面向對象分類技術在開發建設項目水土保持監測中的應用

周湘山, 秦 甦, 魏 凡, 戴松晨, 張 磊, 周 杰, 詹曉敏

(中國電建集團成都勘測設計研究院有限公司, 四川 成都 611130)

“十三五”時期是水利現代化建設的關鍵時期，按照《全國水土保持信息化工作2017—2018年實施計劃的通知》，應提高水土保持監測評價效力，促進信息共享與服務的同時，進一步提升水土保持信息化能力和水平。

水土保持監測是從保護水土資源和維護生態環境出發，運用多種手段和方法，對水土流失的成因、數量、程度、影響范圍、危害及其防治成效等進行動態監測的過程，是防治水土流失的一項基礎性工作。目前生產建設項目常規的監測方法包括調查監測、地面監測和資料收集、分析相結合的方法，雖然監測精度較高，但是自動化、信息化程度低，且費時費力、監測范圍有限，無法得到實時化、定量化和數字化的監測成果，所以其應用受到一定程度的限制。

近年來，無人機系統的快速發展，使得無人機低空遙感較衛星遙感擁有更高的空間分辨率，更靈活的作業時間，更豐富的產品成果，更高效的數據處理流程，受大氣影響較小，具有良好的應用前景。然而，目前無人機機載設備大多為數碼或單反相機，均為可見光紅綠藍三波段的影像數據，與傳統衛星遙感數據相比波段較少，無法單純就光譜信息組合來實現對地物的高精度解譯和分類。另一方面，基于傾斜攝影技術的大量應用，海量的無人機影像和三維模型數據，給自動分類帶來了較大的需求。

現有的基于無人機可見光波段分類的應用基本還是在對植被類型的分類和提取上，主要有王枚梅等[1]基于無人機可見光影像的亞高山針葉林樹冠參數信息自動提取，采用固定翼無人機獲取可見光遙感影像，基于面向對象方法自動提取了亞高山針葉林的東西冠幅、南北冠幅、單元面積樹木數和郁閉度等參數。汪小欽等[2]基于可見光波段無人機遙感的植被信息提取,通過構建可見光波段差異植被指數VDVI，適用于僅含可見光波段無人機遙感影像的健康綠色植被信息提取。井然等[3]基于可見光植被指數的面向對象濕地水生植被提取方法，利用ESP分割工具確定最佳分割尺度，基于微型無人機影像數據生成并選取一組最優植被指數，建立決策樹規則，利用隸屬度函數對研究區自動分類，生成水生植被分布圖。

本研究將結合水土保持監測工作開展的地物分類需求，基于無人機低空遙感影像，在建立的最優分割尺度上，進行面向對象分類的計算和解譯，實現對生產建設項目水土保持監測目標區域的自動化、三維化和定量化信息獲取和數據分析，并利用位置信息的評價方法和誤差矩陣進行精度評價，確保研究方法的適用性和正確性，從而為生產建設項目的水土保持信息化能力的提升提供一定的技術支撐。

1 數據來源與研究方法

1.1 研究區概況

以四川省阿壩州馬爾康縣境內的某水電站項目為例，對該工程批復的水土保持方案報告書中水土流失防治責任范圍內的施工臨時占地區進行分類研究，總面積為105.18 hm2。所屬工程區河谷兩岸山體雄厚，谷坡陡峻，山嶺海拔高程一般達4 000～4 600 m，臨河坡高1 000 m以上，屬高山曲流深切割區。沿線地形陡峭，坡積階地零星分布，沖溝發育，地震烈度為Ⅶ度。工程區屬川西高原季風氣候區，多年平均氣溫8.6～12.7 ℃，多年平均年降水量733.4～768.8 mm，多年平均蒸發量1 514.3～1 659.9 mm，區內災害性氣象主要有低溫冷害、冰雹、大風、暴雨和洪災等。工程涉及的河谷地區主要是沖積土和山地褐色土，多呈微堿性至中性，一般缺磷、多鉀、多氮，養分不全面。區域適生防護林樹種有岷江柏、油松、側柏、云杉、山杏、花楸等，工程區域林草植被覆蓋度達到80%以上。

1.2 數據來源及預處理

試驗采用的遙感影像數據為四旋翼無人機航拍影像，成像時間為2016年6月23日，拍攝時天氣狀況良好，無風無云，機載相機1 200萬像素，拍攝高度80 m，屬于超低空拍攝，研究影像具有紅、綠、藍3個波段，空間分辨率為0.05 m。

由于影像的超高空間分辨率的特點，整個區域的影像數據量巨大，為了便于說明，本研究選取影像中包含地物類別豐富且較具代表性的一景影像(工程某一施工臨時占地區)開展方法研究，影像中包含16 152像元×13 691像元，面積約59 929.09 m2。

利用傾斜攝影技術對目標區域影像進行幾何校正，空三計算，區域整體平差，多視角影像密集匹配和紋理映射等處理流程，運算生成目標區域影像的超高密度點云，再生成TIN不規則三角網，最后生成基于真實影像紋理的高分辨率實景三維模型，輸出數字表面模型DSM。

目前，國內暫無無人機低空遙感及傾斜攝影建模技術的相關規范和標準，本研究數據和成果要求均參照數字航空攝影測量的相關標準化指導性技術文件和水利水電工程測量規范。其中無人機低空遙感數據采集設計方案和影像數據質量均滿足低空數字航空攝影規范(CH/Z 3005-2010)的要求；地面控制點和檢驗點設置均滿足低空數字航空攝影測量外業規范(CH/Z 3004-2010)的要求；通過控制點匹配、校準后生成的數字表面模型中的地物點平面位置和高程位置精度均符合水利水電工程測量規范(SL197-2013)中地物點平面位置和等高線高程允許的中誤差值，滿足精度要求。

1.3 研究方法

基于無人機低空遙感高分辨率影像疊加高程數據，利用最優尺度分割，通過可見光波段差異植被指數參與分類和特征選取，建立相應特征的分類規則和參數指標，實現研究區域影像中地物的分類和信息的提取。根據研究區域影像的地物類型狀況，研究對高分辨率影像進行深入分類，按照土地利用現狀分類標準(GBT 21010-2007)將監測目標區域分為耕地、林地、工礦倉儲用地(建筑物和設備設施)、交通運輸用地(公路)、水域和裸地7類，再結合水土保持監測內容繼續細分為棄渣料和水土保持工程防護措施(以下簡稱防護措施)2類。技術流程如圖1所示。

圖1 基于無人機低空遙感影像的面向對象分類技術工作路線

1.3.1 最優分割尺度 尺度對于無人機低空遙感影像包括了影像中地物的空間范圍和影像的空間分辨率2層含義[4]。空間范圍是指影像中地物的空間范圍或區域大小;空間分辨率是指影像中能夠分辨出的最小單元。從影像分割意義上說，尺度是指影像分割或區域合并時的閾值。使用單一尺度對無人機遙感影像進行分割，很難全面地反映不同大小和類型地物的目標特征和空間格局。因此，本研究使用多種尺度分割，從像素層、對象層到整個影像層形成符合地物內在性質和外在尺度的分割。

由于多尺度分割算法需要確定分割時影像的尺度參數、顏色因子和形狀因子3類參數，其中形狀因子又分為緊致度和平滑度2個因子，因此本研究借助Dragut等[5]建立的ESP(estimation of scale parameter)多尺度分割評價工具來計算不同地類的適宜分割參數，并結合目視判別分割效果來確定不同地類的最優分割尺度參數。

ESP多尺度分割評價工具通過計算不同分割尺度參數下，影像對象同質性局部變化(local variance，LV)的平均標準差的變化率值ROC-LV(rates of change of LV)來指示對象分割最佳尺度參數[6]，當LV的變化率值最大即呈現峰值時，該點對應的分割尺度值即為最佳分割尺度。LV的變化率值的計算公式為：

(1)

式中：ROC——LV的變化率；Li——目標層第i層對象層的平均標準差；Li-1——目標層第i-1層中對象層的平均標準差。

1.3.2 分類參數設置 由于無人機機載設備為數碼相機，影像波段僅包括紅光、綠光和藍光3個可見光波段，缺少近紅外波段，無法建立基于近紅外波段和紅波段構建的歸一化差分植被指數NDVI，對植被的識別不準確。因此針對的無人機影像中植被與非植被的光譜差異和健康綠色植被的光譜特征，借鑒綜合了歸一化植被指數NDVI 的構造原理及形式利用紅、綠、藍3個可見光波段構建的歸一化植被指數——可見光波段差異植被指數VDVI[2]來對無人機影像中的植被進行識別。

可見光波段差異植被指數VDVI(visible-band difference vegetation index)：

(2)

同時基于水土保持監測目標區域地物的實際特征差異，加入從DSM模型里面提取的高程數據進行分類，完善分類的參數指標，保證提取的水土保持監測地類的最佳分類精度。

2 分類結果與分析

2.1 多層次分割尺度獲取

針對不同水土保持監測地物的分割尺度進行多次分割嘗試并借助ESP分割尺度評價工具，獲得不同層次地物的最優分割參數，詳細分割參數結果見表1。最優分割尺度示意如圖2所示。

表1 多尺度分割參數設置

圖2 ESP第1層、第2層和第3層(從左到右)的最優分割尺度示意圖

通過最優分割尺度的計算，由圖2可以看出，對于光譜反射率較為一致，形狀較為規則，紋理特征較為單一，海拔高度較為平緩的地物，分割尺度最大，主要包括建筑物、公路和水域3類。林地、設備設施和防護措施分布較為分散，高程跨度較大，影像斑塊大小各異，分割尺度較前面3類地物較小。渣料、耕地和裸地3類地物影像分類斑塊較為破碎，其中渣料的灰度值、紋理及形狀特征最為復雜，同時3種地物類型與其他地類交叉覆蓋較多，分割尺度均最小。

2.2 面向對象的信息提取

采用最鄰近分類的監督分類方法，對分割后的影像進行分類，首先根據監測地物類型建立新的分類體系，并選擇對應的樣本。其次構建特征空間，依據9種地類不同的光譜特征、紋理結構、形狀參數和高程來進行特征空間指標篩選。

房屋建筑物形狀規則，海拔高度最高，同時各波段反射率也較高，在影像上一般表現為亮色調，建筑群體表面較為粗糙，各波段標準差比較大，分類時使用亮度值、各波段均值、各波段標準差、最大差分及長寬比進行分類。公路在影像上表現為長條帶狀，提取時可使用形狀特征，包括邊界指數、密度、長寬比等，同時結合使用亮度值、各波段均值和最大差分等進行分類。水域在影像上常表現為暗色調，同時海拔高度最低，采用亮度值、各波段均值、密度和最大差分進行分類。

林地同樣表現為暗色調，采用可見光波段差異植被指數VDVI、亮度值、各波段均值和最大差分進行分類。設施設備高程較為一致，但類型和形狀多樣，地面反射率各異，影像上亮、暗色調均有，采用亮度值、各波段均值、各波段標準差、最大差分和密度進行分類。防護措施主要為混凝土防護和鋼筋石籠，地面反射率較高，影像上多為亮色調，形狀較為一致，采用亮度值、各波段均值、各波段標準差、最大差分、邊界指數和密度進行分類。

渣料地由于沒有地物覆蓋，反射率較高，在影像上一般表現為亮色調，提取時使用亮度值、各波段均值、最大差分和密度進行分類。耕地和裸地兩類均表現為暗色調，采用亮度值、各波段均值、最大差分和密度進行分類。具體指標選擇見表2。

按照設置好的空間特征指標進行最鄰近分類法進行監督分類，并統計分類后各監測地類斑塊數量，具體情況見表3。

表2 項目施工臨時占地區水土保持監測地物分類空間特征指標統計

表3 項目施工臨時占地區水土保持監測地物分類結果統計

根據分類結果可以看出，本研究區域地類中，渣料和林地面積最大，為17 073.48，15 768.29 m2，公路、裸地、建筑和設施設備地類面積居中分別為9 084.80，5 920.84，4 416.67，3 604.15 m2，耕地面積最小，為596.72 m2。分類斑塊總數量以林地和渣料的最多，單位斑塊內面積均值以公路、水域和建筑最大，林地、設施設備、防護措施和渣料其次，裸地和耕地地類最小，基本與分割尺度大小相一致。

2.3 精度驗證

本研究采用基于位置信息的評價方法[7]，在目標區域中隨機進行檢驗點的選擇和測量，對最優尺度的分類解譯精度進行無偏最優估計。

(1) 檢驗點數量的確定。不適合的樣本會造成對分類精度的評價誤差，本研究根據Tortora提出的能夠滿足混淆矩陣精度評定的樣本個數計算公式(公式3)[8]，對檢驗點數量進行計算并現場測量隨機選取。

(3)

式中：n——檢驗點數量;B——自由度為1的卡方檢驗(1-α/k)的臨界值確定，其中α表示精度評估要求；k——分類個數;b——置信度誤差。

本研究水土保持監測目標地物分類為9類，假設置信水平要求為95%以上，誤差允許范圍為5%，在沒有先驗知識的情況下，B=7.675，則n=B/(4b2)=768因此，本研究需要至少768個采樣點才能保證。根據實際測量共計選擇檢驗點位770個。

(2) 分類精度檢驗。通過現場測點并記錄相應地物類型，結合分類結果，統計分類正確和錯誤的點位及個數，構建精度檢驗混淆矩陣，并根據公式(4)和(5)計算總分類精度及Kappa系數，結果見表4。

總分類精度：所有正確分類的土地類型的檢驗點數所占總抽取的檢核點數的百分比。

(4)

式中：P——總分類精度；m——分類類別數；N——樣本總數；Pn——第n類的判別樣本數。

Kappa系數：考慮到自動分類和參數數據間的一致性、取樣和參考分類的一致性的兩種差異，表示分類結果比隨機分類好多少的指標。介于0～1之間，值越大分類精度越高。

(5)

式中：K——Kappa系數；n——類別；N——類別個數的總和(此指檢驗點數)；Xii——誤差矩陣對角線元素；Xi+——類別的列總和；X+i——類別的行總和。

由表4計算出，本研究影像解譯總體精度達到了86.10%，Kappa系數為0.841，有較好的一致性，能夠滿足精度需求。其中林地和水域解譯分類精度最高，均在90%以上；公路和建筑的分類精度較高，位于87%～90%之間；耕地和渣料的分類精度適中，位于85%左右；裸地、設施設備和防護措施3種類型分類解譯精度較低，主要是因為裸地與其它地類交叉覆蓋較多，形狀和分布高程各異，并有部分呈過度狀態，導致光譜波段和紋理結構在分類與界定上存在一定的誤差；設施設備中地表覆蓋物較為復雜，反射率和色調各異，灰度值、紋理及形狀特征與其他地類容易混淆；防護措施主要為混凝土防護和鋼筋石籠，其中鋼筋石籠的材質多以隧洞開挖渣料為主，與區域內的棄渣料一致，存在較大的分類影響，給解譯分類帶來了一定的難度，導致分類精度較低。

表4 項目區施工臨時占地水土保持監測地類提取誤差矩陣

因此，對于自動分類解譯結果不能完全滿足要求的地類需要重新進行樣本點選擇，調整特征空間指標再分類或直接針對分類結果與DOM影像對比進行人工局部調整和完善。

3 結 論

(1) 基于無人機低空遙感影像，通過傾斜攝影建模技術，生成監測目標區域的高精度數字表面模型，該模型影像分辨率高，能達到0.05 m，同時具有準確的數字高程模型數據，為面向對象分類提供了基礎數據。

(2) 由于無人機低空遙感影像光譜波段較少，無法構建NDVI植被指數，因此借鑒可見光波段差異植被指數VDVI來對無人機低空遙感影像中的植被進行識別。研究成果中林地分類的生產者精度和用戶精度分別為0.933 9，0.941 7，能較好地區分植被與非植被。

(3) 利用ESP多尺度分割評價工具對影像自動生成139,249,549這3種分割尺度，能對研究區域的水土保持監測地物類型進行很好的尺度劃分。同時針對不同分類地物的類型和特點，對分類的參數和指標進行了篩選，為后續水土保持工作中的大面積監測區域不同地物類型的進一步分類應用，積累一定的經驗基礎。

(4) 經過精度驗證，本研究的解譯總體精度達到86.10%，Kappa系數為0.841，有較好的一致性，能夠滿足精度需求。

此外，針對目前的分類技術還可以進一步的提高。

(1) 繼續完善無人機機載多光譜和高光譜設備，豐富光譜帶，參與分類的光譜波段越多，不同地物的光譜差異性越大，對目標的識別和分類更準確。

(2) 針對可見光波段差異植被指數VDVI可以依據不同的地區的植被類型進行參數的修正和改進，同時也可以比較并選擇其他對植被識別較好的歸一化綠紅差值指數NGRDI、歸一化綠藍差值指數NGBDI、過綠指數EXG和紅綠比值指數RGRI等。

(3) 對地物的分類參數進行研究，制定出不同對象合適的特征指標類型及其數量，需要注意的是并非參與分類的特征指標越多，分類的精度就越高，因為分類特征越多也可能帶來特征冗余的現象，會造成計算量的增加，分類效率的降低，甚至是分類精度的降低。