基于無人機遙感影像的鹽堿地信息的精準提取方法

徐存東，李洪飛，谷豐佑，張 鵬，高德坤

（1.華北水利水電大學水利學院，河南鄭州450046；2.水資源高效利用與保障工程河南省系統(tǒng)創(chuàng)新中心，河南鄭州450046；3.河南省水工結(jié)構(gòu)安全工程技術(shù)研究中心，河南鄭州450046）

0 引 言

無人機遙感屬于低空遙感技術(shù)，其在影像數(shù)據(jù)采集過程中具備機動靈活、成本低、高分辨率以及受氣象干擾影響小等傳統(tǒng)衛(wèi)星遙感所不能比擬的優(yōu)勢。目前對無人機遙感的研究主要集中在其飛行系統(tǒng)的研制、遙感影像處理方法、森林資源清查、農(nóng)作物監(jiān)測和地物分類等方面［1］。相關(guān)研究中，提出了強化無人機飛行系統(tǒng)的穩(wěn)定性、獲取遙感影像的精確性以及數(shù)據(jù)傳輸和高精度的圖像后處理等關(guān)鍵技術(shù)［2］；結(jié)合地理信息系統(tǒng)技術(shù)和無人機遙感影像后處理技術(shù)，構(gòu)建了專業(yè)森林資源調(diào)查與管理系統(tǒng)［3］；基于無人機遙感獲取的可見光影像，提出了優(yōu)選特征訓練分類模型［4］；將無人機遙感技術(shù)在熱帶農(nóng)業(yè)中進行應(yīng)用，對歸一化植被指數(shù)與物理土壤質(zhì)量和香蕉果實生產(chǎn)數(shù)據(jù)的空間格局進行比較［5］；利用植被紋理及顏色對不同植被類型進行分類［6］。雖然在無人機遙感定量監(jiān)測方面國內(nèi)外研究取得了豐碩的成果，但目前基于低空無人機遙感影像的鹽堿地識別和監(jiān)測的研究較少。

我國西北干旱荒漠區(qū)通過大力建設(shè)提水調(diào)水工程，發(fā)展人工綠洲是改善當?shù)鼐用裆a(chǎn)生活條件和重新構(gòu)建區(qū)域小生態(tài)的重要措施，但是，由于大量的外調(diào)水灌溉和獨特的高蒸發(fā)低降雨氣候條件，致使該區(qū)域耕地次生鹽堿化問題也越來越突出［7，8］。因此，鹽堿地信息的快速獲取和精確解譯是改善農(nóng)業(yè)生態(tài)的前提和基礎(chǔ)。而在以往的研究中，主要是采用傳統(tǒng)的航空航天遙感影像對鹽堿地信息進行提取，存在數(shù)據(jù)波段多且相關(guān)性大、大量冗余數(shù)據(jù)和較易受天氣影響等問題，給鹽堿地的精準解譯和分類帶來了一定的技術(shù)難度和復(fù)雜度。因此，研究基于無人機遙感技術(shù)的鹽堿地信息精確提取方法則顯得尤為重要，本文選取景泰川電力提灌灌區(qū)（以下稱“景電灌區(qū)”）為研究區(qū)，選取兩個典型感興趣區(qū)域，分別采用監(jiān)督分類中的五類分類器執(zhí)行分類，通過對比分類結(jié)果尋求提取該區(qū)域內(nèi)鹽堿地信息的最優(yōu)方法，以期為研究區(qū)內(nèi)鹽堿地解譯提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況

景電灌區(qū)地處我國西北干旱荒漠區(qū)，該區(qū)域位于東經(jīng)103°20'～104°04'，北緯37°26'～38°41'之間，北依騰格里沙漠，南靠祁連山脈東端，東臨黃河，是連接甘、寧、蒙三省的交界地帶［9］。灌區(qū)建成于20 世紀70年代處，分兩期建成，一期建成于1971年，二期于1987年投入使用，其地理位置見圖1。灌區(qū)屬典型的溫帶大陸性氣候，多年平均降雨量185.6 mm，多年平均蒸發(fā)量2 365.92 mm，干旱少雨，晝夜溫差大，蒸發(fā)強烈，日照時間長，春季多風，夏季炎熱且無霜期較長。干旱的氣候條件、低平封閉的地形、土壤母質(zhì)含鹽量較高以及不合理的耕作、灌溉和施肥等原因，誘發(fā)了該區(qū)域大面積的土壤鹽堿化。隨著鹽堿化程度的不斷加劇，使得大量土地被棄耕，土壤鹽漬化已成為制約灌區(qū)土地資源利用的主要障礙，嚴重制約當?shù)剞r(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展。

圖1 灌區(qū)地理位置Fig.1 Geographical location of irrigation area

1.2 數(shù)據(jù)獲取與整理

在景電灌區(qū)于2017年5月25日進行航空影像采集，采用彈射起飛方式，高度500 m；搭載2 400 萬像素的SONY ILCE-5100相機，并配備影像傳感器。起飛前先進行研究區(qū)飛行架次劃分，飛機按“蛇”字航線在每個架次內(nèi)連續(xù)垂直航拍，完整覆蓋整個區(qū)域，采集精度15 cm。無人機每個架次內(nèi)拍攝200～350張分辨率6 000×4 000的照片。

航空影像采用UASMaster 進行快速拼接，首先通過POS 進行數(shù)據(jù)定向及點云提取，然后通過地面控制點GCP 數(shù)據(jù)進行點云數(shù)據(jù)的地理信息配準，最終建立立體模型、賦予紋理，獲取符合拼接結(jié)果的真彩色圖像見圖2（a），在目視分析原始影像和地面調(diào)查的結(jié)果的基礎(chǔ)上，通過無人機采集土壤鹽漬化較為嚴重區(qū)域的圖像。感興趣區(qū)域見圖2（b）和圖2（c），圖像分辨率為0.15 m，圖像儲存為紅綠藍3種色彩的灰度信息［10］。

圖2 感興趣區(qū)域選擇Fig.2 Region of interest selection

1.3 研究方法

在對原始影像數(shù)據(jù)進行預(yù)處理的基礎(chǔ)上，采用低通濾波做增強處理。根據(jù)分類的復(fù)雜度、精度需求等選擇分類器執(zhí)行監(jiān)督分類，本試驗分別采用平行六面體、最小距離、最大似然、神經(jīng)網(wǎng)絡(luò)、支持向量機5種分類器對影像執(zhí)行監(jiān)督分類［11-13］，分類器的說明如表1所示。

表1 5種監(jiān)督分類器說明Tab.1 Description of five supervised classifiers

通過對無人機遙感影像基本判讀，借助研究區(qū)地物自然屬性以及野外調(diào)研結(jié)果，最終建立了研究區(qū)內(nèi)耕地、荒地、樹木和鹽堿地等地物的遙感解譯標志，如表2所示。區(qū)域1、區(qū)域2 各選取訓練樣本100 個和90 個，并在無人機航拍的區(qū)域1、區(qū)域2的范圍內(nèi)隨機的選取1 m×1 m的樣方各90個和80個，通過目視解譯確定該樣方地物類型，對最后分類結(jié)果進行驗證。采用5種分類器執(zhí)行監(jiān)督分類，同時采用聚類（Clump）統(tǒng)計，對分類結(jié)果進行小斑點處理，以提高分類精度，并對分類結(jié)果進行驗證。最后應(yīng)用混淆矩陣對5種方法的分類精度進行評價。

表2 遙感影像解譯標志Tab.2 Interpretation mark of remote sensing image

2 結(jié)果與分析

2.1 分類結(jié)果檢驗

本研究應(yīng)用遙感圖像處理軟件ENVI5.3對兩個區(qū)域按上述5種監(jiān)督分類器進行分類，其分類結(jié)果如圖3、4所示。

區(qū)域1 分類結(jié)果如圖3所示，區(qū)域2 分類結(jié)果如圖4所示，從平行六面體到支持向量機各地物間分離度逐漸增高。在兩個區(qū)域平行六面體的分類結(jié)果中，出現(xiàn)較多空白區(qū)域，即像元未參與分類；在最小距離分類結(jié)果中，區(qū)域1、區(qū)域2 中出現(xiàn)較多錯分像元，輕度鹽漬區(qū)中混入大量重度鹽漬區(qū)的部分，已耕地塊與未耕地塊被錯分為荒地；神經(jīng)網(wǎng)絡(luò)的分類結(jié)果較平行六面體與最小距離各地物的區(qū)分度較高，分類結(jié)果與實際地物有較好的吻合性，但依然存在少量錯分的像元，尤其在地物交叉區(qū)域，未耕地塊的部分像元被錯分為荒地；最大似然與支持向量機分類結(jié)果中僅出現(xiàn)零星差異，最大似然分類結(jié)果中僅出現(xiàn)個別像元被錯分，輕度鹽漬區(qū)中部分被劃分為未耕地塊；支持向量機分類精度明顯提高，各地物間分離度最高。

圖3 區(qū)域1分類結(jié)果Fig.3 Area 1 classification results

圖4 區(qū)域2分類結(jié)果Fig.4 Area 2 classification results

平行六面體分類是首先在各軸上假設(shè)大量的分割點，將多維特征劃分為互不重疊且與不同類別一一對應(yīng)的分類方法，這種方法為了構(gòu)成特征子空間需要以較高的精度設(shè)定每個分類器的光譜特征上限值和下限值，對于某個未知像元如果落入所有的特征子空間中，則屬于未知類型；最小距離分類法雖然計算快，但只考慮每一類樣本的均值，計算每個像元到各類樣本中心的距離，并沒有考慮類別內(nèi)部方差與類別間協(xié)方差，故分類精度不高；神經(jīng)網(wǎng)絡(luò)分類過度依賴于網(wǎng)格訓練樣本的選取，其在形式上只是大腦的簡單粗略模仿；最大似然分類方法要求已知不同地物類型分布的先驗規(guī)律而且假定其樣本數(shù)據(jù)符合某一固定的概率模型，本試驗的地物分布規(guī)律并沒有事先確定，在沒有達到模型假定條件情況下，容易出現(xiàn)較多錯誤分類像元；支持向量機最終分類函數(shù)只由支持向量所確定，支持向量的數(shù)目決定計算的復(fù)雜度，而非樣本空間的維數(shù)，在某種程度上避免了維數(shù)所造成的分類誤差，且具有良好的魯棒性。

兩區(qū)域中重度鹽漬區(qū)、輕度鹽漬區(qū)，未耕地塊分布較為集中，中度鹽漬區(qū)分布較為分散，且大部分分布在輕度鹽漬區(qū)與已耕地塊的邊緣部分，荒地則主要分布在未耕地塊間或兩地物的交界地帶，兩區(qū)域均處于封閉型水文地質(zhì)單元，受干旱氣候、低洼封閉的地勢條件以及人為灌溉因素的影響，積鹽現(xiàn)象較明顯。

2.2 精度評價

本實驗分別對兩區(qū)域的分類結(jié)果應(yīng)用90、80個驗證樣本進行驗證，采用混淆矩陣對分類結(jié)果進行評價，選取混淆矩陣中的總精度、Kappa系數(shù)、生產(chǎn)者精度和使用者精度作為參考的評價指標，評價結(jié)果如表3、4所示。

表3 區(qū)域1遙感影像分類精度%Tab.3 Classification accuracy of region 1 remote sensing image

表4 區(qū)域2遙感影像分類精度%Tab.4 Classification accuracy of region 2 remote sensing image

總精度指被正確分類的像元與總像元數(shù)的比值，Kappa 系數(shù)是反映不同模型或分析方法在預(yù)測結(jié)果上與實際結(jié)果是否具有一致性的指標，其值越大則代表該模型或方法分類精度越高。兩區(qū)域精度評價中從平行六面體到支持向量機總精度和Kappa 系數(shù)逐漸升高，總精度最高達96.55%，Kappa 系數(shù)最高達到0.957 3，區(qū)域1 中總精度提升了3.51%～27.7%，Kappa 系數(shù)提升了0.041 9～0.311 5；區(qū)域2 中總精度提升了5.4%～42.88%，Kappa系數(shù)提升了0.063 1～0.495 2。其中以耕地分類精度最高，其次是輕度鹽漬區(qū)、未耕地塊、重度鹽漬區(qū)、重度鹽漬區(qū)，荒地的分類精度最低。

2.3 鹽堿地提取

使用ArcGIS 軟件對上圖中區(qū)域1、區(qū)域2 不同分類結(jié)果下每類地物的面積及占比進行提取，如表5、6所示。

應(yīng)用分類精度最高的支持向量機法對區(qū)域1 和區(qū)域2 的各地物信息進行提取，結(jié)果如圖5所示。

圖5 區(qū)域1、區(qū)域2支持向量機法分類結(jié)果Fig.5 Classification results of region 1 and region 2 support vector machine

由表5、6 和圖5可知，應(yīng)用支持向量機法對兩區(qū)域中各地物的面積占比隨著分類精度的提高逐漸趨于穩(wěn)定，區(qū)域1 中重度鹽漬區(qū)占比在9.1%左右，面積為27 555 m2；中度鹽漬區(qū)占比在18.8%左右，面積為56 714 m2；輕度鹽漬區(qū)占比15.6%左右，面積為46 914 m2；區(qū)域2 中重度鹽漬區(qū)占比約為5.6%，面積為8 736 m2；中度鹽漬區(qū)面積占比8.4%左右，約占面積13 019 m2；輕度鹽漬區(qū)面積約為22.1%，面積約34 471 m2；區(qū)域1 中鹽漬區(qū)占比約43.5%，區(qū)域2 約36.1%。區(qū)域1 鹽漬區(qū)中中度鹽漬區(qū)較為顯著，區(qū)域2中輕度鹽漬區(qū)占比最大。

表5 區(qū)域1各分類結(jié)果面積占比Tab.5 Area ratio of each classification result in area 1

3 討 論

當前傳統(tǒng)航空航天遙感影像仍然是鹽堿地信息獲取和監(jiān)測的主要手段，但存在采樣周期長、空間分辨率和易受大氣影響等問題，精確性和實時性均受限制，并不能及時地對鹽堿地信息進行監(jiān)測［14］。隨著低空無人機和高分辨率傳感器技術(shù)的發(fā)展，其擁有靈活性高、空間分辨率高和受氣象影像小等特點，彌補了傳統(tǒng)遙感的不足，這些優(yōu)勢使得無人機遙感技術(shù)在小區(qū)域應(yīng)用方面的前景越來越廣泛［15］。我國西北干旱荒漠區(qū)受人為因素和氣象因素的影響，鹽堿地分布范圍廣且類型復(fù)雜［16］，將無人機遙感技術(shù)應(yīng)用于鹽堿地信息的精確提取已成為當前研究的熱點。在目前的遙感分類方法中，常用的仍是如最大似然法、最小距離法和平行六面體法等傳統(tǒng)的模式識別分類方法，其分類結(jié)果受遙感影像空間分辨率的高低和“異物同譜”或“同物異譜”等現(xiàn)象的影響，而容易出現(xiàn)較多的漏分或錯分現(xiàn)象，影響地物分類的準確性［17-18］。近年來隨著人工智能技術(shù)的發(fā)展，涌現(xiàn)出了一些新理論新方法，如神經(jīng)網(wǎng)絡(luò)法、支持向量機法等，其分類效果較傳統(tǒng)的分類方法更加理想，主要由于在處理模式分類問題時，神經(jīng)網(wǎng)絡(luò)和支持向量機法不在基于某個假設(shè)的概率分布，而是在對訓練樣本學習的基礎(chǔ)上，獲得分類的權(quán)值，形成不同分類器，從而具有更高的容錯性，能更好地處理遙感影像中的“異物同譜”或“同物異譜”問題，從而提高分類精度［19］。

但大量研究表明針對不同的研究區(qū)或研究對象其最優(yōu)分類方法也是多變的，雖然本文支持向量機分類方法在鹽堿地信息提取上效果最佳，無論是總精度或Kappa 系數(shù)均優(yōu)于其他分類方法，其在地物邊界和鹽堿化程度分類上也比其他方法效果好，但由于真實地表地物的繁雜多變，會直接影響遙感影像本身采集的地物信息，進而導(dǎo)致分類效果差，所以在無人機遙感影像采集和精度校準技術(shù)中仍有許多問題值得我們探討。

4 結(jié) 論

（1）利用研究區(qū)真彩色遙感影像，結(jié)合平行六面體、最小距離、神經(jīng)網(wǎng)絡(luò)、最大似然、支持向量機五種分類方法對影像內(nèi)地物進行分類，通過混淆矩陣進行分類精度評價；結(jié)果表明，兩區(qū)域地物分類中從平行六面體到支持向量機，支持向量機總體分類精度和Kappa系數(shù)均優(yōu)于其他方法，各地物間分離度最高，具有較好的魯棒性。

（2）通過ArcGIS 軟件對區(qū)域1、2 不同分類結(jié)果下每類地物的面積及占比進行提取，兩區(qū)域不同地物的面積占比隨著分類精度的提高逐漸趨于穩(wěn)定，同時表明支持向量機在分類較復(fù)雜的地物類型時具有較好的應(yīng)用價值；從解譯結(jié)果來看，兩區(qū)域中重度和輕度鹽漬區(qū)分布較為集中，中度鹽漬區(qū)分布較為分散，由于灌區(qū)持續(xù)的不合理灌溉，鹽漬化程度有進一步加重的趨勢。

（3）采用監(jiān)督分類對鹽堿地信息進行提取，此類方法對樣本有較大的依賴性，訓練樣本和驗證樣本的選取不同，可能會影響最終的分類結(jié)果和精度評價?！?/p>