(西南科技大學(xué)環(huán)境與資源學(xué)院 四川 綿陽(yáng) 621010)

引言

冰川是極地或高山地區(qū)常年存在并具有沿地面運(yùn)動(dòng)狀態(tài)的天然冰體，在全球氣候變暖的背景下，冰川的變化與氣候、植被、生態(tài)等有著密切的關(guān)系[1]。根據(jù)IPCC的報(bào)告表明，截至2015年世界各地冰川幾乎都處于持續(xù)退縮狀態(tài)，在國(guó)內(nèi)，過(guò)去50年我國(guó)西部82%的山地冰川處于退縮狀態(tài)，冰川面積減少了4.5%[2]。其中，山岳冰川的退縮對(duì)于區(qū)域森林生態(tài)系統(tǒng)的演變和發(fā)展帶來(lái)了深刻的影響?，F(xiàn)有對(duì)于冰川末端微地貌及植被類型的識(shí)別的觀測(cè)主要為單點(diǎn)、小區(qū)域，或者利用衛(wèi)星遙感進(jìn)行監(jiān)測(cè)，二者的尺度過(guò)大或過(guò)小，難以融合，因此，采用無(wú)人機(jī)低空飛行航測(cè)技術(shù)對(duì)冰川末端的地表典型地物展開(kāi)識(shí)別研究具有重要意義。

本文選取海螺溝一號(hào)冰川末端復(fù)雜地形區(qū)為研究區(qū)，采用Phantom 4 DJI無(wú)人機(jī)進(jìn)行低空航測(cè)試驗(yàn)，獲取冰川末端高分辨率正射影像圖和數(shù)字表面模型，利用多尺度迭代分割算法進(jìn)行分割，基于正射影像圖獲取的光譜特征、紋理特征和數(shù)字表面模型提供的高程特征，實(shí)現(xiàn)冰川末端微地貌和典型地物的高精度識(shí)別研究，為無(wú)人機(jī)航測(cè)技術(shù)應(yīng)用于冰川等復(fù)雜地形區(qū)提供技術(shù)借鑒。

一、研究區(qū)和數(shù)據(jù)源

(一)研究區(qū)概況

海螺溝冰川位于四川省甘孜藏族自治州東南部，貢嘎山東坡，是橫斷山脈最長(zhǎng)的季風(fēng)性溫帶冰川，屬山地寒溫帶氣候，年平均氣溫4.2℃，年降水量約為1960mm，年平均相對(duì)濕度約為90%[3]。海螺溝冰川自1823年開(kāi)始逐漸退縮，并且在20世紀(jì)初開(kāi)始明顯加速，冰川退縮后的完全裸地開(kāi)始植被的原生演替，形成了先鋒植被到頂級(jí)植被群落的完整植被演替序列，本研究以冰川末端作為研究區(qū)，該區(qū)域包含了以冰磧覆蓋為主的冰舌末端和分布有草本、灌木、喬木完整植被演替系列的植被退縮區(qū)。冰川邊界數(shù)據(jù)來(lái)源于中國(guó)第二次冰川編目數(shù)據(jù)。

(二)無(wú)人機(jī)影像獲取及預(yù)處理

充分調(diào)查研究區(qū)區(qū)域地形地貌特征，選取多旋翼無(wú)人機(jī)Phantom 4 DJI，相機(jī)鏡頭的分辨率為4000*3000像素，由于研究區(qū)內(nèi)高差較大，無(wú)人機(jī)飛行高度依據(jù)地形情況設(shè)定為50-100m。采集時(shí)間為2019年6月30日，天氣晴朗，無(wú)風(fēng)少云，飛行時(shí)保證航向重疊度達(dá)70%，旁向重疊度達(dá)50%，共2個(gè)起落架次，獲取照片1221張。

剔除分辨率較低、模糊的照片，采用實(shí)景三維建模軟件對(duì)無(wú)人機(jī)原始影像進(jìn)行預(yù)處理拼接、照片對(duì)齊、空中三角加密生成密集點(diǎn)云，創(chuàng)建研究區(qū)TIN三角網(wǎng)生成數(shù)字表面模型，對(duì)DSM進(jìn)行紋理賦予、勻色、拼接裁剪等處理等得到數(shù)字正射影像圖。

二、研究方法

(一)多尺度分割

多尺度分割算法是一種自下而上合并相鄰單元或小的分割對(duì)象，保證類同質(zhì)性最大，類間異質(zhì)性最大[4]，實(shí)現(xiàn)分割影像對(duì)象的方法。在進(jìn)行無(wú)人機(jī)正射影像進(jìn)行多尺度分割時(shí)，設(shè)置不同組合的尺度參數(shù)、形狀參數(shù)和緊度參數(shù)，通過(guò)對(duì)比不同分割結(jié)果確定最佳參數(shù)組合，其中形狀參數(shù)和緊度參數(shù)分別將其設(shè)置為0.7、0.5，基于這2個(gè)參數(shù)以選取多尺度分割最優(yōu)的分割尺度參數(shù)。通過(guò)對(duì)比分析尺度參數(shù)為50、100、150、200四種尺度的分割結(jié)果，發(fā)現(xiàn)尺度參數(shù)越小，分割對(duì)象斑塊越小，分割結(jié)果越破碎。尺度參數(shù)為50時(shí)，可以較好的分割不同植被類型，但也有同一地物如冰磧被分割為多個(gè)對(duì)象，分割尺度為200時(shí)，對(duì)大面積的均一地物可以實(shí)現(xiàn)較好的分割，但也會(huì)出現(xiàn)分割不足的現(xiàn)象，如面積較小，寬度較窄的冰裂隙不能被分割出來(lái)。對(duì)比不同的尺度參數(shù)的分割結(jié)果，確定當(dāng)其為100時(shí)，各類地物的分割效果都較好，邊界清晰，漏分錯(cuò)分的現(xiàn)象較少，因此，確定最適宜的參數(shù)為100，0.7，0.5，各種對(duì)象分割結(jié)果如圖1所示。

(二)特征變量選擇

從影像中提取多個(gè)參與分類運(yùn)算的特征變量，它對(duì)分類結(jié)果的精度和可靠性影響很大。本文使用無(wú)人機(jī)正射影像圖和數(shù)字表面模型作為數(shù)據(jù)源，提取其光譜特征、紋理特征和地表高程信息一共11個(gè)特征來(lái)進(jìn)行隨機(jī)森林分類分析。

(1)光譜特征：DOM3個(gè)可見(jiàn)光波段、DSM光譜特征的平均值和標(biāo)準(zhǔn)差、亮度。

(2)紋理特征：通過(guò)灰度共生矩陣(GLCM)提取DOM的紋理特征，包括Mean、Variance、Entropy、Correlation、Dissimilarity、Contrast 6個(gè)紋理參數(shù)。對(duì)DOM進(jìn)行主成分分析的第一主分量進(jìn)行了紋理特征提取。

(三)隨機(jī)森林算法

隨機(jī)森林分類器是運(yùn)用一組分類回歸樹(shù)(CART)進(jìn)行預(yù)測(cè)的機(jī)器學(xué)習(xí)分類器，從直觀角度來(lái)解釋，每棵決策樹(shù)都對(duì)樣本進(jìn)行一次分類，N棵樹(shù)會(huì)有N個(gè)分類結(jié)果。最終分類結(jié)果由所有決策樹(shù)投票決定，將投票次數(shù)最多的類別指定為最終的輸出[5]。

采用隨機(jī)森林算法對(duì)最優(yōu)尺度分割和優(yōu)選特征的無(wú)人機(jī)多源遙感數(shù)據(jù)集進(jìn)行分類，減少隨機(jī)性影響，利用訓(xùn)練樣本進(jìn)行算法參數(shù)調(diào)優(yōu)。經(jīng)過(guò)實(shí)驗(yàn)證明，發(fā)現(xiàn)當(dāng)森林中的樹(shù)數(shù)(ntree)和參與分類的特征變量的個(gè)數(shù)(mtry)分別為1500和7時(shí)，隨機(jī)森林算法模型的分類能力趨于穩(wěn)定，利用樣本區(qū)內(nèi)訓(xùn)練樣本進(jìn)行隨機(jī)森林算法冰川末端自動(dòng)分類實(shí)驗(yàn)，結(jié)果如圖2所示。

三、結(jié)果與分析

(一)結(jié)果分析

通過(guò)多尺度分割算法對(duì)無(wú)人機(jī)影像進(jìn)行分割，采用優(yōu)選特征的隨機(jī)森林算法對(duì)冰川末端微地貌和典型地物進(jìn)行識(shí)別，結(jié)合地面采樣點(diǎn)和Google earth影像進(jìn)行人機(jī)交互驗(yàn)證，整體分類精度達(dá)到了80.59%。研究表明適宜的分割尺度參數(shù)(100)可以較好對(duì)地物對(duì)象進(jìn)行分割，對(duì)于分布細(xì)小的草本斑塊、冰裂隙可以實(shí)現(xiàn)較好的分割，同時(shí)對(duì)于冰磧等大面積分布地物不會(huì)出現(xiàn)過(guò)度分割的現(xiàn)象，各類地物的空間分布都可以得到較好的表征；在對(duì)冰川進(jìn)行分類時(shí)發(fā)現(xiàn)冰磧與周圍巖石相似度較高，但在加入紋理特征后，可以較好的區(qū)分它們，通過(guò)隨機(jī)森林算法進(jìn)行特征變量的優(yōu)選，發(fā)現(xiàn)光譜特征和紋理特征貢獻(xiàn)率較高。

(二)冰川末端地物分布特征

綜合研究冰川末端各類地物遙感識(shí)別結(jié)果，發(fā)現(xiàn)冰川裂隙集中分布在冰川上部和兩側(cè)，冰舌末端附近也分布著部分冰裂隙，裸冰主要分布在冰舌末端，冰川末端地形相對(duì)較為復(fù)雜，橫向裂隙較多，冰面破碎化程度較高，從DSM看，冰舌末端高程存在一定波動(dòng)，和DOM微地貌識(shí)別結(jié)果符合；冰川植被退縮區(qū)從冰舌末端開(kāi)始，依次出現(xiàn)裸地、草本植被、灌-喬群落、冷杉群落，并存在連續(xù)性的變化，隨著冰川退縮后原生裸地形成的的時(shí)間不同，植被演替階段也不同，距冰川末端較近的裸地形成時(shí)間較短，開(kāi)始出現(xiàn)草本植被。裸地形成時(shí)間較長(zhǎng)的區(qū)域發(fā)展到了以冷杉為主的頂級(jí)群落，而灌-喬群所占面積最大。

圖1 正射影像多尺度分割結(jié)果

圖2 隨機(jī)森林分類結(jié)果

四、結(jié)論

冰川末端的復(fù)雜地形環(huán)境下，采用無(wú)人機(jī)獲取高分辨率正射影像和數(shù)字表面模型可為冰川學(xué)的研究提供重要基礎(chǔ)數(shù)據(jù)，采用面向?qū)ο蟮亩喑叨确指詈碗S機(jī)森林算法對(duì)冰川末端地物進(jìn)行識(shí)別，通過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)合適的尺度參數(shù)可以實(shí)現(xiàn)對(duì)象的較好分割，利用基于先驗(yàn)知識(shí)的典型樣本，定量計(jì)算確定模型的分類參數(shù)，發(fā)現(xiàn)優(yōu)選特征的隨機(jī)森林分類算法可以有效提取影像的微地貌特征和典型地物，分類精度達(dá)80.59%。后續(xù)研究將著重結(jié)合多光譜、多時(shí)相和多高度的無(wú)人機(jī)影像以及三維點(diǎn)云數(shù)據(jù)進(jìn)行高精度的微地貌和植被識(shí)別，為無(wú)人機(jī)遙感技術(shù)應(yīng)用于冰川的研究和保護(hù)提供技術(shù)支撐和理論依據(jù)。