基于空間三維視角的無(wú)人機(jī)技術(shù)監(jiān)測(cè)農(nóng)林資源

謝國(guó)雪，楊如軍，李雙青，王寧娜，穆 琳，鄧 嬌

(1．廣西師范學(xué)院地理科學(xué)與規(guī)劃學(xué)院，南寧530001;2．廣西國(guó)土資源信息中心，南寧530022)

農(nóng)業(yè)和林業(yè)資源的監(jiān)測(cè)是中國(guó)資源調(diào)查的重要范疇，農(nóng)業(yè)的種植面積與國(guó)家的糧食問(wèn)題具有重大的關(guān)系，農(nóng)業(yè)是國(guó)民經(jīng)濟(jì)的基礎(chǔ);林業(yè)資源是人類(lèi)賴以生存的基礎(chǔ)資源。農(nóng)林資源的監(jiān)測(cè)至關(guān)重要，如何高效精準(zhǔn)地監(jiān)測(cè)農(nóng)林資源一直以來(lái)備受關(guān)注。近年來(lái)衛(wèi)星遙感技術(shù)的發(fā)展，提高了農(nóng)林資源調(diào)查的技術(shù)手段，但受到氣候、周期、分辨率、成本等因素的影響，獲取的遙感數(shù)據(jù)遠(yuǎn)不能滿足需求。無(wú)人機(jī)遙感技術(shù)憑借結(jié)構(gòu)簡(jiǎn)單、靈活機(jī)動(dòng)、風(fēng)險(xiǎn)小、成本低、分辨率高、實(shí)時(shí)性強(qiáng)等優(yōu)勢(shì)，成為了衛(wèi)星遙感技術(shù)的有效補(bǔ)充手段，也得到了研究者和生成者的青睞［1］。無(wú)人機(jī)遙感技術(shù)已經(jīng)在國(guó)土、林業(yè)、農(nóng)業(yè)、規(guī)劃、旅游等行業(yè)得到了有效應(yīng)用，國(guó)內(nèi)外學(xué)者的研究成果日益增多，Murakami等利用低空氣球平臺(tái)獲取數(shù)據(jù)，利用農(nóng)作物高度攝影測(cè)量系統(tǒng)根據(jù)高度差異性，評(píng)估蕎麥的倒伏情況［2］;Mitch Bryson等根據(jù)植被顏色和紋理的差異，提取了無(wú)人機(jī)影像數(shù)據(jù)的植被信息［3］;馮家莉等利用無(wú)人機(jī)技術(shù)調(diào)查紅樹(shù)林資源［4］;王利民等利用無(wú)人機(jī)獲取了中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)高新科技產(chǎn)業(yè)園的影像數(shù)據(jù)，分別利用監(jiān)督分類(lèi)和面向?qū)ο蠓诸?lèi)提取了春玉米、夏玉米、苜蓿和裸土4中地物信息，前者分類(lèi)精度為88.2%，后者分類(lèi)精度為92.0%［5］。雖然針對(duì)無(wú)人機(jī)技術(shù)的研究日益增多，但針對(duì)可見(jiàn)光的無(wú)人機(jī)數(shù)據(jù)監(jiān)測(cè)精準(zhǔn)農(nóng)林資源的研究較少，主要原因在于可見(jiàn)光影像的波段信息較少，增加了分類(lèi)工作的難度，因此以僅包含可見(jiàn)光的無(wú)人機(jī)影像為主要數(shù)據(jù)源，采用空間三維視角的技術(shù)監(jiān)測(cè)農(nóng)林資源的分布情況具有重要的意義。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)為廣西稀土礦礦區(qū)，隸屬亞熱帶季風(fēng)氣候，氣候溫和，雨量充沛，年均降雨量達(dá)1 200 mm，年均溫度22.3℃。優(yōu)越的自然條件為植被生長(zhǎng)創(chuàng)造良好的生長(zhǎng)環(huán)境，研究區(qū)農(nóng)作物僅種植甘蔗作物，林地主要以灌木為主，部分地區(qū)灌木與荒草混合種植，少部分種植喬木，礦區(qū)以自上而下臺(tái)階式露天開(kāi)采方式，導(dǎo)致地形變化較大，因此大部分區(qū)域植被為新生植物。

1.2 數(shù)據(jù)獲取

研究中利用瑞士迷你無(wú)人機(jī)制造商Sensefly推出的eBee Ag無(wú)人機(jī)設(shè)備獲取數(shù)據(jù)，選用該設(shè)備的主要原因在于無(wú)人機(jī)體積較小，具有極好的抗風(fēng)能力，機(jī)翼可拆卸方便外出攜帶，能夠重復(fù)使用的同時(shí)對(duì)于機(jī)身的維修容易，起飛無(wú)需彈射器，雙手搖動(dòng)后向前上方拋出即可完成起飛工作，在飛行過(guò)程中可通過(guò)配套的軟件全自動(dòng)完成拍攝及監(jiān)控工作，搭載的相機(jī)獲取的相片質(zhì)量高，數(shù)據(jù)的后期處理快捷簡(jiǎn)單。本次數(shù)據(jù)的采集時(shí)間為2014年10月22日，天氣晴朗，陽(yáng)光充足，風(fēng)力較小，十分有利于數(shù)據(jù)的獲取。由于研究區(qū)面積較小，僅需飛行一個(gè)架次。飛行中共獲取了228張照片，橫向與縱向重疊度設(shè)定為80%，飛行高度為530 m，飛行時(shí)間約32 min，覆蓋面積約144.35 hm2，采用手持GPS野外采集了3個(gè)像控點(diǎn)，無(wú)人機(jī)飛行航線規(guī)劃、實(shí)際飛行曝光航跡與像控點(diǎn)疊加效果分別如圖1、2所示。

圖1 飛機(jī)起飛降落規(guī)劃Figure1 Landing and taking off plan

圖2 曝光航跡與像控點(diǎn)疊加效果Figure2 Exposure track and control point stacking effect

1.3 數(shù)據(jù)處理

無(wú)人機(jī)數(shù)據(jù)處理主要通過(guò)配套軟件Postflight Terra 3D 3完成，軟件操作簡(jiǎn)單，無(wú)需過(guò)多的先驗(yàn)知識(shí)，將航拍的照片數(shù)據(jù)、無(wú)人機(jī)記錄的POS(position and orientation system)數(shù)據(jù)和像控點(diǎn)輸入，設(shè)置參數(shù)和選擇輸出結(jié)果后即可提交處理任務(wù)。軟件處理過(guò)程中主要分為3個(gè)步驟，第一:自動(dòng)完成空中三角測(cè)量計(jì)算，將照片數(shù)據(jù)恢復(fù)真實(shí)的位置并進(jìn)行校正工作，生成成果的精度報(bào)告;第二:進(jìn)行點(diǎn)云的加密工作，進(jìn)行到這個(gè)工作階段消耗計(jì)算機(jī)內(nèi)存最大，耗費(fèi)時(shí)間最長(zhǎng)，最終生成后綴為.LAS的點(diǎn)云數(shù)據(jù);第三:對(duì)數(shù)據(jù)的自動(dòng)拼接，輸出正射影像 (DOM)、數(shù)字表面模型 (DSM)。生成的DOM和DSM的面積約為144.35 hm2，空間分辨率為7.125 cm，坐標(biāo)系統(tǒng)為西安80，高斯克里格投影北半球3度分帶的第36帶，DOM成果如圖3所示。為了檢驗(yàn)DOM的精度，將其與分辨率為2 m的2014年資源三號(hào)融合影像進(jìn)行疊加對(duì)比，偏差小于2個(gè)像元值，疊加的效果如圖4所示。

圖3 DOM成果Figure3 DOM results

圖4 DOM與參考影像疊加對(duì)比效果Figure4 DOM and reference image superimposed contrast effects

2 研究方法

2.1 技術(shù)流程

基于無(wú)人機(jī)技術(shù)監(jiān)測(cè)農(nóng)林資源分布情況的主線是:利用面向?qū)ο蟮姆诸?lèi)方法提取農(nóng)林地物目標(biāo)信息，再經(jīng)過(guò)目視解譯進(jìn)行后期的修正工作，最后利用冠層高度模型 (CHM)將林地信息劃分為4個(gè)不同的高度層，劃分高度單位為m，技術(shù)流程如圖5所示。

2.2 目標(biāo)地物樣本庫(kù)建立

根據(jù)研究區(qū)種植植被的實(shí)際情況，農(nóng)業(yè)資源僅種植甘蔗作物，由于荒草多與低矮灌木混合種植，統(tǒng)一歸類(lèi)為林地，因此研究區(qū)分類(lèi)目標(biāo)僅有甘蔗和林地地物，由于生長(zhǎng)在不同的地區(qū)表現(xiàn)的特征各異，因此將甘蔗和林地信息構(gòu)建樣本庫(kù)，每一個(gè)地類(lèi)分別提取了20個(gè)地塊作為有效樣本，樣本庫(kù)具體表現(xiàn)特征如表1所示。

圖5 技術(shù)流程Figure5 Flow chart of technology

表1 樣本庫(kù)特征Table1 Sample database features

2.3 無(wú)人機(jī)的CHM模型

冠層高度模型 (CHM)由數(shù)字表面模型 (DSM)與數(shù)字高程模型 (DEM)相減而得，為了提取林地的真實(shí)高度，DSM由無(wú)人機(jī)密集點(diǎn)云數(shù)據(jù)采用最大值算法生成柵格圖層。現(xiàn)有的數(shù)據(jù)源中缺乏研究區(qū)的DEM，因此根據(jù)研究區(qū)的掃描地形圖均勻采集869個(gè)高程點(diǎn)，采用克里金插值計(jì)算生成DEM，同時(shí)隨機(jī)選取50個(gè)驗(yàn)證點(diǎn)分析誤差，統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)誤差波動(dòng)范圍在0～0.5 m。由于研究區(qū)為一個(gè)礦區(qū)，部分區(qū)域地形都經(jīng)過(guò)開(kāi)挖，地形變化大，因此插值計(jì)算的DEM與變化后真實(shí)DEM具有一定的誤差，其中甘蔗種植地、人工林地等區(qū)域誤差較大，對(duì)于高度的提取有一定的影響。

2.4 面向?qū)ο筇崛⌒畔?/h3>

2.4.1 植被提取

通常影像數(shù)據(jù)在無(wú)近紅外波段的情況，使用率波段比例或紅外波段進(jìn)行提取，經(jīng)過(guò)實(shí)踐發(fā)現(xiàn)分類(lèi)結(jié)果精度不高，對(duì)于藍(lán)色鐵皮房和地物陰影遮蓋地?zé)o法正確識(shí)別，為此根據(jù)植被的波譜特征曲線，自定義了植被特征 (VI')提取植被信息，計(jì)算公式如公式 (1)所示。在eCognition軟件進(jìn)行面向?qū)ο蠓诸?lèi)過(guò)程中定義了VI'特征，并利用閾值工具條顯示VI'的范圍值，通過(guò)反復(fù)選取不同非植被對(duì)象，再根據(jù)對(duì)象信息窗口查閱VI'值，確定非植被地物的范圍值為≤0。分別使用綠波段比率、紅外波段、VI'閾值提取植被信息，其中綠波段比率的閾值設(shè)定為≥0.36，紅外波段的閾值設(shè)定為≤142，VI'閾值則設(shè)定為≤0，效果如圖6所示。

式 (1)中，G'=G/(R+G+B)，R'=R/(R+G+B)，B'=B/(R+G+B)，R、G、B分別為紅、綠、藍(lán)色波段。

圖6 植被信息提取對(duì)比效果Figure6 Vegetation information extraction contrast effects

從圖6顯示根據(jù)紅色波段特征提取植被信息效果最差，采用VI'閾值提取的效果質(zhì)量最優(yōu)，利用紅色波段特征提取的植被信息過(guò)程中，容易將地物陰影和藍(lán)色鐵皮房混淆歸為植被，而利用綠波段比率提取植被信息能夠?qū)⑺{(lán)色鐵皮區(qū)分，但難以將陰影和植被干枯的地類(lèi)區(qū)分，根據(jù)VI'閾值提取植被，將紅、綠、藍(lán)波段均考慮在內(nèi)，且放大了包含植被信息最多的綠、紅波段比率，采用相減的方法能夠有效將非植被信息剔除，提高分類(lèi)精度。

2.4.2 農(nóng)林資源分類(lèi)

為了提高植被地類(lèi)下一步分類(lèi)精度，將植被類(lèi)進(jìn)行多尺度分割，分割尺度設(shè)定為40，緊致度因子設(shè)定為0.5，形狀因子設(shè)定為0.2，參數(shù)這樣設(shè)定可以充分利用影像的紋理信息進(jìn)行分割，適合甘蔗地物與林地的提取。無(wú)人機(jī)獲取的可見(jiàn)光波段影像的光譜信息相對(duì)較弱，考慮紋理信息的實(shí)用性更大，因此利用現(xiàn)有的樣本庫(kù)，基于二階矩陣概率統(tǒng)計(jì)的濾波，統(tǒng)計(jì)均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩、相關(guān)性8種濾波差異［6］，統(tǒng)計(jì)結(jié)果發(fā)現(xiàn)光譜信息中的均值顯示甘蔗與林地存在差異，因此考慮使用紅、綠、藍(lán)色光譜信息，其中紅色光譜信息閾值設(shè)定≤97，綠色光譜信息閾值設(shè)定為≤115，藍(lán)色光譜信息閾值設(shè)定為≤67，該3個(gè)閾值單獨(dú)使用均可提取部分的林地?？紤]甘蔗作物的生長(zhǎng)高度通常小于4 m的情況，利用CHM模型作為閾值能夠有效提取高度大于4 m的林地，針對(duì)無(wú)法使用閾值分類(lèi)的地物信息，選擇基于樣本庫(kù)的支持向量機(jī)分類(lèi)方法完成分類(lèi)。支持向量機(jī)是由Vapnik等人在多年研究統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上提出的分類(lèi)技術(shù)，主要目標(biāo)是尋找一個(gè)超平面，使得通過(guò)它達(dá)到將不同的兩類(lèi)數(shù)據(jù)點(diǎn)正確的分開(kāi)，同時(shí)確保兩類(lèi)數(shù)據(jù)點(diǎn)距離該面最遠(yuǎn)［7］。SVM能夠有效解決多維數(shù)據(jù)的難題，與其他方法相比，無(wú)需太多的先驗(yàn)知識(shí)，分類(lèi)結(jié)果客觀、準(zhǔn)確，精度高。

3 精度評(píng)價(jià)與成果分析

以廣西稀土礦區(qū)為研究區(qū)，對(duì)無(wú)人機(jī)影像在農(nóng)林資源精準(zhǔn)監(jiān)測(cè)方法的應(yīng)用進(jìn)行了初步研究，完成了農(nóng)作物與林地的分類(lèi)，分類(lèi)的總精度為96.44%，Kappa系數(shù)為0.9286，并構(gòu)建冠層高度模型 (CHM)將林地資源劃分為不多的高度層，最后利用三維可視化效果顯示分類(lèi)結(jié)果，直觀地展示了農(nóng)林資源實(shí)地具體分布情況，監(jiān)測(cè)農(nóng)林資源分布效果如圖7所示，圖7中顯示均為同一區(qū)域，高度使用單位為m。

圖7 分類(lèi)效果Figure7 Classification results

提取目標(biāo)地物過(guò)程中發(fā)現(xiàn)甘蔗地物與周邊生長(zhǎng)茂盛的草地特征十分相似，因此部分的甘蔗地類(lèi)被誤分為林地，目前采用計(jì)算機(jī)自動(dòng)分類(lèi)方法難以實(shí)現(xiàn)可見(jiàn)光影像上甘蔗與荒草的分類(lèi)，也是未來(lái)值得研究的問(wèn)題，為了提高精度選用人工目視解譯完成最后的成果修正。提取成果的精度評(píng)價(jià)主要利用envi5.2軟件中混淆矩陣進(jìn)行評(píng)價(jià)，采用之前選取的樣本作為訓(xùn)練區(qū)，提取的甘蔗和林地結(jié)果作為被驗(yàn)證區(qū)，精度評(píng)價(jià)的結(jié)果顯示甘蔗地物的分類(lèi)精度為93.52%，林地地物的分類(lèi)精度為92.67%，分類(lèi)的總精度為96.44%，Kappa系數(shù)為0.928 6，滿足使用精度要求。

研究中未將甘蔗類(lèi)分類(lèi)為不同高度，原因在于研究區(qū)為礦區(qū)，種植甘蔗區(qū)域多為開(kāi)挖區(qū)或者堆土區(qū)，地形變化很大，DSM與DEM無(wú)法做出正確的比較，甚至出現(xiàn)負(fù)值，在地勢(shì)相對(duì)變化小的區(qū)域，甘蔗地類(lèi)的高度范圍在1.2～3.19 m，與現(xiàn)實(shí)中甘蔗的高度較相符，統(tǒng)計(jì)得出甘蔗種植面積為17.14 hm2。林地類(lèi)中同樣存在類(lèi)似甘蔗地類(lèi)的情況，尤其是新長(zhǎng)灌木、人工種植林地部分區(qū)域地形變化較大，導(dǎo)致精度難以估算，而地形變化小的區(qū)域，高度層精度存在約0.3～2 m的誤差。雖然林地不同高度層分類(lèi)的整體精度需要提高，但從正射影像上發(fā)現(xiàn)林地中灌木最多，并將分類(lèi)的結(jié)果分別與正射影像、三維模型疊加分析，發(fā)現(xiàn)提取結(jié)果與實(shí)際情況大致相符，能夠有效反映林地的生長(zhǎng)和分布狀況。

林地高度劃分為4個(gè)層分別為:＜10、［10，20)、［20，30)、≥30，劃分高度單位為m，面積分別占林地資源面積的85.89%、11.39%、2.41%、0.75%，其中＜10 m的林地資源分布區(qū)域廣泛，面積成片;［10，20)范圍的林地資源分布在研究區(qū)的南部，植被生長(zhǎng)茂盛;［20，30)范圍的林地分布資源在南部與中部居多，面積小，分布零散;≥30 m的林地資源集中分布在中部。將分類(lèi)的結(jié)果疊加在三維模型上，能夠直觀展現(xiàn)林地資源不同高度層的具體分布情況，同時(shí)可了解地物生長(zhǎng)的地形、地貌、環(huán)境概況，減少人員外出的工作量。為了減少提取誤差，可通過(guò)以下幾個(gè)方面改進(jìn):

1)利用衛(wèi)星影像立體像對(duì)提取或?qū)嵉赝鈽I(yè)測(cè)量手段獲取最新的研究區(qū)DEM的準(zhǔn)確數(shù)據(jù)，并將DEM和DSM轉(zhuǎn)換成分辨率一致的柵格格式，同時(shí)測(cè)量植被的真實(shí)高度值，用于對(duì)比校正。

2)為了提高DOM和DSM的準(zhǔn)確度，適當(dāng)降低飛行的高度，提高無(wú)人機(jī)拍攝資料的空間分辨率，從不同的角度拍攝多組照片，有利于真實(shí)三維模型的生成，同時(shí)有利于提高密集點(diǎn)云的質(zhì)量。

3)增加研究區(qū)的實(shí)地像控點(diǎn)，有利于提高影像坐標(biāo)的精度和DSM的高程精度。

4)選擇天氣晴朗，陽(yáng)光充足，風(fēng)速較小的條件下獲取數(shù)據(jù)，這樣可以減少飛機(jī)的抖動(dòng)，可提高影像數(shù)據(jù)的清晰度。

5)若經(jīng)濟(jì)條件允許，可選用具有近紅外波段或波譜儀的設(shè)備的無(wú)人機(jī)，近紅外波段和目標(biāo)的波譜曲線極利于植被的分類(lèi)。

4 結(jié)束語(yǔ)

基于三維視角的無(wú)人機(jī)技術(shù)監(jiān)測(cè)農(nóng)林資源分布情況，實(shí)現(xiàn)了無(wú)近紅外波段情況下植被信息的提取，利用紋理特征、CHM模型、SVM將植被地類(lèi)成功分類(lèi)為甘蔗地類(lèi)與林地類(lèi)，最后將林地資源類(lèi)劃分為不同的高度層。據(jù)報(bào)道全國(guó)林地“一張圖”于2012年底已建成，并且在二三維環(huán)境下進(jìn)行展示［8］，研究的成果采用三維模型展示，不僅有助于豐富林地“一張圖”的內(nèi)容，且可直觀監(jiān)測(cè)不同資源的分布、林地的生長(zhǎng)情況。研究表明基于三維視角的無(wú)人機(jī)技術(shù)監(jiān)測(cè)農(nóng)林資源情況確實(shí)可行，研究中對(duì)研究成果及存在的問(wèn)題進(jìn)行了詳細(xì)分析，提出了改進(jìn)的意見(jiàn)，對(duì)于利用無(wú)人機(jī)技術(shù)對(duì)精準(zhǔn)農(nóng)林資源分布的監(jiān)測(cè)具有借鑒作用。

［1］Li De-ren，Li Ming．Research advance and application prospect of unmanned aerial vehicle remote sensing system ［J］．Geomatics and Information Science of Wuhan University，2014，39(5):505-513．［李德仁，李明．無(wú)人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景 ［J］．武漢大學(xué)學(xué)報(bào) (信息科學(xué)版)，2014，39(5):505-513．］

［2］ Murakami T，Yui M，Amaha K．Canopy height measurement by photogrammetric analysis of aerial images:Application to buckwheat(Fagopyrum esculentumMoench)lodging evaluation ［J］．Computers and Electronics in Agriculture，2012，89:70-75．

［3］ Mitch B，Alistair R，F(xiàn)abio R，et al．Airborne vision-based mapping and classification of large farmland environments［J］．Journal of Field Robotics，2010，27(5):632-655．

［4］ Feng Jia-li，Liu Kai，Zhu Yuan-hui，et al．Application of unmanned aerial vehicles to mangrove resources monitoring ［J］．Tropical Geography，2015，35(1):35-42．［馮家莉，劉凱，朱遠(yuǎn)輝，等．無(wú)人機(jī)遙感在紅樹(shù)林資源調(diào)查中的應(yīng)用［J］．熱帶地理，2015，35(1):35-42．］

［5］Wang Li-min，Liu Jia，Yang Ling-bo，et al．Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring［J］．Transactions of the Chinese Society of Agricultural Engineering，2013，29(18):136-145．［王利民，劉佳，楊玲波，等．基于無(wú)人機(jī)影像的農(nóng)情遙感監(jiān)測(cè)應(yīng)用 ［J］．農(nóng)業(yè)工程學(xué)報(bào)，2013，29(18):136-145．］

［6］Li Zong-nan，Chen Zhong-xin，Wang Li-min，et al．Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle［J］．Transactions of the Chinese Society of Agricultural Engineering，2014，30(19):207-213．［李宗南，陳仲新，王利民，等．基于小型無(wú)人機(jī)遙感的玉米倒伏面積提?。跩］．農(nóng)業(yè)工程學(xué)報(bào)，2014，30(19):207-213．］

［7］Zhang Fa-fa，Li Wei-zhong，Lu Liu-ye，et al．Technologies of extracting land utilization information based on SVM method with multi-window texture［J］．Journal of Remote Sensing，2012，16(1):67-78． ［張伐伐，李衛(wèi)忠，盧柳葉，等．SVM多窗口紋理土地利用信息提取技術(shù) ［J］．遙感學(xué)報(bào)，2012，16(1):67-78．］

［8］Zhang Yu-xing，Xu Deng-ping，Ren Yi，et al．Research on the tree species library of“One map”of forest-land based on 3DGIS technology［J］．Forest Resources Mangement，2014，6:34-38．［張煜星，許等平，任怡，等．基于三維技術(shù)的林地“一張圖”樹(shù)種庫(kù)管理研究 ［J］．林業(yè)資源管理，2014，6:34-38．］