趙 瑩, 王光輝, 任建鋒, 杜文貞, 邱 浩
(1.山東省水利科學(xué)研究院,250010,濟南;2.威海水利工程集團有限公司,264200,山東威海;3.濱州市政務(wù)服務(wù)中心,256600,山東濱州)
林草覆蓋率是生產(chǎn)建設(shè)項目水土流失防治標準中的一項重要指標。在水土保持監(jiān)測中,林草覆蓋率一般采用樣方的監(jiān)測方法,小面積測量經(jīng)常代表性差,大面積調(diào)查受人力、物力等限制。近年來,無人機越來越多地應(yīng)用在水土保持監(jiān)測領(lǐng)域,國內(nèi)學(xué)者基于可見光數(shù)據(jù)在土石方量、水保措施[1]、植被蓋度[2-4]的提取等方面開展了研究。隨著無人機技術(shù)的發(fā)展,無人機搭載多光譜相機獲取多光譜影像,已經(jīng)應(yīng)用到精準農(nóng)業(yè)等領(lǐng)域,如采用多光譜中紅、綠、藍、近紅外、紅邊等波段進行構(gòu)建植被指數(shù),結(jié)合野外實測數(shù)據(jù)建立模型預(yù)測生物多樣性、作物農(nóng)業(yè)參數(shù)[5-8]等;不少學(xué)者們研究發(fā)現(xiàn),不同的分類方法與遙感數(shù)據(jù)結(jié)合可以滿足不同領(lǐng)域測算需求。徐存東等[9]應(yīng)用監(jiān)督分類的5種分類器執(zhí)行分類,支持向量機對于無人機遙感鹽堿地信息提取法優(yōu)于其他方法。孫玉琳等[10]采用8種監(jiān)督分類方法分析研究區(qū)的土地利用狀況,在相同的分類條件下,支持向量機分類精度最高。
目前,高分辨率多光譜影像在水土保持林草覆蓋率監(jiān)測的應(yīng)用較少,且通過比較多種方法,探索不同分類方法在林草覆蓋率監(jiān)測中分類效果的研究也較少。因此,筆者基于無人機多光譜數(shù)據(jù)計算林草覆蓋率,結(jié)果與可見光植被信息提取成果進行對比分析,篩選出最優(yōu)植被指數(shù)及分類方法,以期為快速、準確開展水土保持監(jiān)測提供方法依據(jù)。
研究區(qū)位于山東省東營市墾利區(qū),地理坐標 E 118°15′~119°19′、N 37°24′~38°10′,屬于暖溫帶大陸性季風(fēng)氣候,多年平均氣溫12.1 ℃,年均降水量556 mm。該區(qū)屬暖溫帶落葉闊葉林區(qū),植被組成結(jié)構(gòu)簡單。研究區(qū)1為黃河口生態(tài)旅游區(qū)停車場,地類為灌木、草地和硬化路面;研究區(qū)2為公路及綠化帶(喬、灌、草);研究區(qū)3為采油井附近(灌、草)及鄉(xiāng)村道路;研究區(qū)4為施工區(qū)跡地恢復(fù)過程中的草地。4個研究區(qū)(圖1)分別代表喬、灌、草和硬化面1種、2種或3種不同組合,具有代表性。
圖1 研究區(qū)可見光(RGB)正射影像圖
筆者使用的無人機為大疆精靈4RTK多光譜版,飛行時間為2020年7月。搭載一體式多光譜成像系統(tǒng),6個1/2.9英寸CMOS,包括1個用于可見光成像的彩色傳感器和5個用于多光譜成像的單色傳感器。主要技術(shù)指標:1)多光譜傳感器,波段設(shè)置參數(shù)為藍(B):450 nm±16 nm;綠(G):560 nm±16 nm;紅(R):650 nm±16 nm;紅邊(RE):730 nm±16 nm;近紅外(NIR):840 nm±26 nm;鏡頭焦距為5.74 mm;2)傳感器光譜分辨率均為200萬像素(1 600×1 200);3)空間分辨率為(H/18.9)cm/像素(H為飛行器相對于建圖區(qū)域的飛行高度,m),飛行高度采用90 m,飛行參數(shù)選擇航向重疊率80%、旁向重疊率60%時,GSD約4.76 cm/像素。
數(shù)據(jù)采用DJI Terra軟件進行拼接,形成JPEG(可見光成像)+TIFF(多光譜成像)文件。利用ENVI 5.3軟件,分離可見光JPEG圖像3通道,提取3個單波段(藍B,綠G,紅R)灰度值。將可見光3波段灰度值和多光譜5波段灰度值分別進行組合加權(quán)運算,構(gòu)造新型植被指數(shù)灰度圖。用不同分類方法進行分類提取植被信息,采用混淆矩陣法對結(jié)果進行精度驗證。研究區(qū)對應(yīng)分類方案中采用同一組訓(xùn)練樣本;進行精度驗證時,分類結(jié)果采用同一組驗證樣本。
選擇常見的8種可見光指數(shù)進行建模[4,11-12],分別為紅色度坐標(red,R)、綠色度坐標(green,G)、川島指數(shù)(Kawashima index,IKAW)、可見光波段差異植被指數(shù)(visible light band difference vegetation index,VDVI)、紅綠比指數(shù)(red green ratio index,RGRI)、綠藍比指數(shù)(green blue ratio index,GBRI)、過綠指數(shù)(excess green vegetation index,ExG)、過綠減過紅指數(shù)(excess green minus excess red index,EXG-EXR)。同樣,選擇常見的8種多光譜指數(shù)進行建模[7,11-13],分別為兩波段增強型植被指數(shù)(enhanced vegetation index 2,EVI 2)、優(yōu)化土壤調(diào)節(jié)植被指數(shù)(optimize soil-adjusted vegetation index,OSAVI)、歸一化植被指數(shù)(normalized difference vegetation index,NDVI)、綠色歸一化植被指數(shù)(green normalized difference vegetation index,GNDVI)、綠色比值植被指數(shù)(green ratio vegetation index,GRVI)、紅邊歸一化植被指數(shù)(red edge normalized difference vegetation index,RENDVI)、歸一化差異紅色邊緣指數(shù)(normalized differential red edge index,NDRE)、土壤調(diào)整植被指數(shù)(soil-adjusted vegetation index,SAVI)。
林草覆蓋率定義為“水土流失防治責任范圍內(nèi)林草類植被面積占總面積的比例”(GB/T 50434—2018《生產(chǎn)建設(shè)項目水土流失防治標準》)。根據(jù)定義,林草覆蓋率計算只包括林地、草地植被信息。根據(jù)現(xiàn)有國家標準GB/T 21010—2017《土地現(xiàn)狀利用分類》中,有4種占地類型涉及植被信息,即林地、草地、耕地和園地。如果防治責任范圍內(nèi)有耕地、園地占地類型,采用ENVI 5.3軟件中剪切或掩膜的方法處理,只保留林地、草地。林草覆蓋率=植被信息像元/防治范圍總像元×100%。
面向?qū)ο蟮姆诸惙椒軌蚋映浞值睦眠b感影像中所包含的信息,回避“椒鹽噪聲”等對分類結(jié)果造成的影響[14]。植被信息的提取應(yīng)用ENVI 5.3軟件進行。
閾值分類法:筆者利用已有研究中采取的閾值迭代法[4]。初始閾值t(最大、最小灰度值的平均值)將灰度圖一分為二,求出新閾值T(前景灰度值和背景灰度值所在區(qū)間的平均值)。若T≠t,將T賦予t,循環(huán)迭代,直到滿足T=t,T即為圖像的最佳閾值。
支持向量機分類法:支持向量機是一種監(jiān)督分類的二分類模型[9-10],主要針對小樣本數(shù)據(jù)進行學(xué)習(xí)、分類和預(yù)測。植被信息提取可以看成一種二分類求解問題。進行分類之前先對植被、非植被手工選擇訓(xùn)練樣本,每組各10個,訓(xùn)練樣本在圖像中具有代表性且均勻分布。
在完成分類之后,使用目視判讀的方法從圖像上選取100個植被像元、100個非植被像元分別對2類地物分類結(jié)果計算混淆矩陣[14]進行驗證和精度評價。
以研究區(qū)1為研究對象,可見光、多光譜各選擇常見的8種植被指數(shù)進行建模,得到16種灰度圖(圖2)。經(jīng)過初次分割,植被與非植被之間的分離度增強。可見光植被指數(shù)中R、G、RGRI、IKAW植被亮度低于硬化路面,其他指數(shù)相反??梢姽庵脖恢笖?shù)中RGRI、IKAW、GBRI受到航拍光線影響。多光譜植被指數(shù)GNDVI、OSAVI、NDRE出現(xiàn)塊狀陰影,這是由于無人機在獲取影像時,受到大氣衰減、云霧濃度以及背光和向光等不同程度的影響,會出現(xiàn)亮度和色調(diào)的差異,進而影響鑲嵌的質(zhì)量。
R: Red. G: Green. EXG: Excess green vegetation index. EXG-EXR: Excess green minus excess red index. VDVI: Visible light band difference vegetation index. RGRI: Red green ratio index. IKAW: Kawashima index. GBRI: Green blue ratio index. SAVI: Soil-adjusted vegetation index. RENDVI: Red edge normalized difference vegetation index. EVI2: Enhanced vegetation index2. NDVI: Normalized difference vegetation index. GRVI: Green ratio vegetation index. GNDVI: Green normalized difference vegetation index. OSAVI: Optimized soil-adjusted vegetation index. NDRE: Normalized differential red edge index. The same below.
對可見光、多光譜植被指數(shù)計算結(jié)果采用閾值分類方法提取植被信息(圖3)??梢?整體上多光譜提取植被信息效果比可見光效果好??梢姽釭、R指數(shù)的提取效果較好,EXG、EXG-EXR、VDVI有部分漏分,而RGRI、IKAW、GBRI出現(xiàn)嚴重的錯分和漏分,這與指數(shù)計算結(jié)果受光照條件出現(xiàn)明暗不均勻有關(guān),進而影響分類結(jié)果。而多光譜指數(shù)分類的過程中,整體上都表現(xiàn)出較好的分類效果,只有NDRE在低植被覆蓋區(qū)有很少部分漏分。由此得出,可見光植被指數(shù)更容易受到光線照射的強弱影響。
圖3 可見光、多光譜植被信息提取結(jié)果(閾值法)
同樣,用支持向量機分類方法提取植被信息,結(jié)果見圖4。多光譜指數(shù)分類效果要比可見光指數(shù)效果好,這與閾值分類方法結(jié)論一致。對比不同方法的分類結(jié)果可以看出,可見光閾值法分類效果優(yōu)于支持向量機,在支持向量機法分類中,錯分、漏分情況較多。多光譜指數(shù)兩者分類效果差別不大,即在多光譜指數(shù)分類的情況下,閾值分類、支持向量機2種方法都可以使用,而且支持向量機方法只需建立很少的訓(xùn)練樣本,計算要相對簡單快捷。
圖4 可見光、多光譜植被信息提取結(jié)果(支持向量機)
由同一驗證樣本,利用混淆矩陣對結(jié)果正確率進行驗證,見表1。無論是閾值法還是支持向量機的分類方法,多光譜植被指數(shù)提取植被信息整體都有較高的正確率,Kappa系數(shù)>0.9??梢姽庵脖恢笖?shù)分類結(jié)果中,閾值法要比支持向量機算法分類效果好,Kappa系數(shù)在0.9以上有3個,支持向量機都<0.9。在8種可見光植被指數(shù)中,G、R、EXG、EXG-EXR植被指數(shù)提取效果優(yōu)于其他可見光指數(shù),Kappa系數(shù)都>0.8。這與以往的研究結(jié)果[12]相符合。
表1 植被信息分類精度評價
把Kappa系數(shù)>0.9所有植被指數(shù)進行排序(表2)。其中可見光植被指數(shù)有3種,即R、G、EXG,都是用閾值法進行分類。其他16個植被指數(shù),都是多光譜植被指數(shù),而且是由8種相同的植被指數(shù)(2種分類方法)出現(xiàn)2次構(gòu)成。所以,在多光譜植被指數(shù)應(yīng)用到植被分類中,提取結(jié)果與實際結(jié)果具有高度一致性,8種多光譜植被指數(shù)都可以很好應(yīng)用,其中GRVI、SAVI、GNDVI、NDRE優(yōu)選支持向量機法分類,RENDVI、EVI 2、NDVI、OSAVI優(yōu)選閾值分類方法。
表2 植被分類精度結(jié)果排序
為了更好地驗證植被指數(shù)及分類方法的適用性和準確性,選擇3個研究小區(qū)(研究區(qū)2、研究區(qū)3、研究區(qū)4),選取可見光與多光譜數(shù)據(jù)源中精度較高各3種植被指數(shù)(多光譜GRVI、SAVI、RENDVI,可見光R、G、EXG)進行植被信息提取(圖5)。3幅實驗影像同一時間段拍攝。植被分類精度、林草覆蓋率計算結(jié)果如表3。由實驗結(jié)果可知,在研究區(qū)3、研究區(qū)4中,6種植被指數(shù)均獲得較佳的分類效果,分類精度Kappa系數(shù)都>0.8,整體上多光譜要優(yōu)于可見光。在研究區(qū)2中,單波段可見光G、R分類后存在明顯的陰影區(qū)域,分類精度較低,而多光譜分類效果較好,沒有出現(xiàn)此類現(xiàn)象。
表3 植被分類精度評價及林草覆蓋率計算表
圖5 精度較高指數(shù)的分類結(jié)果(可見光3種,多光譜3種)
在研究區(qū)2中(圖6),由于喬木自身高度和太陽高度角的存在產(chǎn)生陰影,可見光G、R由于陰影的灰度值和植被內(nèi)部灰度值有相同部分,將少部分樹影信息錯分為植被信息,影響分類結(jié)果。而可見光EXG和多光譜指數(shù),通過波段處理減少陰影的干擾,使植被信息與其他信息在影像中區(qū)分更加明顯,能有效地抑制喬木陰影信息,不會過多地造成錯分現(xiàn)象。這和一些學(xué)者利用不同波段特性及波段運算方式,構(gòu)建植被指數(shù)以增強植被信息達到消除陰影影響的研究非常相似[15-17]。雖然本研究選取的指數(shù)能去除陰影效果,但研究范圍局限于1個研究區(qū)類型,其他場景能否使用有待研究。下一步在研究基礎(chǔ)上可更深入研究構(gòu)建“陰影消除植被指數(shù)”,以提高特殊情況下分類精度。
圖6 研究區(qū)2植被指數(shù)圖
綜上所述,多光譜植被指數(shù)在3個研究區(qū)均獲得較好的植被信息識別效果,具有較好的適用性和穩(wěn)定性,其中RENDVI表現(xiàn)最優(yōu)??梢姽庵脖恢笖?shù)在正常的影像中可獲得較好的識別,EXG表現(xiàn)最優(yōu)。但存在陰影的情況下,單波段指數(shù)G、R區(qū)分陰影與植被相似的部分信息的能力較弱。所以在可見光應(yīng)用中,在拍攝時間的選擇上注意盡量避免陰影的產(chǎn)生。
1)與同類研究相銜接,筆者選取16種植被指數(shù)(多光譜8種、可見光8種)提取植被信息,用混淆矩陣方式對提取精度進行驗證,其中,8種多光譜植被指數(shù)和3種可見光植被指數(shù)的Kappa系數(shù)均為0.90以上。以上11種植被指數(shù)分類效果可滿足實際應(yīng)用需求,實現(xiàn)生產(chǎn)建設(shè)項目水土保持林草覆蓋率準確計算。
2)面向?qū)ο蟮姆椒?能夠充分挖掘無人機影像的大部分特征信息,有效實現(xiàn)對植被信息的快速、精準識別。閾值法的準確率大于支持向量機分類法。滿足要求的11種植被指數(shù)中,多光譜植被指數(shù)分類的方法GRVI、SAVI、GNDVI、NDRE為支持向量機分類法,RENDVI、EVI2、NDVI、OSAVI采用閾值分類法;可見光植被指數(shù)R、G、EXG均采用閾值法。
3)在3個研究區(qū)適應(yīng)性驗證實驗結(jié)果表明,在正常狀況下,多光譜和可見光植被指數(shù)均獲得較好的植被信息識別效果來計算林草覆蓋率;在有陰影存在情況下,單波段可見光R、G有錯分現(xiàn)象,可見光EXG和多光譜指數(shù)通過波段處理減少陰影的干擾。多光譜植被指數(shù)具有更好的適用性和穩(wěn)定性。