曹裕超, 王 健, 邵為真, 孫文瀟, 曾靜靜

基于點(diǎn)云與影像融合的黃河三角洲互花米草提取方法

曹裕超1, 2, 王 健1, 邵為真3, 孫文瀟4, 曾靜靜5

(1. 山東科技大學(xué) 測(cè)繪與空間信息學(xué)院, 山東 青島 266590; 2. 寧波市阿拉圖數(shù)字科技有限公司, 浙江寧波 315042; 3. 山東新匯建設(shè)集團(tuán)有限公司, 山東 東營(yíng) 257091; 4. 山東建筑大學(xué)測(cè)繪地理信息學(xué)院, 山東 濟(jì)南 250101; 5. 青島市勘察測(cè)繪研究院, 山東 青島 266032)

針對(duì)衛(wèi)星遙感技術(shù)在對(duì)濱海濕地互花米草監(jiān)測(cè)時(shí)受分辨率、氣候條件等多種因素限制存在一定局限性且通過(guò)單一的影像數(shù)據(jù)提取互花米草時(shí)精度不穩(wěn)定的問(wèn)題, 提出了基于無(wú)人機(jī)點(diǎn)云與影像融合的面向?qū)ο蠡セ撞萏崛》椒āＲ渣S河三角洲自然保護(hù)區(qū)為研究對(duì)象, 獲取了該區(qū)域的點(diǎn)云和多光譜影像。先將地面濾波后提取的植被點(diǎn)云與多光譜影像進(jìn)行特征組合優(yōu)化, 然后對(duì)融合影像采用FNEA算法進(jìn)行多尺度分割后采用基于改進(jìn)的最近鄰算法進(jìn)行面向?qū)ο蠓诸? 最終得到的互花米草生產(chǎn)者精度和用戶精度分別達(dá)到了82.53%和86.43%, 較未融合點(diǎn)云的提取精度分別提高了22.34%和7.66%, 分類結(jié)果的總體精度從89.54%提升至92.61%, 且融合點(diǎn)云后影像能夠有效區(qū)分兩種生長(zhǎng)狀態(tài)的互花米草, 表明本文提出的方法能夠有效提高互花米草的提取精度。

黃河三角洲; 互花米草; 無(wú)人機(jī); 數(shù)據(jù)融合; 面向?qū)ο蠓诸?/p>

濱海濕地是陸地與海洋的過(guò)渡地帶, 濕地生態(tài)系統(tǒng)具有涵養(yǎng)水源、調(diào)節(jié)氣候、保護(hù)生物多樣性等重要作用, 2021年12月24日, 第十三屆全國(guó)人民代表大會(huì)常務(wù)委員會(huì)第三十二次會(huì)議正式通過(guò)了《中華人民共和國(guó)濕地保護(hù)法》[1], 濕地保護(hù)正式走向法治化, 也體現(xiàn)出我國(guó)對(duì)濕地保護(hù)的重視[2-3]?；セ撞菔且环N海岸帶鹽沼植物, 自1990年前后首次在黃河三角洲引種后憑借其地下根莖發(fā)達(dá)、耐受力強(qiáng)的優(yōu)勢(shì)在潮間帶區(qū)域快速蔓延, 侵占了蘆葦、堿蓬和檉柳等本土植物的生存空間, 嚴(yán)重破壞了生物的多樣性[4]。黃河三角洲自然保護(hù)區(qū)是被正式列入國(guó)際重要濕地名錄的國(guó)家級(jí)自然保護(hù)區(qū), 但近年來(lái)以互花米草為主的外來(lái)入侵物種對(duì)保護(hù)區(qū)的生態(tài)平衡構(gòu)成了極大的威脅[5-7], 因此加強(qiáng)對(duì)外來(lái)入侵物種互花米草的監(jiān)測(cè)研究具有重要的意義。

互花米草主要生長(zhǎng)在近岸的潮間帶, 受濱海濕地多云多雨的氣候特征影響, 獲取高分辨率的遙感影像較為困難[8], 而利用中低分辨率影像在分類時(shí)易在植物交錯(cuò)地帶發(fā)生混淆, 無(wú)法準(zhǔn)確提取互花米草的范圍邊界[9], 因此, 目前對(duì)互花米草的遙感監(jiān)測(cè)研究主要以長(zhǎng)時(shí)序、大面積范圍互花米草的總體變化趨勢(shì)分析為主。陳柯欣等[10]以整個(gè)黃河三角洲為研究區(qū), 利用Landsat影像基于面向?qū)ο蠓诸惙椒ê途坝^重心轉(zhuǎn)移模型分析了互花米草和堿蓬的動(dòng)態(tài)變化, 并基于此模型預(yù)測(cè)了2026年的變化趨勢(shì)。王娟等[11]以鹽城國(guó)家級(jí)自然保護(hù)區(qū)為研究區(qū)分析了2006—2015年互花米草的擴(kuò)張情況, 指出了互花米草種群整體向西北方向加速偏移的規(guī)律并預(yù)測(cè)了未來(lái)五年的入侵趨勢(shì)。但在濕地治理過(guò)程中, 為了對(duì)特定區(qū)域內(nèi)互花米草進(jìn)行動(dòng)態(tài)監(jiān)測(cè), 需要準(zhǔn)確地區(qū)分互花米草與其他植被的范圍邊界, 因此, 基于衛(wèi)星的遙感監(jiān)測(cè)手段難以滿足應(yīng)用需求, 鑒于無(wú)人機(jī)在農(nóng)業(yè)領(lǐng)域應(yīng)用的出色表現(xiàn)[12-13], 一些學(xué)者采用無(wú)人機(jī)技術(shù)進(jìn)行了互花米草的監(jiān)測(cè)研究, 李曉敏等[14]基于無(wú)人機(jī)高光譜技術(shù)分析不同情形下互花米草的光譜特征, 并以此建立了互花米草遙感檢測(cè)模型。周在明等[15]利用無(wú)人機(jī)獲取的10 cm分辨率可見(jiàn)光波段影像, 基于改進(jìn)型土壤調(diào)整植被指數(shù)有效的提取了互花米草的覆蓋范圍。無(wú)人機(jī)搭載相機(jī)可以快速獲取厘米級(jí)的高分辨率遙感影像, 有效減少了不同地物的識(shí)別難度, 但同時(shí)增加了同一地物內(nèi)部的光譜差異性, 使得同一地物內(nèi)部提取結(jié)果破碎, 在對(duì)互花米草提取時(shí)難以保證精度的穩(wěn)定。目前已有學(xué)者將高程信息與影像融合提取植被的研究, 趙欣怡[16]在對(duì)海岸帶鹽沼植被分類時(shí)基于雷達(dá)影像的高程信息有效的區(qū)分了堿蓬與光灘, 提高了分類精度。董迪等[17]在對(duì)漳江口國(guó)家級(jí)紅樹(shù)林自然保護(hù)區(qū)的紅樹(shù)林和互花米草進(jìn)行提取時(shí)利用SAR影像的高程和坡度信息分離出植被與地面信息, 在此基礎(chǔ)上利用光學(xué)影像進(jìn)一步分類, 證明了融合高程信息與影像的光譜信息提高分類精度有效性。機(jī)載LiDAR具有成本低、靈活高效、實(shí)時(shí)獲取的特點(diǎn), 且獲取的點(diǎn)云數(shù)據(jù)同樣具有高精度的高程信息, 在濱海濕地場(chǎng)景下受天氣影響小, 目前基于點(diǎn)云影像融合的濕地互花米草監(jiān)測(cè)研究少有報(bào)道, 基于此, 本文提出無(wú)人機(jī)點(diǎn)云與影像融合的互花米草提取方法, 以無(wú)人機(jī)獲取的點(diǎn)云和影像為數(shù)據(jù)源, 探究利用基于點(diǎn)云與影像融合的面向?qū)ο蠓诸惙椒ㄌ岣邽I海濕地互花米草提取精度的可行性。

1 研究方法

點(diǎn)云與影像數(shù)據(jù)在獲取時(shí)由于傳感器的不同, 其數(shù)據(jù)成果在分辨率、特征等許多方面存在差異, 直接進(jìn)行融合分類存在諸多難點(diǎn)[18], 本文通過(guò)把點(diǎn)云轉(zhuǎn)化為二值圖像, 將提取的植被點(diǎn)云高程信息以灰度值表示, 在此基礎(chǔ)上進(jìn)行點(diǎn)云與影像的融合分類。面向?qū)ο蠓诸愂菍⒂跋癜匆欢ㄒ?guī)則分割為若干對(duì)象后, 以對(duì)象為最小單元進(jìn)行分類的方法, 該方法可以顯著減輕傳統(tǒng)分類方法中的“椒鹽現(xiàn)象”, 在光譜信息豐富的高分辨率影像分類中具有顯著優(yōu)勢(shì), 因此采用基于面向?qū)ο蟮姆诸惙椒◤娜诤虾蟮挠跋裰羞M(jìn)行互花米草提取。

1.1 基于區(qū)域生長(zhǎng)的點(diǎn)云圖像濾波

在濕地場(chǎng)景中沒(méi)有建筑和樹(shù)木等地物, 因此將點(diǎn)云進(jìn)行地面濾波后得到的非地面點(diǎn)即為植被。由于點(diǎn)云存在密度不均且離散的特點(diǎn), 在將點(diǎn)云轉(zhuǎn)化為二值圖像后仍存在含有內(nèi)部洞和外部小斑塊的噪點(diǎn), 這些噪點(diǎn)的產(chǎn)生原因主要來(lái)源于點(diǎn)云濾波中漏分的地面點(diǎn)云, 因此需要對(duì)圖像進(jìn)行濾波, 去除點(diǎn)云圖像中的小塊噪點(diǎn)。區(qū)域生長(zhǎng)法是一種經(jīng)典的圖像分割算法, 該算法能夠保留完整的邊界信息且無(wú)需先驗(yàn)知識(shí)就可以獲得較好的分割結(jié)果, 適用于二值圖像這類簡(jiǎn)單圖像的濾波。算法的基本思想是對(duì)任意一個(gè)輸入的種子點(diǎn), 判斷鄰域點(diǎn)與該種子點(diǎn)是否具有相似性質(zhì), 若具有相似性質(zhì)則將該鄰域點(diǎn)加入種子點(diǎn)集并繼續(xù)生長(zhǎng), 最終將圖像分割成為以每個(gè)種子點(diǎn)為起點(diǎn)的具有相似性質(zhì)的連通域[19]。本文以該算法為基礎(chǔ), 將鄰域內(nèi)與種子點(diǎn)像素值是否相同作為是否生長(zhǎng)的條件, 計(jì)算生長(zhǎng)結(jié)束后每個(gè)連通域的面積, 通過(guò)面積閾值去除小面積的內(nèi)部洞和小斑塊噪聲, 實(shí)現(xiàn)點(diǎn)云圖像的濾波。

1.2 基于FNEA算法的影像分割

在進(jìn)行面向?qū)ο蠓诸惽? 需要對(duì)影像進(jìn)行分割, 常用的分割方法有分水嶺分割、光譜分割、多尺度分割等, 其中多尺度分割綜合考慮了光譜、紋理、形狀等特征, 將不同目標(biāo)以不同的尺度進(jìn)行分割, 是目前廣泛使用的分割方法[20]。分形網(wǎng)絡(luò)演化方法(fractal net evolution approach, FNEA) 是Baatz M與Schape A于2000年提出的一種影像多尺度分割算法[21], 通過(guò)在像素層自下而上的增長(zhǎng), 依據(jù)異質(zhì)性最小原則, 不斷迭代合并將圖像分割為若干個(gè)內(nèi)部同質(zhì)度最大的對(duì)象, 對(duì)象之間的異質(zhì)度增量Δ根據(jù)光譜異質(zhì)度增量Δcolor和形狀異質(zhì)性Δshape和加權(quán)后確定[22], 計(jì)算公式為:

式中, ω為形狀權(quán)重, Δcolor和Δshape的計(jì)算公式為:

式中,為光譜波段數(shù)量;ω為第波段的權(quán)重;1和2為相鄰兩個(gè)待合并對(duì)象;為兩對(duì)象合并結(jié)果;δ為對(duì)象像元的標(biāo)準(zhǔn)方差;為對(duì)象的像素?cái)?shù)量;ω為緊致度權(quán)重, Δcompact和Δsmooth的計(jì)算公式為:

式中,和分別代表對(duì)象的周長(zhǎng)和最小外接矩形邊界周長(zhǎng)。

FNEA算法通過(guò)不斷迭代實(shí)現(xiàn)對(duì)象的合并, 在迭代過(guò)程中, 若該對(duì)象與鄰域?qū)ο蟮淖钚‘愘|(zhì)度增量小于閾值, 則將這兩個(gè)對(duì)象合并, 否則不進(jìn)行合并操作。遍歷所有對(duì)象直至所有對(duì)象與其鄰域?qū)ο蟮漠愘|(zhì)度的增量均超出閾值時(shí)迭代終止[23]。

1.3 基于融合特征的改進(jìn)最近鄰算法分類

影像分割完成后需要基于訓(xùn)練樣本進(jìn)行監(jiān)督分類, 最近鄰算法(nearest neighbor, NN)是一種基于監(jiān)督學(xué)習(xí)的分類算法, 該算法結(jié)構(gòu)簡(jiǎn)單、對(duì)異常值和噪聲有較高的容忍度, 相較于其他分類算法, 該算法無(wú)需先驗(yàn)參數(shù), 可以最大程度減少人為因素對(duì)分類結(jié)果的影響。算法的基本思想是輸入的未知樣本進(jìn)行類別判斷時(shí), 通過(guò)計(jì)算該樣本與其他已知樣本的特征距離, 將距離最近的樣本視為該樣本的類別[24], 距離的計(jì)算常用的是歐氏距離, 當(dāng)特征數(shù)量為時(shí), 樣本1和2的歐式距離計(jì)算表達(dá)式為:

此外, 公式(4)中各特征的權(quán)重相同, 即認(rèn)為各個(gè)特征對(duì)最終的分類貢獻(xiàn)度相同, 而實(shí)際中, 存在著大量與分類結(jié)果相關(guān)性較小甚至無(wú)關(guān)的特征[25], 在計(jì)算值時(shí)冗余特征一方面減弱了有效特征的貢獻(xiàn)度, 降低分類精度, 另一方面增加了計(jì)算量, 使得算法更為耗時(shí)。為了提高有效特征在分類過(guò)程中的權(quán)重, 本文共選取常用的光譜、幾何、紋理特征共26個(gè)和2個(gè)植被指數(shù), 其中歸一化植被指數(shù)(normalized difference vegetation index, NDVI)和增強(qiáng)型植被指數(shù)(enhanced vegetation index, EVI)的計(jì)算公式如下:

式中,NIR、W、W分別為近紅外、紅光、藍(lán)光波段的反射率。

通過(guò)計(jì)算所有特征對(duì)已知樣本判別的貢獻(xiàn)度, 剔除貢獻(xiàn)度較低的冗余特征后將特征集按貢獻(xiàn)度賦權(quán), 將加權(quán)后的歐氏距離用于類別判斷, 加權(quán)歐氏距離如下:

式中,ω為第個(gè)特征的權(quán)。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)區(qū)域概況及數(shù)據(jù)獲取

實(shí)驗(yàn)區(qū)域位于東營(yíng)市黃河口國(guó)家自然保護(hù)區(qū)內(nèi), 如圖1所示, 區(qū)域內(nèi)主要分布有互花米草和蘆葦兩類植被以及水體、泥灘等地物。

圖1 實(shí)驗(yàn)區(qū)位置及實(shí)地照片

采用大疆M300搭載禪思L1激光雷達(dá)獲取點(diǎn)云, 大疆P4M多光譜無(wú)人機(jī)獲取影像, 其中點(diǎn)云密度大于100 pts /m2, 影像包括可見(jiàn)光RGB和B、G、R、RE、NIR 5個(gè)單波段數(shù)據(jù), 飛行高度均為100 m, 拼接后的多光譜正射影像分辨率為0.08 m。獲取的點(diǎn)云和多光譜影像如圖2所示, 從影像和實(shí)地現(xiàn)場(chǎng)觀察到互花米草受海濱風(fēng)力因素的影響, 存在倒伏和正常直立生長(zhǎng)兩種狀態(tài), 此外還有蘆葦、水體、泥灘等地物分布。

圖2 原始數(shù)據(jù)

2.2 植被點(diǎn)云提取

點(diǎn)云經(jīng)去噪預(yù)處理后采用布料模擬算法進(jìn)行地面濾波, 分離地面點(diǎn)后得到的植被點(diǎn)云如圖3所示。

圖3 地面濾波后提取的植被點(diǎn)云

將植被點(diǎn)云經(jīng)插值后輸出為二值化圖像, 利用1.1節(jié)的濾波算法將二值圖像進(jìn)行濾波, 通過(guò)計(jì)算并統(tǒng)計(jì)所有連通域的面積得到小斑塊噪聲的連通域面積均小于80, 因此將面積閾值設(shè)置為80, 得到如圖4所示的點(diǎn)云植被提取結(jié)果, 可以看出, 本文的圖像濾波算法對(duì)去除小斑塊和內(nèi)部洞具有顯著效果。

圖4 二值圖像濾波

2.3 融合數(shù)據(jù)分類

將濾波后點(diǎn)云二值圖像作為波段與多光譜影像進(jìn)行波段合成, 合成前先對(duì)點(diǎn)云影像進(jìn)行分辨率重采樣, 采樣分辨率為0.08 m, 使得點(diǎn)云圖像與多光譜影像具有相同的分辨率, 使用Ecognition軟件的ESP工具尋找FNEA的最佳分割尺度, 在測(cè)試時(shí)設(shè)置起始分割尺度為20, 步長(zhǎng)10, 計(jì)算按每個(gè)尺度分割后的對(duì)象間局部方差, 在當(dāng)分割尺度為120, 形狀和光滑緊致度為0.4和0.5時(shí)影像對(duì)象同質(zhì)性的局部變化的變化率達(dá)到現(xiàn)峰值, 將參數(shù)設(shè)置為上述值后的局部分割結(jié)果如圖5所示。

圖5 局部分割結(jié)果

通過(guò)計(jì)算訓(xùn)練樣本中各個(gè)特征在不同類別間的平均距離, 將平均距離相加后得到不同數(shù)量特征對(duì)應(yīng)的最佳分離距離, 添加特征的順序按照訓(xùn)練樣本時(shí)各特征對(duì)分類結(jié)果的貢獻(xiàn)度進(jìn)行排序, 其中, 貢獻(xiàn)度最大的5個(gè)特征分別為近紅外均值、點(diǎn)云均值、NDVI、最大差分均值和EVI。圖6顯示了不同數(shù)量特征的最佳分離距離, 可以看出, 在特征數(shù)量少于12個(gè)時(shí), 最佳分離距離隨特征數(shù)量的增加快速增長(zhǎng), 但由于特征數(shù)量不足, 使得最佳分離距離處于2.5以下的較低值, 表明少量特征難以有效分類出本文的五種地物。在特征數(shù)量達(dá)到19個(gè)時(shí)最佳分離距離達(dá)到峰值, 表明該包含19個(gè)特征的特征組合能使各地物的可分離度達(dá)到最大, 而繼續(xù)增加特征數(shù)量后, 由于貢獻(xiàn)率較低的冗余特征減弱了有效特征的權(quán)重, 因此最佳分離距離呈現(xiàn)逐步下降趨勢(shì)。

圖6 不同數(shù)量特征的最佳分離距離

計(jì)算該特征組合下訓(xùn)練樣本間的加權(quán)歐氏距離用于類別判斷, 通過(guò)ArcMap生成2 707個(gè)隨機(jī)采樣點(diǎn)作為樣本, 其中訓(xùn)練樣本和驗(yàn)證樣本的數(shù)量如表1所示。

為了驗(yàn)證融合點(diǎn)云后對(duì)分類結(jié)果的影響, 設(shè)置未融合點(diǎn)云的影像進(jìn)行對(duì)比實(shí)驗(yàn), 對(duì)比實(shí)驗(yàn)中, 分割參數(shù)保持不變, 在加權(quán)歐氏距離計(jì)算中去除了點(diǎn)云均值和點(diǎn)云標(biāo)準(zhǔn)差兩個(gè)特征, 最終的分類結(jié)果如

表1 訓(xùn)練樣本和驗(yàn)證樣本的地物數(shù)量統(tǒng)計(jì)

圖7所示, 從分類結(jié)果可以看出, 融合點(diǎn)云的最近鄰分類結(jié)果對(duì)正常互花米草的提取精度明顯優(yōu)于未融合點(diǎn)云的分類結(jié)果, 互花米草的分布范圍具有較好的連通性, 未融合點(diǎn)云的分類結(jié)果中正?；セ撞萋┓州^多, 且分布范圍比較破碎。

圖7 分類結(jié)果

2.4 精度評(píng)定與分析

為了更準(zhǔn)確地評(píng)價(jià)分類精度, 將驗(yàn)證樣本與分類結(jié)果建立混淆矩陣, 驗(yàn)證樣本如圖8所示, 分別計(jì)算用戶精度、生產(chǎn)者精度、總體精度和kappa系數(shù)進(jìn)行精度評(píng)定, 結(jié)果如表2所示。

圖8 隨機(jī)點(diǎn)驗(yàn)證樣本

由表2可知, 融合點(diǎn)云前后的總體精度達(dá)到了89.54%和92.61%, kappa系數(shù)達(dá)到了0.86和0.9, 表明基于最近鄰分算法的面向?qū)ο蠓诸惙椒ň哂休^好的分類精度。從各個(gè)地物的分類精度來(lái)看, 融合點(diǎn)云后正常互花米草的生產(chǎn)者精度提升顯著, 從67.46%增加至82.53%, 提升了22.34%, 表明融合點(diǎn)云后能有效的減少正?；セ撞莸穆┓?jǐn)?shù)量。除蘆葦精度有小幅降低外, 融合點(diǎn)云后其他地物的生產(chǎn)者精度和用戶精度均有所提高, 所有地物中, 水體的分類精度最高, 主要是由于水體對(duì)NIR波段的吸收能力較高因而光譜特征顯著, 而正?；セ撞?、倒伏互花米草和蘆葦三種地物分類精度相對(duì)較低的原因主要是這三類植物交錯(cuò)生長(zhǎng)且在特征上存在一定的相似度, 因此在交界處存在一定的分類誤差。綜上所述, 基于最近鄰算法的面向?qū)ο蠓诸惙椒梢院芎玫倪m用于入侵物種互花米草的分類研究, 且點(diǎn)云與多光譜影像融合的分類精度優(yōu)于僅使用多光譜影像的分類精度, 驗(yàn)證了利用多源數(shù)據(jù)融合以提高濱海濕地的地物分類精度的可行性。

表2 融合點(diǎn)云前后的分類精度對(duì)比

3 結(jié)論

本文利用無(wú)人機(jī)獲取的點(diǎn)云與多光譜正射影像, 結(jié)合點(diǎn)云與多光譜的優(yōu)勢(shì), 研究基于面向?qū)ο蠛妥罱徦惴ńY(jié)合的互花米草提取方法, 并與未融合點(diǎn)云的分類結(jié)果進(jìn)行對(duì)比, 通過(guò)精度評(píng)定得出以下結(jié)論:

1)采用面向?qū)ο蟮姆诸惙椒ㄖ卸喑叨确指羁梢猿浞掷酶叻致视跋竦呢S富信息, 根據(jù)像元的光譜特征和幾何特征進(jìn)行合并對(duì)象, 相較基于像元的分類方法可以減少同一地物范圍內(nèi)的像元錯(cuò)分情況, 減輕了“椒鹽現(xiàn)象”。無(wú)人機(jī)多光譜影像融合點(diǎn)云可以提高互花米草的提取精度, 利用點(diǎn)云可以很好的區(qū)分正常生長(zhǎng)和倒伏兩種狀態(tài)的互花米草, 同時(shí), 通過(guò)融合點(diǎn)云提取的互花米草范圍更加完整, 改善了分類結(jié)果破碎的現(xiàn)象。

2)在濕地場(chǎng)景中, 植被指數(shù)和NIR波段對(duì)植被和水體的提取具有很好的效果, 在所有的特征中, 對(duì)分類結(jié)果貢獻(xiàn)度排在前五的特征中有三種屬于光譜特征, 分別為近紅外均值、點(diǎn)云均值和最大差分均值, 表明光譜特征對(duì)分類的貢獻(xiàn)最大, 分類精度隨著特征數(shù)量的增加會(huì)先增加然后逐漸降低, 因此選擇合適的特征組合對(duì)分類結(jié)果精度的提高具有重要意義。

基于無(wú)人機(jī)的多源遙感監(jiān)測(cè)手段比傳統(tǒng)遙感監(jiān)測(cè)具有分辨率高、實(shí)時(shí)高效、信息豐富成本低等優(yōu)勢(shì), 在濱海濕地的保護(hù)監(jiān)測(cè)擁有廣泛的應(yīng)用前景, 在后續(xù)的研究中可進(jìn)一步考慮融合點(diǎn)云的其他信息或其他數(shù)據(jù)對(duì)提高分類結(jié)果的可行性。

[1] 中華人民共和國(guó)濕地保護(hù)法[J].浙江林業(yè)科技, 2022, 42(1): 75.

Wetland protection law of the people's Republic of China[N].Journal of Zhejiang Forestry Science and Technology, 2022, 42(1): 75.

[2] 杜培軍, 陳宇, 譚琨. 濕地景觀格局與生態(tài)安全遙感監(jiān)測(cè)分析—以江蘇濱海濕地為例[J]. 國(guó)土資源遙感, 2014, 26(1): 158-166.

DU Peijun, CHEN Yu, TAN Kun. Monitoring and analyzing wetland landscape pattern change and ecological secturity using remote sensing images-A case study of Jiangsu coastal wetland[J]. Remote Sensing for Land and Resources, 2014, 26(1): 158-166.

[3] 孫工棋, 張明祥, 雷光春. 黃河流域濕地水鳥(niǎo)多樣性保護(hù)對(duì)策[J]. 生物多樣性, 2020, 28(12): 1469-1482.

SUN Gongqi, ZHANG Mingxiang, LEI Guangchun. Wetland water bird biodiversity conservation strategies in the Yellow River basin[J]. Biodiversity Science, 2020, 28(12): 1469-1482.

[4] 李昱蓉, 武海濤, 張森, 等. 互花米草入侵和持續(xù)擴(kuò)張下黃河三角洲濱海濕地潮溝的形態(tài)特征及其變化[J]. 濕地科學(xué), 2021, 19(1): 88-97.

Ll Yurong, WU Haitao, ZHANG Sen, et al. Morphological characteristics and changes of tidal creeks in coastal wetlands of the Yellow River Delta underinvasion and continuous expansion[J].Wetland Science, 2021, 19(1): 88-97.

[5] 姜少玉, 陳琳琳, 閆朗, 等. 互花米草入侵對(duì)黃河三角洲秋季底棲食物網(wǎng)的影響[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2021, 32(12): 4499-4507.

JIANG Shaoyu, CHEN Linlin, YAN Lang, et al. Impacts ofinvasion on the benthic food web in the Yellow River Delta during autumn[J]. Chinese Journal of Applied Ecology, 2021, 32(12): 4499-4507.

[6] OKOYE O K, LI H, GONG Z. Retraction of invasiveand its effect on the habitat loss of endangered migratory bird species and their decline in YNNR using remote sensing technology[J]. Ecology and Evolution, 2020, 10(24): 13810-13824.

[7] CHRITY N, WAILS, KALEB B, et al. Assessing changes to ecosystem structure and function following invasion byand phragmites australis: a meta- analysis[J]. Biological Invasions, 2021(23): 2695-2709.

[8] 朱婉雪, 孫志剛, 李彬彬, 等. 基于無(wú)人機(jī)遙感的濱海鹽堿地土壤空間異質(zhì)性分析與作物光譜指數(shù)響應(yīng)脅迫診斷[J]. 地球信息科學(xué)學(xué)報(bào), 2021, 23(3): 536-549.

ZHU Wanxue, SUN Zhigang, LI Binbin, et al. Analysis of spatial heterogeneity for soil attributes and spectral indices-based diagnosis of coastal saline alkaline farmland stress using UAV remote sensing[J].Journal of Geo-information Science, 2021, 23(3): 536-549.

[9] 周在明, 楊燕明, 陳本清. 基于無(wú)人機(jī)影像的灘涂入侵種互花米草植被信息提取與覆蓋度研究[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(4): 714-720.

ZHOU Zaiming, YANG Yanming, CHEN Benqing. Research on vegetation extraction and fractional vegetation cover ofusing UAV images[J]. Remote Sensing Technology and Application, 2017, 32(4): 714-720.

[10] 陳柯欣, 叢丕福, 曲麗梅, 等. 黃河三角洲互花米草、堿蓬種群變化及擴(kuò)散模擬[J]. 北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021, 57(1): 128-134.

CHEN Kexin, CONG Pifu, QU Limei, et al. Simulation of dynamic changes and diffusion of typical vegetation populations in coastal wetlands in the Yellow River Delta[J]. Journal of Beijing Normal University (Natural Science), 2021, 57(1): 128-134.

[11] 王娟, 劉紅玉, 李玉鳳, 等. 入侵種互花米草空間擴(kuò)張模式識(shí)別與景觀變化模擬[J]. 生態(tài)學(xué)報(bào), 2018, 38(15): 5413-5422.

WANG Juan, LIU Hongyu, LI Yufeng, et al. Recognition of spatial expansion patterns of invasiveand simulation of the resulting landscape changes[J]. Acta Ecologica Sinica, 2018, 38(15): 5413- 5422.

[12] 魏鵬飛, 徐新剛, 李中元, 等. 基于無(wú)人機(jī)多光譜影像的夏玉米葉片氮含量遙感估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(8): 126-133.

WEI Pengfei, XU Xingang, LI Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(8): 126-133.

[13] 史舟, 梁宗正, 楊媛媛, 等. 農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(2): 247-260. SHI Zhou, LIANG Zongzheng Z, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society of Agricultural Machinery, 2015, 46(2): 247-260.

[14] 李曉敏, 張杰, 馬毅, 等. 基于無(wú)人機(jī)高光譜的外來(lái)入侵種互花米草遙感監(jiān)測(cè)方法研究—以黃河三角洲為研究區(qū)[J]. 海洋科學(xué), 2017, 41(4): 98-107.

LI Xiaomin, ZHANG Jie, MA Yi, et al. Study on monitoring alien invasive speciesusing unmanned aerial vehicle hyperspectral remote sensing-a case study of the Yellow River Delta[J]. Marine Sciences, 2017, 41(4): 98-107.

[15] 周在明, 楊燕明, 陳本清. 基于可見(jiàn)光波段無(wú)人機(jī)影像的入侵物種互花米草提取研究[J]. 亞熱帶資源與環(huán)境學(xué)報(bào), 2017, 12(2): 90-95.

ZHOU Zaiming, YANG Yanming, CHEN Benqing. Study on the extraction of exotic speciesfrom UAV visible images[J]. Journal of Subtropical Resources and Environment, 2017, 12(2): 90-95.

[16] 趙欣怡. 基于時(shí)序光學(xué)和雷達(dá)影像的中國(guó)海岸帶鹽沼植被分類研究[D]. 上海: 華東師范大學(xué), 2020.

ZHAO Xinyi. Classification of salt marsh vegetation in coastal zone of China based on temporal optics and radar images[D]. Shanghai: East China Normal University, 2020.

[17] 董迪, 曾紀(jì)勝, 魏征, 等. 聯(lián)合星載光學(xué)和SAR影像的漳江口紅樹(shù)林與互花米草遙感監(jiān)測(cè)[J]. 熱帶海洋學(xué)報(bào), 2020, 39(2): 107-117.

DONG Di, ZENG Jisheng, WEI Zheng, et al. Integrating spaceborne optical and SAR imagery for monitoring mangroves andin Zhangjiang Estuary[J]. Journal of Tropical Oceanography, 2020, 39(2): 107-117.

[18] 姚春靜. 機(jī)載LiDAR點(diǎn)云數(shù)據(jù)與遙感影像配準(zhǔn)的方法研究[D]. 武漢: 武漢大學(xué), 2010.

YAO Chunjing. Research on registration of LiDAR point data and remote sensing images[D]. Wuhan: Wuhan University, 2010.

[19] 周強(qiáng)鋒. 融合改進(jìn)區(qū)域生長(zhǎng)和圖割理論的SAR圖像分割[J]. 現(xiàn)代防御技術(shù), 2020, 48(4): 73-77.

ZHOU Qiangfeng. SAR image segmentation based on improved region growing and graph cut theory[J]. Modern Defence Technology, 2020, 48(4): 73-77.

[20] 殷瑞娟, 施潤(rùn)和, 李鏡堯. 一種高分辨率遙感影像的最優(yōu)分割尺度自動(dòng)選取方法[J]. 地球信息科學(xué)學(xué)報(bào), 2013, 15(6): 902-910.

YIN Ruijuan, SHI Runhe, LI Jingyao. Automatic selection of optimal segmentation scale of high-resolution remote sensing images[J]. Journal of Geo-information Science, 2013, 15(6): 902-910.

[21] BAATZ M, SCHPE A. An optimization approach for high quality multi-scale image segmentation[C]//Angewandte Geographische Informations-verarbeitung XII. Beitrage Zum AGIT-symposium Salzburg, KarIsruhe, Herbert Wichmann Verlag, 2000: 12-23.

[22] 孫坤, 魯鐵定. 顧及多尺度分割參數(shù)的FNEA面向?qū)ο蠓诸怺J]. 測(cè)繪通報(bào), 2018(3): 43-48.

SUN Kun, LU Tieding.Research on FNEA object-orien-ted classification based on multi-scale partition parameters[J].Bulletin of surveying and mapping, 2018(3): 43-48.

[23] 王慧賢, 靳惠佳, 王嬌龍, 等. k均值聚類引導(dǎo)的遙感影像多尺度分割優(yōu)化方法[J]. 測(cè)繪學(xué)報(bào), 2015, 44(5): 526-532.

WANG Huixian, JIN Huijia, WANG Jiaolong, et al. Optimization approach for multi-scale segmentation of remotely sensed imagery under k-means clustering guidance[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(5): 526-532.

[24] 聶倩, 七珂珂, 趙艷福. 融入超像素分割的高分辨率影像面向?qū)ο蠓诸怺J]. 測(cè)繪通報(bào), 2021(6): 44-49.

NIE Qian, QI Keke, ZHAO Yanfu. Object-oriented classification of high-resolution image combining super-pixel segmentation[J]. Bulletin of Surveying and Mapping, 2021(6): 44-49.

[25] 程遠(yuǎn)國(guó), 唐文杰, 滿欣. 基于剪枝加權(quán)k-NN算法的雷達(dá)電磁行為識(shí)別[J]. 海軍工程大學(xué)學(xué)報(bào), 2020, 32(3): 7-11.

CHENG Yuanguo, TANG Wenjie, MAN Xin. Radar electromagnetic behavior recognition based on Radar electromagnetic behavior recognition based on edited and weighted k-NN algorithm[J]. Journal of Naval University of Engineering, 2020, 32(3): 7-11.

Extraction method ofin the Yellow River Delta based on point cloud and image fusion

CAO Yu-chao1, 2, WANG Jian1, SHAO Wei-zhen3, SUN Wen-xiao4, ZENG Jing-jing5

(1. College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China; 2.Ningbo Alatu Digital Science and Technology Co., Ltd, Ningbo 315042, China; 3. Shandong Xinhui Construction Group Limited Company, Dongying 257091, China; 4.College of Surveying and Geo-Informatics, Shandong Jianzhu University, Jinan 250101, China; 5.Qingdao Institute of Geotechnical Investigation and Surveying Research, Qingdao 266032, China)

Considering the limitations of satellite remote sensing technology for monitoringin coastal wetlands, which are affected by factors such as resolution and climate conditions, and the unstable extraction accuracy offrom single-image data, an object-oriented extraction method ofwas proposed based on unmanned aerial vehiclepoint cloud and image fusion. The point cloud and multispectral images of the Yellow River Delta Nature Reserve were used as the research subjects. First, the extracted vegetation point cloud after ground filtering was combined with the multispectral image for feature optimization. Then, the fused image was segmented by the fractal net evolution approach algorithm. Finally, object-oriented classification was performed based on an improved nearest neighbor algorithm. The producer and user accuracies ofreached 82.53% and 86.43%, respectively, representing improvements of 22.34% and 7.66% compared to results without point cloud fusion. The overall accuracy of the classification results increased from 89.54% to 92.61%. Therefore, image and point cloud fusion can effectively distinguish between the two growth states of. This work demonstrates that the proposed method can effectively improve the extraction accuracy of.

Yellow River Delta; Spartina alterniflora; UAV; data fusion; object-oriented classification

Jan. 14, 2022

TP79

A

1000-3096(2023)5-0131-08

10.11759/hykx20220114001

2022-01-14;

2022-03-09

山東省重大科技創(chuàng)新工程項(xiàng)目(2019JZZY020103)

[Major Scientific and Technological Innovation Projects of Shandong Province, No. 2019JZZY020103]

曹裕超(1997—), 男, 漢族, 江蘇蘇州人, 碩士研究生, 主要從事多源空間數(shù)據(jù)集成與應(yīng)用的研究, E-mail: 1004911295@qq.com; 王健(1974—),通信作者, 女, 漢族, 山東沂水人, 副教授, 主要從事現(xiàn)代測(cè)量數(shù)據(jù)處理理論和LiDAR技術(shù)的研究, E-mail: wangj@sdust. edu.cn

(本文編輯: 楊 悅)