孫玉江,李鳳濤,陳香芹,張 磊,楊 寧,鄭 達(dá)

(1.青島市園林和林業(yè)綜合服務(wù)中心,山東 青島 266003；2.青島夏禾生物科技有限公司,山東 青島266109)

森林資源對于維持生態(tài)平衡、人類生存與發(fā)展和社會進(jìn)步起著非常重要的作用[1],在沿海山區(qū),松林作為主要的森林資源,不僅能夠?yàn)樯a(chǎn)和生活提供多種寶貴的木材和原材料,更重要的是能夠調(diào)節(jié)氣候、保持水土、防風(fēng)固沙、凈化空氣等功能。但近年松材線蟲病在我國擴(kuò)散蔓延迅速,導(dǎo)致松樹大面積感病死亡。對死亡松樹及時清除和恢復(fù)植被是松材線蟲病的主要除治措施之一,這就需要尋求科學(xué)高效的監(jiān)測松林活立木變化方法,提高監(jiān)測效率、節(jié)約監(jiān)測成本。傳統(tǒng)的人工地面調(diào)查的方法不僅要耗費(fèi)大量人力、物力和財(cái)力,更是周期長、時效性差,且受人為主觀因素影響顯著。無人機(jī)遙感技術(shù)以其精度高,成本低、可重復(fù)使用的優(yōu)勢,已成為彌補(bǔ)傳統(tǒng)森林資源監(jiān)測不足的重要手段之一[2]。陳崇成等[3]利用無人機(jī)遙感數(shù)據(jù)構(gòu)建樹木的冠層高度模型,以局部最大值法提取了樹冠頂端位置,并作為種子點(diǎn)用于單木樹冠形狀提取；Wang等[4]基于無人機(jī)高光譜數(shù)據(jù)利用分水嶺分割法識別單株樹木的冠層邊界,準(zhǔn)確地獲取了樹木的株數(shù)信息；董天陽等[5]利用局部極值方法提取了樹冠頂點(diǎn),并通過Snake模型迭代進(jìn)行輪廓演變提取了樹冠輪廓信息；Culbenor等[6]利用無人機(jī)原始影像局域輻射最大值和最小值提出了基于無人機(jī)高分辨率影像的樹冠識別算法,用來計(jì)算樹木的樹冠邊界；王枚梅等[7]基于面向?qū)ο蠓椒ɡ脽o人機(jī)影像自動提取亞高山針葉林的冠幅信息，并計(jì)算了單元面積樹木數(shù)和郁閉度等參數(shù)。目前,國內(nèi)外學(xué)者的研究多數(shù)集中在基于無人機(jī)高分辨率數(shù)據(jù)的林木分割、樹冠邊界提取等方面,缺乏對樹高、胸徑、郁閉度等森林參數(shù)的估測和多時相的森林變化監(jiān)測研究。

本研究以山東省青島市嶗山區(qū)沙子口街道松材線蟲病發(fā)生區(qū)域?yàn)檠芯繉ο?以2020年多期無人機(jī)高分影像為主要信息源,通過對無人機(jī)數(shù)據(jù)進(jìn)行多尺度分割,采用決策樹分類方法提取林地變化的區(qū)域,在林地變化區(qū)域內(nèi)利用分水嶺算法對樹冠進(jìn)行分割,得到松林活立木數(shù)量的變化信息。該方法能夠快速地獲取森林樹木數(shù)量變化信息,可為無人機(jī)遙感技術(shù)在森林資源調(diào)查和損失評估中的推廣應(yīng)用提供科學(xué)參考。

1 研究區(qū)概況

青島市嶗山區(qū)位于山東半島南部,青島市東南隅，其轄區(qū)內(nèi)沙子口街道位于嶗山南麓,東鄰?fù)醺缜f街道辦事處,西壤李滄區(qū)和中韓街道辦事處,南瀕黃海,北接北宅街道。地理坐標(biāo)為北緯36°06′～36°12′,東經(jīng)120°30′～120°38′,總面積108.27km2。地勢呈北高南低,海拔在100～1 100m之間,屬低山和丘陵區(qū)。

嶗山區(qū)溫和濕潤的氣候條件,使得植物種類繁多,長勢良好?，F(xiàn)有松林面積約1.8萬hm2,主要為生態(tài)公益林,包括黑松、赤松、落葉松等,是山區(qū)防護(hù)林的主體,在涵養(yǎng)水源、防止水土流失、保護(hù)生態(tài)環(huán)境等方面發(fā)揮著重要作用,嶗山風(fēng)景區(qū)位于其中,生態(tài)區(qū)位非常重要。2008年發(fā)生松材線蟲病以來,每年需耗費(fèi)大量人力、物力和財(cái)力對感病松樹進(jìn)行徹底清理,隨著疫情的不斷發(fā)展,森林蓄積量也受到不同程度的影響。

2 研究方法

2.1 數(shù)據(jù)源

基礎(chǔ)數(shù)據(jù)包括2020年5月和2020年10月同一區(qū)域的2期無人機(jī)高分影像,空間分辨率為0.1m。航拍無人機(jī)型號為大疆精靈4,起飛重量1 380g,續(xù)航時間25min,最大飛行海拔6 000m；航拍相機(jī)型號為DJI FC6310S,圖像尺寸為5 472px×3 648px,像素大小3.309μm,水平和垂直分辨率72dpi；衛(wèi)星定位模式為GPS/GLONASS模式。

2.2 無人機(jī)影像多尺度分割

按照一定獨(dú)特性質(zhì)把影像分成若干個特定的同質(zhì)區(qū)域,被分割出的區(qū)域即影像對象。對于一種類型的地物來說,分割后形成的多邊形內(nèi)各種特性內(nèi)部具有較好的一致性和均勻性,能夠充分地表達(dá)地物的獨(dú)特性質(zhì),使其能與相鄰類別地物進(jìn)行區(qū)分[8-9]。無人機(jī)數(shù)據(jù)具有非常高的空間分辨率,面向?qū)ο蠓椒軌蚓C合利用數(shù)據(jù)光譜信息、紋理信息、空間形態(tài)結(jié)構(gòu)和上下文等多源信息非常適合處理高分辨率的無人機(jī)影像。在無人機(jī)影像分割過程中分割尺度的選擇非常重要,分割不足易導(dǎo)致分割邊界模糊,過度分割會導(dǎo)致圖斑過于破碎,均會影響后期數(shù)據(jù)處理的精度。本文在易康(eCognition)軟件中,從150～350的分割尺度之間以10為步長進(jìn)行不同尺度的分割效果試驗(yàn)。

2.3 林地變化信息提取

決策樹又稱判定樹,具有準(zhǔn)確率高、運(yùn)行速度快、容易理解等特點(diǎn),對所輸入變量不僅可以實(shí)現(xiàn)連續(xù)變量,同時可以包容數(shù)據(jù)錯誤與缺失[10-11]。決策樹分類是一種基于空間數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的分類方法,主要通過對目標(biāo)變量與預(yù)測變量處理后構(gòu)成訓(xùn)練數(shù)據(jù)集循環(huán),從而形成二叉樹決策樹。決策樹分類主要包括兩個過程:第一步是建立分類決策樹；第二步是對已建立好的決策樹進(jìn)行分類。林地變化區(qū)域的信息提取決策樹分類流程如圖1所示。

圖1 基于決策樹分類的變化區(qū)域提取流程

研究區(qū)域內(nèi)森林植被覆蓋度較高、邊界清晰,利用無人機(jī)植被指數(shù)(VDVI)能夠很好地提取無人機(jī)影像中含可見光波段的影像中綠色植被信息[12]。因此,通過選取VDVI指數(shù)構(gòu)建植被的隸屬度函數(shù)來實(shí)現(xiàn)植被信息的快速提取。

(1)

式中:ρ紅,ρ綠,ρ藍(lán)分別代表紅、綠、藍(lán)3個波段的像元值。

2.4 分水嶺分割算法

分水嶺分割算法是一種基于區(qū)域的圖像分割的方法,在分割的過程中,把跟臨近像素間的相似性作為重要的參考依據(jù),從而將在空間位置上相近并且灰度值相近(求梯度)的像素點(diǎn)互相連接起來構(gòu)成一個封閉的輪廓,以數(shù)學(xué)形態(tài)學(xué)理論為基礎(chǔ)建立模型算法。在遙感領(lǐng)域,該方法廣泛應(yīng)用于遙感影像分割尤其是高分辨率遙感影像的分割[13-15],特別是對于復(fù)雜的地物能夠產(chǎn)生較好的分割效果。

根據(jù)研究區(qū)內(nèi)樹冠結(jié)構(gòu)特征和影像的光譜特征,樹冠頂點(diǎn)具有高反射值。因此,松林樹冠灰度圖像可以看作是分水嶺模型的倒置,樹冠中心點(diǎn)作為集水盆的最低點(diǎn),邊緣作為分水嶺邊界,基于該特性利用分水嶺算法進(jìn)行圖像分割,得到最終結(jié)果(圖2)。

圖2 局部區(qū)域單木分割結(jié)果

3 結(jié)果與分析

3.1 最優(yōu)分割尺度

以10為分割尺度步長,通過計(jì)算150～350內(nèi)不同尺度下影像對象同質(zhì)性的局部方差來評價(jià)分割效果,通過局部方差(Local Variance,LV)和變化率(Rate of Change,ROC)參數(shù)表征最優(yōu)的分割尺度。局部方差指數(shù)主要反映的分割結(jié)果的均質(zhì)性,隨著分割單元的增大而增加,達(dá)到某一范圍LV指數(shù)便不會增加,該尺度可能為最佳分割尺度[16]。如圖3所示,橫坐標(biāo)為分割尺度,縱坐標(biāo)分別為局部方差和變化率,當(dāng)分割尺度為300 時ROC-LV出現(xiàn)峰值并值最大,最終確定選取分割尺度為300。

圖3 最優(yōu)分割尺度

3.2 林地變化信息提取

利用植被指數(shù)提取植被信息的關(guān)鍵在于閾值的確定,閾值選取的好壞將直接影響植被的提取精度[17]。本文利用VDVI的閾值方法來確定植被信息(圖4),當(dāng)VDVI 指數(shù)小于0時地物類型為非植被,當(dāng)大于0.01 時地物類型為植被,因此在(0,0.01)區(qū)間構(gòu)建植被信息的隸屬度函數(shù),通過隸屬的函數(shù)值來確定類別的歸屬,通過上述方法將無人機(jī)影像分為植被與非植被。

(a)春季

(b)秋季

通過此方法,將研究區(qū)的林地變化區(qū)域進(jìn)行了空間提取,其中面積較大的區(qū)域有6個,具體如圖5所示,該結(jié)果與地面調(diào)查情況完全符合。

3.3 松林活立木提取

利用分水嶺算法提取林地變化區(qū)域內(nèi)松林?jǐn)?shù)量減少情況,6個林地變化區(qū)域,共提取減少松樹205株(圖6),平均活立木減少密度1 956.20株/hm2；利用人工地面核查,此6個林地變化區(qū)域,累計(jì)砍數(shù)量217株,平均活立木減少密度2 052.93株/hm2。結(jié)合兩者數(shù)據(jù)綜合對比分析,使用本研究方法提取的數(shù)據(jù),總體精度約92.3%,具體如表1所示。

(a)春季

(b)秋季

圖6 2020年秋季無人機(jī)數(shù)據(jù)活立木減少提取結(jié)果區(qū)域

表1 提取結(jié)果對比表

4 結(jié)論與討論

1) 隨著航空航天技術(shù)的發(fā)展,無人機(jī)遙感在森林資源調(diào)查和病蟲害監(jiān)測中的應(yīng)用越來越廣泛。本文以2020年春、秋季兩期的無人機(jī)高分影像為主要信息源,通過多尺度分割,決策樹分類、分水嶺算法等多種方法相結(jié)合的方式,快速地獲取松林活立木數(shù)量的變化信息,通過人工地面核實(shí),總體精度約92.3%。研究表明,基于多期的無人機(jī)高分影像數(shù)據(jù)的森林監(jiān)測,能夠快速準(zhǔn)確地獲取林木數(shù)量的變化情況,客觀反應(yīng)松林變化規(guī)律,較為快速、準(zhǔn)確地評估材線蟲病造成的松林資源災(zāi)害損失；同時可以估算松材線蟲病強(qiáng)度清理或塊狀清理后留下的林間空地面積,作為林業(yè)資源和松材線蟲病管理的基礎(chǔ)數(shù)據(jù)儲備,結(jié)合林地狀況、區(qū)位特點(diǎn),制定植被恢復(fù)方案、編制項(xiàng)目預(yù)算。對于監(jiān)測山高、路險(xiǎn)的區(qū)域在很大程度上可以用于替代人工調(diào)查的工作,在森林資源調(diào)查和松材線蟲病災(zāi)害損失評估中具有較大的推廣價(jià)值。

2) 本文的研究區(qū)域內(nèi)大部分為針葉松林,由于林分樹種單一、林層結(jié)構(gòu)簡單,獲得了滿意的精度。研究成果能否推廣至冠幅形狀復(fù)雜的闊葉林,以及林層結(jié)構(gòu)復(fù)雜的混交林,還需要作進(jìn)一步的研究。