飛行高度與郁閉度對水杉冠幅提取影響的研究

周辰琴,余擁軍,方陸明,劉雨真,胡建錦

(1.浙江農(nóng)林大學 數(shù)學與計算機科學學院,杭州 311300；2.浙江省林業(yè)智能監(jiān)測與信息技術研究重點實驗室,杭州 311300；3.浙江省衢州市開化林業(yè)局,浙江 衢州 324000)

樹冠是樹木進行光合作用的主要場所,也是低空無人機易直接識別的部分,準確地獲得冠幅信息有助于樹種識別、估測樹木胸徑、估算森林蓄積量、監(jiān)測樹木生長等信息。傳統(tǒng)的冠幅測量方法及基于遙感圖像的目視解視法[1-2]具有成本高,費時、費力等弱點,而無人機具有低成本、空間分辨率高、安全、便捷、隨時調查等特點,并因能獲取高分辨率的影像,將廣泛運用于森林調查,其快速、準確、高效的獲取樹冠及森林調查指標成了業(yè)界的關注點。

對于冠幅信息,國內外學者提出多種提取方法,如分水嶺分割法[3-6]、面向對象[7-11]、隨機森林、局部最大值法[12]、模板匹配[13-14]、區(qū)域生長法[15-16]等。喬正年等[17]以航空拍攝的影像為數(shù)據(jù)源,在面向對象分割法的基礎上與人工DOM數(shù)據(jù)目視解譯相結合進行單木冠幅提取,結果表明,面向對象法和目視解譯法估測法都可有效獲取單木冠幅且無顯著差異；周艷飛等[18]以無人機航空影像為數(shù)據(jù)源,采用目視解譯和面向對象方法提取了胡楊(Populuseuphratica)、檉柳(Tamarixchinensis)樹冠信息,獲得了樹木的冠幅和林分郁閉度；馮靜靜等[19]提出一種基于影像的灰度梯度圖像分割的樹冠提取方法,簡化原始影像復雜的背景信息,快速提取大范圍單木樹冠信息；Jing等[20]針對異齡林樹冠變化較大,用分水嶺分割算法進行單一尺度的分割效果非常不理想,采取了多尺度的高斯濾波和分水嶺分割處理,最后對每個尺度下的結果進行修正和整合實現(xiàn)單木樹冠的提取,提取效果得到了明顯提升。

對比國內有關冠幅的提取研究,其所用的無人機影像都是無人機單一高度所拍攝的,韋蕾蕾[21]等基于無人機單視場對特定森林地塊面積的提取,得出不同飛行高度對提取地塊面積精度有影響。而對飛行高度是否會影響冠幅提取精度以及如何影響,還沒有實驗報導。65,70,75m是冠幅提取實驗中無人機最常采用的飛行拍攝高度,本研究以具有江南特色的水杉(Metasequoiaglyptostroboides)林分為對象,針對林分不同郁閉度,設計無人機3個不同飛行高度獲取高分辨率的影像,進行多尺度分割,再利用面向對象分類法提取冠幅,并與實測冠幅做對比,揭示飛行高度與郁閉度對樹冠提取的影響。

1 實驗區(qū)概況與數(shù)據(jù)獲取

1.1 實驗區(qū)概況

研究區(qū)位于杭州臨安區(qū)青山湖風景區(qū),地理坐標為:29°56′～30°23′N,118°51′～119°52′E,研究區(qū)占地面積約為64.5km2。氣候溫暖濕潤、光照充足、雨量豐沛、四季分明,年平均氣溫15.9℃,極端最高氣溫41.2℃,最低氣溫達-13.1℃,全年降水量1 400mm左右,全年日照時數(shù)1 920h,無霜期234d。區(qū)域地處丘陵寬谷地帶,山地平緩,土壤以紅、黃壤為主,水肥條件好,擁有豐富的水杉資源。實驗以該區(qū)域同期造林水杉為研究對象。各樹冠幅實測數(shù)據(jù)如表1所示。

由表1可知,相對低郁閉度的樹冠冠幅普遍比相對高郁閉度樹冠冠幅大,且相對低郁閉度的東西冠幅與南北冠幅差異不大,而相對高郁閉度的東西冠幅與南北冠幅相差較大,可能是由于相對低郁閉度樹木間距較大,相互影響較小,而相對高郁閉度樹木間距較小,相互影響較大所致。

1.2 影像數(shù)據(jù)獲取來源

研究采用大疆精靈Phantom 4 Pro V2.0無人機,主要由飛行器、遙控器、云臺相機組成。配備的云臺相機為24mm低畸變廣角相機、高精度防抖云臺以及1英寸CMOS圖像傳感器,可拍攝2 000萬像素JPEG以及無損RAW格式的照片。航拍攝于2021年3月24日,天氣晴朗,光線充足,能見度高,基本無風,適合無人機作業(yè)。在無人機起飛前,預先設置好飛行高度、飛行區(qū)域等參數(shù)。研究使用Pix4Dcapture軟件進行無人機飛行參數(shù)設置以及飛行路線規(guī)劃,拍攝區(qū)域大小為190m×250m。無人機飛行相對高度設置為65,70,75m,云臺拍攝角度為90°,飛行路線主航線重疊為90%,航線間重疊90%,飛行速度設置為Slow。無人機航拍所獲得的影像為具有RBG3個波段的JPEG格式影像。

表1 水杉林各樹木冠幅實測值

1.3 數(shù)據(jù)預處理

研究數(shù)據(jù)采用Agitato Photo Scan軟件進行預處理。Agitato Photo Scan軟件是一款基于影像自動生成高質量三維模型的軟件[22],可以從一組具有相應參考信息的重疊圖像中生成地理參考密集點云、紋理多邊形模型、數(shù)字表面模型(DSM)和正射影像(DOM)。數(shù)據(jù)預處理采用導入照片、對齊照片,構建密集點云、網(wǎng)格、紋理、數(shù)字表面模型(DSM)、正射影像(DOM),導出正射影像(DOM)以及導出數(shù)字表面模型(DSM)的工作流程。

2 研究方法

2.1 多尺度分割

采用自下而上的多尺度分割的思路,逐級合并,即以圖像中任一像元作為中心點,將這個像元周圍異質性最小的像元集合合并成一個對象單元,再把這些小單元逐漸聚合成一個較大對象。執(zhí)行分割需要有分割參數(shù)、形狀權重以及緊湊度權重3個參數(shù)。分割尺度直接影響到分割對象的大小[23-24],分割尺度越大,分割得到的對象越大,斑塊數(shù)量越少；分割尺度越小,分割得到的對象越小,斑塊數(shù)量越多。

2.2 面對對象分類

將多尺度分割之后得到的對象采用最鄰近值分類。計算每個樣本數(shù)據(jù)到待分類數(shù)據(jù)的距離,如果一個樣本在特征空間中的k個最相似(即特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別,則該樣本也屬于這個類別。其具體步驟為:

1)創(chuàng)建類別:由于試驗樣地為純林,無其他雜樹,因此類別分類為樹冠和間隙。

2)配置特征空間:過多的特征可能會存在冗余,增加計算量,影響分類精度,所以需要對特征進行優(yōu)化。

3)選擇樣本:選擇具有代表性的樣本。

4)執(zhí)行分類和結果優(yōu)化:將分類結果進行優(yōu)化,修正錯分結果,將欠分割樹冠分離,過分割樹冠合并。

2.3 郁閉度提取

郁閉度是指正午時分陽光90度照射在森林中,喬木樹冠在地面上的投影總面積與林地總面積之比,它反映著林分的密度。研究使用面對對象分類所分離出的樹冠對象冠幅總面積與林分樣地總面積之比,得出樣地郁閉度,如式(1)所示:

(1)

式中:SC為面對對象分類所分離出的樹冠對象總面積,ST為林分樣地總面積。

2.4 冠幅提取

將分類結果以.shp格式輸出,疊加原始圖像,分類之后的樹冠以面矢量的形式表示,將面矢量轉為點矢量,將點矢量入坐標系,計算出一個矢量面中點矢量的最大X坐標、最小X坐標以及最大Y坐標、最小Y坐標。每個樹冠的東西冠幅、南北冠幅以及平均冠幅表達式由式(2)—式(4)表示:

Wns=Ymax-Ymin

(2)

Wew=Xmax-Xmin

(3)

W=(Wew+Wns)/2

(4)

式(2)—式(4)中:Wns為南北冠幅,Ymax為坐標系上冠幅南北方向上最大的坐標,Ymin為坐標系上冠幅南北方向上最小的坐標；Wew為東西冠幅,Xmax為坐標系上冠幅東西方向上最大的坐標,Xmin為坐標系上冠幅東西方向上最小的坐標,W為東西冠幅與南北冠幅的平均值。

3 結果與分析

3.1 多尺度分割提取樹冠

通過ESP2(Estimation of Scale Parameter)算法找到分割的最優(yōu)的分割尺度。ESP2算法的工作原理是先計算一個波段內不同對象的局部方差(local variance graphs)然后計算出多個波段局部方差的均值,如式(5)所示。

LVmean=(LV1+LV2+LV3+…+LVn-1+LVn)/n

(5)

式中:LVmean為多個波段的局部方差均值,LV為單個波段內不同對象的局部方差,n為波段個數(shù)。

當分割尺度比目標對象大的時候,局部方差值將會很小,當分割尺度與目標對象大小接近時,局部方差將會增大。統(tǒng)計各個分割尺度的局部方差,局部方差隨著分割尺度的增大而增大,當局部方差達到一個最大值時,此時同一對象內部同質化最大,各對象間差異最大,這個局部方差最大值所對應的分割尺度就是最優(yōu)分割尺度。ESP2使用變化率(ROC)來評估一個對象級別到另一個對象級別的局部方差(LV)的動態(tài),當ROC達到最大值時,該分割尺度就是最優(yōu)分割尺度。變化率公式如式(6)所示:

(6)

式中:L為目標層的局部方差,L+1為將L目標層當作基準的下一層的局部方差。

ESP2通過3個層次的不同增量值來對分割尺度進行優(yōu)化。3個層次參數(shù)分別為：第一層分割起始尺度、第一層分割尺度的增長步長；第二層分割起始尺度、第二層分割尺度的增長步長；第三層分割起始尺度、第三層分割尺度的增長步長。除了這些參數(shù)之外,ESP2還有形狀因子、緊致度因子、循環(huán)次數(shù)、是否生成LV圖等參數(shù)。其中,是否生成LV圖參數(shù)若設為1則生成LV圖,若設為0則不生成。ESP2算法完成之后會生成橫坐標為尺度參數(shù),縱坐標為局部方差(LV)和局部方差變化率(ROC)的折線圖,該折線圖每一個峰值都代表著一個最優(yōu)分割尺度。以75m相對高郁閉度為例,最優(yōu)尺度折線圖如圖1所示。

圖1 最優(yōu)尺度折線圖

用這些尺度分別分割75m高郁閉度林分研究區(qū),比較得出最佳的分割尺度,獲得最優(yōu)的分割結果。在選出最佳尺度時也會有樹冠相連現(xiàn)象,需要進一步對分割的形狀因子以及緊致度因子進行調整對比,篩選出滿意的分割結果。不同飛行高度與不同郁閉度的最佳分割結果如圖2所示。

3.2 面對對象分類

面對對象分類中的最鄰近值分類是一種有監(jiān)督的學習,最鄰近值分類的關鍵點在于對特征空間的選擇。在一般情況下,分類特征越多,分類的精度越高。由于每一個特征的貢獻不一,分類特征過多會產(chǎn)生冗余,增大計算量,對分類的結果產(chǎn)生影響。因此,利用樣本采集器導入所選的特征可進行優(yōu)化,以75m低郁閉度林分為例,優(yōu)化結果如圖3所示。

圖2 不同飛行高度與不同郁閉度分割結果圖

圖3 分類特征維數(shù)與分割距離關系圖

由圖3可看出，在分類特征緯數(shù)為8時,最低分離度最高,此時的特征組合即為最優(yōu)特征組合:R均值、B均值、G均值、R標準差、B標準差、G標準差、亮度值、Max.diff。

選取上述特征空間,提取樹冠,將分類結果疊加到原始影像中,優(yōu)化分類結果,將少量過度分割的樹冠合并,少量欠分割的樹冠分離,少量錯分的劃分正確類別。不同飛行高度與不同郁閉度的分類結果如圖4所示。

圖4 不同飛行高度與不同郁閉度分類結果圖

3.3 樹冠提取精度評價

正午時分太陽垂直照射樹木,在地面上形成陰影,通過測量陰影的東西寬度和南北寬度獲得樹冠的實測值。將自動提取的平均冠幅與實測的平均冠幅對比,分析比較兩者的關系,以此來評價樹冠提取精度。不同高度不同郁閉度提取精度分析表如表2所示。

表2 不同高度不同郁閉度提取精度分析

如圖5所示,平均冠幅提取值與冠幅平均值實測值R2都在0.896 2之上,說明利用面向對象法分類來提取冠幅具有可行性,能夠滿足森林資源調查對于樹冠參數(shù)的精度要求。

圖5 不同飛行高度與不同郁閉度平均冠幅提取值與實測值關系散點圖

4 結論與討論

無人機作為一個近幾年新興的一個平臺,運用于各個領域,在林業(yè)調查中也發(fā)揮著重要的作用。利用無人機獲取高分辨率的影像可以快速、準確獲取樹冠信息,有效地減輕了林業(yè)資源調查的工作量并且提高了林業(yè)資源調查的效率和精度。本研究以青山湖水杉林作為實驗對象,采用面對對象自動提取樹冠,分析其可行性,并且分析比較無人機飛行高度與林分郁閉度對自動提取結果的影響。

本研究冠幅精度都在88%以上,平均冠幅實測值與提取值R2都在0.896 2之上,并節(jié)省了人力與時間。相較于郭昱杉[25]等采用標記控制的分水嶺分割的方法提取冠幅無論是在相對低郁閉度還是相對高郁閉度都得到了一定的提升,其在相對低的郁閉度提取精度為87.8%,在相對高郁閉度提取精度為65.5%。相較于喬正年[17]等,相對較高的郁閉度冠幅提取精度提高了5%。從結果看,利用無人機影像采用面對對象分類提取樹冠的方法具有可行性。

對比研究結果,無人機飛行高度對單木樹冠的提取有一定的影響,精度隨著飛行高度的降低而提高,但就本實驗而言,其精度變化較小,可能是因為研究所選高度跨度不夠導致,需進一步研究。郁閉度對單木樹冠的提取有較大的影響,在相對低郁閉度情況下,由于各樹木間距較大,可以較為準確地分離出樹冠,其提取精度也較高,都在94%以上,平均冠幅實測值與提取值R2都在0.985 5以上；在相對高郁閉的的情況下,由于樹木間距較小,樹冠間相連或重疊,因此樹冠提取精度較低,提取精度在88%以上,平均冠幅實測值與提取值R2都在0.896 2以上。

通過研究發(fā)現(xiàn),針對65,70,75m這3個不同飛行高度,無論是相對較高郁閉度還是相對較低郁閉度的林分,飛行高度為65m時冠幅提取精度最好。由于本研究只選擇65,70,75m這3個不同飛行高度,對于65m以下,75m以上情況,后續(xù)需做進一步研究。

論文針對的是人工水杉林樹冠的提取,對其它針葉純林是否具有普照適性,有待研究。另外,無人機所拍攝的影像或多或少會帶有一些陰影區(qū),這對樹冠提取的精度會產(chǎn)生一定的影響,如何減小陰影所帶來的影響也有待進一步研究。