尹林江，周忠發(fā)，*，黃登紅，尚夢佳

(1.貴州師范大學 喀斯特研究院/地理與環(huán)境科學學院，貴州 貴陽 550001； 2.國家喀斯特石漠化防治工程技術(shù)研究中心，貴州 貴陽 550001)

農(nóng)作物識別與提取是農(nóng)情監(jiān)測、管理和估產(chǎn)中重要的基礎(chǔ)工作[1]。目前，遙感技術(shù)已普遍運用于各種地物的識別、提取中。但傳統(tǒng)的衛(wèi)星影像空間分辨率不高，導致作物的提取與識別精度不高，無法滿足小范圍作物的快速提取與識別。而無人機(unmanned aerial vehicle，UAV)起源于軍事用途，隨后逐漸向民用領(lǐng)域拓展，其特點主要有無人駕駛、飛行尺度較大、環(huán)境要求較低、飛行成本較低等[2-3]，彌補了航天航空影像空間分辨低、重訪周期長和受云雨天氣影響的不足[4-7]。

隨著科技的不斷進步，無人機與遙感器的準入門檻也逐漸降低[8-9]。通過搭載不同的傳感器，可獲取高時空分辨率的影像數(shù)據(jù)和點云數(shù)據(jù)。目前國內(nèi)外有關(guān)學者已利用無人機影像點云數(shù)據(jù)和LiDAR數(shù)據(jù)實現(xiàn)了樹木的相關(guān)提取，如運用無人機搭載LiDAR，對樹木進行提取[10-12]；劉群[13]運用小光斑機載LiDAR點云數(shù)據(jù)，運用新的三維單木分割方法對美國華盛頓州西部國會的藍嶺地區(qū)的森林進行了單木分割；李亞東等[14]運用無人機影像三維點云數(shù)據(jù)對樹冠進行分割，并對森林蓄積量進行了估測；陳崇成等[15]運用無人機影像匹配點云數(shù)據(jù)對苗圃單木冠層三維進行分割；李瑩等[16]提出一種綜合影像重建點云與光譜信息的城市植被分類方法，總體分類精度達到92.08%；Dandois等[17]使用輕小型飛行，使用Bundler等工具提取的樣地優(yōu)勢木平均高與實測數(shù)據(jù)之間的決定系數(shù)(R2)為0.84；劉見禮等[18]利用無人機影像匹配點云數(shù)據(jù)，提出了聯(lián)合“局部最大值”與“單木結(jié)構(gòu)分析”的單木識別算法；Ni等[19]使用無人影像數(shù)據(jù)生成的點云數(shù)據(jù)，在大興安嶺林區(qū)對林分尺度上基于影像點云提取的林分樹高與LiDAR結(jié)果進行對比，R2與均方根誤差(RMSE)分別為0.87和1.9 m。

無人機激光點云數(shù)據(jù)和影像匹配提取樹木單木的技術(shù)已相對成熟，但是在針對喀斯特山區(qū)的無人機影像匹配點云數(shù)據(jù)開展農(nóng)作物精準識別研究較少，多為運用高光譜和無人機可見光影像等數(shù)據(jù)對火龍果、山藥等農(nóng)作物進行提取研究[20-22]，但未能解決在崎嶇地形和有雜草干擾等背景下的識別提取。本研究利用Pix4Dmapper等軟件獲取和處理無人機影像匹配點云數(shù)據(jù)，對特色經(jīng)濟作物火龍果進行株數(shù)提取，以期為喀斯特地區(qū)農(nóng)作物精準識別與管理提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于貴州省關(guān)嶺縣和貞豐縣交界處的北盤江花江段河谷兩岸的花江石漠化生態(tài)綜合治理示范區(qū)內(nèi)的北岸，示范區(qū)地理范圍為105°35′00″～105°43′05″E、25°37′20″～25°42′36″N。北盤江北岸是典型峰叢、臺地地貌，南岸發(fā)育峰叢、峰叢深洼地地貌類型。隨著農(nóng)業(yè)種植結(jié)構(gòu)的調(diào)整，傳統(tǒng)的農(nóng)業(yè)生產(chǎn)方式也發(fā)生改變，外出務工、果園、養(yǎng)殖成為當?shù)氐闹饕?jīng)濟來源，其主要的經(jīng)濟作物為花椒和火龍果。本文選取示范區(qū)的壩山村楊柳樹組內(nèi)的火龍果種植區(qū)作為研究樣區(qū)，其中實驗樣地面積為1 307.23 m2，驗證樣地面積為2 154 m2。通過野外田間調(diào)查，得到實驗樣地火龍果株數(shù)為238株，驗證樣地火龍果株數(shù)為342株火龍果，平均株高為1.5 m。

1.2 數(shù)據(jù)獲取與分析

本研究使用的UAV平臺為大疆精靈3 SE(Phantom3 SE)四旋翼無人機質(zhì)量為(含電池及槳)1 236 g。其最大上升速度為5 m·s-1，最大下降速度為3 m·s-1，衛(wèi)星定位模塊為GPS/GLONASS雙模，保證了定位精度的可靠性。使用的是一體化云臺相機，可控轉(zhuǎn)動范圍為俯仰-90°～+30°，相機鏡頭參數(shù)為FOV94°20 mm(35 mm格式等效)，相片ISO曝光范圍100～1 600，快門速度8～1/8 000 s，相片分辨率4 000 pixel×3 000 pixel，有效像素為1 200萬。原始影像采集于2019年7月28日12:24—12:38，風力1級，天氣晴朗。運用DJI GS Pro軟件自動規(guī)劃航線，以覆蓋整個實驗場，由于受到地形等環(huán)境因素以及目標區(qū)火龍果的生長情況的影響，飛行高度設(shè)為80 m，飛行路徑設(shè)計以確保至少70%的側(cè)重疊和85%的前向重疊的重疊圖像，共得到316張照片。

將得到的無人機影像利用Pix4Dmapper軟件進行影像的空三加密、特征點匹配、影像拼接、校正等，生成數(shù)字表面模型(digital surface model，DSM)、高分辨率正射影像，以及由稀疏點云加密得到的點云。正射影像的分辨率為2.2 cm(圖1)，密集點云數(shù)為131 799 729點，平均點密度為1 130.91 點·m-2。從獲取的正射影像中，選取樣地進行火龍果株數(shù)提取與驗證。從圖2研究樣地來看，該研究區(qū)內(nèi)，地表存在大量雜草以及部分人為建筑物，背景與目標地物混淆。

圖1 無人機正射影像圖Fig.1 Orthophoto image of UAV

由于地物間存在差異，在紅波段(R)、綠波段(G)、藍波段(B)特征上具有不同的數(shù)值[23]。通過影像取樣得到相關(guān)地物的剖面RGB值曲線，如圖3-a所示，在橫軸0～20和70～80為土壤的RGB曲線，在20～70為火龍果的RGB值曲線。由此可見，火龍果與土壤之間存在明顯差異，火龍果在G波段較為突出，具有較強的指示性，土壤則在R波段上具有較強的指示性；從其變化規(guī)律來看，土壤在RGB三個波段上的數(shù)值波動較為平緩，而火龍果植株在RGB三個波段上則較為劇烈，由此兩者具有很好的分離性。在圖3-b中，在橫軸0～25和75～90為土壤的RGB曲線，在25～75為火龍果的RGB值曲線?；瘕埞仓昱c雜草的RGB值兩者變化規(guī)律相似，3個波段上無明顯的差別，均在G波段上具有較強的指示性。由此可見，雜草具有較強的混淆性，分離性較差，若運用常用可見光顏色指數(shù)進行火龍果株數(shù)的提取，將難以達到較好的提取效果。而無人機影像匹配點云數(shù)據(jù)為空間三維數(shù)據(jù)，帶有坐標和高程信息，可以較好地分離植株下方雜草和土壤，由此本研究基于無人機影像匹配點云數(shù)據(jù)對火龍果株數(shù)提取進行研究。

圖2 研究樣地Fig.2 Experimental plot

圖3 影像取樣RGB值曲線Fig.3 RGB value curve of image sampling

1.3 研究思路

如圖4所示，從火龍果影像匹配點云數(shù)據(jù)與樹木的激光點云數(shù)據(jù)來看，火龍果點云數(shù)據(jù)分布的空間形態(tài)與樹木點云的分布形態(tài)相似，都具有一定的空間層次結(jié)構(gòu)。但機載激光雷達數(shù)據(jù)具有位置、方位/角度、距離、時間、強度和回波次數(shù)等信息，而無人機影像匹配點云數(shù)據(jù)則只有坐標和高程信息。研究運用機載激光雷達單木識別方法對火龍果進行株數(shù)的提取分析，探究其可行性。常見機載激光雷達單木識別方法可分為基于冠層高度模型(canopy height model，CHM)的單木識別法和基于點云分布的單木識別法2類[24]。

本文選用CHM單木識別法對火龍果株數(shù)進行提取。CHM是一個表示樹冠上表面距地面高度和樹冠水平面積的模型，在一定程度上可以解決地形對植被冠高的影響。其通過數(shù)字高程模型(digital elevation model，DEM)和數(shù)字表面模型(digital surface model，DSM)兩者的差值實現(xiàn)對作物冠層的提取，并以CHM為基礎(chǔ)進行火龍果株數(shù)的提取。其計算公式如下：

VCHM=VDSM-VDEM

。

(1)

式(1)中：VCHM為冠層高度模型，VDSM代表有作物的下伏地形模型及數(shù)字表面模型，VDEM代表沒有作物的下伏農(nóng)田地形及數(shù)字高程模型。

1.4 精度驗證

精度評估參考Li等[25]的文章，通過與野外數(shù)據(jù)比較，分別記錄提取得到的火龍果總數(shù)、正確分割的棵數(shù)、錯誤分割的棵數(shù)、漏分的棵數(shù)，按照下面的公式分別計算Recall(r)、Precision(p)和F-score(F)的值。 Recall表示監(jiān)測率，Precision表示正確率，F(xiàn)-score為綜合考慮錯分和漏分的總體精度，三者的變化范圍均在0～100%。計算公式如下：

a， 火龍果影像匹配點云數(shù)據(jù)；b，樹木激光點云數(shù)據(jù)。a， Pitaya image matching point cloud data; b， Tree laser point cloud data.圖4 火龍果點云數(shù)據(jù)與樹木點云數(shù)據(jù)對比圖Fig.4 Comparison of pitaya point cloud data and tree point cloud data

r=NTP/(NTP+NFN)×100%。

(2)

p=NTP/(NTP+NFP)×100%。

(3)

F=2×(r×p)/(r+p)×100%。

(4)

式(2)～(4)中：r表示樹木的監(jiān)測率；p表示樹分割的正確率；F表示綜合考慮錯分和漏分的總體精度；NTP表示樹木被正確分割的株數(shù)；NFN表示樹木未被檢測及漏分的樹木株數(shù)；NFP表示錯誤檢測的樹木株數(shù)。

1.5 技術(shù)路線

通過對試驗區(qū)影像點云進行去噪及歸一化處理，利用漸進式形態(tài)學濾波算法，通過控制濾波窗口尺寸大小，將點云分為地面點和非地面點。采用TIN插值方法填補點云“空洞”，將地面點生成DEM和DSM。再利用DEM和DSM獲得CHM數(shù)據(jù)。通過CHM數(shù)據(jù)，獲取單棵火龍果冠層頂點位置，即種子點，以及火龍果冠層。最后與目視解譯的火龍果株數(shù)進行對比分析，計算其精度。

圖5 火龍果株數(shù)提取技術(shù)路線圖Fig.5 Technical roadmap for extracting plant number of pitaya

2 結(jié)果與分析

2.1 DEM/DSM特征分析

由于無人機影像匹配點云數(shù)據(jù)質(zhì)量較差，部分存在點云缺失。為了得到高分辨率和高質(zhì)量的DEM和DSM數(shù)據(jù)，本研究采用改進的漸進加密三角網(wǎng)濾波算法進行點云分類，此算法先通過一個起始點生成一個稀疏的三角網(wǎng)，然后再通過迭代處理逐層加密，直至將點云分類完畢，得到地面點和植被點。最后采用不規(guī)則三角網(wǎng)(triangulated irregular network，TIN)插值中的無凹坑TIN，構(gòu)建網(wǎng)絡，剔除高程異常的點云，生成不帶明顯尖峰的三角網(wǎng)。在此基礎(chǔ)上進行點云補洞，通過分析鄰近柵格單元，并使用TIN插值方法計算出數(shù)據(jù)值，填入無值區(qū)域。其結(jié)果如圖6所示。

圖6-a為提取的DEM，b為DSM，分辨率均為5 cm，質(zhì)量較好，無漏洞。從DEM與DSM的數(shù)值來看，DSM最低與最高值均大于DEM對應值，其原因為兩者的基礎(chǔ)數(shù)據(jù)源不同。從圖6-b來看，數(shù)字表面模型包含了地表建筑物和火龍果等高度信息，與DEM相比，DEM只包含了地形的高程信息，DSM是在DEM的基礎(chǔ)上，進一步涵蓋了除地面以外的其他地表信息的高程。由此可以看出，當DEM與DSM求差值時，則可以將地面、植被以及建筑分離，即得到CHM。

2.2 識別提取與精度分析

圖7為計算得到的火龍果冠層高度模型數(shù)據(jù)，從圖中可以看出，在該樣地中火龍果的冠層被提取出來，但還包含了如建筑物和梯坎等信息。由此本研究從2個方面對火龍果的株數(shù)進行提取研究，分別為：(1)基于CHM的火龍果種子點提取；(2)基于CHM的火龍果冠層提取。

2.2.1 基于CHM型的火龍果種子點提取

以CHM為基礎(chǔ)，進行種子點的生成。其原理為，對CHM進行高斯平滑處理，平滑窗口為55，去除噪聲點的影響；通過設(shè)定一個搜索窗口，剔除高于和低于設(shè)置的樹高閾值的值，進而得到植被范圍；再通過搜索冠層范圍內(nèi)局部最大值，進而得到種子點，即火龍果的位置點。

圖8為實驗樣地火龍果株數(shù)的提取結(jié)果。紅色圓點表示CHM生成的種子點的位置，綠色圓點為通過目視解譯獲取的參考火龍果冠頂點位置。從實驗樣地的地物復雜程度來看，地物雜草較多，并存在建筑物；從地形上來看，驗證樣地地形較為復雜，存在許多梯坎，這些因素將在一定程度上對提取的結(jié)果產(chǎn)生影響。

通過對比種子點與目視解譯火龍果參考冠頂點位置將提取結(jié)果分成4類，主要存在錯檢(圖9-b)、過檢(圖9-c)和漏檢(圖9-d)的現(xiàn)象。當同一火龍果上紅點與綠點的個數(shù)比為1時，視為正檢；同理，當個數(shù)比大于1時，視為過檢；當個數(shù)比為無窮大時，視為錯檢；當個數(shù)比為0時，視為漏檢。

圖6 數(shù)字高程模型(A)與數(shù)字表面模型(B)Fig.6 Digital elevation model (A) and digital surface model (B)

圖7 火龍果冠層高度模型Fig.7 Pitaya canopy height model

圖8 火龍果株數(shù)提取結(jié)果Fig.8 Extraction results of plant number of pitaya

通過以上規(guī)則，對提取的火龍果株數(shù)進行統(tǒng)計分析，運用無人機影像匹配的點云數(shù)據(jù)進行火龍果株數(shù)提取，具有較高的精度，其提取株數(shù)為250株，正檢234株，錯檢16株，漏檢4株。實驗樣地的監(jiān)測率、正確率及總體精度分別為98.32%、93.60%和95.90%，精度均在93%以上，漏提率僅為1.68%。但是植株的錯提率較高，為6.4%，如圖9-b所示。

2.2.2 基于CHM的火龍果冠層提取

運用CHM進行植被冠層提取，由于CHM是DEM與DSM的差值，其包含了植被的高程信息，通過對CHM數(shù)據(jù)進行重分類處理，結(jié)合野外田間調(diào)查的數(shù)據(jù)，設(shè)置冠層高度區(qū)間，剔除非植被冠層的點。再運用ArcMap對矢量文件中小碎斑進行處理，最后得到植被冠層如圖10所示。

對結(jié)果進行分析，發(fā)現(xiàn)部分存在漏檢和連株現(xiàn)象。漏檢株數(shù)為14株，連株的有5對，共包含10株，均視為錯提取。漏檢主要是受梯坎的影響，火龍果靠近梯坎且其冠層高度與梯坎高度近似，進而被剔除(圖10-a)。而連株則是由于火龍果間距過小，冠層交織所致(圖10-b)。根據(jù)對株數(shù)統(tǒng)計得到，提取株數(shù)為224株，正確提取214株，其總體精度為90.68%，但監(jiān)測率較低，為89.92%，相比于種子點的提取方法，其漏提率較高，為10.08%，錯提率相對較高，為8.55%。

2.3 方法驗證

2.3.1 基于CHM的火龍果種子點提取

為了進一步探討以上結(jié)論是否合理，為了排除其他因素對火龍果提取的影響，本研究選取了同一時期拍攝的一塊面積2 154 m2的火龍果地為驗證樣地。通過提取發(fā)現(xiàn)，出現(xiàn)錯檢和漏檢的較多(圖11)。其原因與實驗樣地相似，如圖12所示，錯誤提取主要受到地形、梯坎、水泥柱的影響，使得對冠層誤判，導致錯誤提取。而漏檢主要分為以下兩個方面：(1)當兩株火龍果種植間距過小，枝條相互交叉時，將會誤判定一株火龍果，出現(xiàn)漏提現(xiàn)象；(2)火龍果植株過低或倒伏，無法提取火龍果冠層，出現(xiàn)漏提取。

圖9 火龍果株數(shù)提取結(jié)果分類Fig.9 Classification of pitaya plant extraction results

通過對提取的火龍果株數(shù)統(tǒng)計，發(fā)現(xiàn)在該樣地中提取火龍果株數(shù)的精度仍然較高，正確提取株數(shù)為315株，錯提株數(shù)為25株，漏提株數(shù)為27株。其監(jiān)測率、正確率及總體精度分別為92.11%、92.65%和92.38%，均超過了92%。但錯提率為7.35%，漏提率為7.89%。相比于實驗樣地中的精度來看，其錯提率高出0.95%，漏提率高出6.21%。

圖12 火龍果冠層高度模型Fig.12 Pitaya canopy height model

2.3.2 基于CHM的火龍果冠層提取

運用CHM進行火龍果冠層提取，發(fā)現(xiàn)在該樣地中由于受到地形和梯坎的影響如圖13-a所示，存在錯分的現(xiàn)象。通過觀察發(fā)現(xiàn)，錯分梯坎為長條形，火龍果冠層則接近圓形，可運用形狀系數(shù)對其進行分離。該系數(shù)通常運用在小流域形狀的劃分，形狀系數(shù)Ke是周長與同面積圓的周長之比。提取的形狀與圓的形狀相差越大，系數(shù)Ke的值也越大。Ke的值越接近于1時，形狀越接近于圓形；值越大，流域形狀越狹長[26]。

(5)

式(5)中：Ke為形狀系數(shù)，L為周長，S為同面積圓的面積。

通過剔除部分錯分圖斑，最終基于CHM的火龍果冠層提取結(jié)果如圖13-b所示。

據(jù)統(tǒng)計，運用CHM進行冠層提取的火龍果株數(shù)為314株，其總體精度為90.92%。但樣地的提取株數(shù)小于目視解譯數(shù)，漏檢42株，監(jiān)測率較低，為87.72%，有近12.28%的火龍果未被監(jiān)測到。正檢300株，錯檢14株，其中有4對連株，共8株，正確率為95.54%。

圖13 火龍果冠層提取Fig.13 Canopy extraction of pitaya

通過以上驗證來看，運用CHM從2個方面進行火龍果株數(shù)的提取，基于CHM的火龍果種子點提取，其監(jiān)測率和總體精度均高于基于CHM的火龍果冠層提取，但兩者的提取總體精度均在90%以上。由此一方面說明2種方法均具有較高的可行性，另一方面說明運用機載激光雷達單木識別方法對火龍果進行株數(shù)的提取是可行的。

3 結(jié)論

本研究利用多旋翼無人機靈活快速、經(jīng)濟成本低的特點，快速獲取影像匹配點云數(shù)據(jù)，選擇兩塊類型不同的樣地進行提取與驗證，運用單木提取的分割方法對喀斯特高原峽谷復雜地形區(qū)火龍果株數(shù)進行提取。從原始點云的去噪、填補點云“空洞”、DEM和DSM擬合，以及CHM的生成，始終保持其分辨率的統(tǒng)一。從其提取的結(jié)果來看，基于點云數(shù)據(jù)的火龍果株數(shù)提取具有較高的精度。主要結(jié)論如下：

(1)由于火龍果的點云數(shù)據(jù)與樹木的點云數(shù)據(jù)的空間分布形態(tài)類型，采用激光點云提取單木的方法來提取火龍果株數(shù)，精度較高；(2)實現(xiàn)了地表較復雜區(qū)域火龍果植株的提取，說明該方法在喀斯特山區(qū)具有可行性；(3)運用種子點進行火龍果株數(shù)提取的精度為92.38%，運用植被冠層進行火龍果株數(shù)提取的精度為90.68%；(4)受梯坎等人為基礎(chǔ)設(shè)施或與其冠層高度接近地物的影響，相近高度的地物使得由點云生成的DEM和DSM存在一點的誤差，進而導致地物的錯分，錯提率最高為8.55%，漏提率最高為12.28%；(5)基于可見光影像匹配點云數(shù)據(jù)進行作物提取，運用冠層高度模型，在一定程度上可以消除植株下方雜草和土壤對提取的影響，可以和基于顏色指數(shù)的提取方法互為補充。

本研究方法存在一定缺陷：一方面，本文研究選擇區(qū)域相對較小，針對火龍果植株提取，有待進一步選擇多個測試區(qū)和擴大測試面積；另一方面，冠層高度模型主要依賴于點云攜帶的高程信息，當樣地內(nèi)的基礎(chǔ)設(shè)施或存在的地物與火龍果冠層接近時，將會出現(xiàn)錯檢和漏檢。在下一步的研究中，將會結(jié)合無人機光譜數(shù)據(jù)和點云數(shù)據(jù)的幾何信息開展喀斯特復雜地形區(qū)的特色經(jīng)濟農(nóng)作物的精準識別研究。