張德會(huì)

(北京華星勘查新技術(shù)有限公司, 北京 101102)

0 引言

綠水青山就是金山銀山,黨的十九大以來(lái),我國(guó)再次提升生態(tài)環(huán)境治理與保護(hù)檢察監(jiān)管力度,力爭(zhēng)在短時(shí)期內(nèi)生態(tài)環(huán)境有良好的改善,人類的生活環(huán)境有顯著的提升[1]。植被作為地表生態(tài)系統(tǒng)的重要組成部分,在物質(zhì)循環(huán)與人類生存環(huán)境中扮演著重要的角色。準(zhǔn)確地獲取植被覆蓋信息對(duì)于掌握植被生長(zhǎng)變化及其在生態(tài)環(huán)境中的影響因子具有十分重要的作用[2]。隨著遙感技術(shù)的發(fā)展,越來(lái)越多的應(yīng)用星載傳感器被進(jìn)行地表植被信息遙感提取工作,如美國(guó)的中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer,MODIS)傳感器,具有重訪周期快、幅寬大、波段多等特點(diǎn),在全球大范圍尺度的植被信息提取方面具有顯著的應(yīng)用效果,但MODIS衛(wèi)星傳感器的像元分辨率較差,多為1 km的分辨率[3]。隨著遙感研究的深入與技術(shù)的提升,越來(lái)越迫切地需要高分辨率的遙感影像,隨之而來(lái)的研究數(shù)據(jù)則由MODIS轉(zhuǎn)換為L(zhǎng)andsat數(shù)據(jù)以及Sentinel數(shù)據(jù),這兩種數(shù)據(jù)的空間分辨率分別為15、10 m,對(duì)于陸地植被信息監(jiān)測(cè)來(lái)說(shuō)是很好的數(shù)據(jù)源[4]。雖然對(duì)大范圍區(qū)域性的植被提取具有較好的精度和效率,但是對(duì)精度要求更高、范圍較小的工程項(xiàng)目其優(yōu)勢(shì)則不明顯了。

隨著無(wú)人機(jī)技術(shù)的快速發(fā)展,其在對(duì)地觀測(cè)行業(yè)中取得了廣泛的應(yīng)用,如無(wú)人機(jī)航空影像用于不動(dòng)產(chǎn)確權(quán)工作,并且已有較成熟的應(yīng)用[5]。采用無(wú)人機(jī)航空攝影方式,可以大大提高工作效率,降低工作成本,國(guó)內(nèi)外學(xué)者開(kāi)展了大量的無(wú)人機(jī)影像的應(yīng)用研究工作[6],但無(wú)人機(jī)影像植被信息提取工作還未達(dá)到遙感自動(dòng)提取的效果。汪小欽等利用無(wú)人機(jī)多光譜影像進(jìn)行植被指數(shù)計(jì)算,根據(jù)植被指數(shù)的差異進(jìn)行植被信息的提取,該方法雖然也提取出相應(yīng)的植被信息,但仍存在指數(shù)飽和、山區(qū)差異大等缺點(diǎn)[7]。周濤等采用非監(jiān)督分類方法中的閾值分割方法,基于無(wú)人機(jī)影像進(jìn)行了植被信息提取,通過(guò)設(shè)置調(diào)整不同的閾值,將植被信息較好地提取了出來(lái)[8]。目前較成熟的衛(wèi)星影像植被信息提取已經(jīng)十分成熟,常采用的方法有非監(jiān)督分類,如K-Means,迭代自組織數(shù)據(jù)分析算法(ISODATA);監(jiān)督分類,如最大似然法、支持向量機(jī)、平均光譜角;面向?qū)ο蠓诸怺9]和隨機(jī)森林分類[10-11]。其中精度較高的為面向?qū)ο笈c隨機(jī)森林方法,面向?qū)ο蠓诸惥雀叩膬?yōu)勢(shì)在于算法類過(guò)程中通過(guò)多尺度分割以對(duì)象代替像元作為樣本,帶入到分類算法中進(jìn)行分類,該方法可避免混合像元、錯(cuò)誤像元對(duì)分類精度的影響。而隨機(jī)森林分類方法通過(guò)多位國(guó)內(nèi)外學(xué)者的研究應(yīng)用與驗(yàn)證,其分類精度高于傳統(tǒng)的面向?qū)ο蠓诸惙椒?若采用多尺度分割結(jié)合隨機(jī)森林算法開(kāi)展地物遙感分類,勢(shì)必會(huì)大大提升地物類型的遙感識(shí)別精度[12-13]。

本研究在目前已開(kāi)展的無(wú)人機(jī)影像植被信息遙感提取、衛(wèi)星影像植被信息提取算法對(duì)比分析等工作的應(yīng)用研究前提下,選用搭載于大疆M600的六旋翼無(wú)人機(jī)獲取的多光譜影像,采用多尺度分割結(jié)合隨機(jī)森林分類方法進(jìn)行地表植被信息提取,以此研究無(wú)人機(jī)影像地表植被信息遙感提取中的適用性。

1 試驗(yàn)數(shù)據(jù)源與算法分析

1.1 試驗(yàn)數(shù)據(jù)源分析

本研究選用的無(wú)人機(jī)為大疆的六旋翼無(wú)人機(jī)M600,該飛機(jī)具有起降靈活、攜帶方便、操作簡(jiǎn)單、飛行姿態(tài)穩(wěn)定等優(yōu)勢(shì),可實(shí)現(xiàn)定點(diǎn)懸停、低速飛行等。搭載于無(wú)人機(jī)平臺(tái)的鏡頭拍攝獲取的影像為4波段多光譜影像,涵蓋了可見(jiàn)光近紅外光譜范圍,各波段光譜范圍如表1所示。

表1 無(wú)人機(jī)影像波段信息表

本研究的無(wú)人機(jī)影像的像元空間分辨率為5 cm,且選擇的研究區(qū)集合了地表覆蓋類型的各個(gè)大類,有植被、裸地、建筑、道路、水體等,具有很好的代表性,具體成像效果如圖1所示。

圖1 研究區(qū)示意圖

1.2 隨機(jī)森林分類算法

隨機(jī)森林分類算法是一種廣泛應(yīng)用的分類器,該分類器具有用時(shí)短、精度高等優(yōu)勢(shì)。隨機(jī)森林算法內(nèi)將多個(gè)分類與回歸樹(shù)(classification and regression trees,CART)決策算子集合到一起進(jìn)行綜合訓(xùn)練,通過(guò)連續(xù)的訓(xùn)練與優(yōu)化,對(duì)樣本與影像進(jìn)行模擬訓(xùn)練,篩選出最優(yōu)的決策算子個(gè)數(shù),并結(jié)合算子與樣本最終生成一個(gè)總的訓(xùn)練模型進(jìn)行遙感分類。該算法可預(yù)測(cè)上千個(gè)變量,是目前遙感影像分類工作中應(yīng)用最廣泛的分類算法。

隨機(jī)森林分類算法的工作步驟是：先通過(guò)算法內(nèi)部的隨機(jī)選擇,在導(dǎo)入的樣本庫(kù)中隨機(jī)選取約70%的樣本像元作為訓(xùn)練樣本;然后通過(guò)連續(xù)不斷的迭代計(jì)算對(duì)樣本像元進(jìn)行訓(xùn)練,計(jì)算最優(yōu)的CART決策因子,并構(gòu)建決策樹(shù);最終通過(guò)連續(xù)優(yōu)化發(fā)育使決策樹(shù)成長(zhǎng)成具有自動(dòng)選擇能力的算法,并對(duì)影像進(jìn)行填圖。本研究基于ArcMap、完整的遙感圖像處理平臺(tái)(the environment for vsualizing images,ENVI)軟件開(kāi)展樣本制作、影像處理、分類等工作,并結(jié)合IDL編程語(yǔ)言進(jìn)行分類過(guò)程優(yōu)化等。

2 試驗(yàn)結(jié)果分析

2.1 最優(yōu)尺度分割

本研究首先采用多尺度分割方法,對(duì)航空影像進(jìn)行分割,并針對(duì)不同地物類型挑選最優(yōu)的分割尺度。具體效果如圖2所示,圖2(a)為分割因子設(shè)置為50時(shí)的分割效果,整體分割的圖斑較細(xì)致,且各地物均按照像元相似度嚴(yán)格分塊,從中可以看出,建筑物的整體紋理較清晰,各個(gè)獨(dú)棟房屋均被單獨(dú)地劃分出來(lái);同時(shí)道路信息也具有很好的分離度,不同道路鋪設(shè)的地面材料不同,其光譜響應(yīng)程度也不同,基于最優(yōu)臨近劃原則,道路分割成多段,可在此分割尺度上進(jìn)行建筑物對(duì)象、道路對(duì)象的選取。圖2(b)為分割尺度為80時(shí)的分割效果,道路與建筑物房屋的分離度較差,多為連篇分割,尤其是道路,多為整體分割,且與周邊建筑物的硬化地表呈連篇分布;但在此分割尺度上,水體的分割效果較好,幾乎達(dá)到了水體的高精度豐監(jiān)督分類效果;其次植被與裸地也有很好的分離效果,尤其是林草與裸地荒地的分割效果,在此基礎(chǔ)上可進(jìn)行水體對(duì)象、植被對(duì)象、裸地對(duì)象的選取。

(a)分割尺度50 (b)分割尺度80

2.2 地物類別劃分

通過(guò)上述多尺度分割的研究,將地類劃分為五大類：建筑、道路、植被、水體、裸地。對(duì)五大地類分別按照不同的分割尺度進(jìn)行樣本對(duì)象選取：建筑對(duì)象選取是在50分割尺度下進(jìn)行;道路對(duì)象選取是在50分割尺度下進(jìn)行;植被對(duì)象選取是在80分割尺度下進(jìn)行;水體對(duì)象選取是在80分割尺度下進(jìn)行;裸地對(duì)象選取是在80分割尺度下進(jìn)行。不同的分割尺度選取的對(duì)象效果如圖3所示。

圖3 不同尺度下對(duì)象選取示意圖

2.3 隨機(jī)森林分類

通過(guò)上述研究,選取了五大類地物的樣本對(duì)象,將對(duì)象輸入到隨機(jī)森林分類算法中,結(jié)果如圖4(a)所示。各地物類型均有較好的識(shí)別,建筑的識(shí)別將獨(dú)棟房屋完整地提取了出來(lái),且相鄰房屋中間的植被信息、硬化地表信息也有很好的區(qū)分;植被信息提取效果也達(dá)到預(yù)期,林地裸地駁雜處,小塊的裸地信息也較完整地識(shí)別出來(lái);但仍存在一定的過(guò)分類現(xiàn)象,如部分裸地被錯(cuò)分成道路信息,部分建筑物陰影錯(cuò)分為水體信息,究其原因是因?yàn)?波段多光譜影像仍存在一定的限制性,不能更好地將地物信息精準(zhǔn)地識(shí)別出來(lái)。

為了直觀地體現(xiàn)本研究選用的多尺度分割結(jié)合隨機(jī)森林分類思路的優(yōu)勢(shì),同時(shí)采用了傳統(tǒng)的隨機(jī)森林分類方法進(jìn)行相應(yīng)的地物信息遙感提取,效果如圖4(b)所示。傳統(tǒng)的隨機(jī)森林分類,建筑物的識(shí)別多為連片識(shí)別,且植被與裸地信息混淆程度高,不易區(qū)分;但傳統(tǒng)的隨機(jī)森林分類結(jié)果中,道路信息的識(shí)別精度高于本研究選用的思路,究其原因是因?yàn)檫x用傳統(tǒng)的隨機(jī)森林分類,像元的道路信息相對(duì)于對(duì)象更加純凈,混合像元的混淆更小,最終導(dǎo)致了道路信息的提取精度更高。

(a)多尺度結(jié)合隨機(jī)森林分類

不同分類算法的植被信息遙感提取效果分別如圖5所示。傳統(tǒng)的隨機(jī)森林分類算法對(duì)于植被信息的提取也具有一定的適用性,圖中大多數(shù)植被能夠被識(shí)別出來(lái),但整體提取精度仍較差,部分地區(qū)存在過(guò)度識(shí)別,部分地區(qū)存在欠識(shí)別;而多尺度分割結(jié)合隨機(jī)森林分類算法對(duì)于植被的提取相對(duì)較好,尤其是與裸地相鄰的地區(qū),較小的圖斑也有完整的識(shí)別。

(a)多尺度結(jié)合隨機(jī)森林分類

2.4 精度驗(yàn)證

對(duì)本研究的提取成果進(jìn)行精度驗(yàn)證。選用基于無(wú)人機(jī)航空作業(yè)時(shí)標(biāo)記的點(diǎn)位進(jìn)行內(nèi)業(yè)樣本勾畫(huà),并篩選出用于驗(yàn)證的驗(yàn)證樣本,驗(yàn)證類型分別為：建筑、道路、水體、植被、裸地五大類,各地類提取精度如表2所示。由表2可知，隨機(jī)森林分類算法也具有較高的精度,各地類的識(shí)別精度均在80%以上,其中道路信息的提取精度更是達(dá)到了93%;多尺度分割結(jié)合隨機(jī)森林算法的識(shí)別精度也均在80%以上,其中植被的提取精度達(dá)到了92%、裸地的提取精度達(dá)到了88%,整體高于傳統(tǒng)的隨機(jī)森林算法的精度。

表2 各地類精度驗(yàn)證

針對(duì)不同遙感手段開(kāi)展的遙感分類成果驗(yàn)證,同時(shí)采用混淆矩陣精度驗(yàn)證方法進(jìn)行驗(yàn)證,驗(yàn)證結(jié)果如表3所示。由表3可知,隨機(jī)森林分類的總體精度為85.43%,Kappa系數(shù)為0.83;多尺度分割結(jié)合隨機(jī)森林分類方法的總體分類精度為86.27%,Kappa系數(shù)為0.85。通過(guò)混淆矩陣精度驗(yàn)證后得出,多尺度分割結(jié)合隨機(jī)森林算法的識(shí)別精度高于傳統(tǒng)的隨機(jī)森林算法的識(shí)別精度。

表3 混淆矩陣精度驗(yàn)證

3 結(jié)束語(yǔ)

本研究選用目前遙感分類算法中應(yīng)用較廣泛的隨機(jī)森林分類算法,采用多尺度分割結(jié)合隨機(jī)森林分類算法,對(duì)無(wú)人機(jī)航空影像進(jìn)行地表植被信息遙感提取,以此豐富航空影像在植被信息遙感提取中的應(yīng)用,并期望得到較理想的成果。通過(guò)本研究試驗(yàn)的開(kāi)展,得出以下結(jié)論：

(1)大疆M600無(wú)人機(jī)獲取的4波段多光譜影像具有很高的成像效果,地物類型的紋理信息表達(dá)清晰,為地物信息提取提供較好的數(shù)據(jù)源;

(2)通多過(guò)尺度分割工作,將不同地物類型的像元進(jìn)行臨近分析與最優(yōu)組合,為地物對(duì)象邊界識(shí)別提供高效分割方法;

(3)相對(duì)于傳統(tǒng)的隨機(jī)森林分類,采用多尺度分割結(jié)合隨機(jī)森林分類算法得到了較理想的分類成果,植被信息的取精度較高,圖斑提取邊界清晰,具有明顯的識(shí)別優(yōu)勢(shì)。

本研究已達(dá)到較高的精度,結(jié)合實(shí)際遙感提取效果可知,本研究采用的方法在具有較好的應(yīng)用性與推廣性。本研究雖取得了較好的成果,但仍存在一定的問(wèn)題,選用的研究影像上植被分布較少,且植被類型多為林地,而相對(duì)于高植被覆蓋的地區(qū),還未開(kāi)展相關(guān)研究,后續(xù)將繼續(xù)在該方向上持續(xù)努力。