基于無人機(jī)遙感的煤矸石山植被分類

周 濤 ，胡振琪, ，阮夢穎 ，劉曙光 ，張馭航

（1.中國礦業(yè)大學(xué) 環(huán)境與測繪學(xué)院, 江蘇 徐州 221006；2.中國礦業(yè)大學(xué) （北京）土地復(fù)墾與生態(tài)重建研究所, 北京 100083；3.中國礦業(yè)大學(xué) 公共管理學(xué)院, 江蘇 徐州 221006）

0 引 言

煤炭資源的過度開采引發(fā)諸多環(huán)境問題，嚴(yán)重影響礦區(qū)周邊地區(qū)的生態(tài)環(huán)境[1]。煤矸石山在自然環(huán)境中極易發(fā)生自燃、淋溶、揚(yáng)塵等，對周邊大氣、水體、土壤等造成嚴(yán)重污染[2-4]。然而，煤矸石山的自然修復(fù)過程極其緩慢，因此采用人工修復(fù)的方法治理煤矸石山顯得尤為必要。目前，煤矸石山的人工修復(fù)主要側(cè)重于土壤基質(zhì)改良、立地條件[5]、整形整地技術(shù)、優(yōu)勢樹種與種間配置、植物栽植與綠化技術(shù)[6-7]等方面的研究，其目的是為了建立一個穩(wěn)定、高效的人工植被生態(tài)系統(tǒng)。其中，植被修復(fù)效果的準(zhǔn)確評價也成為治理工作中必不可少的環(huán)節(jié)。但目前植被修復(fù)效果評價大多基于實(shí)地樣方調(diào)查等傳統(tǒng)方法，不僅耗費(fèi)大量人力物力及時間成本，而且無法從整體上對修復(fù)效果做出準(zhǔn)確判斷。植被種類的準(zhǔn)確分類可在一定程度上反映植被的多樣性、覆蓋度及空間分布情況等。因此，快速、準(zhǔn)確的植被信息識別分類對煤矸石山植被修復(fù)效果評價意義重大。

傳統(tǒng)衛(wèi)星遙感技術(shù)存在分辨率較低、時效性較差、影像成本高等問題，并不適用于小區(qū)域范圍內(nèi)快速、低成本、高精度的地物識別分類。而無人機(jī)遙感技術(shù)憑借其高分辨率、強(qiáng)時效性、低成本且操作簡單靈活等優(yōu)勢[8]廣泛應(yīng)用于精準(zhǔn)農(nóng)業(yè)[9-13]、林業(yè)資源調(diào)查[14-16]、地質(zhì)災(zāi)害識別與監(jiān)測[17-18]、礦區(qū)環(huán)境監(jiān)測與土地復(fù)墾[19-21]等領(lǐng)域，并取得顯著成果。

目前，植被信息的識別分類方法主要分為2 類。①植被指數(shù)結(jié)合閾值分割等傳統(tǒng)方法提取植被信息，如汪小欽等[22]、高永剛等[23]利用可見光影像有限的波段信息構(gòu)造不同植被指數(shù)并結(jié)合不同閾值分割方法有效提取植被信息。此類研究已較為成熟，且多針對背景與前景目標(biāo)差別明顯的情況，如植被與非植被分類，并未對植被種類做進(jìn)一步細(xì)分。②通過色彩空間轉(zhuǎn)換和紋理濾波等圖像增強(qiáng)技術(shù)充分挖掘高分辨率影像中潛在的色彩、結(jié)構(gòu)及紋理等特征并進(jìn)行特征優(yōu)選，然后結(jié)合不同分類方法識別植被信息，如LU 等[24]根據(jù)不同時期草地的多光譜影像提取不同特征并進(jìn)行特征組合，然后采用面向?qū)ο蠓椒ńY(jié)合隨機(jī)森林算法實(shí)現(xiàn)草種分類，結(jié)果表明該方法能精準(zhǔn)識別草地中的不同物種。郭鵬等[25]對無人機(jī)可見光影像進(jìn)行色彩空間轉(zhuǎn)換和紋理濾波以構(gòu)建影像特征集，然后通過直接比較差異系數(shù)和變異系數(shù)獲得最優(yōu)分類特征并利用傳統(tǒng)分類方法實(shí)現(xiàn)作物分類，同時還利用植被指數(shù)區(qū)分不同作物類型，最后比較兩種分類方法精度，結(jié)果表明基于色彩和紋理特征提取的農(nóng)作物信息精度更高；同樣，韓文霆等[26]也采用該方法篩選適宜提取玉米種植信息的特征并最終有效提取拔節(jié)期玉米種植信息。戴建國等[27]通過ReliefF-Pearson 特征降維方法對可見光影像的色彩、結(jié)構(gòu)及紋理等特征進(jìn)行優(yōu)選，然后結(jié)合不同監(jiān)督分類方法對北疆主要農(nóng)作物進(jìn)行分類，結(jié)果表明該方法可有效區(qū)分農(nóng)作物類型。此類研究其對象多呈現(xiàn)塊狀、條帶狀等規(guī)則分布的情況，如大田農(nóng)作物分類等；而缺乏植被種類較多且空間分布復(fù)雜的識別分類研究，如煤矸石山植被等。同時，人工特征優(yōu)選的過程較為復(fù)雜，且無法在優(yōu)選過程中對所選特征及時進(jìn)行評價，導(dǎo)致特征信息冗余及分類處理的精度和效率降低。

筆者針對種類較多且空間分布復(fù)雜的植被信息識別分類所存在的問題，結(jié)合已有研究成果，以常村煤矸石山為典型區(qū)域，對傳統(tǒng)人工特征選取方法進(jìn)行改進(jìn)以簡單、快速、高效地獲取最優(yōu)分類特征，并結(jié)合多種機(jī)器學(xué)習(xí)算法對煤矸石山植被進(jìn)行識別分類研究，以期獲得一種基于無人機(jī)遙感的煤矸石山植被分類方法，為煤矸石山植被修復(fù)效果評價提供參考依據(jù)。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

潞安礦區(qū)位于沁水盆地東部邊緣中段，隸屬華北地層區(qū)山西地層分區(qū)寧武-臨汾小區(qū)[28]，地跨長治、襄垣、屯留、潞城和長子等五市縣，包括常村、王莊、漳村、石圪節(jié)及五陽等大型煤礦。選擇常村煤礦矸石山作為研究區(qū)域，其位于長治市屯留縣境內(nèi)（112°58′21″E，36°21′22″N），北靠常村礦區(qū)工業(yè)廣場，西倚二廣高速，東臨208 國道，其概略位置如圖1a 所示。該煤矸石山于1986 年啟用，由地面起堆，高約55 m，坡度在21°～43°，總堆量約300 萬t，東西長260 m，南北寬230 m，總占地面積約60 000 m2。截止2009年8 月完成全山綠化治理工程，無自燃跡象，植被生長態(tài)勢較好，植被覆蓋度較高，可作為煤矸石山植被修復(fù)的典型案例進(jìn)行分析。

圖1 研究區(qū)域Fig.1 Study area

1.2 影像數(shù)據(jù)采集

無人機(jī)影像數(shù)據(jù)采集以大疆M210 RTK V2 型四旋翼無人機(jī)作為飛行平臺，其水平和垂直定位精度達(dá)到±0.1 m；同時，該平臺搭載禪思(ZENMUSE)XT2 雙光熱成像鏡頭，有效像素為1 200 萬。影像采集分兩次進(jìn)行，時間分別為2020 年10 月21 日和2021 年6 月9 日，天氣狀況均良好，適宜進(jìn)行無人機(jī)飛行試驗(yàn)。為避免后期分類處理結(jié)果產(chǎn)生誤差，2 次影像采集的航飛參數(shù)均保持一致，其中航向重疊度和旁向重疊度均設(shè)置為85%，飛行高度70 m，飛行速度4.0 m/s，飛行時間約75 min，共采集2 期數(shù)據(jù)，總計(jì)5 098 景影像。

1.3 影像數(shù)據(jù)預(yù)處理

對獲取的無人機(jī)影像進(jìn)行預(yù)處理，主要包括影像拼接和影像裁剪。其中，利用Pix4D mapper 軟件中的流程化處理模塊進(jìn)行影像拼接；使用ENVI5.3軟件中的地表真實(shí)感興趣區(qū)（Ground Truth ROIs）工具進(jìn)行影像裁剪。研究對可見光影像各波段中心波長及范圍無特殊要求，故無需進(jìn)行輻射定標(biāo)；同時，無人機(jī)定位精度達(dá)到厘米級，且研究對影像地理坐標(biāo)無特殊要求，預(yù)處理影像點(diǎn)位精度足以滿足要求，故無需布設(shè)地面像控點(diǎn)及地理坐標(biāo)糾正。經(jīng)過上述影像預(yù)處理，最終獲取研究區(qū)域2020-10-21 和2021-06-09 兩期正射影像，其空間分辨率約0.03 m，如圖1b所示。

2 研究方法

2.1 煤矸石山植被分類方案

所獲取的2 期不同季節(jié)煤矸石山可見光影像只包含紅、綠、藍(lán)3 個波段信息，若僅依靠RGB 色彩信息難以有效區(qū)分煤矸石山植被種類。因此，首先借助圖像增強(qiáng)技術(shù)充分挖掘可見光影像中潛在的色彩、結(jié)構(gòu)及紋理等特征，由此構(gòu)建影像分類特征集；然后選取各類地物訓(xùn)練樣本并統(tǒng)計(jì)樣本各項(xiàng)特征的變異系數(shù)及差異系數(shù)；再對傳統(tǒng)人工特征選取方法做出改進(jìn)以簡單、快速、高效地獲取不同季節(jié)煤矸石山可見光影像的最優(yōu)分類特征，并將優(yōu)選結(jié)果與同期RGB 影像融合以獲得兩期多特征融合影像；最后利用3 種監(jiān)督分類方法分別對2 期RGB 影像及多特征融合影像進(jìn)行分類處理并對結(jié)果進(jìn)行精度評價及植被動態(tài)變化分析。同時，基于最優(yōu)分類結(jié)果分別計(jì)算不同季節(jié)煤矸石山的植被覆蓋度，從植被覆蓋度和植被配置模式2 個角度分析煤矸石山植被修復(fù)效果。總體研究技術(shù)路線如圖2 所示。

圖2 研究技術(shù)路線Fig.2 Research technology roadmap

2.2 圖像增強(qiáng)

2.2.1 色彩空間轉(zhuǎn)換

選取合適的顏色空間是有效分割圖像的基礎(chǔ)[29]。無人機(jī)可見光影像采用RGB 顏色空間顯示，但紅、綠、藍(lán)波段之間存在很強(qiáng)的相關(guān)性及隨機(jī)噪聲，若直接用于分類處理難以保證精度[30]。而HSI 顏色空間采用色度（Hue）、飽和度（Saturation）、亮度（Intensity）3 個分量來表征顏色[31]，且各分量之間相互獨(dú)立，與人感受彩色的方式緊密聯(lián)系[32]，有利于提高分類處理精度。

基于ENVI5.3 環(huán)境分別對兩期無人機(jī)可見光影像進(jìn)行色彩空間轉(zhuǎn)換以獲得HSI 色彩空間影像，其中包括色度、飽和度及亮度3 個特征波段信息，如圖3a所示。

圖3 圖像增強(qiáng)結(jié)果Fig.3 Results of image enhancement

2.2.2 紋理濾波

無人機(jī)可見光影像光譜分辨率較低，但其空間分辨率較高，結(jié)構(gòu)和紋理信息豐富。因此，可借助紋理濾波充分挖掘影像中豐富的結(jié)構(gòu)、紋理等特征[33]，并將其應(yīng)用于影像分類以提高分類處理精度。

在ENVI5.3 環(huán)境下采用基于二階概率統(tǒng)計(jì)的濾波方法對HSI 顏色空間影像進(jìn)行濾波處理以獲取色調(diào)、飽和度和亮度3 個分量的均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩和相關(guān)性共計(jì)24項(xiàng)紋理特征。綜合考慮影像處理的精度及效率，將濾波窗口設(shè)置為7×7，空間相關(guān)性矩陣X和Y的變化值均設(shè)置為1，灰度量化級別設(shè)置為64。紋理濾波結(jié)果如圖3b 所示，其中RGB 通道分別為色度二階矩、亮度相異性和飽和度方差。

2.3 樣本選擇與統(tǒng)計(jì)

通過實(shí)地樣方調(diào)查，并綜合考慮無人機(jī)可見光影像的空間分辨率、地物類型差異性程度、地物空間分布復(fù)雜程度以及優(yōu)勢植被種類變化等因素，將2020-10-21 期影像地物大致分為紫穗槐、鋪地柏、草本、紫藤、喬木、枯萎高羊茅、高羊茅、裸地、建筑物及道路等共計(jì)10 種類型；將2021-06-09 期影像地物大致分為紫穗槐、鋪地柏、草本、喬木、紫錦木、金葉女貞、紫花苜蓿、裸地、建筑物及道路等共計(jì)10種類型。為使各類地物的色彩、結(jié)構(gòu)及紋理特征的統(tǒng)計(jì)結(jié)果更具代表性，在選取訓(xùn)練樣本時盡量選擇各類地物內(nèi)部純凈像元，避免混合像元對后續(xù)分類產(chǎn)生影響。同時，選取足夠數(shù)量且分布均勻的測試樣本用于后續(xù)精度評價。訓(xùn)練樣本及測試樣本選取結(jié)果見表1。

表1 訓(xùn)練樣本及測試樣本選取結(jié)果Table 1 Selection results of training samples and test samples

變異系數(shù)可有效反映樣本內(nèi)部像元統(tǒng)計(jì)特征值的離散程度，值越小表明該特征越能有效代表此類地物，即變異系數(shù)值越小的特征可作為此類地物區(qū)別于其他地物的典型特征；而差異系數(shù)則可反映各類地物間該特征的差異程度，值越大表明該特征越有利于區(qū)分各類地物。基于此，分別統(tǒng)計(jì)基于2 期影像所選訓(xùn)練樣本各項(xiàng)特征的平均值、標(biāo)準(zhǔn)差，并分別計(jì)算各類樣本27 項(xiàng)特征的變異系數(shù)及類間差異系數(shù)，以便用于后續(xù)多特征優(yōu)選，計(jì)算公式如下：

式中：V為變異系數(shù)；S為標(biāo)準(zhǔn)差；M為均值；DW為類間差異系數(shù)；M1為第一類均值；M2為第二類均值。2020-10-21 期影像計(jì)算結(jié)果中，草本各項(xiàng)特征的變異系數(shù)及草本與其他地物各項(xiàng)特征的差異系數(shù)計(jì)算結(jié)果見表2。

表2 草本各項(xiàng)特征的變異系數(shù)及草本與其他地物各項(xiàng)特征的差異系數(shù)Table 2 Coefficients of variation for each feature of herb and coefficient of difference for each feature among herb and other ground features

分析表2 可知，草本各項(xiàng)特征的變異系數(shù)值差異明顯，其中色度相異性的變異系數(shù)值為169.49%，而色度信息熵的變異系數(shù)值為4.69%；同時，草本與其他地物各項(xiàng)特征的差異系數(shù)值變化范圍較大，其中草本與道路的亮度對比度差異系數(shù)值為806.49%，而草本與建筑物的色度二階矩差異系數(shù)值為0.42%。上述結(jié)果表明并不是所有的特征信息都能突出各類地物之間的差異性，因此需要進(jìn)一步篩選出有利于分類處理的特征信息。

2.4 分類特征優(yōu)選

樣本可分離性作為訓(xùn)練樣本的評價指標(biāo)可用于表征訓(xùn)練樣本之間的差異性程度，其理論值在0～2.0，若該值大于1.9，說明樣本之間差異大、可分離性好，屬于合格樣本；若小于1.8，則屬于不合格樣本，需要重新選擇樣本；若小于1.0，則考慮將兩類樣本合并為一類樣本。當(dāng)訓(xùn)練樣本的選取無法繼續(xù)優(yōu)化，即不能通過改變樣本的選擇來增強(qiáng)類別間的差異性程度時，可增加樣本內(nèi)部所含特征信息以增強(qiáng)類別間的差異性程度。

傳統(tǒng)人工特征選取方法通過直接比較變異系數(shù)和差異系數(shù)篩選最優(yōu)分類特征[25,34]，但僅在分類對象類型較少時效果較好；若分類對象類型較多，該方法的選取過程會更加復(fù)雜且效率有所降低?；诖?，對傳統(tǒng)人工特征選取方法做出適當(dāng)改進(jìn)，具體的方法流程如下：

1）基于原始RGB 影像計(jì)算各類地物訓(xùn)練樣本的可分離性值，并將可分離性值小于1.9 的類別組合按(0,1.0)、(1.0,1.8)及(1.8,1.9)3 個區(qū)間進(jìn)行分組。

2）針對可分離性值在最小區(qū)間內(nèi)的類別組合，依次選取這些類別組合差異系數(shù)最大的特征信息，并將所選特征與RGB 影像融合，獲得多特征融合影像。

3）基于多特征融合影像再次計(jì)算各類地物訓(xùn)練樣本的可分離性值，并將可分離性值小于1.9 的類別組合按上述方法進(jìn)行分組。

4）針對可分離性值在最小區(qū)間內(nèi)的類別組合，繼續(xù)依次選取這些類別組合差異系數(shù)最大的特征信息，若該特征在第二步中已被選取，則按差異系數(shù)值降序依次選取其他特征，并將所選特征與上述多特征融合影像再次融合以獲得新的多特征融合影像。

5）以此類推，不斷選取并融合色彩、結(jié)構(gòu)及紋理等特征以獲得新的多特征融合影像，然后基于新的多特征融合影像計(jì)算訓(xùn)練樣本的可分離性值，直到所有的樣本可分離性值均大于1.9 時，特征優(yōu)選結(jié)束。

對上述改進(jìn)方法做如下4 點(diǎn)說明：①與直接比較所有樣本各項(xiàng)特征信息的變異系數(shù)及差異系數(shù)的傳統(tǒng)人工特征選取方法不同，基于原始影像及多特征融合影像多次計(jì)算樣本可分離性值可快速確定哪些地物種類無法進(jìn)行有效區(qū)分，特征選取更具針對性且效率有所提高；②該方法將各步驟中樣本可分離性值的計(jì)算結(jié)果按區(qū)間進(jìn)行分組，且每次僅優(yōu)先針對最小區(qū)間內(nèi)的樣本組合選取對應(yīng)特征，盡可能降低特征信息冗余；③通過不斷計(jì)算多特征融合影像的樣本可分離性值，可對上一步驟中所選取的特征信息及時做出評價，即驗(yàn)證所選取的特征信息是否有助于提高樣本可分離性，抑或是造成特征信息冗余以便及時做出修正；④最小區(qū)間并非固定不變，而是根據(jù)樣本可分離性值的計(jì)算結(jié)果確定。

根據(jù)上述改進(jìn)的人工特征選取方法，基于2020-10-21 期和2021-06-09 期影像分別篩選出部分色彩、結(jié)構(gòu)及紋理特征作為2 期影像的最優(yōu)分類特征。其中，2020-10-21 期影像的最優(yōu)分類特征選取結(jié)果見表3。

表3 基于改進(jìn)的人工特征選取方法的分類特征優(yōu)選結(jié)果Table 3 The results of classification features priority selection based on improved artificial features selection method

如表3 所示，按照上述改進(jìn)的人工特征選取方法流程依次篩選2020-10-21 期影像的最優(yōu)分類特征，具體步驟如下：①第一步：基于RGB 影像計(jì)算各類地物訓(xùn)練樣本的可分離性值，選取值小于1.9 的類別組合并將其分為3 個區(qū)間；②第二步：針對可分離性值位于最小區(qū)間(0,1.0)中的4 種類別組合，依次選擇差異系數(shù)值最大的特征，其中喬木/紫穗槐為色度對比度，高羊茅/紫穗槐、高羊茅/喬木均為飽和度二階矩，喬木/鋪地柏為飽和度方差，然后將這3 類特征信息與RGB 影像融合以獲得多特征融合影像；③第三步：基于第二步獲取的多特征融合影像繼續(xù)計(jì)算訓(xùn)練樣本的可分離性值并將結(jié)果按上述方法進(jìn)行分組，針對可分離性值位于最小區(qū)間(1.0,1.8)中的類別組合，依次選擇差異系數(shù)值最大的特征，其中高羊茅/鋪地柏為亮度二階矩，然后將該特征信息與第二步獲得的多特征融合影像再次融合以獲得新的多特征融合影像；④第四步：基于第三步所獲取的新的多特征融合影像繼續(xù)計(jì)算訓(xùn)練樣本的可分離性值并將結(jié)果按上述方法進(jìn)行分組，針對可分離性值位于最小區(qū)間(1.8,1.9)中的2 種類別組合，依次選擇差異系數(shù)值最大的特征，其中喬木/紫穗槐和高羊茅/喬木2 種類別組合差異系數(shù)值最大的特征在第二步中已被選取，則按降序依次選擇色度方差及飽和度對比度，然后將這2 類特征信息與第三步獲得的多特征融合影像再次融合以獲得最新的多特征融合影像；⑤第五步：基于第四步所獲取的最新的多特征融合影像再次計(jì)算訓(xùn)練樣本的可分離性值，此時所有樣本的可分離性值均大于1.9，表明所有訓(xùn)練樣本均為合格樣本，特征優(yōu)選結(jié)束。

根據(jù)上述2020-10-21 期影像最優(yōu)分類特征的篩選過程繪制多特征優(yōu)選過程示意如圖4 所示。

圖4 多特征優(yōu)選過程Fig.4 Process of multi-feature priority selection

由圖4 可知，基于改進(jìn)的人工特征選取方法依次選取并融合特征信息后，目標(biāo)類別組合的樣本可分離性值均增大，表明所選取的分類特征可有效增強(qiáng)樣本間的可分離性。最終，所有的樣本可分離性值均大于1.9，即通過增加樣本內(nèi)部所含特征信息，不合格或較差的訓(xùn)練樣本均成為合格樣本。

基于上述改進(jìn)的人工特征選取方法，最終選擇色度對比度、飽和度方差、飽和度二階矩、亮度二階矩、色度方差以及飽和度對比度等共計(jì)6 種特征信息作為2020-10-21 期影像的最優(yōu)分類特征；選擇亮度相關(guān)性、亮度對比度、色度對比度、亮度方差、飽和度對比度、飽和度二階矩、色度方差以及飽和度相異性等共計(jì)8 種特征信息作為2021-06-09 期影像的最優(yōu)分類特征。然后，將上述優(yōu)選特征分別與相應(yīng)RGB 影像融合以獲得2 期多特征融合影像，并用于后續(xù)分類處理。

2.5 監(jiān)督分類方法

基于ENVI5.3 環(huán)境，選擇3 種經(jīng)典機(jī)器學(xué)習(xí)分類器進(jìn)行影像分類處理，包括神經(jīng)網(wǎng)絡(luò)（Neural Net Classification, NNC）、支持向量機(jī)（Support vector machine classification, SVM）和最大似然（Maximum Likelihood Classification, MLC）。同時，借助交叉驗(yàn)證不斷優(yōu)化各分類器參數(shù)。

2.6 植被覆蓋度計(jì)算

無人機(jī)可見光影像空間分辨率達(dá)厘米級，可認(rèn)為影像中無混合像元?；诖耍捎?jì)算煤矸石山的植被覆蓋度。首先，選擇最優(yōu)分類結(jié)果進(jìn)行類別合并，將所有不同類型的植被合并為植被，其余地物合并為非植被。然后，基于合并結(jié)果計(jì)算植被覆蓋度，即植被像元數(shù)與影像像元總數(shù)的比值[35]，計(jì)算公式如下：

式中：CV為植被覆蓋度；Nveg為植被像元數(shù)；Ntotal為影像像元總數(shù)。

3 結(jié)果與分析

3.1 不同方法分類結(jié)果對比分析

基于2 期不同季節(jié)的煤矸石山可見光影像，分別采用上述3 種監(jiān)督分類方法進(jìn)行地物分類處理，分類結(jié)果如圖5 所示。

圖5 RGB 影像分類結(jié)果Fig.5 Classification results based on RGB image

如圖5 所示，以研究區(qū)域正射影像及實(shí)地調(diào)查結(jié)果為參照，兩期RGB 影像分類結(jié)果中均出現(xiàn)較多錯分誤差和漏分誤差。2020-10-21 期影像分類結(jié)果中，A、G 區(qū)域?qū)⒌缆峰e分為建筑物，D 區(qū)域?qū)? 處建筑物均錯分為道路；B、E 區(qū)域?qū)⒋蟛糠指哐蛎╁e分為枯萎高羊茅；C 區(qū)域幾乎將所有紫穗槐錯分為道路和枯萎高羊茅；F 區(qū)域?qū)⒋蟛糠肿纤牖卞e分為枯萎高羊茅。此外，NNC 方法分類結(jié)果中道路、枯萎高羊茅和其他地物類型之間出現(xiàn)大量錯分現(xiàn)象；SVM 方法分類結(jié)果中大量紫穗槐未被有效區(qū)分。2021-06-09 期影像分類結(jié)果中，a、c 區(qū)域?qū)⒉糠肿纤牖卞e分為鋪地柏和紫錦木；d、e 區(qū)域?qū)⒉糠值缆峰e分為建筑物；b、h 區(qū)域未能有效識別部分草本及喬木；f、j 區(qū)域?qū)⒉糠咒伒匕劐e分為紫花苜蓿；g、i 區(qū)域則將部分紫花苜蓿錯分為鋪地柏。上述結(jié)果分析表明，利用RGB 影像進(jìn)行植被分類會產(chǎn)生較多錯分和漏分誤差，分類效果并不理想。

基于利用改進(jìn)的人工特征選取方法所獲得的兩期多特征融合影像，分別采用上述3 種監(jiān)督分類方法進(jìn)行地物分類，分類結(jié)果如圖6 所示。

圖6 多特征融合影像分類結(jié)果Fig.6 Classification results based on multi-feature fusion image

如圖6 所示，以研究區(qū)域正射影像及實(shí)地調(diào)查結(jié)果為參照，基于多特征融合影像的分類效果總體上優(yōu)于RGB 影像，但也出現(xiàn)了部分錯分誤差和漏分誤差。2020-10-21 期影像分類結(jié)果中，A 區(qū)域?qū)⒉糠肿纤牖卞e分為喬木，C 區(qū)域?qū)⒉糠指哐蛎╁e分為紫穗槐，而F 區(qū)域并無明顯錯分和漏分誤差；E 區(qū)域?qū)⒋罅扛哐蛎╁e分為枯萎高羊茅；B、D 區(qū)域?qū)⑸倭康母哐蛎╁e分為裸地和枯萎高羊茅，而G 區(qū)域并無明顯錯分和漏分誤差。2021-06-09 期影像分類結(jié)果中,a、d、e 及g 區(qū)域未能有效識別部分紫穗槐，而h、i 及j區(qū)域則有效區(qū)分了大部分紫穗槐和紫花苜蓿；b 區(qū)域?qū)⒉糠肿纤牖卞e分為紫錦木；c 區(qū)域?qū)⒉糠咒伒匕劐e分為紫花苜蓿；f 區(qū)域未能有效識別部分草本植被。上述結(jié)果分析表明，支持向量機(jī)分類算法的分類效果最好，沒有明顯錯分和漏分誤差出現(xiàn)。

以上分析均是以研究區(qū)域正射影像及實(shí)地調(diào)查結(jié)果為標(biāo)準(zhǔn)，結(jié)合人工目視解譯做出的初步判斷。為判斷各分類結(jié)果是否準(zhǔn)確，還應(yīng)進(jìn)行定量化精度評價。

3.2 精度評價

為削弱人為因素干擾，客觀地對比各分類結(jié)果的精度，采用總體分類精度和Kappa 系數(shù)作為精度評價指標(biāo)對不同分類結(jié)果進(jìn)行精度評價。具體方法如下：根據(jù)不同類型地物的空間分布情況，選擇適當(dāng)數(shù)量且分布均勻的地表真實(shí)感興趣區(qū)（Ground Truth ROIs）作為測試樣本，計(jì)算其與各分類結(jié)果的混淆矩陣，即可得出總體分類精度和Kappa 系數(shù)。其中，測試樣本選取結(jié)果見表1，混淆矩陣計(jì)算結(jié)果見表4。

表4 植被分類精度評價結(jié)果Table 4 Evaluation results of vegetation classification accuracy

分析表4 可知，不管采用何種分類方法，基于多特征融合影像的分類結(jié)果的總體分類精度和Kappa系數(shù)均高于同期RGB 影像。2020-10-21 期影像分類結(jié)果中，多特征融合影像結(jié)合支持向量機(jī)分類方法的精度最高，總體分類精度為90.60%，Kappa 系數(shù)為0.878 0，較RGB 影像分別提高了9.74%和0.126 5；最大似然分類方法精度次之，總體分類精度為81.76%，Kappa 系數(shù)為0.769 2，較RGB 影像分別提高了1.16%和0.021 8；而神經(jīng)網(wǎng)絡(luò)分類方法精度最低，總體分類精度為76.11%，Kappa 系數(shù)為0.696 5，較RGB 影像分別提高3.93%和 0.054 1。2021-06-09 期影像分類結(jié)果中，同樣是多特征融合影像結(jié)合支持向量機(jī)分類方法精度最高，總體分類精度為88.49%，Kappa 系數(shù)為0.849 1，較RGB 影像分別提高了4.42%和0.059 3；而神經(jīng)網(wǎng)絡(luò)方法次之，總體分類精度為83.79%，Kappa 系數(shù)為0.788 8，較RGB 影像分別提高了3.02%和0.042 8；最大似然分類方法精度最低，總體分類精度為80.94%，Kappa 系數(shù)為0.754 1，但較RGB 影像分別提高了6.95%和0.084 5。由于兩期影像分屬秋夏兩季，山體植被種類、植被長勢的不同會使得無人機(jī)影像中各類植被的紋理、結(jié)構(gòu)、光譜等特征有所區(qū)別，進(jìn)而兩期影像的分類特征篩選結(jié)果并不一致，最終導(dǎo)致分類結(jié)果精度有所偏差，但基于改進(jìn)的人工特征選取方法的植被提取精度均高于原始影像提取結(jié)果。

上述精度評價結(jié)果表明，基于改進(jìn)的人工特征選取方法所篩選的色彩、結(jié)構(gòu)及紋理等特征可有效提高煤矸石山植被種類識別分類的精度。其中，多特征融合影像結(jié)合支持向量機(jī)分類方法的識別分類效果最佳。

3.3 不同季節(jié)植被動態(tài)變化分析

煤矸石山作為一種人工構(gòu)建的特殊生態(tài)環(huán)境，其立地條件與自然環(huán)境有所區(qū)別，不同季節(jié)優(yōu)勢植被種類也相應(yīng)不同。因此，基于2020-10-21 期（秋季）和2021-06-09 期（夏季）影像的最優(yōu)分類結(jié)果統(tǒng)計(jì)各類地物面積占比，同時結(jié)合實(shí)地調(diào)查結(jié)果分析不同季節(jié)常村煤矸石山植被動態(tài)變化。

由表5 可知：①秋季優(yōu)勢植被種類主要包括高羊茅、紫穗槐和鋪地柏，面積分別占55.3%、9.8%和9.7%，而夏季主要包括紫花苜蓿、紫穗槐和鋪地柏，面積分別占54.3%、11.6%和9.2%；②由于秋季降水減少、植被枯死，導(dǎo)致裸地占比高于夏季，同時紫穗槐、草本、喬木等植被的占比均低于夏季；③鋪地柏作為常綠植被，生長態(tài)勢較好，其占比并無較大變化。

表5 不同季節(jié)各類地物面積占比統(tǒng)計(jì)結(jié)果Table 5 Statistical result of the area proportions of various ground features in different seasons

3.4 植被修復(fù)效果評價

基于上述兩期影像的最優(yōu)分類結(jié)果，從植被覆蓋度及植被配置模式2 個角度對常村煤矸石山植被修復(fù)效果進(jìn)行評價分析。

3.4.1 植被覆蓋度分析

根據(jù)上述研究結(jié)果可知，多特征融合影像結(jié)合支持向量機(jī)分類方法可高精度識別不同植被信息。因此，分別選擇2020-10-21 期和2021-06-09 期多特征融合影像的SVM 方法的分類結(jié)果進(jìn)行類別合并，合并結(jié)果中僅包含植被和非植被2 種類型，結(jié)果如圖7 所示。

圖7 植被與非植被像元提取結(jié)果Fig.7 Extraction result of vegetation and non-vegetation pixels

如圖7a 所示，2020-10-21 期影像中，煤矸石山西側(cè)及南側(cè)下破位出現(xiàn)了較多的非植被像元，結(jié)合研究區(qū)域正射影像及實(shí)地調(diào)查結(jié)果可知，該區(qū)域的部分植被枯死及植被栽植密度較低導(dǎo)致部分土壤裸露在外。如圖7b 所示，2021-06-09 期影像中，煤矸石山南側(cè)下坡位出現(xiàn)較多非植被像元，結(jié)合實(shí)地調(diào)查結(jié)果可知，該區(qū)域紫穗槐呈明顯條帶狀分布，且?guī)чg并未栽植其他植被，故出現(xiàn)較多裸露土壤。同時，除道路及建筑物外，兩期影像中植被栽植區(qū)域基本實(shí)現(xiàn)了植被全覆蓋?；谑剑?）分別計(jì)算兩期影像的植被覆蓋度，其中2020-10-21 期為76.35%，2021-06-09期為80.46%，夏季矸石山植被覆蓋度略高于秋季。上述結(jié)果分析表明，常村煤矸石山植被修復(fù)的整體效果較好。

3.4.2 植被配置模式分析

基于上述兩期影像的最優(yōu)分類結(jié)果，簡要分析常村煤矸石山的植被配置模式，并以此評價植被修復(fù)效果。分別選取2020-10-21 期和2021-06-09 期影像各3 處典型植被覆蓋區(qū)域?qū)χ脖慌渲媚Ｊ竭M(jìn)行分析，如圖8 所示。

圖8 植被配置模式分析Fig.8 Analysis of vegetation configuration patterns

如圖8 所示，矸石山體不同坡位采用了不同的植被配置模式進(jìn)行植被修復(fù)且實(shí)地情況與分類結(jié)果基本相符。其中，A 區(qū)域采用草、灌型配置模式，主要以栽植紫穗槐為主，并搭配少量高羊茅等草本植物；C、F 區(qū)域也采用草、灌型配置模式，但主要以栽植鋪地柏為主，其他草本植物較少；D 區(qū)域亦采用草、灌型配置模式，但主要以條帶形式栽植紫穗槐，帶間種植紫花苜蓿等草本植物。以上4 個區(qū)域均采用草、灌型配置模式，該模式主要用于固坡或熟化土壤，防止水土流失，增加土壤有機(jī)質(zhì)，提高土壤肥力，為引入喬木打下基礎(chǔ)。B、E 區(qū)域采用純植草型配置模式，主要栽植高羊茅、紫花苜蓿等草本植被，植被多樣性較差，該模式能夠起到防止降水沖刷的護(hù)坡作用，特別是矸石山邊坡常采用植草護(hù)坡措施以減少水土流失。

根據(jù)上述分析結(jié)果可知，常村煤矸石山采用覆土綠化技術(shù)進(jìn)行植被修復(fù)，但不同坡位覆土厚度有所不同，植被配置模式也相應(yīng)不同。其中，大部分區(qū)域受限于覆土厚度，采用草、灌型以及純植草型配置模式，并取得較好的修復(fù)效果。

綜上所述，從植被覆蓋度和植被配置模式2 個角度分析可知，常村煤矸石山植被修復(fù)整體效果較好。同時，驗(yàn)證了利用無人機(jī)遙感技術(shù)可實(shí)現(xiàn)煤矸石山植被種類的快速識別分類，為植被修復(fù)效果的快速評價提供參考依據(jù)。

4 討 論

研究成果表明，基于無人機(jī)遙感技術(shù)可實(shí)現(xiàn)煤矸石山植被信息快速、準(zhǔn)確的識別分類，但仍存在一定的問題和局限性：

1）基于改進(jìn)的人工特征選取方法所篩選的最優(yōu)分類特征對不同分類算法的精度提升有較大區(qū)別，其中SVM 分類方法總體分類精度最多可提高9.74%，而NNC 和MLC 分類方法最多可分別提高3.93%和6.95%。分析這種差異產(chǎn)生的原因，主要是由于當(dāng)數(shù)據(jù)量較小時，SVM 分類器性能強(qiáng)于NNC及MLC 分類器，會取得較好的分類效果。在后續(xù)研究中，可適當(dāng)增加數(shù)據(jù)量以驗(yàn)證改進(jìn)的人工特征選取方法對不同分類算法是否具有良好普適性。

2）改進(jìn)的人工特征選取方法是否適用于其他區(qū)域的地物識別分類，如大田農(nóng)作物分類、城市土地利用現(xiàn)狀普查、森林資源調(diào)查等還有待驗(yàn)證。

3）當(dāng)不同類型植被的色彩、結(jié)構(gòu)、紋理等特征相似時，會產(chǎn)生較多錯分和漏分誤差，后續(xù)研究可考慮加入其它特征信息，如植被指數(shù)、DSM 及多光譜信息等以增強(qiáng)植被種類之間的差異性程度進(jìn)而獲得更好的精細(xì)化分類結(jié)果。

4）研究僅獲取了煤矸石山的可見光影像，影像數(shù)據(jù)類型較為單一，且并未在現(xiàn)場實(shí)測反映植被長勢的其他參數(shù)，如葉面積指數(shù)、葉綠素含量等，僅從植被覆蓋度和植被配置模式2 個角度對煤矸石山植被修復(fù)效果進(jìn)行評價，內(nèi)容較為薄弱。在后續(xù)研究中，可采集煤矸石山的多光譜或高光譜影像并現(xiàn)場實(shí)測葉面積指數(shù)、葉綠素含量等數(shù)據(jù)以反映矸石山整體植被長勢，最終實(shí)現(xiàn)對煤矸石山植被修復(fù)效果更加準(zhǔn)確、全面的評價。

5 結(jié) 論

1）色彩空間轉(zhuǎn)換結(jié)合紋理濾波可有效構(gòu)建煤矸石山地物分類特征信息集。

2）改進(jìn)的人工特征選取方法可簡單、快速、高效地篩選出最優(yōu)分類特征，所選特征不僅能夠有效反映各類地物的差異性，同時可降低特征信息冗余，從而提高后續(xù)影像分類處理的精度及效率。

3）基于改進(jìn)的人工特征選取方法所獲得的多特征融合影像的分類效果均優(yōu)于原始RGB 影像。其中，SVM 分類方法結(jié)合優(yōu)選特征的分類精度最高，總體分類精度最高可達(dá)90.60%，相應(yīng)Kappa 系數(shù)為0.878 0，較同期RGB 影像分別提高了9.74%和0.126 5；而MLC 和NNC 分類方法精度提升較少，總體分類精度最多可分別提高6.95%和3.93%，相應(yīng)Kappa 系數(shù)分別提高0.084 5 和0.054 1。

4）常村煤矸石山采用了包括純植草型和草、灌型等多種植被配置模式進(jìn)行植被修復(fù)，且秋夏兩季植被覆蓋度均高于75%，整體修復(fù)效果較好。