陸雪婷 鄧洋波 宋賢芬 嚴(yán)夏帆 余坤勇 劉健

(福建農(nóng)林大學(xué)，福州，350002) (福州市林業(yè)局) (福建農(nóng)林大學(xué))

In order to explore the applicability of UAV visible image in the extraction of Phyllostachys edulis standing degree, the P. edulis forest in Tianbaoyan National Nature Reserve, Yongan City, Sanming City, Fujian Province, was taken as the research object, and the visible image under different spatial resolutions (0.25, 0.5 and 0.75 m) was obtained by resampling method. Object-oriented multi-scale segmentation was used to determine the optimal segmentation scale under each resolution, and random forest classification was used to compare the extraction accuracy of P. edulis stand density under different spatial resolutions. The results show that: the best segmentation scale for the segmentation scale to select different under different image spatial resolution of 0.25, 0.50 and 0.75 m are 20, 9 and 8, P. edulis stand density extract accuracy are 80.97%, 81.29% and 77.82%, and Kappa coefficients are 0.806 0, 0.863 3 and 0.817 1, respectively. When the spatial resolution of image is 0.50 m, the overall classification accuracy and Kappa coefficient are the highest. Therefore, the appropriate spatial resolution of image extraction of P. edulis stand density is 0.5 m, and the optimal segmentation scale is 9.

毛竹立竹度也叫竹林密度，指每公頃毛竹林地中毛竹的立木株數(shù)。也是毛竹林群體結(jié)構(gòu)和生產(chǎn)力指標(biāo)最重要的數(shù)量特征，同時(shí)也是廣大竹農(nóng)對(duì)毛竹生長(zhǎng)發(fā)育期間干預(yù)竹林結(jié)構(gòu)的重要因子[1-2]。目前關(guān)于毛竹立竹度的監(jiān)測(cè)主要采用人工調(diào)查和多光譜影像提取。采用人工調(diào)查不但需要更多人力，而且由于地理因素導(dǎo)致人員可及度受到限制；利用多光譜影像提取毛竹立竹度，受到影像波段的復(fù)雜性和影像獲取的成本的限制。隨著無人機(jī)遙感監(jiān)測(cè)技術(shù)的不斷發(fā)展，為利用可見光遙感監(jiān)測(cè)調(diào)查立竹度提供了技術(shù)支持，也為調(diào)整竹林的密度，改善毛竹林分結(jié)構(gòu)，提高毛竹林的生產(chǎn)力提供了手段，對(duì)我國(guó)竹林經(jīng)營(yíng)具有重要的實(shí)際意義[3]。

利用遙感手段提取立竹度的關(guān)鍵是對(duì)影像的有效分割和準(zhǔn)確分類。目前國(guó)內(nèi)外學(xué)者在基于圖像分割技術(shù)的林木冠層特征提取方面已經(jīng)取得了很大的進(jìn)展，孫曉艷等[4]利用SPOT衛(wèi)星數(shù)據(jù)同時(shí)結(jié)合紋理信息，通過面向?qū)ο蟮姆椒?gòu)造多尺度、多層次的結(jié)構(gòu)來實(shí)現(xiàn)竹林信息的提??；采用面向?qū)ο蟮亩喑叨确指罘椒ǖ玫椒指詈蟮哪繕?biāo)，不僅可以有效地獲得識(shí)別單元的幾何特征，而且可以提取各種地物的信息[5]；李越帥等[6]提出了深度學(xué)習(xí)與分水嶺分割相結(jié)合的處理方法，對(duì)密集胡楊樹冠的精確分割和胡楊個(gè)體信息的提?。粡垈}皓等[7]基于無人機(jī)多光譜遙感影像，利用面向?qū)ο蠖喑叨确指睿瑯?gòu)建毛竹立竹度識(shí)別單元，采用K鄰近值(KNN)算法實(shí)現(xiàn)毛竹立竹度的提取，并通過比較不同飛行高度下立竹度提取的精度，確定了無人機(jī)飛行的高度；楊樟平等[8]采用同樣的方法，利用無人機(jī)多光譜影像比較了K鄰近值(KNN)、支持向量機(jī)(SVM)和隨機(jī)森林(RF)分類算法對(duì)毛竹立竹度的提取效果，認(rèn)為RF分類方法較其他兩類分類方法提取精度高。這些研究大多采用包含紅綠藍(lán)和近紅外或更多波段的遙感影像進(jìn)行分割，雖然能夠?qū)崿F(xiàn)影像準(zhǔn)確有效的分割，但影像采集和加工的成本高，多光譜相機(jī)價(jià)格昂貴，而可見光相機(jī)雖然所提供的光譜信息比較少，但其拍攝的圖像分辨率高、成本低、操作簡(jiǎn)單[9]，為毛竹立竹度快速提取提供了一種低成本的方法。

較高空間分辨率遙感影像雖然可以顯示的紋理和空間信息更加豐富[10]，但是對(duì)數(shù)據(jù)獲取的范圍產(chǎn)生限制和數(shù)據(jù)處理不便，所以選擇合適空間分辨率的影像數(shù)據(jù)將會(huì)對(duì)竹資源調(diào)查具有重要影響。邱琳等[11]基于高分1號(hào)(GF-1)衛(wèi)星影像數(shù)據(jù)，分析了GF-1衛(wèi)星3種分辨率對(duì)水稻識(shí)別精度的影響；劉婷等[12]基于高分2號(hào)(GF-2，分辨率4.1 m)、Sentinel-2(分辨率10 m)、Landsat-8(分辨率30 m)等3種不同空間分辨率的遙感影像，利用一元指數(shù)和多元回歸統(tǒng)計(jì)方法，對(duì)比分析不同空間分辨率對(duì)森林葉面積指數(shù)(LAI)估算的影響，得到研究區(qū)域森林葉面積指數(shù)最適宜的影像空間分辨率。Ye et al.[13]利用無人機(jī)多光譜圖像，建立了識(shí)別香蕉枯萎病發(fā)生或未發(fā)生區(qū)域的方法，通過對(duì)不同空間分辨率(0.5、1.0、2.0、5.0、10.0 m)圖像的模擬實(shí)驗(yàn)發(fā)現(xiàn)當(dāng)分辨率大于2.0 m時(shí)，香蕉枯萎病區(qū)域識(shí)別的精度較高。大多數(shù)研究是圍繞衛(wèi)星影像數(shù)據(jù)和無人機(jī)多光譜影像數(shù)據(jù)，而關(guān)于利用無人機(jī)可見光影像識(shí)別毛竹立竹度適宜的空間分辨率的研究較少。因而，研究以無人機(jī)可見光影像為原始數(shù)據(jù)，通過重采樣生成不同空間分辨率的圖像，采用面向?qū)ο蠓诸惣夹g(shù)，結(jié)合毛竹的尾梢特征及毛竹頂冠層幾何形狀的表達(dá)特征，分析不同空間分辨率不同分割尺度對(duì)立竹度提取的影響，為毛竹立竹度提取的適宜空間分辨率和最佳分割尺度提供相關(guān)技術(shù)支持。

1 研究區(qū)概況

研究區(qū)位于福建省三明市永安市天寶巖國(guó)家級(jí)自然保護(hù)區(qū)(117°28′52″E～117°29′24″E，25°53′41″N～25°54′14″N)，武夷山脈和戴云山脈中間(見圖1)，山體為戴云山余脈，地勢(shì)屬于中低山地貌，海拔高580～1 604.8 m。屬中亞熱帶海洋性季風(fēng)氣候，氣候溫暖濕潤(rùn)，降水量充足，年均氣溫約19.3 ℃。研究區(qū)域土壤類型主要包括紅壤、山地黃壤、山地黃紅壤，土壤類型主要以紅壤為主。植被類型主要包括毛竹林、常綠闊葉林、針闊混交林、針葉林等。

圖1 研究區(qū)位置圖

2 研究方法

2.1 數(shù)據(jù)及其預(yù)處理

原始數(shù)據(jù)來源于2020年7月在福建省三明市永安市天寶巖國(guó)家級(jí)自然保護(hù)區(qū)拍攝的無人機(jī)可見光遙感影像，考慮到陽光直射效應(yīng)，影像獲取時(shí)間為上午11:00至下午14:00，且當(dāng)日陽光充足無風(fēng)，為了得到穩(wěn)定可靠的數(shù)據(jù)，進(jìn)行了多次采集和比較。利用大疆精靈4無人機(jī)搭載的可見光鏡頭(藍(lán)、綠、紅三個(gè)光譜波段)獲取遙感影像，設(shè)置影像航向的重疊率為80%，旁向的重疊率70%，航高350 m，任務(wù)巡航速度為7 m/s。大疆精靈4可見光鏡頭拍攝的影像為TIFF格式，通過Pix4D Mapper軟件對(duì)原始無人機(jī)影像進(jìn)行正射校正和快速拼接，將拼接后的影像進(jìn)行裁剪以去除邊緣異常值，最后得到空間分辨率為0.25 m的實(shí)驗(yàn)區(qū)影像。

在研究區(qū)布設(shè)了43個(gè)25.8 m×25.8 m的毛竹純林樣地，使用高精度亞米級(jí)GPS儀(Unistrong-Z5)對(duì)各樣地坐標(biāo)進(jìn)行采集，并實(shí)地調(diào)查樣地毛竹林分立竹度，為后期對(duì)立竹度估測(cè)精度進(jìn)行驗(yàn)證。

2.2 面向?qū)ο蠖喑叨确指?/h3>

影像分割是將一幅完整的遙感影像分割成若干個(gè)獨(dú)立的小區(qū)域，使這些小區(qū)域之間的平均異質(zhì)性最大，而區(qū)域內(nèi)部的同質(zhì)性最大[14-15]。無人機(jī)影像的分割效果主要受4個(gè)因素的影響，即輸入影像波段、形狀、緊致度和分割尺度。分割尺度可以對(duì)影像對(duì)象允許的最大異質(zhì)度進(jìn)行確定，如果分割尺度過大，將會(huì)出現(xiàn)“欠分割”，導(dǎo)致異質(zhì)性；如果分割尺度過小，則會(huì)出現(xiàn)“過分割”，產(chǎn)生同質(zhì)異譜現(xiàn)象[16]。多尺度分割是隨機(jī)選取影像中的一個(gè)像元作為中心進(jìn)行分割，第一次分割時(shí)，將單個(gè)像元看作最小多邊形對(duì)象計(jì)算異質(zhì)性值；完成第一次分割后，將生成的多邊形對(duì)象作為第二次分割的基礎(chǔ)對(duì)象，同樣計(jì)算異質(zhì)性值，將計(jì)算結(jié)果與預(yù)定閾值進(jìn)行比較，若得到的異質(zhì)性值比閾值小，則繼續(xù)進(jìn)行多次的分割，否則影像分割停止。面向?qū)ο蠖喑叨确指钍且环N自下而上的分割方式，它通過識(shí)別相似的像元，使相鄰的相似像元合并成對(duì)象[17]，充分利用對(duì)象的灰度、色調(diào)、形狀、紋理等特征。

研究的分割目標(biāo)是提取毛竹的株數(shù)，由于毛竹立竹密度的不同加上毛竹的尾梢特征，使得部分單株毛竹輪廓清晰，部分毛竹出現(xiàn)擁擠現(xiàn)象，難以區(qū)分單株毛竹?；诙喑叨确指畹脑?，選擇不同分割尺度可以將單株和擁擠的毛竹進(jìn)行分割，受對(duì)象內(nèi)部同質(zhì)性和對(duì)象間異質(zhì)性的影響，可以將毛竹分割成1株、2株和3株的形態(tài)。因此，研究依據(jù)毛竹頂冠層的形狀和尾梢特征，通過“試誤法”(嘗試-錯(cuò)誤法)[17]進(jìn)行參數(shù)的不斷調(diào)整來選擇合適的尺度，使得分割之后得到的對(duì)象既能對(duì)毛竹輪廓進(jìn)行有效識(shí)別，又能使數(shù)據(jù)的冗余度最小。

2.3 隨機(jī)森林分類及精度評(píng)價(jià)

隨機(jī)森林(RF)是一種由Breiman et al.[18]提出的數(shù)據(jù)驅(qū)動(dòng)的非參數(shù)機(jī)器學(xué)習(xí)方法，通過對(duì)給定的已知樣本進(jìn)行機(jī)器學(xué)習(xí)，不需要任何先驗(yàn)知識(shí)形成一定的分類規(guī)則，估計(jì)特征重要性的集成分類模型。隨機(jī)森林主要由生成訓(xùn)練集、構(gòu)建決策樹和生成決策樹算法等3個(gè)構(gòu)建過程組成[19]。決策樹算法是一種基于逼近離散的函數(shù)值的歸納學(xué)習(xí)方法，它可以在大量沒有順序、沒有規(guī)則的樣本中構(gòu)建一個(gè)樹狀分支的分類結(jié)構(gòu)體，從而得到一個(gè)預(yù)測(cè)模型，并且將該模型用于對(duì)未知數(shù)據(jù)的預(yù)測(cè)[20]。隨機(jī)森林將多個(gè)不相關(guān)的決策樹進(jìn)行組合訓(xùn)練得到全局最優(yōu)的分類結(jié)果，以分類與回歸樹為基學(xué)習(xí)器并融合裝袋算法的思想，通過隨機(jī)抽選樣本又放回的抽樣進(jìn)行試驗(yàn)得到檢驗(yàn)數(shù)據(jù)，降低了樣本之間的相關(guān)性，由于隨機(jī)森林有多棵決策樹構(gòu)成，避免了單棵決策樹模型過擬合的缺陷，保證了決策樹的多樣性，具有穩(wěn)定性良好的分類預(yù)測(cè)效果。在確定毛竹立竹度提取分類方法的基礎(chǔ)上，比較不同影像分辨率對(duì)毛竹立竹度提取的精度，分析空間分辨率對(duì)于毛竹立竹度提取結(jié)果的影響。

3 結(jié)果與分析

3.1 影像空間分辨率的選取

由圖2可知，通過對(duì)所選取的三種空間分辨率的可見光影像的分析發(fā)現(xiàn)，分辨率為0.25 m的影像可以明顯的識(shí)別出毛竹和林隙的邊界輪廓，1株毛竹大約需要90個(gè)像元大小描述；分辨率為0.50 m的影像也可清晰的識(shí)別出毛竹和林隙的邊界輪廓，1株毛竹大約需要25個(gè)像元大小描述，相比于0.25 m分辨率的影像，邊界輪廓的清晰度并未明顯降低，但單株毛竹識(shí)別像元數(shù)量明顯減少；分辨率為0.75 m的影像相比于0.25 m和0.50 m分辨率的影像，邊界輪廓的清晰度有明顯的下降，但單株毛竹識(shí)別像元數(shù)量也有更加明顯的減少，只需大約12個(gè)像元大小即可描述單株毛竹的頂冠層形狀。研究并未采用1 m及以上分辨率影像，原因是受到毛竹頂冠層形狀大小的影響，毛竹相比于其他樹種，頂冠層面積較小，若空間分辨率過低，則難以識(shí)別出頂冠層的形狀大小。通過目視解譯進(jìn)行實(shí)驗(yàn)對(duì)比，最終選擇分辨率為0.25、0.50和0.75 m的可見光影像。

圖2 圖像的空間分辨率

3.2 圖像最佳分割尺度選擇

由圖3、圖4、圖5可知，通過不斷調(diào)整嘗試，不同分割尺度下，形狀因子和緊致度因子的變化對(duì)分割效果影響不大，對(duì)分割效果產(chǎn)生最大影響的是分割尺度的選擇，經(jīng)過多次測(cè)試，形狀因子和緊致度因子分別為0.2和0.6時(shí)對(duì)毛竹的分割效果最好[21]。因此，不同分辨率及不同分割尺度下，形狀因子和緊致度因子分別采用0.2和0.6，3種空間分辨率下的分割尺度在7～60范圍內(nèi)分割效果較好。依據(jù)各空間分辨率的分割效果，當(dāng)空間分辨率為0.25 m時(shí)，選擇分割尺度分別為10、15、20、25、30；當(dāng)空間分辨率為0.50 m時(shí)，選擇分割尺度分別為6、7、8、9、10；當(dāng)空間分辨率0.75 m時(shí)，選擇分割尺度分別為6、7、8、9、10。每組5個(gè)尺度進(jìn)行實(shí)驗(yàn)，選擇最佳分割尺度。

圖3 空間分辨率0.25 m的圖像分割尺度

圖4 空間分辨率0.50 m的圖像分割尺度

圖5 空間分辨率0.75 m的圖像分割尺度

空間分辨率0.25 m下分割尺度分別為10、15、20、25、30的分割效果，當(dāng)分割尺度=10時(shí)，出現(xiàn)明顯的過分割現(xiàn)象，將可以明顯經(jīng)目視解譯出的單株毛竹破碎化，分割出的圖斑過于細(xì)碎；當(dāng)分割尺度=30時(shí)，則出現(xiàn)欠分割現(xiàn)象，所得到的分割對(duì)象未能將邊界清晰的單株毛竹進(jìn)行分割，而是將小片毛竹(3株以上)分割為一個(gè)對(duì)象；當(dāng)分割尺度=20時(shí)，分割對(duì)象對(duì)毛竹的邊界描述效果最好，可以將比較獨(dú)立的單株毛竹分割出來，對(duì)于受毛竹尾梢特征影響的單株毛竹邊界輪廓沒有明顯區(qū)別的區(qū)域，可以分割出2株和3株的形狀，但仍然有未分割出3株及以下的小片毛竹，主要受到毛竹光譜信息的影響，但相比于其它4個(gè)分割尺度的整體分割效果，分割尺度=20的分割效果最好。

在對(duì)不同空間分辨率的分割尺度進(jìn)行選擇時(shí)，通過多次實(shí)驗(yàn)發(fā)現(xiàn)分辨率為0.50 m和0.75 m時(shí)，分割尺度及其步長(zhǎng)的選擇與分辨率為0.25 m時(shí)不同，若使用0.25 m的分割尺度及步長(zhǎng)，將會(huì)出現(xiàn)極其明顯的欠分割現(xiàn)象，因?yàn)槭艿讲煌臻g分辨率下單株毛竹所包含的像元數(shù)目的影響，0.25 m分辨率明顯高于0.50 m和0.75 m分辨率，所以最終將空間分辨率0.50 m和0.75 m的分割尺度選為6、7、8、9、10，步長(zhǎng)為1，依據(jù)0.25 m同樣的判定方法得到0.50 m和0.75 m空間分辨率下的最佳分割尺度分別為9和8。

3.3 不同空間分辨率圖像的分類精度

由表1、表2、表3可知，3種空間分辨率下的總體分類精度均在86%以上，圖像分辨率為0.25、0.50和0.75 m總體分類精度分別為87.82%、89.95%和86.42%，Kappa系數(shù)分別為0.806 0、0.863 3和0.817 1，其中空間分辨率為0.50 m時(shí)，總體分類精度和Kappa系數(shù)最高。不同空間分辨率表現(xiàn)出錯(cuò)分與漏分現(xiàn)象的總體趨勢(shì)保持一致，引起總體分類精度較低的原因是1株、2株和3株竹子之間的混分現(xiàn)象。

表1 空間分辨率0.25 m的分類精度

表2 空間分辨率0.50 m的分類精度

表3 空間分辨率0.75 m的分類精度

3.4 立竹度提取精度檢驗(yàn)

利用43個(gè)實(shí)測(cè)毛竹純林樣地的立木株數(shù)與不同空間分辨率對(duì)比計(jì)算，3種空間分辨率下的平均精度均在75%以上，其中，空間分辨率0.25、0.50 m的立竹識(shí)別精度分別為80.97%和81.29%，空間分辨率0.75 m的立竹識(shí)別精度為77.82%。這主要與像元和毛竹的冠幅大小有關(guān)，空間分辨率越低，所能識(shí)別到毛竹頂冠層形狀的精度越低，混合像元出現(xiàn)的概率越高[22]。最終得出空間分辨率為0.50 m時(shí)，毛竹立竹度的提取精度最高。說明不是空間分辨率越高立竹度提取的精度越高，而是根據(jù)毛竹尾梢特征、空間分辨率和分割尺度之間的關(guān)系，能夠有效表達(dá)毛竹頂冠層形狀特征的空間分辨率和分割尺度，就可以提高立竹度的提取精度。

4 結(jié)論與討論

以福建省三明市永安市天寶巖國(guó)家級(jí)自然保護(hù)區(qū)為研究區(qū)，以大疆精靈4無人機(jī)獲取的無人機(jī)可見光影像為原始數(shù)據(jù)，通過重采樣得到空間分辨率為0.25 m、0.50 m和0.75 m圖像，通過面向?qū)ο蠖喑叨确指罱Y(jié)合毛竹幾何形態(tài)特征和毛竹定位，采用目視解譯的方法確定圖像各個(gè)空間分辨率下最佳分割尺度，利用RF算法結(jié)合統(tǒng)計(jì)理論得到研究區(qū)的毛竹林立竹度，參照實(shí)測(cè)數(shù)據(jù)計(jì)算研究區(qū)立竹度的提取精度，通過對(duì)不同空間分辨率提取精度的比較分析，確定研究區(qū)毛竹立竹度提取的最佳空間分辨率。主要結(jié)論如下：影像空間分辨率為0.25、0.50、0.75m的最佳分割尺度分別為20、9和8，立竹度提取平均精度分別為80.97%、81.29%和77.82%，因此，毛竹立竹度提取的適宜圖像空間分辨率為0.5 m，最佳分割尺度為9。

研究結(jié)果表明空間分辨率的大小影響著影像的分類精度，空間分辨率越高，雖然可以減少混合像元的比例，提高分類的精度，但空間分辨率過高也會(huì)引起類別內(nèi)部光譜異質(zhì)性增大，反而會(huì)降低分類精度。也有研究為了提高分類精度而加入圖像的紋理特征，但對(duì)于不同空間分辨率、不同地物類型，紋理特征對(duì)分類精度的影響也不同，如果像元尺寸較小，紋理特征并不能顯著提高分類精度[23]。

將無人機(jī)可見光影像作為數(shù)據(jù)源進(jìn)行遙感影像信息的充分挖掘，得到研究區(qū)毛竹立竹度提取適宜空間分辨率大小，可以實(shí)現(xiàn)利用普通影像對(duì)毛竹立竹度的監(jiān)測(cè)，擴(kuò)展了無人機(jī)可見光數(shù)據(jù)在竹資源監(jiān)測(cè)中的應(yīng)用范圍。雖然絕大多數(shù)毛竹株數(shù)類型能夠準(zhǔn)確分割與分類，但由于地形差異、毛竹尾梢特征和毛竹高低的不同，使毛竹頂冠層存在交叉重疊現(xiàn)象而未能識(shí)別，從而影響毛竹立竹度的提取精度。