准确识别了两种相似的植被，针叶松和榆树；对于区域III（白框），RC-3DSSA有效地保留了以碎石路和橡胶跑道为主的不规则形状和道路连续性。总的来说，RC-3DSSA方法在复杂特征分布和相似目标混淆的情况下提供了优异的分类性能。

▲

图12：QUH-唐岛湾数据集的分类图。（a）真彩色图像（R：波段74，G：波段38，B：波段23），（b）地面实况图像，（c）SVM，（d）2DSSA，（e）3DGW，（f）3DWT。（g）SuperPCA，（h）SpaSSA，（i）HybridSN，（j）MorphCNN。（k）SpectralFormer，（l）SSTN，（m）RC-3DSSA-n，（n）RC3DSSA-m

表3列出了所有方法对QUH-青云数据集的定量分类结果，所提出的RC-3DSSA的运行时间比大多数深度学习方法更快，但比机器学习方法慢，其中SuperPCA运行速度最快。

表3：QUH-青云数据集的分类精度，其中最佳结果以粗体显示，次优结果以下划线显示

▼

所有方法对QUH-青云数据集的分类图和三个标记的典型区域如图13所示。对于区域I（黑框），RC-3DSSA-n和RC-3DSSA-m均准确提取了阴影下的植被区域。对于区域II（红框），RC-3DSSA-n 准确地识别并保留了沥青路的主要形状。对于区域III（白框），RC-3DSSA-m 提取汽车小目标的精度最高。所提出的RC-3DSSA-n和RC-3DSSA-m对于不同场景的性能有所不同，实际中可以根据场景特征选择两种方法中更合适的方法应用程序。

▲

图13：QUH-框数据集的分类图。（a）真彩色图像（R：波段74，G：波段38，B：波段23），（b）地面实况图像，（c）SVM，（d）2DSSA，（e）3DGW，（f）3DWT。（g）SuperPCA，（h）SpaSSA，（i）HybridSN，（j）MorphCNN。（k）SpectralFormer，（l）SSTN，（m）RC-3DSSA-n，（n）RC3DSSA-m

不同方法对QUH-平安数据集的分类精度总结在表4中。具体来说，所提出的RC3DSSA-n在中小型场景分类方面具有优势，而RC-3DSSA-m更适合大规模场景。值得注意的是，SuperPCA在五个类别上以最高效的方式实现了最高的分类精度。

表4：QUH-平安数据集的分类精度，其中最佳结果以粗体显示，次优结果以下划线显示

▼

图14显示了所有方法对QUH-平安数据集的分类图和三个典型区域。从图14可以看出，区域I和区域II，拟议的RC-3DSSA可以识别和提取完整的小规模目标；从区域III来看，RC-3DSSA可以准确地区分出中等规模的复杂小型建筑。

▲

图14：QUH-平安数据集的分类图。（a）真彩色图像（R：波段74，G：波段38，B：波段23），（b）地面实况图像，（c）SVM，（d）2DSSA，（e）3DGW，（f）3DWT。（g）SuperPCA，（h）SpaSSA，（i）HybridSN，（j）MorphCNN。（k）SpectralFormer，（l）SSTN，（m）RC-3DSSA-n，（n）RC3DSSA-m

PRODUCT