基于無人機(jī)多光譜的黃土高原植被提取分割分類研究

李亞北 韓磊

摘 要：【目的】植被作為生態(tài)系統(tǒng)的主要組成部分，其種類和數(shù)量及其變化對(duì)生態(tài)系統(tǒng)有著重要影響。探究在我國(guó)黃土高原小流域進(jìn)行植被提取分割時(shí)的最優(yōu)分割尺度，有助于快速準(zhǔn)確地提取植被信息，對(duì)于監(jiān)測(cè)黃土高原生態(tài)系統(tǒng)狀況和維持生態(tài)系統(tǒng)穩(wěn)定具有重要意義?！痉椒ā炕趨瞧鹂h柴溝流域無人機(jī)多光譜影像和面向?qū)ο蟮姆椒ǎ褂胑Cognition軟件對(duì)影像進(jìn)行多尺度分割研究?！窘Y(jié)果】經(jīng)分析，在分割尺度為240、形狀權(quán)重為0.7、緊湊權(quán)重為0.1時(shí)影像的分割效果最好，基于該分割結(jié)果，選用紋理特征和光譜特征為分類指標(biāo)，采用隨機(jī)森林方法對(duì)影像進(jìn)行分類，分類總體精度和Kappa系數(shù)分別為96.2%和0.951。【結(jié)論】研究結(jié)論可為柴溝流域植被結(jié)構(gòu)優(yōu)化及黃土高原生態(tài)環(huán)境保護(hù)和植被恢復(fù)治理提供技術(shù)參考。

關(guān)鍵詞：無人機(jī)多光譜；多尺度分割；植被提?。稽S土高原小流域

中圖分類號(hào)：K903? ? ?文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：1003-5168（2024）04-0110-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.04.020

Research on Vegetation Extraction， Segmentation and Classification of the Loess Plateau Based on Drone Multi-Spectral

LI Yabei? ? HAN Lei

（School of Land Engineering， Chang'an University， Xi'an 710061， China）

Abstract： [Purposes] As the main component of the ecosystem， the type and quantity of vegetation and its changes have an important impact on the ecosystem. Exploring the optimal segmentation scale for vegetation extraction and segmentation in small watersheds of the Loess Plateau in China is helpful to extract vegetation information quickly and accurately， which is of great significance for monitoring the ecosystem status of the Loess Plateau and maintaining ecosystem stability. [Methods] Based on the multi-spectral image and object-oriented method of UAV in Chaigou watershed of Wuqi County， the eCognition software was used to study the multi-scale segmentation of the image. [Findings] After analysis， the segmentation effect of the image is the best when the segmentation scale is 130， the shape weight is 0.5， and the compact weight is 0.5.Based on the segmentation results， the texture features and spectral features are selected as the classification indicators， and the random forest method is used to classify the images. The overall classification accuracy and Kappa coefficient are 96.2 % and 0.951， respectively. [Conclusions] The research conclusions can provide technical reference for the optimization of vegetation structure in Chaigou watershed and the ecological environment protection and vegetation restoration in the Loess Plateau.

Keywords： drone multispectral; multi-scale segmentation; vegetation extraction; and small watersheds on the loess plateau

0 引言

植被是生態(tài)系統(tǒng)的重要組成部分，也是衡量自然環(huán)境狀況的重要生態(tài)指標(biāo)，植被類型、數(shù)量及其動(dòng)態(tài)變化對(duì)生態(tài)系統(tǒng)影響顯著［1］。與此同時(shí)，植被在涵養(yǎng)水源、水土保持和碳氮循環(huán)等方面起著重要作用。了解植被的準(zhǔn)確信息對(duì)于維持生態(tài)系統(tǒng)穩(wěn)定和推進(jìn)生態(tài)環(huán)境保護(hù)建設(shè)具有重要意義。

傳統(tǒng)的植被調(diào)查方法主要以實(shí)地人工調(diào)查為主，如目測(cè)估算法、概率計(jì)算法和儀器測(cè)量法等。此類方法數(shù)據(jù)獲取準(zhǔn)確但費(fèi)時(shí)費(fèi)力、效率低下，無法實(shí)時(shí)更新信息且無法應(yīng)用于大尺度范圍［2］。衛(wèi)星遙感技術(shù)的發(fā)展為植被監(jiān)測(cè)帶來了技術(shù)突破，但對(duì)于植被精細(xì)化研究仍存在一定的局限性，而無人機(jī)遙感技術(shù)的發(fā)展有效地彌補(bǔ)了傳統(tǒng)衛(wèi)星遙感的不足。無人機(jī)遙感技術(shù)是集多種技術(shù)于一體、以無人機(jī)為載體、搭載不同類型傳感器快速獲取高分辨率空間信息，從而進(jìn)行數(shù)據(jù)處理和分析的綜合性技術(shù)，具有高精度、高時(shí)效性、高分辨率和高靈活性等優(yōu)點(diǎn)［3-5］，近年來逐漸應(yīng)用于植被指數(shù)提取、植被覆蓋度提取、農(nóng)作物信息提取和植被水分反演等方面。

黃土高原地貌獨(dú)特，地塊破碎，生態(tài)環(huán)境脆弱，水土流失嚴(yán)重。退耕還林工程實(shí)施以來，黃土高原地表格局變化顯著，植被覆蓋大幅提高，生態(tài)環(huán)境質(zhì)量明顯改善。了解黃土高原植被結(jié)構(gòu)狀況可為黃土高原生態(tài)環(huán)境修復(fù)和生態(tài)環(huán)境可持續(xù)發(fā)展提供重要參考。基于高精度高分辨率的無人機(jī)影像進(jìn)行植被分割提取是目前獲取準(zhǔn)確植被信息的主要方法，且已得到初步應(yīng)用，但是將該方法應(yīng)用于黃土高原小流域植被研究較少，并且不同的分割模型對(duì)于不同的研究區(qū)具有不同的適宜性［6-9］?；诖耍狙芯坷命S土高原溝壑區(qū)小流域無人機(jī)多光譜影像，尋找適合研究區(qū)的分割參數(shù)模型進(jìn)行植被分類，驗(yàn)證無人機(jī)影像進(jìn)行植被精確提取的適宜性。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)為陜西省延安市吳起縣長(zhǎng)官?gòu)R鎮(zhèn)柴溝流域，地處北緯36°47′20″，東經(jīng)108°0′39″。該流域位于黃土高原的丘陵溝壑區(qū)，區(qū)域內(nèi)地形復(fù)雜，溝壑縱橫，植被類型以森林、灌木叢、農(nóng)作物和果樹為主。

1.2 數(shù)據(jù)獲取與預(yù)處理

研究區(qū)數(shù)據(jù)為無人機(jī)多光譜數(shù)據(jù)。無人機(jī)多光譜以飛馬的D200型無人機(jī)為飛行平臺(tái)，搭載D-MSPC100相機(jī)，相機(jī)像素為2 000萬，飛行航高120 m，影像包括紅（R）、綠（G）、藍(lán)（B）、紅邊（EDGE）和近紅外（NIR）五個(gè)波段。對(duì)原始影像進(jìn)行影像拼接、畸變矯正和空三解算獲取柴溝流域的遙感影像，影像分辨率為0.13 m。

2 研究方法

2.1 面向?qū)ο笥跋穸喑叨确指?/p>

面向?qū)ο笥跋裉幚硎紫葘?duì)影像進(jìn)行分割而后進(jìn)行分類，常用的分割方法有棋盤分割和多尺度分割［10-11］。本研究使用多尺度分割算法，通常利用尺度參數(shù)來表示異質(zhì)度增量的閾值。多尺度分割算法從像元層開始，將相鄰像素合并成一個(gè)更大的圖像對(duì)象，遵循最小化合并后不均勻性增加的原則，并將合并后的異質(zhì)度增量與尺度參數(shù)進(jìn)行比較，若合并后的異質(zhì)度增量小于尺度參數(shù)，則繼續(xù)合并相鄰影像對(duì)象，否則停止合并。不同的尺度參數(shù)對(duì)應(yīng)不同大小的分割結(jié)果，小尺度參數(shù)分割的結(jié)果產(chǎn)生了大量的影像對(duì)象，影像對(duì)象的面積很小，然而大參數(shù)分割的結(jié)果對(duì)應(yīng)的影像對(duì)象較少，圖像對(duì)象區(qū)域較大。

多尺度分割算法是指，從一個(gè)設(shè)定好的尺度開始，選取了某個(gè)像元作為起始點(diǎn)與其周圍的其他像元進(jìn)行異質(zhì)性運(yùn)算［12］。異質(zhì)性即分割尺度（Scale）、波段權(quán)重、均質(zhì)性因子，均質(zhì)性因子又包括顏色因子（color）、形狀因子（shape），形狀因子指光滑度和緊致度。

2.1.1 波段權(quán)重。波段權(quán)重是指參與分割的所有波段中，每個(gè)波段所占重要性的程度，波段權(quán)重越高，則這個(gè)波段中的信息對(duì)分割效果的決定力量越大。本研究采用的無人機(jī)多光譜影像有五個(gè)波段，每個(gè)波段中所含有的信息也存在著差異，因此，可以根據(jù)不同地物類型在各波段中所呈現(xiàn)特點(diǎn)的明顯程度，適當(dāng)提高或降低不同波段的權(quán)重，從而降低無關(guān)波段對(duì)分割過程的影像，提高多尺度分割的速度和質(zhì)量。

2.1.2 均質(zhì)性因子。在進(jìn)行尺度分割時(shí)，通過調(diào)節(jié)均質(zhì)性因子在分割中所占的權(quán)重，可以改變分類結(jié)果，進(jìn)而改變后續(xù)分類效果。在均質(zhì)性因子中，通過調(diào)節(jié)形狀因子所占權(quán)重，可以對(duì)影像分割中地物的破碎程度產(chǎn)生影響，但是不宜將形狀因子設(shè)置過大，不然在分割過程中，會(huì)忽略光譜信息，造成混分現(xiàn)象。緊致度與光滑度所占權(quán)重也會(huì)影響影像的分割結(jié)果，緊致度越大，則分割出來的影像越接近于圓形，而光滑度越大，則分割出來的影像邊界光滑程度越高。但是均質(zhì)性因子還沒有統(tǒng)一設(shè)定方法，大多是在對(duì)比分割結(jié)果之后進(jìn)行選取的。

2.1.3 分割尺度。在進(jìn)行多尺度分割時(shí)，最需要注意的問題是分割尺度參數(shù)的設(shè)置，因?yàn)榉指畛叨葧?huì)直接影響分割效果。當(dāng)分割尺度過大時(shí)，被分割的物體很大，會(huì)出現(xiàn)欠分割現(xiàn)象；當(dāng)分割尺度過小時(shí)，分割得到的物體越小，越容易分割。因此，若提取的物體較大時(shí)，則可以調(diào)高分割尺度，提取的物體較小時(shí)，可適當(dāng)降低分割尺度。

2.2 光譜特征

光譜特征是用來描述影像對(duì)象灰度值特征的集合，地物的光譜特性反映了不同地物對(duì)不同光譜的吸收、反射性能。常用的光譜特征主要包括均值、標(biāo)準(zhǔn)差、亮度、比率等特征，每個(gè)波段的光譜特征又具有不同的均值等特征。

2.3 紋理特征

紋理特征是指影像對(duì)象的全局規(guī)律性和局部不規(guī)則性，紋理特征對(duì)影像中植被與非植被的劃分起著十分關(guān)鍵的作用。高分辨率的無人機(jī)多光譜影像具有豐富的紋理特征，對(duì)植被提取具有重要作用。本研究利用ENVI5.3軟件基于灰度共生矩陣計(jì)算均值、方差、均一性、對(duì)比度、相異性、熵、角二階矩和相關(guān)性等紋理特征。

2.4 隨機(jī)森林算法（RF）

隨機(jī)森林（Random Forest）是具有代表性的袋裝法（Bagging集成算法）。Bagging集成算法是指每一次都隨機(jī)抽取訓(xùn)練樣本的一部分特征來建立多個(gè)樹模型。首先每棵樹都是一個(gè)分類器，且每次抽取都是隨機(jī)有放回的抽取，每個(gè)樹模型之間都互不影響。其次是要進(jìn)行特征的隨機(jī)采樣，與樣本采樣方法相同，使每一棵樹模型都具有個(gè)性。最后結(jié)合樣本采樣與隨機(jī)采樣的結(jié)果，將所有樹模型組合在一起，在分類任務(wù)中求取的眾數(shù)為最終分類結(jié)果。

2.5 評(píng)價(jià)指標(biāo)

混淆矩陣是對(duì)分類的預(yù)測(cè)結(jié)果和總結(jié)，通過匯總分類，統(tǒng)計(jì)被正確歸類的樣本數(shù)量與錯(cuò)誤歸類的樣本數(shù)量，并按每個(gè)類進(jìn)行細(xì)分，得對(duì)分類結(jié)果的評(píng)價(jià)表。通過混淆矩陣，可以更充分地了解分類中存在的問題，打破了僅使用分類準(zhǔn)確率所帶來的局限性，其評(píng)價(jià)指標(biāo)主要包括總體精度、用戶精度、生產(chǎn)者精度、Kappa系數(shù)等。

3 結(jié)果與分析

3.1 最優(yōu)分割尺度分析

為得到更佳的分割效果，選擇影像的1、2、3、5層，即對(duì)紅、綠、近紅外、藍(lán)，四個(gè)波段參與分割，其他波段不參與分割。即在進(jìn)行分割時(shí)將紅、綠、藍(lán)、近紅外四個(gè)波段權(quán)重值設(shè)為1，將紅邊波段設(shè)置為0。具體分割效果如圖1所示。

無人機(jī)的圖像分辨率可以達(dá)到厘米級(jí)，因此可以將圖像對(duì)象的分割尺度的初始值設(shè)置得大一點(diǎn)。本研究將分割尺度值從 475開始設(shè)置為倍數(shù)，多幅分割圖像的試驗(yàn)表明，當(dāng)分割尺度小于200時(shí)，各種物體被細(xì)分，無法有效表示特征地面物體的界限，這也在一定程度上影響了信息提取的準(zhǔn)確性。當(dāng)分割尺度超過390時(shí)，大部分地物邊界明顯沒有被分割。例如，部分林地和耕地被劃分，因此，將研究區(qū)域的劃分尺度區(qū)間設(shè)置為200～390進(jìn)行比較分析。通常情況下，在進(jìn)行多尺度分割時(shí)，允許出現(xiàn)過分割狀況，但是不允許出現(xiàn)欠分割的現(xiàn)象。但是，若多尺度分割得很細(xì)碎，會(huì)降低影像的分割效率，使處理時(shí)間變長(zhǎng)；若影像中地物欠分割，雖然會(huì)使處理時(shí)間縮短，但是會(huì)造成兩類或多類地物未被分隔開，影響后續(xù)分類操作，降低地物分類準(zhǔn)確性。由圖1可知，當(dāng)分割尺度為240時(shí)，圖像分割效果有所提高。此時(shí)分割后的物體與各種地物高度一致，各種地物的分界線清晰，各對(duì)象的數(shù)量足夠，不是很分散。此外，地面上的許多物體都是不完全分割的?；诖?，得出結(jié)論：分割尺度為240、形狀權(quán)重為0.7、緊湊權(quán)重為0.1的圖像具有最理想的分割結(jié)果。

3.2 基于對(duì)象的特征選取

3.2.1 光譜特征。每類地物都具有其特殊的結(jié)構(gòu)、紋理、形狀等特征，因此，植被分類的主要依據(jù)就是在進(jìn)行面向?qū)ο蠓指钪?，每個(gè)對(duì)象所具有的特征特殊性。考慮到同一地物在不同波段的反射率有所區(qū)別，且不同地物在同一波段中的反射率又有所不同，本研究統(tǒng)計(jì)了各地物在各個(gè)波段上的光譜信息，通過地物的光譜反射率的變化范圍，可為后續(xù)的植被分類提供光譜特征依據(jù)，光譜反射率值統(tǒng)計(jì)結(jié)果見表1。由表1可知，在紅光波段中，由于紅光對(duì)葉綠素有吸收作用，因此植被越密集之處，其光譜反射率值就越小。從整體來看，各類型地物的反射率均值排列順序依次是：林地最小，其次分別為耕地、園地、草地、裸地、建設(shè)用地。不同地物在各波段的光譜反射率值如圖2所示。由圖2可更直觀地看出各種地物在五個(gè)多光譜波段的反射率值變化情況，如在紅光波段中植被信息冗余大，不能明確地將其進(jìn)行區(qū)分，但非植被如裸地、建設(shè)用地在紅光波段中，當(dāng)光譜值超過0.18時(shí)，可以將其與植被進(jìn)行分離。

3.2.2 紋理特征。紋理特征是指影像對(duì)象的全局規(guī)律但局部不規(guī)則性，紋理特征對(duì)影像中植被與非植被的劃分起著十分關(guān)鍵的作用。常用的紋理特征大多基于灰度共生矩陣（GLCM），如：均一性、對(duì)比度、相異性、熵（entropy）、角二階矩、相關(guān)性等。常用的紋理特征大多基于灰度共生矩陣（GLCM）在提取研究區(qū)紋理特征時(shí)，經(jīng)過對(duì)移動(dòng)窗口進(jìn)行多次調(diào)節(jié)，最終選取二階概率濾波的窗口為3×3，空間（x，y）的變化值取１，灰度質(zhì)量等級(jí)為64，此時(shí)的紋理細(xì)節(jié)特征最為突出，所得影像結(jié)果如圖3所示。由圖3可知，當(dāng)熵值越大，影像的紋理越雜亂；紋理越細(xì)致，角二階矩值越小；對(duì)比度越大，影像越清晰。

3.3 基于隨機(jī)森林的植被分類

分類結(jié)果如圖4所示。由圖4可知，隨機(jī)森林所得的分類效果較好，柴溝流域植被以林地、草地和園地為主，林地多為人工恢復(fù)造林，呈集中連片結(jié)構(gòu)分布于山梁上中坡兩側(cè)；草地為無人機(jī)播種恢復(fù)生長(zhǎng)而成，主要分布于山梁中下坡和溝谷區(qū)域；園地以蘋果經(jīng)濟(jì)林為主以梯田的形式分布于村莊周圍。RF模型對(duì)于植被類別的區(qū)分較為準(zhǔn)確，對(duì)于植被和非植被區(qū)域的區(qū)分較為準(zhǔn)確。采用總體精度、用戶精度及Kappa系數(shù)對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)見表2。

4 結(jié)論

本研究通過對(duì)研究區(qū)影像多次分割，調(diào)節(jié)各參數(shù)值，進(jìn)行分割結(jié)果對(duì)比，最終確定了研究區(qū)影像的分割尺度為240，形狀參數(shù)為0.7，緊致度參數(shù)為0.1。并對(duì)多光譜影像中各類地物的光譜、紋理特征進(jìn)行統(tǒng)計(jì)分析構(gòu)建提取分類的指標(biāo)特征模型，采用隨機(jī)森林算法基于分類指標(biāo)對(duì)多分割對(duì)象進(jìn)行分類，得到分類結(jié)果總體精度和Kappa系數(shù)分別為96.2%和0.951，能夠較為精確地對(duì)植被進(jìn)行分類提取。

參考文獻(xiàn)：

［1］逯金鑫，周榮磊，劉洋洋，等.黃土高原植被覆被時(shí)空動(dòng)態(tài)及其影響因素［J］.水土保持研究，2023，30（2）：211-219.

［2］翁伯琦，鄭祥洲，丁洪，等.植被恢復(fù)對(duì)土壤碳氮循環(huán)的影響研究進(jìn)展［J］.應(yīng)用生態(tài)學(xué)報(bào)，2013，24（12）：3610-3616.

［3］孫剛，黃文江，陳鵬飛，等.輕小型無人機(jī)多光譜遙感技術(shù)應(yīng)用進(jìn)展［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（3）：1-17.

［4］郭慶華，胡天宇，劉瑾，等.輕小型無人機(jī)遙感及其行業(yè)應(yīng)用進(jìn)展［J］.地理科學(xué)進(jìn)展，2021，40（09）：1550-1569.

［5］劉鶴，顧玲嘉，任瑞治，等.基于無人機(jī)遙感技術(shù)的森林參數(shù)獲取研究進(jìn)展［J］.遙感技術(shù)與應(yīng)用，2021，36（3）：489-501.

［6］郭彩玲.黃土高原半干旱區(qū)生態(tài)環(huán)境恢復(fù)的對(duì)策研究［J］.地域研究與開發(fā)，2008（3）：79-82.

［7］楊潔，金繼明，邵進(jìn)，等.黃土高原中部典型流域植被恢復(fù)對(duì)徑流的影響［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（5）：258-266，257.

［8］姜玉峰，齊建國(guó)，陳博偉，等.基于無人機(jī)高光譜影像和機(jī)器學(xué)習(xí)的紅樹林樹種精細(xì)分類［J］.遙感技術(shù)與應(yīng)用，2021，36（6）：1416-1424.

［9］張妮娜，張珂，李運(yùn)平，等.中國(guó)南方典型濕潤(rùn)山區(qū)植被類型的無人機(jī)多光譜遙感機(jī)器學(xué)習(xí)分類研究［J］.遙感技術(shù)與應(yīng)用，2023，38（1）：163-172

［10］孫坤，魯鐵定.顧及多尺度分割參數(shù)的FNEA面向?qū)ο蠓诸悾跩］.測(cè)繪通報(bào)，2018（3）：43-48.

［11］潘俊虹，梁明.多尺度分割的高分辨率遙感影像分類對(duì)比研究［J］.現(xiàn)代計(jì)算機(jī)，2022，28（22）：56-60.

［12］劉波，王凱，劉先森，等. 面向?qū)ο蠛鸵?guī)則的高分辨率遙感影像建筑物變化提取技術(shù)研究［J］. 測(cè)繪與勘探，2019，1（1）：67-68.