劉雨真,高海力,方陸明,周辰琴,鄭辛煜

(1.浙江農(nóng)林大學(xué) 數(shù)學(xué)與計算機科學(xué)學(xué)院,杭州 311300；2.浙江省林業(yè)智能監(jiān)測與信息技術(shù)研究重點實驗室,杭州 311300；3.浙江省公益林和國有林場管理總站,杭州 310020)

我國亞熱帶森林分布面積約占全國總面積的1/5,亞熱帶闊葉林生長演進(jìn)速度更快、樹種組成更復(fù)雜[1],對亞熱帶闊葉林進(jìn)行精準(zhǔn)分類管理具有現(xiàn)實意義。近年來無人機平臺迅速發(fā)展,通過無人機平臺搭載可見光相機獲取樹種影像數(shù)據(jù),具有數(shù)據(jù)獲取便捷、成本低等特點,從而被大量應(yīng)用于樹種分類領(lǐng)域[2]。Onishi等[3]使用無人機可見光影像研究日本森林,對7個樹種的分類精度達(dá)到89%；林志偉[4]利用福建省東南沿海區(qū)域的3個優(yōu)勢樹種的可見光影像,分類平均正確率達(dá)到75.67%；戴鵬欽等[5]以杭州市臨安區(qū)潛川鎮(zhèn)林場的可見光影像作為數(shù)據(jù)源,進(jìn)行樹種分類的總精度為97.8%。這些研究集中于樹種組成單一、郁閉度較低的林分?？准析蝃6]獲取了天目山國家級自然保護(hù)區(qū)中亞熱帶常綠落葉針闊混交林在落葉期的可見光影像進(jìn)行分類,識別精度達(dá)到83.13%。在非落葉期亞熱帶闊葉林中，各樹種的葉片沒有常綠、變紅、落葉等不同的變化,在無人機影像上較難區(qū)分,為滿足生產(chǎn)實踐需要,需要進(jìn)一步獲取非落葉期亞熱帶闊葉林的可見光影像進(jìn)行研究。

研究發(fā)現(xiàn),短波紅外、近紅外這些不可見光波段能更有效地提取樹種特征,是森林樹種識別的重要波段,而包含這些不可見光波段的多光譜相機因此也被廣泛用于遙感監(jiān)測中。如，張大力[7]基于無人機多光譜影像對東北林業(yè)大學(xué)帽兒山實驗林場中的針闊混交林進(jìn)行分類,精度達(dá)到80.11%；Yu等[8]通過研究芬蘭南部北方森林發(fā)現(xiàn),機載多光譜使用隨機森林算法進(jìn)行分類處理精度達(dá)90%。而多光譜影像在亞熱帶闊葉林等復(fù)雜林分的應(yīng)用較少。本研究以非落葉期的亞熱帶闊葉林為研究對象,以可見光影像、多光譜影像及添加多光譜影像的可見光影像3種不同影像分別作為數(shù)據(jù)源,使用4種常見分類算法進(jìn)行分類,探究多光譜影像在提升亞熱帶闊葉林分類精度上的效果,以尋求一種亞熱帶闊葉林的高精度分類組合。

1 研究區(qū)概況

研究區(qū)位于浙江省杭州市臨安區(qū)浙江農(nóng)林大學(xué)東湖校區(qū)內(nèi)(30°15′19″～30°15′22″N,119°43′23″～119°43′27″E),處于中亞熱帶季風(fēng)氣候區(qū)南緣,屬季風(fēng)型氣候,溫暖濕潤、光照充足、雨量充沛、四季分明。該區(qū)內(nèi)地勢平坦,樹種組成復(fù)雜,由望春玉蘭(Magnoliabiondii)、黃山欒樹(HuangshanKoelreuteria)、樟樹(Camphortree)等樹種組成,為典型的亞熱帶闊葉林。實驗地樹種信息如表1所示。

表1 實驗地樹種信息

2 研究方法

2.1 數(shù)據(jù)收集

1)機載多光譜與可見光數(shù)據(jù)。使用的無人機為六旋翼無人機DJI經(jīng)緯m210,無人機所搭載的多光譜相機型號為Sequoia,集成1個RGB相機和3個窄通道成像器,通道光譜范圍如表2所示。光譜通道分辨率為120萬像素,RGB相機分辨率為1 600萬像素,鏡頭焦距15mm,等效焦距30mm。研究選擇天氣晴朗、無風(fēng)的條件下進(jìn)行無人機影像的采集。經(jīng)過前期實驗,選擇60m作為飛行高度,航向重疊率和旁向重疊率設(shè)置為90%。

表2 光譜范圍

2)野外調(diào)查。2021年6月開展地面樣地數(shù)據(jù)調(diào)查,以樣地調(diào)查數(shù)據(jù)作為真實值,驗證樹種分類的準(zhǔn)確性,使用手持GPS記錄樹種樹木經(jīng)緯度信息,結(jié)合目視解譯確定影像中樹種樹木位置。結(jié)合實地調(diào)查情況及本研究目的,選取其中優(yōu)勢樹種望春玉蘭、樟樹和黃山欒樹作為實驗樹種。樹種訓(xùn)練樣本、驗證樣本數(shù)量如表3所示。為確保樣本選擇的合理性,需要計算樣本的可分離度,可分離度表示2個樣本色譜的區(qū)分程度,值越大,表明相鄰2組區(qū)分程度越高。一般認(rèn)為可分離度在1.8以上即為良好,可分離度在1.8以下需要考慮重新選取樣本,數(shù)值越大代表2個樹種越容易被區(qū)分[9]。計算結(jié)果如表4所示,所有樣本間的分離度均大于1.8,樣本間的分離度良好。

表3 樣本數(shù)量

表4 樣本可分離性

2.2 數(shù)據(jù)預(yù)處理

使用三維建模軟件PIX4D對獲取的影像進(jìn)行處理。首先,基于運動恢復(fù)結(jié)構(gòu)算法(SfM,Structure from Motion)提取圖像中的特征并依據(jù)這些特征匹配圖像,然后根據(jù)匹配的特征和像機位置重建對象,分別生成可見光正射影像圖與紅光、紅邊及近紅外3幅單波段正射影像圖。將3幅單波段圖進(jìn)行波段合成,得到多光譜正射影像(圖1)。然后將可見光正射影像圖與多光譜正射影像圖進(jìn)行波段合成,得到添加多光譜信息的可見光影像。波段合成是通過位置信息將不同圖片中同一位置的特征信息進(jìn)行匹配,能夠匯聚不同波段中的有效信息,提高地物信息提取的精度。

圖1 樣地影像

2.3 樹種信息提取

基于對象的分類方法因能有效減少“同物異譜”和“同譜異物”帶來的錯分問題,提升分類精度,在遙感分類中被廣泛使用。然而，基于對象的分類方法分類前要先將圖像分割為一個個對象,導(dǎo)致分類精度極大依賴于分割精度,提高了分類操作難度,而基于像元的分類方法以每個像元作為基本單元進(jìn)行分類,不需要對圖像進(jìn)行分割。有研究表明,基于對象的分類方法與基于像元的分類方法整體分類精度相差不大,而基于像元的分類方法能夠得到形狀復(fù)雜度更高的分類斑塊[10]。因此,選擇基于像元的分類方法進(jìn)行樹種的信息提取,從光譜緯度和空間上下文關(guān)系分別獲取樹種的光譜信息和空間幾何信息。

2.4 分類器選擇

使用文獻(xiàn)研究法確定最大似然法[11]、馬氏距離[12]、神經(jīng)網(wǎng)絡(luò)[13]、支持向量機[14]等4種算法作為分類算法。最大似然法(Maximum Likelihood,ML)假設(shè)每一個波段的每一類統(tǒng)計都呈正態(tài)分布,計算給定像元屬于某一訓(xùn)練樣本的似然度,像元最終被歸并到似然度最大的一類當(dāng)中。馬氏距離(Mahalanobis Distance,MD)是一種基于統(tǒng)計分析學(xué)的方法,計算輸入圖像到各訓(xùn)練樣本的協(xié)方差距離,最終技術(shù)協(xié)方差距離最小的,即為此類別。支持向量機(Support Vector Machine,SVM)是一種常用的非參數(shù)方法,所需訓(xùn)練數(shù)據(jù)相對較少且無需分布假設(shè),在樣本數(shù)量較少時,依然有較好的泛化能力。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANNs)幾乎可以實現(xiàn)任意復(fù)雜的分類邊界,無誤差地實現(xiàn)訓(xùn)練集上的分類。分類步驟如下:

1)創(chuàng)建樣本集。根據(jù)各樹種的經(jīng)緯度信息制作樹種樣本集,按照7∶3的比例隨機將樹種樣本集劃分為訓(xùn)練樣本集和驗證樣本集。

2)提取特征與訓(xùn)練模型。從光譜緯度和空間上下文關(guān)系分別獲取訓(xùn)練樣本的光譜信息和空間幾何信息,分別輸入4種算法模型中設(shè)置訓(xùn)練參數(shù)對模型進(jìn)行訓(xùn)練,并根據(jù)結(jié)果調(diào)整訓(xùn)練參數(shù)。

3)執(zhí)行分類。使用訓(xùn)練好的模型分別對影像進(jìn)行分類,以劃分的驗證樣本集對分類結(jié)果進(jìn)行評價。

2.5 精度評價

為更細(xì)致研究樹種分類的效果,在評價總體分類精度的同時，還可對各樹種分類精度進(jìn)行評價?？傮w分類結(jié)果使用總體精度(Overall Accuracy,OA)與Kappa系數(shù)進(jìn)行評價?？傮w精度指對每一個樣本,所分類結(jié)果與實際類型一致的概率。Kappa系數(shù)是反應(yīng)提取準(zhǔn)確性的指標(biāo)。各樹種分類結(jié)果一般使用生產(chǎn)者精度(Producer Accuracy,PA)和用戶精度(User Accuracy,UA)進(jìn)行評價[15]。生產(chǎn)者精度是指任選1個樣本,其與分類結(jié)果相同的概率,用來表示樹種誤分情況。用戶精度是指分類結(jié)果中任選取1個樣本,其與實際類型一致的概率,用來表示樹種漏分情況。

3 結(jié)果與分析

3.1 不同影像光譜分析

分別計算可見光影像、多光譜影像中實驗樹種的153個樹木林冠的像元平均光譜,以波段為橫坐標(biāo)、樹種平均光譜指數(shù)為縱坐標(biāo),繪制不同影像樹種平均波譜曲線(圖2)。由圖2(a)可知,在可見光影像中,望春玉蘭和樟樹平均光譜指數(shù)相近,黃山欒樹和草地平均光譜指數(shù)相近。由圖2(b)可知,在多光譜影像中,3個樹種平均光譜指數(shù)差異較大，且2個影像中同一樹種的光譜指數(shù)分別在不同區(qū)間,通過波段合成能擴(kuò)大樹種的光譜信息量。

圖2 樹種影像光譜分析

3.2 整體分類精度評價

在單獨可見光影像的分類結(jié)果中,算法分類精度偏低,整體精度在60%左右。表現(xiàn)最好的支持向量機分類精度也僅為62.97%。由圖3(a)—圖3(d)可知,望春玉蘭的分類占比過大,可能有大量樟樹和黃山欒樹被誤分成了望春玉蘭。在單獨多光譜影像的分類結(jié)果中,相較于單獨可見光影像的分類,最高精度的支持向量機的分類精度提升到了84.62%,如表5所示,其他算法的分類精度也均有不同程度的提升。圖3(e)—圖3(h)也可看出,望春玉蘭的誤分過多的情況得到一定程度的緩解。而添加多光譜信息的可見光組合影像中,最高精度仍然為應(yīng)用支持向量機的分類,分類精度提升到了90.64%,誤分情況大大減少,如圖3(i)—圖3(l) 所示。綜合確定添加多光譜信息的可見光組合影像與支持向量機算法為最佳分類組合。

圖3 分類結(jié)果圖

表5 分類結(jié)果

3.4 分類精度評價

不同樹種在不同波段下體現(xiàn)出的區(qū)分度可能存在差異,因此選取最優(yōu)算法-支持向量機下各樹種的分類精度來分析3種影像對于不同樹種精度的變化。如表6所示,使用望春玉蘭與黃山欒樹的信息利用可見光影像很難被精確提取出來,而在多光譜影像中識別精度均大大提升,在組合影像中精度達(dá)到最高。而樟樹利用可見光影像即有不錯的精度,在多光譜影像中精度得到進(jìn)一步提升,而組合影像的精度與多光譜影像的精度相比仍有提升，但提升不大。

表6 樹種分類結(jié)果

4 討論與結(jié)論

4.1 討論

1)除多光譜外，其他研究者曾嘗試將高光譜數(shù)據(jù)和激光雷達(dá)數(shù)據(jù)運用到數(shù)據(jù)分類中,但因數(shù)據(jù)獲取成本過高限制了使用范圍,后期可以嘗試將高光譜數(shù)據(jù)與激光雷達(dá)數(shù)據(jù)運用到亞熱帶闊葉林分類中。

2)除光譜信息、空間信息外,影像信息還包括紋理指數(shù)、植被指數(shù),下一步可嘗試將多種影像信息融合進(jìn)來,以期進(jìn)一步提高分類精度。

4.2 結(jié)論

1)由于亞熱帶闊葉林一般郁閉度較高、樹種顏色和形狀比較接近,使用可見光影像數(shù)據(jù)分類時,容易將樹枝相交樹種誤認(rèn)為同一樹種,導(dǎo)致整體效果較差,而樟樹由于其枝葉緊密、樹干較大,在小范圍內(nèi)不存在其他樹種,所有分類表現(xiàn)較好。

2)在不同影像波段下亞熱帶闊葉林樹種的光譜特征表現(xiàn)出了不同的區(qū)分度,單獨使用多光譜影像和加入多光譜進(jìn)行組合,望春玉蘭和黃山欒樹在4種分類算法下，分類精度均有較大提升。樟樹的精度也有了一定程度的提升。表明添加多光譜數(shù)據(jù)能有效提高亞熱帶森林分類的精度,利用可見光與多光譜數(shù)據(jù)組合進(jìn)行樹種分類有著廣闊的應(yīng)用前景。

3)支持向量機在應(yīng)用3種影像分類時，分類表現(xiàn)均最佳,說明支持向量機處理復(fù)雜數(shù)據(jù)的能力,可能相較于其他分類算法更適用于復(fù)雜林分分類。