陳斌

（1核工業(yè)二九〇研究所，廣東省環(huán)境保護(hù)核輻射追蹤研究重點(diǎn)實(shí)驗(yàn)室，廣東韶關(guān) 512029；2廣東省放射性生態(tài)環(huán)境保護(hù)工程技術(shù)研究中心，廣東韶關(guān) 512029）

0 引言

林地作為一種重要的森林生態(tài)資源，在自然資源開(kāi)發(fā)與生態(tài)環(huán)境保護(hù)中發(fā)揮著重要的基礎(chǔ)性作用[1-3]。隨著無(wú)人機(jī)技術(shù)的應(yīng)用推廣，無(wú)人機(jī)航測(cè)遙感技術(shù)已被廣泛應(yīng)用于國(guó)土調(diào)查與自然資源遙感監(jiān)測(cè)。無(wú)人機(jī)具備體積小、成本低、維護(hù)方便等諸多優(yōu)點(diǎn)，同時(shí)伴隨著無(wú)人機(jī)影像的光譜、空間分辨率不斷提高，利用無(wú)人機(jī)開(kāi)展對(duì)森林自然資源調(diào)查監(jiān)測(cè)已成為林業(yè)資源信息化的重要途徑和精準(zhǔn)林業(yè)發(fā)展的重要方向。無(wú)人機(jī)影像具備傳統(tǒng)衛(wèi)星影像不具備的多尺度、多時(shí)相和高分辨率等優(yōu)勢(shì)，能夠滿(mǎn)足現(xiàn)代化智慧林業(yè)發(fā)展的迫切需要。

當(dāng)前，基于遙感影像開(kāi)展對(duì)林業(yè)資源調(diào)查監(jiān)測(cè)的方法大致可以劃分成兩類(lèi)：一類(lèi)是基于傳統(tǒng)中低分辨率衛(wèi)星影像開(kāi)展林地資源調(diào)查與監(jiān)測(cè)，如：周佳寧等[4]基于MODIS影像，利用隨機(jī)森林算法對(duì)河北壩上林地動(dòng)態(tài)變化進(jìn)行了監(jiān)測(cè)；陳巧等[5]基于TM遙感影像，對(duì)武寧縣林地資源變化進(jìn)行了監(jiān)測(cè)研究；楊伯鋼等[6]基于多個(gè)時(shí)段的TM數(shù)據(jù)，對(duì)北京市林地動(dòng)態(tài)變化進(jìn)行了監(jiān)測(cè)研究，并對(duì)監(jiān)測(cè)結(jié)果進(jìn)行分析；喻慶國(guó)等[7]基于TM遙感影像，對(duì)滇西南熱帶林地資源進(jìn)行了分類(lèi)研究，并對(duì)分類(lèi)結(jié)果進(jìn)行驗(yàn)證分析。另一類(lèi)是基于中高分辨率遙感影像開(kāi)展林地資源精細(xì)化分類(lèi)與監(jiān)測(cè)研究，如：朱思明等[8]基于無(wú)人機(jī)影像，對(duì)天山云杉冠幅信息與胸徑樹(shù)高參數(shù)進(jìn)行擬合并反演蓄積量；萬(wàn)祖毅等[9]基于型多旋翼無(wú)人機(jī)獲取影像，對(duì)重慶市北碚區(qū)果園果樹(shù)數(shù)量進(jìn)行了定量化分類(lèi)研究；左萍萍等[10]基于無(wú)人機(jī)多光譜影像，對(duì)洪河國(guó)家級(jí)自然保護(hù)區(qū)的核心區(qū)、緩沖區(qū)和實(shí)驗(yàn)區(qū)沼澤植被進(jìn)行了分類(lèi)研究。

現(xiàn)有研究在數(shù)據(jù)源選取上多集中以中低分辨率衛(wèi)星影像開(kāi)展大范圍林地資源調(diào)查監(jiān)測(cè)研究為主[11-13]，而中低分辨率衛(wèi)星影像數(shù)據(jù)已不能滿(mǎn)足現(xiàn)行政策下國(guó)家精準(zhǔn)林業(yè)發(fā)展的迫切需要；在研究方法上，現(xiàn)有研究多是以傳統(tǒng)基于像素的分類(lèi)方法為主[14-16]，分類(lèi)前需要大量人工干預(yù)和先驗(yàn)知識(shí)儲(chǔ)備。因此，借助無(wú)人機(jī)技術(shù)開(kāi)展林地資源精細(xì)化調(diào)查，尤其是對(duì)人工林地的調(diào)查是國(guó)家“山水林田湖草”發(fā)展的迫切需要?；谏鲜鏊伎迹狙芯坷脽o(wú)人機(jī)遙感影像，采用面向?qū)ο蠖喑叨确指钏惴▽?duì)丹霞山濕地保護(hù)區(qū)人工林地進(jìn)行自動(dòng)化提取研究，以期能為研究區(qū)林地分類(lèi)、林地長(zhǎng)勢(shì)及林區(qū)病蟲(chóng)害監(jiān)測(cè)提供參考。

1 研究區(qū)概況

丹霞山濕地案例區(qū)(113°45′05″—113°45′09″E，24°56′53″—24°56′58″N)位于廣東省韶關(guān)市仁化縣周田鎮(zhèn)境內(nèi)（圖1），面積為0.005 km2，主要種植皇帝柑并長(zhǎng)有雜草和其他松樹(shù)。丹霞山位于湘、贛、粵三省交界處的仁化縣境內(nèi)，距廣東省韶關(guān)市市區(qū)45 km，是廣東省面積最大的自然風(fēng)景區(qū)、保護(hù)區(qū)，同時(shí)也享有“中國(guó)紅石公園”的美譽(yù)。丹霞山位于南嶺山脈南坡，屬亞熱帶南緣，具有中亞熱帶向南亞熱帶過(guò)渡的亞熱帶季風(fēng)性濕潤(rùn)氣候特點(diǎn)。年均氣溫19.7℃，夏季最高溫可達(dá)40℃；年均降水量為1800 mm，其中3—8月降水最為集中，降水量約占全年降水量的75%。轄區(qū)內(nèi)植被類(lèi)型多樣，主要為中亞熱帶常綠闊葉林。丹霞山先后被列入和評(píng)為國(guó)家級(jí)風(fēng)景名勝區(qū)、國(guó)家級(jí)自然保護(hù)區(qū)、國(guó)家地質(zhì)公園、國(guó)家4A級(jí)旅游景區(qū)、國(guó)家5A級(jí)旅游景區(qū)五項(xiàng)國(guó)家級(jí)稱(chēng)號(hào)，2004年經(jīng)聯(lián)合國(guó)教科文組織批準(zhǔn)為全球首批世界地質(zhì)公園。丹霞山自然保護(hù)區(qū)境內(nèi)自然資源豐富，如：沙田柚、皇帝柑、白毛茶、香菇等，同時(shí)發(fā)育著典型的丹霞地貌，具有重要的學(xué)術(shù)研究?jī)r(jià)值和人文景觀觀賞價(jià)值。

圖1 研究案例區(qū)范圍

2 數(shù)據(jù)源與研究方法

2.1 數(shù)據(jù)獲取與處理

無(wú)人機(jī)可以按照類(lèi)型劃分為多類(lèi)，具體包括：飛行器大小、續(xù)航能力、質(zhì)量、最大飛行高度、有效載荷以及發(fā)動(dòng)機(jī)類(lèi)型等。參照ARJOMANDI等[17]研究，將無(wú)人機(jī)劃分為：微型、輕量型、中型、重型和超重型5種類(lèi)型。而WATTS等[18]根據(jù)無(wú)人機(jī)續(xù)航能力和飛行高度，將其劃分為7種類(lèi)型（表1）。

表1 常見(jiàn)無(wú)人機(jī)類(lèi)型劃分

本研究選用大疆PJHANTOM 4RTK無(wú)人機(jī)（圖2），它是一款具備高精度測(cè)繪功能的航拍飛行器。飛行器機(jī)身預(yù)裝了機(jī)載D-RTK，定位最高精度可以達(dá)到厘米級(jí)。同時(shí)它配備了位于機(jī)身前部、后部及底部的視覺(jué)系統(tǒng)與兩側(cè)的紅外感知系統(tǒng)，能提供多方位的視覺(jué)定位及障礙物感知。相機(jī)使用的是1英寸的CMOS圖像傳感器，加上高精度防抖云臺(tái)，拍攝像素最大精度達(dá)到2000萬(wàn)像素。具體參數(shù)如表2所示。

圖2 案例區(qū)航測(cè)無(wú)人機(jī)

表2 無(wú)人機(jī)飛行器參數(shù)

無(wú)人機(jī)總質(zhì)量1391g，最大起飛海拔高度為6000m，最大上升速度6 m/s，最大下降速度3 m/s，飛行時(shí)間在30 min左右。工作環(huán)境溫度為0～40℃。工作頻率為5.725 GHz至5.850 GHz。本研究于2021年6月10日，選擇天氣晴朗，云量較少，風(fēng)力較小的時(shí)間點(diǎn)進(jìn)行案例區(qū)無(wú)人機(jī)飛行作業(yè)，通過(guò)無(wú)人機(jī)外業(yè)照片進(jìn)行內(nèi)業(yè)數(shù)據(jù)建模，形成空間分辨率為3 cm的高分辨率無(wú)人機(jī)遙感影像用于后續(xù)人工林地單株立木信息提取研究。

2.2 研究方法

2.2.1 林地提取方法技術(shù)流程 本研究利用無(wú)人機(jī)獲取案例區(qū)高分辨率影像，對(duì)影像進(jìn)行幾何校正、配準(zhǔn)等預(yù)處理工作，然后利用eCognition軟件采用面向?qū)ο蟮亩喑叨确指钏惴▽?duì)案例區(qū)無(wú)人機(jī)影像進(jìn)行多尺度分割，選擇不同分割尺度參數(shù)，并結(jié)合研究區(qū)實(shí)際人工林地特征，選擇合適的分割參數(shù)，最后對(duì)分割后結(jié)果進(jìn)行分析評(píng)價(jià)。具體技術(shù)流程如圖3所示。

圖3 研究技術(shù)流程圖

2.2.2 影像光譜信息增強(qiáng) 本研究基于無(wú)人機(jī)影像提取人工林地之前需要對(duì)影像進(jìn)行拉伸處理，以增強(qiáng)影像中人工林地與其他相鄰地物之間的光譜特征差異，便于影像多尺度分割，有利于保證同質(zhì)性區(qū)域的均一性和協(xié)同性。傳統(tǒng)RGB波段組合拉升雖然能夠在視覺(jué)上提升影像光譜亮度差異，但由于本次采用的無(wú)人機(jī)影像光譜通道較少，為進(jìn)一步提升影像色彩飽和度和像元灰度值之間的差異，本研究采用高斯拉伸方法對(duì)案例區(qū)影像3個(gè)通道影像進(jìn)行拉伸處理。判斷一個(gè)影像像元分布是否合理，主要依據(jù)像元分布是否滿(mǎn)足正態(tài)分布規(guī)律，RGB影像拉伸后結(jié)果如圖4所示，高斯拉伸前后圖像灰度直方圖結(jié)果如下表3所示。由圖可知，通過(guò)高斯拉伸處理后，影像像元亮度值分布直方圖更接近正態(tài)分布模型，同時(shí)對(duì)應(yīng)的影像圖色彩飽和度更高，目標(biāo)地物與周邊相鄰地物的光譜特征值差異更大，更有利于后續(xù)影像多尺度分割，從而進(jìn)一步提高人工林地自動(dòng)化提取效率。

圖4 案例區(qū)無(wú)人機(jī)影像光譜拉伸結(jié)果

表3 高斯拉伸前后圖像灰度直方圖結(jié)果對(duì)比

高斯拉伸使用像元均值127和對(duì)應(yīng)于0～255的以正負(fù)3為標(biāo)準(zhǔn)差的值進(jìn)行拉伸（表3）。輸出直方圖用一條近似正態(tài)分布曲線顯示，拉伸后的數(shù)據(jù)分布呈現(xiàn)白色，拉升后的像元分布更加飽滿(mǎn)，便于后續(xù)影像多尺度分割和分類(lèi)研究。

2.2.3 多尺度分割算法 所謂多尺度分割即選取不同分割尺度參數(shù)對(duì)案例區(qū)無(wú)人機(jī)遙感影像進(jìn)行分割，多尺度分割算法本質(zhì)上是一種自下而上的分割算法，與傳統(tǒng)面向像素分類(lèi)算法不同，它將分類(lèi)對(duì)象根據(jù)地物形狀、結(jié)構(gòu)以及紋理特征差異，逐個(gè)分割為單一斑塊，將空間異質(zhì)性差異較小的斑塊不斷合并，將空間異質(zhì)性較大的斑塊不斷分割，直至最后分割結(jié)果和實(shí)際地物相吻合。即通過(guò)設(shè)置一定閾值大小，將空間異質(zhì)性差異小于閾值范圍的斑塊分割為一個(gè)整體，反之則分割為不同斑塊實(shí)體要素。因其分割之前將遙感影像實(shí)體要素按照對(duì)象進(jìn)行分類(lèi)，因此在中高分辨率遙感影像分類(lèi)中應(yīng)用較為廣泛。本研究選用分割尺度為100、80、60和40共4個(gè)層級(jí)，然后借助eCognition多尺度分割算法進(jìn)行分割，分割結(jié)果如圖5所示。

圖5 無(wú)人機(jī)影像多尺度分割

多尺度分割算法主要基于遙感影像地物的光譜、紋理以及形狀等特征參數(shù)對(duì)影像進(jìn)行分割。本研究根據(jù)實(shí)際情況，將多尺度分割參數(shù)大小設(shè)置為100、80、60和40共4個(gè)層級(jí)。不同分割尺度對(duì)應(yīng)的地塊數(shù)量及大小如下表4所示。

表4 影像多尺度分割參數(shù)

本研究結(jié)合多尺度分割結(jié)果對(duì)比研究區(qū)人工林地實(shí)際地物形狀、結(jié)構(gòu)以及紋理特征吻合程度，本研究選取分割尺度為80的分割結(jié)果進(jìn)行林地自動(dòng)化提取研究（表5）。

表5 多尺度分割最佳參數(shù)選取

波段權(quán)重組成的光譜特征主要是由真實(shí)的地物與成像狀態(tài)所決定的光學(xué)物理屬性，與真實(shí)地物的像元所對(duì)應(yīng)的灰度值相關(guān)，主要包括均值、方差、灰度比和亮度等特征；分割尺度是eCognition特有無(wú)量常數(shù)，分割尺度越小，地物斑塊就會(huì)被分割的越小。形狀特征反映了對(duì)象的形態(tài)特征，主要包括地物的周長(zhǎng)、面積以及長(zhǎng)寬比等，在考慮光譜特征差異的同時(shí)加入形狀特征，可以從一定程度上避免“同物異譜”和“異物同譜”現(xiàn)象的出現(xiàn)，緊湊度因子用來(lái)描述影像對(duì)象形狀的飽滿(mǎn)程度。2.2.4林地分類(lèi)特征參數(shù)選取 基于多尺度分割結(jié)果，為進(jìn)一步得到林地自動(dòng)化提取結(jié)果，根據(jù)案例區(qū)林地的形狀、結(jié)構(gòu)和紋理特征差異進(jìn)行特征參數(shù)選取，由于本研究采用的無(wú)人機(jī)RGB 3個(gè)通道遙感影像，利用林地光譜像元差異和形狀指數(shù)，面積標(biāo)準(zhǔn)差構(gòu)建分類(lèi)特征數(shù)據(jù)集，用于案例區(qū)人工林地自動(dòng)化識(shí)別。

3 結(jié)果與分析

3.1 人工林地單株立木提取

本研究采用大疆PHANTOM4 RTK無(wú)人機(jī)對(duì)丹霞山案例區(qū)進(jìn)行航飛拍攝，通過(guò)內(nèi)業(yè)數(shù)據(jù)處理建模形成研究區(qū)無(wú)人機(jī)遙感影像。通過(guò)多尺度分割算法對(duì)案例區(qū)人工林地進(jìn)行多尺度分割，再利用林地特征數(shù)據(jù)集形成分類(lèi)特征要素對(duì)林地進(jìn)行自動(dòng)化提取（圖6）。研究采用人機(jī)交互解譯方法對(duì)自動(dòng)化提取結(jié)果進(jìn)行精度驗(yàn)證。

圖6 案例區(qū)人工林地自動(dòng)化分類(lèi)提取結(jié)果

3.2 精度驗(yàn)證及評(píng)價(jià)

本研究采用Kappa系數(shù)、總體分類(lèi)精度、錯(cuò)分誤差以及漏分誤差來(lái)對(duì)研究區(qū)人工林地自動(dòng)化分類(lèi)提取結(jié)果進(jìn)行精度驗(yàn)證和評(píng)價(jià)。

（1）Kappa系數(shù)主要用于評(píng)價(jià)遙感影像分類(lèi)結(jié)果優(yōu)劣程度的多元離散量化評(píng)價(jià)方法。通常，總體分類(lèi)精度考慮了混淆矩陣對(duì)角線方向上被正確分類(lèi)的目標(biāo)地物數(shù)量，而Kappa系數(shù)則同時(shí)考慮了混淆矩陣對(duì)角線以外的漏分和錯(cuò)分地物。計(jì)算公式如式(1)所示。

式中，Pa為總體分類(lèi)精度，Pe為各地物對(duì)角線分類(lèi)數(shù)量之積與混淆矩陣總和平方的比值。

（2）總體分類(lèi)精度是指分類(lèi)后正確識(shí)別的目標(biāo)地物數(shù)量占實(shí)際正確地物數(shù)量總數(shù)的比例。計(jì)算公式如式(2)所示。

式中，Oa為總體分類(lèi)精度，Nc為正確分類(lèi)的地物數(shù)量，Nr為實(shí)際地物總數(shù)。

（3）錯(cuò)分誤差是實(shí)際為非人工林地，而在分類(lèi)過(guò)程中被劃分到林地類(lèi)別當(dāng)中去，它通常在混淆矩陣中顯示。計(jì)算公式如式(3)所示。

式中，Ce為錯(cuò)分誤差，Nc為正確分類(lèi)的地物數(shù)量，Nr為實(shí)際地物總數(shù)。

（4）漏分誤差Oe是指實(shí)際為人工林地，而在實(shí)際分類(lèi)過(guò)程中未被正確分類(lèi)到林地這一類(lèi)別中去。即相對(duì)于正確地物總數(shù)中漏分的目標(biāo)地物占比大小。計(jì)算公式如式(4)所示。

式中，Oe為漏分誤差度，Na為目視人機(jī)交互解譯得到的實(shí)際林地?cái)?shù)量，Nc為分類(lèi)提取到的正確林地?cái)?shù)量。

由表6可知，基于無(wú)人機(jī)遙感影像的林地單株立木提取精度達(dá)到了98.40%，Kappa系數(shù)也達(dá)到了0.979。這表明，無(wú)人機(jī)遙感影像在研究區(qū)人工林地單株立木提取上具備較高的可行性和實(shí)用性，能夠滿(mǎn)足研究的基本需要。

表6 案例區(qū)人工林地分類(lèi)精度

4 結(jié)論與討論

基于無(wú)人機(jī)遙感影像，采用多尺度分割算法對(duì)丹霞山濕地案例區(qū)人工林地進(jìn)行自動(dòng)化提取研究。研究表明：基于高分辨率無(wú)人機(jī)影像在濕地保護(hù)區(qū)人工林地提取中具備較高的可行性，總體分類(lèi)精度達(dá)到了95%以上，Kappa系數(shù)大小為0.979。由此可見(jiàn)無(wú)人機(jī)影像多尺度分割算法在案例區(qū)人工林地自動(dòng)化提取中具備較高的實(shí)用性，能夠滿(mǎn)足林業(yè)自動(dòng)化分類(lèi)提取研究的需要。

本研究基于無(wú)人機(jī)影像人工林地自動(dòng)化識(shí)別取得了較好的分類(lèi)精度，這是建立在對(duì)案例區(qū)人工林地種類(lèi)單一和分布較為稀疏的前提下取得的，如何借助三維傾斜攝影測(cè)量技術(shù)以及多光譜傳感器開(kāi)展人工單株立木高度以及林地種類(lèi)等指標(biāo)因子監(jiān)測(cè)研究，將是今后林業(yè)調(diào)查與監(jiān)測(cè)研究的重要方向。與傳統(tǒng)林地監(jiān)測(cè)分類(lèi)研究不同，本研究基于高分辨率無(wú)人機(jī)影像，采用面向?qū)ο蠖喑叨确指钏惴▽?duì)人工林地進(jìn)行自動(dòng)化提取，避免了因采用傳統(tǒng)面向要素的分類(lèi)方法導(dǎo)致的地類(lèi)像元混分現(xiàn)象的出現(xiàn)，但在面向省域以及更大空間研究尺度的林地分類(lèi)研究時(shí)，因無(wú)人機(jī)影像單個(gè)架次覆蓋的空間范圍有限，且影像內(nèi)業(yè)拼接耗時(shí)較長(zhǎng)，如何針對(duì)不同空間尺度研究對(duì)象選取合適的遙感影像也有待進(jìn)一步研究和探討。