基于無人機影像的林地單株立木自動化提取研究
——以丹霞山濕地保護區(qū)為例

陳斌

（1核工業(yè)二九〇研究所，廣東省環(huán)境保護核輻射追蹤研究重點實驗室，廣東韶關(guān) 512029；2廣東省放射性生態(tài)環(huán)境保護工程技術(shù)研究中心，廣東韶關(guān) 512029）

0 引言

林地作為一種重要的森林生態(tài)資源，在自然資源開發(fā)與生態(tài)環(huán)境保護中發(fā)揮著重要的基礎(chǔ)性作用[1-3]。隨著無人機技術(shù)的應(yīng)用推廣，無人機航測遙感技術(shù)已被廣泛應(yīng)用于國土調(diào)查與自然資源遙感監(jiān)測。無人機具備體積小、成本低、維護方便等諸多優(yōu)點，同時伴隨著無人機影像的光譜、空間分辨率不斷提高，利用無人機開展對森林自然資源調(diào)查監(jiān)測已成為林業(yè)資源信息化的重要途徑和精準(zhǔn)林業(yè)發(fā)展的重要方向。無人機影像具備傳統(tǒng)衛(wèi)星影像不具備的多尺度、多時相和高分辨率等優(yōu)勢，能夠滿足現(xiàn)代化智慧林業(yè)發(fā)展的迫切需要。

當(dāng)前，基于遙感影像開展對林業(yè)資源調(diào)查監(jiān)測的方法大致可以劃分成兩類：一類是基于傳統(tǒng)中低分辨率衛(wèi)星影像開展林地資源調(diào)查與監(jiān)測，如：周佳寧等[4]基于MODIS影像，利用隨機森林算法對河北壩上林地動態(tài)變化進行了監(jiān)測；陳巧等[5]基于TM遙感影像，對武寧縣林地資源變化進行了監(jiān)測研究；楊伯鋼等[6]基于多個時段的TM數(shù)據(jù)，對北京市林地動態(tài)變化進行了監(jiān)測研究，并對監(jiān)測結(jié)果進行分析；喻慶國等[7]基于TM遙感影像，對滇西南熱帶林地資源進行了分類研究，并對分類結(jié)果進行驗證分析。另一類是基于中高分辨率遙感影像開展林地資源精細化分類與監(jiān)測研究，如：朱思明等[8]基于無人機影像，對天山云杉冠幅信息與胸徑樹高參數(shù)進行擬合并反演蓄積量；萬祖毅等[9]基于型多旋翼無人機獲取影像，對重慶市北碚區(qū)果園果樹數(shù)量進行了定量化分類研究；左萍萍等[10]基于無人機多光譜影像，對洪河國家級自然保護區(qū)的核心區(qū)、緩沖區(qū)和實驗區(qū)沼澤植被進行了分類研究。

現(xiàn)有研究在數(shù)據(jù)源選取上多集中以中低分辨率衛(wèi)星影像開展大范圍林地資源調(diào)查監(jiān)測研究為主[11-13]，而中低分辨率衛(wèi)星影像數(shù)據(jù)已不能滿足現(xiàn)行政策下國家精準(zhǔn)林業(yè)發(fā)展的迫切需要；在研究方法上，現(xiàn)有研究多是以傳統(tǒng)基于像素的分類方法為主[14-16]，分類前需要大量人工干預(yù)和先驗知識儲備。因此，借助無人機技術(shù)開展林地資源精細化調(diào)查，尤其是對人工林地的調(diào)查是國家“山水林田湖草”發(fā)展的迫切需要?；谏鲜鏊伎?，本研究利用無人機遙感影像，采用面向?qū)ο蠖喑叨确指钏惴▽Φは忌綕竦乇Ｗo區(qū)人工林地進行自動化提取研究，以期能為研究區(qū)林地分類、林地長勢及林區(qū)病蟲害監(jiān)測提供參考。

1 研究區(qū)概況

丹霞山濕地案例區(qū)(113°45′05″—113°45′09″E，24°56′53″—24°56′58″N)位于廣東省韶關(guān)市仁化縣周田鎮(zhèn)境內(nèi)（圖1），面積為0.005 km2，主要種植皇帝柑并長有雜草和其他松樹。丹霞山位于湘、贛、粵三省交界處的仁化縣境內(nèi)，距廣東省韶關(guān)市市區(qū)45 km，是廣東省面積最大的自然風(fēng)景區(qū)、保護區(qū)，同時也享有“中國紅石公園”的美譽。丹霞山位于南嶺山脈南坡，屬亞熱帶南緣，具有中亞熱帶向南亞熱帶過渡的亞熱帶季風(fēng)性濕潤氣候特點。年均氣溫19.7℃，夏季最高溫可達40℃；年均降水量為1800 mm，其中3—8月降水最為集中，降水量約占全年降水量的75%。轄區(qū)內(nèi)植被類型多樣，主要為中亞熱帶常綠闊葉林。丹霞山先后被列入和評為國家級風(fēng)景名勝區(qū)、國家級自然保護區(qū)、國家地質(zhì)公園、國家4A級旅游景區(qū)、國家5A級旅游景區(qū)五項國家級稱號，2004年經(jīng)聯(lián)合國教科文組織批準(zhǔn)為全球首批世界地質(zhì)公園。丹霞山自然保護區(qū)境內(nèi)自然資源豐富，如：沙田柚、皇帝柑、白毛茶、香菇等，同時發(fā)育著典型的丹霞地貌，具有重要的學(xué)術(shù)研究價值和人文景觀觀賞價值。

圖1 研究案例區(qū)范圍

2 數(shù)據(jù)源與研究方法

2.1 數(shù)據(jù)獲取與處理

無人機可以按照類型劃分為多類，具體包括：飛行器大小、續(xù)航能力、質(zhì)量、最大飛行高度、有效載荷以及發(fā)動機類型等。參照ARJOMANDI等[17]研究，將無人機劃分為：微型、輕量型、中型、重型和超重型5種類型。而WATTS等[18]根據(jù)無人機續(xù)航能力和飛行高度，將其劃分為7種類型（表1）。

表1 常見無人機類型劃分

本研究選用大疆PJHANTOM 4RTK無人機（圖2），它是一款具備高精度測繪功能的航拍飛行器。飛行器機身預(yù)裝了機載D-RTK，定位最高精度可以達到厘米級。同時它配備了位于機身前部、后部及底部的視覺系統(tǒng)與兩側(cè)的紅外感知系統(tǒng)，能提供多方位的視覺定位及障礙物感知。相機使用的是1英寸的CMOS圖像傳感器，加上高精度防抖云臺，拍攝像素最大精度達到2000萬像素。具體參數(shù)如表2所示。

圖2 案例區(qū)航測無人機

表2 無人機飛行器參數(shù)

無人機總質(zhì)量1391g，最大起飛海拔高度為6000m，最大上升速度6 m/s，最大下降速度3 m/s，飛行時間在30 min左右。工作環(huán)境溫度為0～40℃。工作頻率為5.725 GHz至5.850 GHz。本研究于2021年6月10日，選擇天氣晴朗，云量較少，風(fēng)力較小的時間點進行案例區(qū)無人機飛行作業(yè)，通過無人機外業(yè)照片進行內(nèi)業(yè)數(shù)據(jù)建模，形成空間分辨率為3 cm的高分辨率無人機遙感影像用于后續(xù)人工林地單株立木信息提取研究。

2.2 研究方法

2.2.1 林地提取方法技術(shù)流程 本研究利用無人機獲取案例區(qū)高分辨率影像，對影像進行幾何校正、配準(zhǔn)等預(yù)處理工作，然后利用eCognition軟件采用面向?qū)ο蟮亩喑叨确指钏惴▽Π咐齾^(qū)無人機影像進行多尺度分割，選擇不同分割尺度參數(shù)，并結(jié)合研究區(qū)實際人工林地特征，選擇合適的分割參數(shù)，最后對分割后結(jié)果進行分析評價。具體技術(shù)流程如圖3所示。

圖3 研究技術(shù)流程圖

2.2.2 影像光譜信息增強 本研究基于無人機影像提取人工林地之前需要對影像進行拉伸處理，以增強影像中人工林地與其他相鄰地物之間的光譜特征差異，便于影像多尺度分割，有利于保證同質(zhì)性區(qū)域的均一性和協(xié)同性。傳統(tǒng)RGB波段組合拉升雖然能夠在視覺上提升影像光譜亮度差異，但由于本次采用的無人機影像光譜通道較少，為進一步提升影像色彩飽和度和像元灰度值之間的差異，本研究采用高斯拉伸方法對案例區(qū)影像3個通道影像進行拉伸處理。判斷一個影像像元分布是否合理，主要依據(jù)像元分布是否滿足正態(tài)分布規(guī)律，RGB影像拉伸后結(jié)果如圖4所示，高斯拉伸前后圖像灰度直方圖結(jié)果如下表3所示。由圖可知，通過高斯拉伸處理后，影像像元亮度值分布直方圖更接近正態(tài)分布模型，同時對應(yīng)的影像圖色彩飽和度更高，目標(biāo)地物與周邊相鄰地物的光譜特征值差異更大，更有利于后續(xù)影像多尺度分割，從而進一步提高人工林地自動化提取效率。

圖4 案例區(qū)無人機影像光譜拉伸結(jié)果

表3 高斯拉伸前后圖像灰度直方圖結(jié)果對比

高斯拉伸使用像元均值127和對應(yīng)于0～255的以正負3為標(biāo)準(zhǔn)差的值進行拉伸（表3）。輸出直方圖用一條近似正態(tài)分布曲線顯示，拉伸后的數(shù)據(jù)分布呈現(xiàn)白色，拉升后的像元分布更加飽滿，便于后續(xù)影像多尺度分割和分類研究。

2.2.3 多尺度分割算法 所謂多尺度分割即選取不同分割尺度參數(shù)對案例區(qū)無人機遙感影像進行分割，多尺度分割算法本質(zhì)上是一種自下而上的分割算法，與傳統(tǒng)面向像素分類算法不同，它將分類對象根據(jù)地物形狀、結(jié)構(gòu)以及紋理特征差異，逐個分割為單一斑塊，將空間異質(zhì)性差異較小的斑塊不斷合并，將空間異質(zhì)性較大的斑塊不斷分割，直至最后分割結(jié)果和實際地物相吻合。即通過設(shè)置一定閾值大小，將空間異質(zhì)性差異小于閾值范圍的斑塊分割為一個整體，反之則分割為不同斑塊實體要素。因其分割之前將遙感影像實體要素按照對象進行分類，因此在中高分辨率遙感影像分類中應(yīng)用較為廣泛。本研究選用分割尺度為100、80、60和40共4個層級，然后借助eCognition多尺度分割算法進行分割，分割結(jié)果如圖5所示。

圖5 無人機影像多尺度分割

多尺度分割算法主要基于遙感影像地物的光譜、紋理以及形狀等特征參數(shù)對影像進行分割。本研究根據(jù)實際情況，將多尺度分割參數(shù)大小設(shè)置為100、80、60和40共4個層級。不同分割尺度對應(yīng)的地塊數(shù)量及大小如下表4所示。

表4 影像多尺度分割參數(shù)

本研究結(jié)合多尺度分割結(jié)果對比研究區(qū)人工林地實際地物形狀、結(jié)構(gòu)以及紋理特征吻合程度，本研究選取分割尺度為80的分割結(jié)果進行林地自動化提取研究（表5）。

表5 多尺度分割最佳參數(shù)選取

波段權(quán)重組成的光譜特征主要是由真實的地物與成像狀態(tài)所決定的光學(xué)物理屬性，與真實地物的像元所對應(yīng)的灰度值相關(guān)，主要包括均值、方差、灰度比和亮度等特征；分割尺度是eCognition特有無量常數(shù)，分割尺度越小，地物斑塊就會被分割的越小。形狀特征反映了對象的形態(tài)特征，主要包括地物的周長、面積以及長寬比等，在考慮光譜特征差異的同時加入形狀特征，可以從一定程度上避免“同物異譜”和“異物同譜”現(xiàn)象的出現(xiàn)，緊湊度因子用來描述影像對象形狀的飽滿程度。2.2.4林地分類特征參數(shù)選取 基于多尺度分割結(jié)果，為進一步得到林地自動化提取結(jié)果，根據(jù)案例區(qū)林地的形狀、結(jié)構(gòu)和紋理特征差異進行特征參數(shù)選取，由于本研究采用的無人機RGB 3個通道遙感影像，利用林地光譜像元差異和形狀指數(shù)，面積標(biāo)準(zhǔn)差構(gòu)建分類特征數(shù)據(jù)集，用于案例區(qū)人工林地自動化識別。

3 結(jié)果與分析

3.1 人工林地單株立木提取

本研究采用大疆PHANTOM4 RTK無人機對丹霞山案例區(qū)進行航飛拍攝，通過內(nèi)業(yè)數(shù)據(jù)處理建模形成研究區(qū)無人機遙感影像。通過多尺度分割算法對案例區(qū)人工林地進行多尺度分割，再利用林地特征數(shù)據(jù)集形成分類特征要素對林地進行自動化提?。▓D6）。研究采用人機交互解譯方法對自動化提取結(jié)果進行精度驗證。

圖6 案例區(qū)人工林地自動化分類提取結(jié)果

3.2 精度驗證及評價

本研究采用Kappa系數(shù)、總體分類精度、錯分誤差以及漏分誤差來對研究區(qū)人工林地自動化分類提取結(jié)果進行精度驗證和評價。

（1）Kappa系數(shù)主要用于評價遙感影像分類結(jié)果優(yōu)劣程度的多元離散量化評價方法。通常，總體分類精度考慮了混淆矩陣對角線方向上被正確分類的目標(biāo)地物數(shù)量，而Kappa系數(shù)則同時考慮了混淆矩陣對角線以外的漏分和錯分地物。計算公式如式(1)所示。

式中，Pa為總體分類精度，Pe為各地物對角線分類數(shù)量之積與混淆矩陣總和平方的比值。

（2）總體分類精度是指分類后正確識別的目標(biāo)地物數(shù)量占實際正確地物數(shù)量總數(shù)的比例。計算公式如式(2)所示。

式中，Oa為總體分類精度，Nc為正確分類的地物數(shù)量，Nr為實際地物總數(shù)。

（3）錯分誤差是實際為非人工林地，而在分類過程中被劃分到林地類別當(dāng)中去，它通常在混淆矩陣中顯示。計算公式如式(3)所示。

式中，Ce為錯分誤差，Nc為正確分類的地物數(shù)量，Nr為實際地物總數(shù)。

（4）漏分誤差Oe是指實際為人工林地，而在實際分類過程中未被正確分類到林地這一類別中去。即相對于正確地物總數(shù)中漏分的目標(biāo)地物占比大小。計算公式如式(4)所示。

式中，Oe為漏分誤差度，Na為目視人機交互解譯得到的實際林地數(shù)量，Nc為分類提取到的正確林地數(shù)量。

由表6可知，基于無人機遙感影像的林地單株立木提取精度達到了98.40%，Kappa系數(shù)也達到了0.979。這表明，無人機遙感影像在研究區(qū)人工林地單株立木提取上具備較高的可行性和實用性，能夠滿足研究的基本需要。

表6 案例區(qū)人工林地分類精度

4 結(jié)論與討論

基于無人機遙感影像，采用多尺度分割算法對丹霞山濕地案例區(qū)人工林地進行自動化提取研究。研究表明：基于高分辨率無人機影像在濕地保護區(qū)人工林地提取中具備較高的可行性，總體分類精度達到了95%以上，Kappa系數(shù)大小為0.979。由此可見無人機影像多尺度分割算法在案例區(qū)人工林地自動化提取中具備較高的實用性，能夠滿足林業(yè)自動化分類提取研究的需要。

本研究基于無人機影像人工林地自動化識別取得了較好的分類精度，這是建立在對案例區(qū)人工林地種類單一和分布較為稀疏的前提下取得的，如何借助三維傾斜攝影測量技術(shù)以及多光譜傳感器開展人工單株立木高度以及林地種類等指標(biāo)因子監(jiān)測研究，將是今后林業(yè)調(diào)查與監(jiān)測研究的重要方向。與傳統(tǒng)林地監(jiān)測分類研究不同，本研究基于高分辨率無人機影像，采用面向?qū)ο蠖喑叨确指钏惴▽θ斯ち值剡M行自動化提取，避免了因采用傳統(tǒng)面向要素的分類方法導(dǎo)致的地類像元混分現(xiàn)象的出現(xiàn)，但在面向省域以及更大空間研究尺度的林地分類研究時，因無人機影像單個架次覆蓋的空間范圍有限，且影像內(nèi)業(yè)拼接耗時較長，如何針對不同空間尺度研究對象選取合適的遙感影像也有待進一步研究和探討。