陳遜龍 孫一銘 郭仕杰 段煜柯 唐桉琦 葉章熙 張厚喜

(福建農(nóng)林大學(xué),福州,350002)

城市樹(shù)木作為城市的重要組成部分是評(píng)估城市生態(tài)環(huán)境的重要指標(biāo)之一,具有重要的生態(tài)、經(jīng)濟(jì)和社會(huì)效益[1]。隨著城市化進(jìn)程的不斷深化,城市樹(shù)木的生態(tài)效益也日漸凸顯。然而,不同種類(lèi)、種植結(jié)構(gòu)和種植區(qū)域的城市樹(shù)木會(huì)產(chǎn)生不同的生態(tài)環(huán)境效益[2]。因此,及時(shí)準(zhǔn)確地獲取城市樹(shù)種的類(lèi)別和空間分布信息對(duì)城市規(guī)劃、城市樹(shù)木的管理與維護(hù)具有重要意義[3]。

傳統(tǒng)的城市樹(shù)種分類(lèi)主要依靠地面調(diào)查,然而該方法存在成本高、耗時(shí)長(zhǎng)且難以獲取大尺度數(shù)據(jù)等不足[4]。近年來(lái),遙感技術(shù)飛速發(fā)展,為城市樹(shù)種的準(zhǔn)確快速識(shí)別提供了新的途徑。然而,傳統(tǒng)的高分辨率衛(wèi)星遙感影像易受天氣和環(huán)境因素干擾、時(shí)效性較差且費(fèi)用昂貴。此外,免費(fèi)提供的衛(wèi)星遙感影像空間分辨率低,難以適用于樹(shù)種層面的識(shí)別研究[5]。相比傳統(tǒng)的遙感平臺(tái),近地?zé)o人機(jī)(UAV)能在較小空間尺度上提供高分辨率的遙感影像和地理數(shù)據(jù),具有更高的適用性,是遙感數(shù)據(jù)獲取的重要手段之一[6]。然而,目前有關(guān)樹(shù)種信息提取的無(wú)人機(jī)遙感研究多集中于多光譜、高光譜影像的分類(lèi)領(lǐng)域,但由于搭載多光譜、高光譜傳感器的無(wú)人機(jī)普遍價(jià)格昂貴,極大地限制了其在實(shí)際生產(chǎn)中的推廣應(yīng)用。隨著數(shù)碼技術(shù)的發(fā)展,通過(guò)搭載可見(jiàn)光傳感器的無(wú)人機(jī)獲取包含樹(shù)種信息的遙感影像,具有獲取方便、成本低、空間分辨率高等優(yōu)點(diǎn),已成為遙感影像識(shí)別樹(shù)種研究方向上重要的數(shù)據(jù)源之一[7]。

根據(jù)遙感影像分類(lèi)單元的不同,可將分類(lèi)方法歸為基于像元和面向?qū)ο髢深?lèi)?；谙裨姆椒ㄖ饕P(guān)注局部像素的光譜信息,在處理高分辨率遙感影像時(shí)對(duì)噪聲比較敏感、穩(wěn)健性差,極易出現(xiàn)錯(cuò)分、漏分現(xiàn)象[8]。為彌補(bǔ)基于像元方法的不足,面向?qū)ο蟮挠跋穹治黾夹g(shù)(OBIA)逐漸被用于處理高分辨率遙感影像[9]。OBIA方法綜合考慮區(qū)域相鄰像素的紋理、形態(tài)以及空間結(jié)構(gòu)等多維特征,減少了“椒鹽噪聲”的同時(shí),通常具有更高的準(zhǔn)確率[10]。然而,隨著特征維數(shù)的增加,數(shù)據(jù)處理的難度呈幾何倍數(shù)增長(zhǎng),使得傳統(tǒng)分類(lèi)算法的應(yīng)用受到一定限制。隨機(jī)森林(RF)是一種基于集成學(xué)習(xí)思想集成多顆決策樹(shù)的機(jī)器學(xué)習(xí)算法,通過(guò)對(duì)樣本的決策樹(shù)建模以及組合多棵決策樹(shù)的預(yù)測(cè),最終由分類(lèi)樹(shù)投票決定數(shù)據(jù)的分類(lèi)[11]。隨機(jī)森林算法不僅具有模型簡(jiǎn)單、分類(lèi)精度更高、校正參數(shù)更少的特點(diǎn),而且魯棒性強(qiáng),不易過(guò)擬合,在遙感領(lǐng)域高維特征分類(lèi)中得到廣泛應(yīng)用[12]。

面向?qū)ο蠓椒梢杂行p少“同物異譜”現(xiàn)象,而隨機(jī)森林算法在處理高維數(shù)據(jù)時(shí)有其獨(dú)特的性能優(yōu)勢(shì),二者的結(jié)合在一定程度上提高了分類(lèi)精度。宗影等[13]將面向?qū)ο蠓椒ê碗S機(jī)森林算法的有機(jī)結(jié)合,有效提高了濱海濕地植被的分類(lèi)精度,總體精度達(dá)87.07%;趙士肄等[14]將面向?qū)ο蠓椒ê碗S機(jī)森林算法應(yīng)用于耕地領(lǐng)域,并與其他機(jī)器學(xué)習(xí)分類(lèi)算法進(jìn)行對(duì)比驗(yàn)證,結(jié)果表明基于面向?qū)ο蟮碾S機(jī)森林模型取得了最高的耕地提取精度,并減弱了“椒鹽”噪聲,優(yōu)化了分類(lèi)結(jié)果;耿仁方等[15]研究結(jié)果表明,基于面向?qū)ο蠼Y(jié)合隨機(jī)森林算法對(duì)巖溶濕地植被具有較高的識(shí)別能力,在95%置信區(qū)間內(nèi)的總體精度為86.75%。雖然該方法的研究已經(jīng)取得了一定的成功,但不同類(lèi)型的特征對(duì)城市樹(shù)種信息提取效果的影響尚不明確。因此,面向?qū)ο蠼Y(jié)合隨機(jī)森林的方法對(duì)于城市樹(shù)種分類(lèi)的效果有待進(jìn)一步探討。此外,目前主流的數(shù)據(jù)源是大尺度的衛(wèi)星影像和航空影像,或者是特征信息更加豐富的多光譜和激光雷達(dá)影像,而消費(fèi)級(jí)無(wú)人機(jī)可見(jiàn)光影像在城市樹(shù)種的精細(xì)分類(lèi)方面還鮮有報(bào)道。因此,本文以福州市倉(cāng)山區(qū)無(wú)人機(jī)可見(jiàn)光影像為研究對(duì)象,基于OBIA-RF模型,通過(guò)特征優(yōu)選,構(gòu)建最佳子集并比較不同機(jī)器學(xué)習(xí)算法的分類(lèi)精度,并分析不同特征對(duì)城市樹(shù)種分類(lèi)的影響,構(gòu)建該研究區(qū)城市行道樹(shù)的最佳特征子集,比較不同分類(lèi)算法對(duì)城市樹(shù)種的分類(lèi)效果,進(jìn)一步評(píng)估OBIA-RF模型的分類(lèi)性能和適用性,為城市生態(tài)系統(tǒng)保護(hù)及生態(tài)環(huán)境治理提供技術(shù)支持。

1 研究區(qū)概況

研究區(qū)位于福建省福州市倉(cāng)山區(qū)(見(jiàn)圖1),該區(qū)域?qū)儆谀蟻啛釒ШＱ笮约撅L(fēng)氣候溫暖濕潤(rùn),冬季無(wú)嚴(yán)寒,夏季無(wú)酷暑。年日照時(shí)間1 700～1 980 h,年降水量900～2 100 mm,氣溫20～25 ℃。福州市倉(cāng)山區(qū)典型樹(shù)種包括白蘭(Michelia×alba)、荔枝(Litchichinensis)、芒果(Mangiferaindica)、南洋楹(Falcatariafalcata)、榕樹(shù)(Ficusmicrocarpa)、棕櫚(Trachycarpusfortunei)、樟(Cinnamomumcamphora)等。研究區(qū)地勢(shì)平坦,自然環(huán)境相對(duì)復(fù)雜,具備城市的基本特征,對(duì)研究城市樹(shù)種分類(lèi)具有一定的代表性。

2 研究方法

2.1 無(wú)人機(jī)數(shù)據(jù)采集與預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)于2020年2月8日采集,采用搭載FC6310S可見(jiàn)光鏡頭的大疆精靈4Pro(DJI Phantom 4Pro)無(wú)人機(jī)進(jìn)行航拍獲取研究區(qū)影像,為削弱陰影對(duì)分類(lèi)過(guò)程的干擾,選擇天氣狀況良好無(wú)風(fēng)有云的時(shí)間段進(jìn)行作業(yè)。飛行相關(guān)參數(shù)設(shè)置如下：航高設(shè)置為60 m,航向與旁向重疊率均為70%,鏡頭角度-90°,光圈值f/5,曝光時(shí)間1/200 s,IOS速度為IOS-400。本次飛行共獲得450張航拍影像,照片分辨率為5 472×3 078。通過(guò)瑞士Pix4Dmapper專(zhuān)業(yè)攝影測(cè)量軟件對(duì)所采集的原始數(shù)據(jù)進(jìn)行空中三角測(cè)量、點(diǎn)云重建、裁切以及鑲嵌等操作,得到研究區(qū)的正射影像(DOM)和數(shù)字地表模型(DSM)。

為了精確獲得研究區(qū)的道路信息,采用天地圖在線(xiàn)矢量影像作為輔助信息,并通過(guò)手繪的方式提取道路矢量數(shù)據(jù)。根據(jù)實(shí)際調(diào)查情況,利用緩沖分析,將緩沖距離設(shè)置為5 m,得到了行道樹(shù)的矢量分布圖,然后,將矢量布圖與原始影像疊加,最終裁剪出了研究區(qū)影像。

2.2 地形特征提取

歸一化數(shù)字表面模型(nDSM)是一種反映地物絕對(duì)高度的高程模型[16],可為地物判別提供可靠依據(jù)。使用ArcMap10.2軟件進(jìn)行地形特征提取。首先,通過(guò)人工目視解譯方法從DSM中選取950個(gè)地面點(diǎn),并批量提取柵格的高程信息,其中100個(gè)樣本點(diǎn)的高程數(shù)據(jù)用以驗(yàn)證精度。其次采用插值的方法生成數(shù)字高程模型(DEM)。為獲取更加精確的地面高程信息,比較常見(jiàn)的插值方法(克里金插值法、反距離權(quán)重法、樣條插值法以及自然鄰域法)生成的數(shù)字高程模型(DEM),以均方根誤差、平均絕對(duì)值誤差和決定系數(shù)(R2)作為評(píng)分指標(biāo)(見(jiàn)表1)。4種插值方法均可得到較高精度的DEM數(shù)據(jù),綜合考慮決定系數(shù)(R2)、平均絕對(duì)值誤差以及均方根誤差,最終確定采用克里金插值法生成連續(xù)的DEM數(shù)據(jù)。最后,根據(jù)已生成的DEM數(shù)據(jù),利用ArcMap10.2軟件中的柵格計(jì)算器,將DSM數(shù)據(jù)與DEM數(shù)據(jù)相減得到nDSM數(shù)據(jù)[17]。

圖1 研究區(qū)概況圖

表1 不同插值方法精度評(píng)價(jià)

2.3 最佳分割尺度確定

影像分割是面向?qū)ο蠓椒ㄖ兄陵P(guān)重要的初始環(huán)節(jié),分割結(jié)果將直接影響分類(lèi)精度[18]。本研究采用尺度參數(shù)評(píng)價(jià)工具(ESP2),結(jié)合目視解譯的方法確定最佳分割尺度,所有圖像分割過(guò)程均在eCognition9.0 Developer 9.0軟件完成。ESP2是用以評(píng)價(jià)不同尺度影像整體最大差異性的工具,通過(guò)計(jì)算整體局部方差均值隨尺度變化率評(píng)估不同地物所對(duì)應(yīng)的最佳尺度參數(shù)[19]。而ESP2計(jì)算出的尺度參數(shù)往往是多個(gè)值,需要結(jié)合人工目視才能確定最佳分割尺度。形狀參數(shù)和緊致度參數(shù)是準(zhǔn)確表示不同樹(shù)種輪廓,使得對(duì)象內(nèi)部同質(zhì)性高的關(guān)鍵。綜合考慮無(wú)人機(jī)影像的特點(diǎn)以及影像對(duì)象形狀和緊致度因子的相互關(guān)系,將形狀參數(shù)設(shè)置為0.5,緊致度參數(shù)設(shè)置為0.3。其他必要參數(shù)為：各波段的權(quán)重值設(shè)置為1、起始分割尺度為40、分割步長(zhǎng)為1、迭代80次。隨著尺度的增大,局部方差均值整體呈現(xiàn)上升的趨勢(shì),而尺度變化率呈現(xiàn)下降的趨勢(shì)(見(jiàn)圖2)。為了獲得圖像的過(guò)分割和欠分割之間的臨界值,選取尺度變化率峰值為51、57、76、80、89、104、109和118作為相對(duì)最佳分割尺度參數(shù),采用多尺度分割算法得到分割結(jié)果(見(jiàn)圖3)。當(dāng)分割尺度參數(shù)設(shè)置較大(分割尺度參數(shù)大于104)時(shí),白蘭、榕樹(shù)和背景多處被劃分為同一個(gè)對(duì)象,不同樹(shù)種存在混淆現(xiàn)象難以被區(qū)分。當(dāng)分割尺度參數(shù)設(shè)置較小(分割尺度小于76)時(shí),不同地物內(nèi)部出現(xiàn)了過(guò)分割現(xiàn)象,增加了數(shù)據(jù)冗余。當(dāng)分割尺度參數(shù)設(shè)置76～89時(shí),植被與背景區(qū)分相對(duì)明顯,不同的樹(shù)種之間能夠被分割成獨(dú)立的對(duì)象,整體分割效果較為理想。權(quán)衡分割效果與實(shí)際情況的吻合度,最終確定研究區(qū)無(wú)人機(jī)影像最佳分割尺度參數(shù)為76,并利用該分割尺度參數(shù)進(jìn)行城市行道樹(shù)提取。

圖2 ESP2最佳分割尺度估計(jì)圖

圖3 不同尺度參數(shù)分割效果圖

2.4 對(duì)象光譜特征提取

光譜特征是遙感影像的重要特征之一,地物通常具有不同的光譜特征,因此根據(jù)可見(jiàn)光影像中的地物光譜信息的差異可以用來(lái)區(qū)分不同的地物類(lèi)型[20]。植被指數(shù)利用植被在不同波段下反射和吸收的特性,增強(qiáng)植被信息的同時(shí)使非植被信息最小化[21],被廣泛應(yīng)用于林業(yè)病蟲(chóng)害防治、農(nóng)作物生長(zhǎng)量估計(jì)、生態(tài)環(huán)境監(jiān)測(cè)等領(lǐng)域[22]。在遙感圖像中,不同地物通常具有復(fù)雜程度不同的邊緣特征,因此,形狀特征可以作為快速準(zhǔn)確識(shí)別地物類(lèi)型的有效手段[23]。紋理特征是遙感影像的底層特征,不受圖像亮度的影響,能夠綜合反映像素的灰度分布和結(jié)構(gòu)信息,利用紋理特征可以有效彌補(bǔ)可見(jiàn)光影像光譜信息的不足[6]。在面向?qū)ο蟮姆诸?lèi)過(guò)程中,結(jié)合紋理特征對(duì)于提升分類(lèi)精度效果顯著[24]。地形特征能真實(shí)反映不同地物的高程信息,在影像分類(lèi)過(guò)程中對(duì)于區(qū)分不同類(lèi)型的地物具有重要意義。因此,本研究共選取光譜、指數(shù)、紋理、幾何以及地形5大特征,剔除無(wú)效特征篩選出40個(gè)子特征,具體如下：

(1)光譜特征(SPEC)：主要包括：紅色(R)波段的像元亮度的均值(MR)、綠色(G)波段的像元亮度的均值(MG)、藍(lán)色(B)波段像元亮度的均值(MB)、最大差異值(Md)、亮度值(Br)。

(2)指數(shù)特征(INDE)：包括植被顏色指數(shù)(ICIVE)、可見(jiàn)光波段差異植被指數(shù)(IVDVI)、聯(lián)合指數(shù)2(ICOM2)、超綠指數(shù)(IEXG)、超綠超紅差分指數(shù)(IEXGR)、植被指數(shù)(IVGE)、歸一化紅綠差異指數(shù)(INGRDI)以及歸一化綠藍(lán)差異指數(shù)(INGBDI)(見(jiàn)表2)。

(3)幾何特征(GEOM)：包括面積、邊界長(zhǎng)、寬度、長(zhǎng)度、不對(duì)稱(chēng)性、長(zhǎng)寬比、邊界指數(shù)、圓度、像素個(gè)數(shù)、緊致度、體積、密度、橢圓擬合、主方向、形狀指數(shù)、最大封閉橢圓半徑、最小封閉橢圓半徑以及矩形擬合。

(4)紋理特征(GLCM)：基于灰度共生矩陣(GLCM)提取影像的紋理特征,包括對(duì)比度(TCON)、相關(guān)性(TCOR)、相異性(TDIS)、熵(TENT)、同質(zhì)度(THOM)、均值(TMEA)、角二階矩(TASM)和標(biāo)準(zhǔn)差(TSD)等特征值[6](見(jiàn)表3)。

(5)地形特征：歸一化數(shù)字表面模型(nDSM)。

表2 植被指數(shù)及表達(dá)式

表3 紋理特征及表達(dá)式

2.5 試驗(yàn)樣本選取

本實(shí)驗(yàn)通過(guò)實(shí)地調(diào)查獲取樣本數(shù)據(jù)。調(diào)查者沿著研究區(qū)的主要道路記錄了綠化樹(shù)種,并排除了數(shù)量較少或被其他冠層遮擋的樹(shù)種,最終確定了7類(lèi)樹(shù)種(白蘭(Michelia×alba)、荔枝(Litchichinensis)、芒果(Mangiferaindica)、南洋楹(Falcatariafalcata)、榕樹(shù)(Ficusmicrocarpa)、棕櫚(Trachycarpusfortunei)、樟(Cinnamomumcamphora))以及草地、灌木作為研究對(duì)象。根據(jù)遙感影像中不同地物類(lèi)型的分布位置與大致面積比例,共選取了1100個(gè)樣本點(diǎn)。為了避免較小的樣本數(shù)量影響模型分類(lèi)精度,將最小樣本數(shù)量設(shè)置為60。采用Scikit-learn中內(nèi)置的train_test_split函數(shù)進(jìn)行分層抽樣,按7：3的比例將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集(見(jiàn)表4),使各類(lèi)別樣本點(diǎn)數(shù)量大致與該類(lèi)別的總面積成比例。訓(xùn)練集用于構(gòu)建分類(lèi)模型,測(cè)試集用于驗(yàn)證分類(lèi)精度。

表4 訓(xùn)練和驗(yàn)證樣本

2.6 分類(lèi)模型與參數(shù)優(yōu)化

2.6.1 隨機(jī)森林算法

隨機(jī)森林算法(RF)是一種通過(guò)集成學(xué)習(xí)的裝袋思想將多棵決策樹(shù)集合起來(lái)的算法,每棵決策樹(shù)都充當(dāng)預(yù)測(cè)目標(biāo)類(lèi)別的分類(lèi)器。隨機(jī)森林模型在樣本數(shù)據(jù)和分類(lèi)特征選擇方面具有隨機(jī)性,不容易過(guò)擬合,并且表現(xiàn)出良好的穩(wěn)健性,即使在處理具有缺失值的高維數(shù)據(jù)時(shí),仍能保持較高的分類(lèi)精度。因此,它被認(rèn)為是當(dāng)今最好的算法之一[32]。目前,隨機(jī)森林算法已經(jīng)廣泛集成在各種軟件包中,使用Stata數(shù)據(jù)管理統(tǒng)計(jì)繪圖軟件、R語(yǔ)言統(tǒng)計(jì)軟件可以輕松實(shí)現(xiàn)。在模型構(gòu)造的過(guò)程中,通常只需要確定每個(gè)樹(shù)節(jié)點(diǎn)包含的特征數(shù)量(M)以及決策樹(shù)數(shù)量(N),就足以保證模型的性能[33]。

本文采取遞歸特征消除法(RFE)[34]結(jié)合交叉驗(yàn)證(Cross-Validation)確定最佳特征數(shù)(見(jiàn)圖4)。隨著特征維數(shù)的增加,整體分類(lèi)精度曲線(xiàn)經(jīng)歷“幾何增長(zhǎng)”、“緩慢上升”這個(gè)兩個(gè)階段后趨于平穩(wěn)。當(dāng)特征數(shù)為20時(shí),各分類(lèi)精度曲線(xiàn)均處于相對(duì)最高點(diǎn),因此最終將特征數(shù)量的參數(shù)設(shè)置為20。

在使用裝袋方法生成訓(xùn)練集的過(guò)程中,隨機(jī)森林算法會(huì)導(dǎo)致原始數(shù)據(jù)集中大約37%的數(shù)據(jù)未被抽到,這部分?jǐn)?shù)據(jù)被稱(chēng)為袋外(OOB)數(shù)據(jù)。利用袋外數(shù)據(jù)對(duì)隨機(jī)森林模型進(jìn)行評(píng)估是一種無(wú)偏估計(jì)方法,且在一定程度上能減少計(jì)算量,提高算法的運(yùn)行效率[35]。因此,本文采取遍歷不同數(shù)量(1～1 000)決策樹(shù)的方法,通過(guò)比較袋外誤差的大小,確定最佳的決策樹(shù)數(shù)量(見(jiàn)圖5)。當(dāng)決策樹(shù)數(shù)量小于85時(shí),不同子集的袋外數(shù)據(jù)誤差均隨著決策樹(shù)數(shù)量的增加而急劇下降,而后隨著決策樹(shù)數(shù)量的增加袋外數(shù)據(jù)誤差的下降速度逐漸遲緩,當(dāng)決策樹(shù)數(shù)量為200時(shí),袋外數(shù)據(jù)誤差處于相對(duì)最低點(diǎn)。因此,選擇決策樹(shù)的最佳數(shù)量為200。

圖4 模型分類(lèi)精度與特征數(shù)的關(guān)系曲線(xiàn)

圖5 袋外誤差與決策樹(shù)數(shù)量的關(guān)系曲線(xiàn)

2.6.2 其他分類(lèi)模型

為充分探索隨機(jī)森林算法對(duì)城市樹(shù)種信息提取的適用性,引入當(dāng)下流行的機(jī)器學(xué)習(xí)算法作為對(duì)照,包括極致梯度提升(XGBoost)、輕量級(jí)梯度提升機(jī)(LightGBM)以及k最近鄰算法(KNN)。XGBoost是一種基于增強(qiáng)學(xué)習(xí)(Boosting)的集成算法,它通過(guò)在梯度下降方向上將弱分類(lèi)器集成到強(qiáng)分類(lèi)器中,并迭代生成新樹(shù)以擬合先前樹(shù)的殘差。XGBoost能夠自動(dòng)利用中央處理器(CPU)的多線(xiàn)程進(jìn)行分布式學(xué)習(xí)和多核計(jì)算,在保證分類(lèi)準(zhǔn)確度的前提下提高計(jì)算效率,尤其適用于處理大規(guī)模數(shù)據(jù)[36-37]。LightGBM也屬于增強(qiáng)學(xué)習(xí)方法,基本原理與XGBoost相似。但LightGBM使用基于直方圖的決策樹(shù)算法來(lái)減少存儲(chǔ)與計(jì)算成本,并優(yōu)化模型訓(xùn)練速度[38]。KNN算法是一種近似自變量與連續(xù)結(jié)果之間的關(guān)系的非參數(shù)方法[39],其基本思路是通過(guò)計(jì)算待分類(lèi)樣本與臨近樣本的距離(歐氏距離、曼哈頓距離)來(lái)確定所屬類(lèi)別,是一種簡(jiǎn)單而有效的分類(lèi)算法。為了防止過(guò)擬合,本研究在Jupyter Notebook平臺(tái)上利用Scikit-learn庫(kù)中的GridSearchCV包對(duì)這3種分類(lèi)器參數(shù)進(jìn)行了調(diào)優(yōu)(見(jiàn)表5)。

表5 不同分類(lèi)器的超參數(shù)

2.7 試驗(yàn)方案構(gòu)建

不同樹(shù)種之間單一特征的差異有限,難以滿(mǎn)足樹(shù)種分類(lèi)的要求。因此,本研究采取增加特征數(shù)量的方式來(lái)提高分類(lèi)精度,并探究不同特征組合對(duì)分類(lèi)結(jié)果的影響(見(jiàn)表6)。

表6 研究區(qū)各地物特征值

續(xù)(表6)

根據(jù)優(yōu)選特征貢獻(xiàn)率(見(jiàn)表7),將所選取的5大特征組合形成了10種試驗(yàn)方案(S1～S10)。光譜特征作為每幅遙感影像的基本特征,作為基礎(chǔ)被納入到這10種方案的構(gòu)建中。其中,S1僅包含光譜特征;為了全面探究其他特征對(duì)分類(lèi)結(jié)果的影響,在S1基礎(chǔ)上引入了地形、指數(shù)、紋理等3個(gè)總體特征貢獻(xiàn)率較高的特征,通過(guò)遍歷這3個(gè)特征的各種組合得到了S2～S8;S9包含了所有的特征;根據(jù)20個(gè)優(yōu)選特征組合建立S10,具體的分類(lèi)方案見(jiàn)表8。

表7 優(yōu)選特征重要性

表8 分類(lèi)方案

2.8 精度評(píng)價(jià)

本文根據(jù)混淆矩陣對(duì)模型的分類(lèi)精度進(jìn)行定量評(píng)價(jià)?；煜仃囈卜Q(chēng)為誤差矩陣,是遙感影像二分類(lèi)問(wèn)題上的一種評(píng)價(jià)方法,反映了分類(lèi)結(jié)果與真實(shí)地物類(lèi)別之間的相關(guān)性[40]?；煜仃嚨脑u(píng)價(jià)指標(biāo)包括總體精度(OA)、Kappa系數(shù)(Kp)、生產(chǎn)者精度(PA)以及用戶(hù)精度(UA)。其中,總體精度指正確分類(lèi)樣本與總體樣本的比值;生產(chǎn)者精度指分類(lèi)結(jié)果與參考分類(lèi)相符合的程度;用戶(hù)精度指樣本分類(lèi)正確的可能性;Kappa系數(shù)是用于檢驗(yàn)遙感影像分類(lèi)結(jié)果的一致性,也可以用以均衡分類(lèi)效果[41]。各指標(biāo)計(jì)算公式如下：

PA=xii/x+i;

UA=xii/xi+。

式中：N為參與評(píng)價(jià)的樣本總數(shù);n為混淆矩陣的行列數(shù);xii為混淆矩陣第i行、第i列上的樣本數(shù);xi+和x+i分別為第i行和第i列的樣本總數(shù)。

3 結(jié)果與分析

3.1 隨機(jī)森林算法的不同分類(lèi)方案精度

由表9可知,隨著不同特征類(lèi)型數(shù)量的增加,總體分類(lèi)精度和kappa系數(shù)整體呈上升趨勢(shì)。其中,僅利用光譜特征作為分類(lèi)依據(jù)的方案S1精度最低,總體精度和kappa系數(shù)分別為82.12%和0.79,說(shuō)明光譜特征是遙感影像最重要的特征之一,但僅利用光譜特征難以達(dá)到所需的分類(lèi)精度。方案S2～S4是在S1的基礎(chǔ)上分別加上地形、指數(shù)和紋理特征,相比方案S1,這3個(gè)方案的總體分類(lèi)精度分別提高了5.15%、4.55%、1.82%,kappa系數(shù)分別提高了0.06、0.06、0.03。在分類(lèi)過(guò)程中,地形特征相較于指數(shù)和紋理特征扮演著更重要的角色,大幅提高了分類(lèi)精度。方案S5～S7是在光譜特征的基礎(chǔ)上加入地形、指數(shù)和紋理特征的兩兩組合,旨在研究它們之間的相互作用對(duì)分類(lèi)精度的影響。整體而言,與S2～S4相比,這3個(gè)方案的總體分類(lèi)精度呈上升趨勢(shì)。其中,S6具有最高的總體精度和kappa系數(shù),分別達(dá)到90%和0.88;其次是S7,和S1相比,總體精度和kappa系數(shù)分別提高了7.27%和0.09;而S5總體精度和kappa系數(shù)只增長(zhǎng)了6.36%和0.08。表明地形與指數(shù)特征交互作用在分類(lèi)過(guò)程中提供了更大的貢獻(xiàn)度。方案S8是由特征重要性靠前的光譜、地形、指數(shù)以及紋理特征構(gòu)成。與包含所有特征的方案S9相比,S8反而具有更高的總體分類(lèi)精度和kappa系數(shù),分別達(dá)到92.12%和0.91。表明幾何特征對(duì)分類(lèi)精度具有負(fù)向影響,它的加入降低了分類(lèi)精度。方案S10由優(yōu)選特征組成,其獲得了所有子集中最高的分類(lèi)精度和kappa系數(shù),分別為92.42%和0.91。與S9相比,分類(lèi)精度提高了0.60%。說(shuō)明特征優(yōu)選方法能消除高維復(fù)雜特征間的信息冗余,使模型僅利用較少特征數(shù)量并獲得更高的運(yùn)行效率和分類(lèi)精度。

表9 不同分類(lèi)方案分類(lèi)精度

由表10可知,雖然S1方案的用戶(hù)精度與生產(chǎn)者精度整體上處于最低水平,但棕櫚樹(shù)的用戶(hù)精度達(dá)到了100%,表明棕櫚與其他樹(shù)種存在明顯的光譜差異。方案S2加入地形指數(shù)后,各類(lèi)地物的用戶(hù)精度與生產(chǎn)者精度相比S1都有不同程度的提高,用戶(hù)精度提升幅度1.88%～8.18%,生產(chǎn)者精度提升幅度2.78%～11.11%,因?yàn)榈匦翁卣鞯募尤敫玫姆从沉瞬煌匚镏g的空間關(guān)系,從而大幅提高了分類(lèi)精度。方案S3在S1的基礎(chǔ)上加入了指數(shù)特征,荔枝、榕樹(shù)以及樟的用戶(hù)精度分別提升了10.95%、9.18%和8.72%,說(shuō)明植被指數(shù)對(duì)荔枝、榕樹(shù)以及樟分類(lèi)效果顯著,但對(duì)于其他樹(shù)種的區(qū)分能力有限。方案S4加入紋理特征,芒果和樟的用戶(hù)精度提升了8.85%和9.00%,而棕櫚和榕樹(shù)的生產(chǎn)者精度分別提升了22.22%和11.9%,說(shuō)明這些樹(shù)種的紋理結(jié)構(gòu)特異性強(qiáng)與其他地物的差異顯著,因此紋理特征的加入對(duì)分類(lèi)精度有正向影響。方案S5與S2相比,荔枝和榕樹(shù)的用戶(hù)精度提升了7.05%和5.12%,而草地的精度下降了5.88%;與S3相比,灌木的用戶(hù)精度提升了4.47%。總體而言,地形特征與指數(shù)特征的組合對(duì)分類(lèi)精度的提升不顯著,并且在某些樹(shù)種的分類(lèi)上精度出現(xiàn)不同程度的下降,說(shuō)明這二者的組合產(chǎn)生了冗余信息影響了分類(lèi)精度。方案S6與S2相比,芒果與樟的用戶(hù)精度分別提升了6.44%和7.66%,而棕櫚樹(shù)和榕樹(shù)的生產(chǎn)者精度分別提升了27.78%和11.90%,這個(gè)結(jié)果與方案S4類(lèi)似,說(shuō)明地形特征和紋理特征的組合與樹(shù)種的分類(lèi)精度呈正相關(guān)。方案S7與S6相比,除個(gè)別樹(shù)種外,整體精度出現(xiàn)了不同程度的降低,波動(dòng)范圍為-6.21%～4.04%。然而,與方案S5相比,總體分類(lèi)精度有一定的提升,波動(dòng)范圍是-0.58%～7.55%。方案S8與表現(xiàn)最好的方案S7相比,荔枝和榕樹(shù)的總體分類(lèi)精度分別提升了9.42%和6.67%,其他樹(shù)種的總體分類(lèi)精度保持穩(wěn)定,這表明高維度的特征組合帶來(lái)了更多的信息,在一定程度上提高了分類(lèi)精度。綜合所有特征的方案S9與S8相比,總體分類(lèi)精度呈現(xiàn)出不升反降的現(xiàn)象,波動(dòng)范圍為-10.23%～4.74%,說(shuō)明高緯度的特征產(chǎn)生了冗余信息,影響了隨機(jī)森林模型的分類(lèi)性能。優(yōu)選特征子集S10與S9相比,總體分類(lèi)精度有所提升,其中灌木、草地以及荔枝的用戶(hù)精度分別提升了10.23%、5.88%和3.55%。由此可見(jiàn),特征優(yōu)選通過(guò)對(duì)高維數(shù)據(jù)集的降維和優(yōu)化,使模型僅利用較少的特征仍能保證良好的分類(lèi)效果。

3.2 應(yīng)用優(yōu)選特征子集對(duì)不同分類(lèi)模型的精度評(píng)價(jià)

由表11可知,隨機(jī)森林模型的分類(lèi)精度最高,總體精度為92.42%,比k最近鄰算法(KNN)、極致梯度提升(XGBoost)和輕量級(jí)梯度提升機(jī)(LightGBM)算法分別提高了15.15%、1.51%和1.81%;隨機(jī)森林模型的kappa系數(shù)為0.91,比KNN、XGBoost和LightGBM算法的kappa系數(shù)分別提高了0.17、0.01和0.02。表明隨機(jī)森林模型具有更高的分類(lèi)精度。

表10 不同分類(lèi)方案地物生產(chǎn)者精度和用戶(hù)精度

地物不同方案地物用戶(hù)精度/%方案S1方案S2方案S3方案S4方案S5方案S6方案S7方案S8方案S9方案S10草地87.5094.1287.5093.3388.2494.4488.2494.1288.2494.12灌木84.2189.4785.0080.0089.4794.4488.8994.4484.2194.44白蘭96.3698.2596.6798.2896.7298.2896.7296.7298.3396.72荔枝69.0575.0080.0062.7982.0573.9174.4783.3381.8285.37芒果73.9182.0977.1482.7681.1688.5288.7189.0690.1689.06南洋楹94.59100.00100.0092.11100.00100.00100.00100.00100.00100.00榕樹(shù)82.9389.4792.1181.2594.5990.7094.7497.3797.4497.37棕櫚100.0086.6787.5089.4787.5090.0089.4790.0094.7490.00樟68.4275.6877.1477.4277.7883.3381.8285.2985.7185.71

表11 不同分類(lèi)模型分類(lèi)精度比較

由圖4可知,使用最佳特征組合子集作為樣本數(shù)據(jù),結(jié)合隨機(jī)森林(RF)、k最近鄰算法(KNN)、極致梯度提升(XGBoost)和輕量級(jí)梯度提升機(jī)(LightGBM)算法對(duì)整個(gè)研究區(qū)的行道樹(shù)進(jìn)行分類(lèi)提取。隨機(jī)森林(RF)算法的分類(lèi)效果相對(duì)理想,大部分地物邊緣較為清晰,整體與研究區(qū)域?qū)嶋H情況較為一致。XGBoost算法容易將白蘭誤分為榕樹(shù)(見(jiàn)圖4b)和將榕樹(shù)誤分為樟(見(jiàn)圖4c)。LightGBM算法容易將荔枝、白蘭和榕樹(shù)混淆(見(jiàn)圖4a和圖4c)。KNN算法的分類(lèi)效果最差,破碎化情況明顯,出現(xiàn)了大量的錯(cuò)分(見(jiàn)4a和4b圖中南洋楹誤分為芒果)。綜合來(lái)看,RF模型在進(jìn)行城市樹(shù)種精細(xì)分類(lèi)時(shí),具有最強(qiáng)的適用性和最佳的提取效果。

4 討論

本研究應(yīng)用隨機(jī)森林模型的特征重要性排序構(gòu)建了不同特征組合的方案,充分考慮特征對(duì)分類(lèi)模型的影響,表明優(yōu)選特征方案(S10)具有最高的分類(lèi)精度。由于本研究采用了遞歸式特征消除法,通過(guò)定量分析特征貢獻(xiàn)率,在盡可能保留重要特征的同時(shí)降低數(shù)據(jù)冗余,從而提高模型整體運(yùn)行效率與精度。其中,光譜特征起到了最重要的作用,僅利用光譜特征分類(lèi)的總體精度達(dá)到82.12%。雖然不同樹(shù)種間組織細(xì)胞中葉綠素、類(lèi)胡蘿卜素、花青素、葉黃素的含量和綠色波段的反射率有緊密聯(lián)系[6],但芒果、榕樹(shù)、南洋楹和樟的光譜信息比較相似,因此利用光譜特征難以實(shí)現(xiàn)更精細(xì)的樹(shù)種分類(lèi)。地形特征對(duì)分類(lèi)效果具有重要作用,隨著地形特征的加入,總體分類(lèi)精度得到了大幅度的提升,其貢獻(xiàn)度達(dá)14.96%。研究區(qū)樹(shù)種之間存在天然的高差,南洋楹屬于高大喬木,平均樹(shù)高達(dá)20 m以上,而荔枝的平均高度只有7～8 m,精確的冠層高度信息可以彌補(bǔ)光譜信息的不足,進(jìn)一步提高了分類(lèi)精度。本研究所選取的植被指數(shù)對(duì)分類(lèi)結(jié)果均產(chǎn)生了一定的影響,其中比較重要的是聯(lián)合指數(shù)和植被顏色指數(shù),這兩種指數(shù)在反映典型地物的像元特征時(shí)具有更低的變動(dòng)絕對(duì)差值[42]。但紋理特征的引入并未顯著提高分類(lèi)精度,由于無(wú)人機(jī)影像不規(guī)則和較小的分割尺度以及幾何特征的加入產(chǎn)生了數(shù)據(jù)冗余,從而降低了隨機(jī)森林模型的分類(lèi)精度[43]。

為進(jìn)一步驗(yàn)證RF模型在城市樹(shù)種信息提取上的適用性,本試驗(yàn)將其與其它常見(jiàn)的機(jī)器學(xué)習(xí)算法(XGBoost、LightGBM和KNN)進(jìn)行了比較。隨機(jī)森林算法取得了最高的分類(lèi)精度和Kappa系數(shù),并具有最佳的分類(lèi)效果。楊紅艷等[44]應(yīng)用無(wú)人機(jī)高光譜遙感影像研究了荒漠草原草地植被分類(lèi),結(jié)果表明隨機(jī)森林分類(lèi)算法優(yōu)于其他傳統(tǒng)機(jī)器學(xué)習(xí)分類(lèi)算法,說(shuō)明隨機(jī)森林算法在處理高維特征數(shù)據(jù)和有限訓(xùn)練樣本時(shí)具有更好的適用性和穩(wěn)定性。其原因在于隨機(jī)森林模型通過(guò)隨機(jī)選擇樣本和特征構(gòu)成決策樹(shù),同時(shí)利用遞歸特征消除法排除非必要特征數(shù)據(jù)帶來(lái)的冗余信息。隨機(jī)森林在處理復(fù)雜數(shù)據(jù)和有限訓(xùn)練樣本時(shí)能最大程度降低誤差值對(duì)其分類(lèi)性能的影響,仍然保持強(qiáng)大的穩(wěn)健性。與隨機(jī)森林模型相比,KNN算法只有77%的分類(lèi)精度,并且存在大量的錯(cuò)分和漏分現(xiàn)象。KNN算法本質(zhì)是一種基于實(shí)際樣本的學(xué)習(xí)算法,通過(guò)計(jì)算未知樣本和已知樣本之間的距離來(lái)判斷所屬類(lèi)別,由于本研究區(qū)地物豐富(喬木、灌木、道路以及建筑物等),在一定程度上導(dǎo)致了錯(cuò)分和漏分的現(xiàn)象;顯著的樣本數(shù)量差異(芒果為200個(gè),草地為60個(gè))也會(huì)影響模型的性能,降低分類(lèi)精度,從某種程度上說(shuō)明KNN算法不適用于復(fù)雜地物的精細(xì)分類(lèi)[45]。而XGBoost和LightGBM的核心思想是通過(guò)迭代地添加新的模型來(lái)糾正前一個(gè)模型的錯(cuò)誤,從而不斷提高模型的準(zhǔn)確性。由于樣本數(shù)據(jù)中包含大量的噪聲,且樣本量過(guò)少,這在一定程度上會(huì)導(dǎo)致模型的性能下降,出現(xiàn)過(guò)擬合的現(xiàn)象。然而,這兩種算法的分類(lèi)精度均達(dá)到了90%以上,說(shuō)明它們?nèi)跃哂芯薮蟮臐摿46-47]。在后續(xù)的研究中,可以采用基于衛(wèi)星影像與激光雷達(dá)點(diǎn)云數(shù)據(jù)的結(jié)合,并通過(guò)數(shù)據(jù)預(yù)處理(去除缺失值、進(jìn)行標(biāo)準(zhǔn)化等)、增加樣本數(shù)據(jù)量以及合理調(diào)整參數(shù)的方式,充分發(fā)揮這兩種算法的特點(diǎn),以提高分類(lèi)精度,實(shí)現(xiàn)大尺度城市植被信息的提取與反演。

圖4 不同分類(lèi)模型樹(shù)種信息提取效果

盡管本研究根據(jù)最佳特征組合方案所構(gòu)建的隨機(jī)森林模型能有效識(shí)別城市樹(shù)種,但仍存在一定的局限性。首先,尺度參數(shù)缺乏客觀性,采用的ESP2插件,通過(guò)計(jì)算局部方差均值與尺度的變化率的關(guān)系,得出相對(duì)最佳尺度的備選值,但這種方法仍需要通過(guò)人工目視解譯比較分割效果確定最終的尺度。由于受人為主觀因素的影響,缺乏足夠的客觀性,無(wú)法得出適用于特定類(lèi)型地物的最優(yōu)分割尺度。劉金麗等[48]在ESP2插件的基礎(chǔ)上提出了基于地物樣本點(diǎn)的評(píng)價(jià)方法,提高了操作的簡(jiǎn)易性和評(píng)價(jià)因素的全面性。其次,分類(lèi)模型難以推廣,研究對(duì)象是根據(jù)某一時(shí)段的無(wú)人機(jī)可見(jiàn)光影像的植被信息提取,未充分考慮到植被物候差異的時(shí)間變化,導(dǎo)致OBIA-RF模型在全天候城市樹(shù)種信息精確提取方面存在一定的局限性。劉靈等[49]基于Sentinel時(shí)序影像成功實(shí)現(xiàn)了香格里拉針葉林優(yōu)勢(shì)樹(shù)種的精細(xì)識(shí)別。說(shuō)明根據(jù)多時(shí)序的無(wú)人機(jī)可見(jiàn)光數(shù)據(jù),計(jì)算不同樹(shù)種物候特征與時(shí)序特征的回歸關(guān)系,構(gòu)建具有時(shí)間尺度的分類(lèi)模型,可以提高模型的適用性。最后,盡管利用消費(fèi)級(jí)無(wú)人機(jī)可見(jiàn)光影像實(shí)現(xiàn)了城市行道樹(shù)的精細(xì)分類(lèi)取得了一定的成果(分類(lèi)精度為92.42%,kappa系數(shù)為0.91),但僅依賴(lài)可見(jiàn)光影像的三通道數(shù)據(jù)難以實(shí)現(xiàn)更高精度的分類(lèi)。因此,在今后的研究中,可以考慮結(jié)合多光譜和激光雷達(dá)數(shù)據(jù),充分利用多光譜影像的多通道數(shù)據(jù)和更精確的激光雷達(dá)點(diǎn)云信息(特別是多光譜影像中對(duì)植被信息敏感的近紅外波段和激光雷達(dá)點(diǎn)云中的點(diǎn)云大小、點(diǎn)云密度、點(diǎn)云強(qiáng)度等特征)進(jìn)行地物分類(lèi)。

5 結(jié)論

本研究根據(jù)城市樹(shù)種信息精細(xì)分類(lèi)的需求,提出了一種基于消費(fèi)級(jí)無(wú)人機(jī)高分辨可見(jiàn)光影像的城市行道樹(shù)信息提取方法。應(yīng)用OBIA-RF模型和植被的光譜、指數(shù)、幾何、紋理以及地形特征,通過(guò)遞歸式特征消除法構(gòu)建最佳特征子集的方式,實(shí)現(xiàn)城市行道樹(shù)信息的提取,并探究了不同的特征組合對(duì)分類(lèi)結(jié)果的影響,并引入XGBoost、LightGBM以及KNN等3類(lèi)機(jī)器學(xué)習(xí)算法與隨機(jī)森林模型在城市樹(shù)種分類(lèi)上的適用性進(jìn)行對(duì)比。遞歸式特征消除是一種減少數(shù)據(jù)冗余提高模型運(yùn)行效率的有效方法,經(jīng)過(guò)優(yōu)選特征變量組合(S10)取得了較高的分類(lèi)精度。不同的特征對(duì)分類(lèi)結(jié)果的影響不同,光譜特征、地形特征、指數(shù)特征以及紋理特征對(duì)分類(lèi)結(jié)果起正向作用,光譜特征最為重要,僅利用光譜特征就能達(dá)到較高的分類(lèi)精度;幾何特征對(duì)分類(lèi)精度有負(fù)向影響,高維幾何特征的加入降低了分類(lèi)精度;地形特征通過(guò)提供精確的冠層高度數(shù)據(jù)彌補(bǔ)了可見(jiàn)光影像光譜信息的不足,在分類(lèi)過(guò)程具有最高的貢獻(xiàn)度。而指數(shù)特征和紋理特征特征通過(guò)數(shù)學(xué)運(yùn)算提取樹(shù)種對(duì)象內(nèi)部更深層次的光譜、紋理信息,對(duì)提高分類(lèi)精度也具有重要作用。隨機(jī)森林(RF)算法與當(dāng)前流行機(jī)器學(xué)習(xí)算法(XGBoost、LightGBM以及KNN)相比,總體精度最高,提取效果最好,說(shuō)明OBIA-RF模型在處理高維特征數(shù)據(jù)和有限訓(xùn)練樣本時(shí)具有更好的適用性和穩(wěn)定性。該方法為準(zhǔn)確的獲取城市樹(shù)種空間分布信息提供了一種新思路,有助于提升城市居民生活水平和城市生態(tài)系統(tǒng)可持續(xù)發(fā)展。