基于無人機遙感技術的水土保持植被恢復率提取

林成行, 朱首軍,, 周 濤, 巴明坤, 趙 宇

(1.西北農林科技大學 水土保持研究所, 陜西 楊凌 712100; 2.西北農林科技大學 資源環境學院, 陜西 楊凌 712100)

植被建設工程是生產建設項目水土保持的一項重要措施，也是生產建設項目水土保持監測的重要內容。監測工作中林草植被恢復率計算，關鍵就是植被面積的獲得。傳統的植被面積統計方法一是利用衛星影像提取植被面積，二是用全站儀實地測量，但兩者均存在一定的缺陷。衛星影像一般適用于大范圍植被面積的提取，對于生產建設項目水土保持的植被計算，其面積較小，影像資料分辨率不高，滿足不了水土保持監測工作的精度要求；全站儀實測雖然精度較高，但費時費力。與傳統方法相比，無人機具備快速高效、機動靈活、精細準確、適用范圍廣、影像實時傳輸等重要特點[1-2]，在小區域快速獲取高分辨率影像方面具有明顯優勢。研究表明，無人機航拍影像可用于植被面積提取，使用無人機技術作為植被面積計算的新手段，可以改變項目監測過程中技術和資料限制，能有效彌補傳統計算方法的諸多不足[3]。因此，可利用無人機影像代替傳統的遙感影像應用在生產建設項目監測工作中[4]。

小型無人機遙感影像的拼接方法和技術已成熟，高精度的正射影像圖廣泛用于土地利用分類研究[5]，韓文霆等[6]以無人機正射影像為研究對象采用面向對象法提取不同土地利用類型。但目前鮮有基于無人機遙感影像的高精度植被面積提取，并且由于無人機載重有限，只能搭載真彩色數碼相機，所獲取影像波段較少，影響了植被的識別及分類[7]。因此本次研究在正射影像圖提取土地利用分類的基礎上，采用計算機和人工目視解譯結合的方法，將影像上較難被精準分類的植被在高精度的正射影像上直接矢量化，繪制出不同種類植被的分界線，統計出植被的現狀信息，最終實現植被面積的提取。

1 材料與方法

1.1 儀器準備

針對小范圍區域進行低空快速攝影需求，本次試驗采用大疆精靈4并搭載FC330～3.6相機，獲取無人機航攝圖像。

1.2 研究區概況

試驗區域選擇渭南市合陽縣水土保持示范園，地理范圍為東經110.1389°—110.1429°，北緯為35.2487°—35.2538°，研究區面積為11.81 hm2。在水保分析中，常用植被分類包括有林地、灌木林地和草地等。根據研究目標，以綠化率高的地塊為依據，選擇植被豐富的示范園核心區。植被組成包括喬木林地、灌木林地、草地。其余地類包括交通用地、設施用地及其他土地。具體分類見表1。

表1 土地利用類型統計

1.3 數據處理

(1) 飛行實施。選定天氣晴朗且風速穩定的日子飛行，根據天氣狀況手動設置飛行參數，飛行參數設置見表2。

表2 飛行參數

為保證成像質量，防止研究區邊緣成像扭曲模糊，本次飛行增加研究區周邊輻射區補拍(距離研究區邊界約100 m范圍內區域)。本次試驗飛行總時長25 min，共獲取影像數據291張，剔除不合格影像數據7張。

(2) 正射影像圖制作。無人機航拍正射影像制作軟件采用Agisoft Photoscan[8-9]，地理坐標系采用WGS-84，投影坐標系采用高斯投影(Gauss-Kruger)即Xian 3 Degree GK CM 111 E。

本次試驗主要通過正射影像平面投影進行植被面積提取，需對正射影像平面精度進行驗證，由于無人機搭載非量測相機，正射影像的建立是通過軟件對航拍影像進行空三解算生成[10]。其中地面像控點是至關重要的一環，不論是控制點的分布還是數量都將直接影響到正射影像的解算精度。

像控點布設應該考慮點位清晰、周圍環境空曠無遮擋，易于辨別，地表起伏不大。試驗以制作1∶2000正射影像圖為依據，共選取像控點5個，利用RTK對其精度進行檢查。結果表明，其平面平均中誤差為0.231 5 m，根據《1∶500 1∶1000 1∶2000地形圖航空攝影測量外業規范》(GB/T7931～2008)規定，滿足≤0.5 m中誤差精度要求。

2 結果與分析

2.1 正射影像圖裁剪

利用Envi Classic影像裁剪功能得到想要的研究區，然后對該研究區進行分析。影像裁剪包括空間裁剪和波譜裁剪，其中空間裁剪又包括按行列號、影像、地理坐標、文件、感興趣/矢量、滾動窗口的裁剪。試驗采用的是按矢量邊界進行不規則裁剪。以無人機航拍制作的由4個波段組成的正射影像圖作為數據源，即原始的遙感圖像(圖1)，以波段3，2，1模擬真彩色圖像合成RGB進行顯示[11]。圖1成像效果總體偏暗，這是由于在航拍過程中，考慮到光照變化對成像質量的影響，飛行實施采取低曝光手動相機模式。一是降低了航拍對光照的依賴，二是防止成像過程中由于光照變化導致色彩不均勻現象，三是盡量減少地物陰影的形成，從而提高分類精度。(1) 最優裁剪邊界。圖像裁剪的意義在于提取研究所需區域，去除非關鍵區域的影響。裁剪部位需滿足以植被為主，同時具備多種地類作為對比。裁剪的界限以明顯的地物特征作為識別依據，裁剪的結果應有利于后期地物分類及面積提取。根據研究目的，以道路作為邊界，選擇植被集中區域作為裁剪對象。(2) 繪制矢量邊界。圖像的土地利用分類及面積提取是建立在圖像包含矢量數據的前提下。裁剪的關鍵在于利用矢量圖層對原有影像進行分割，即對裁剪邊界進行矢量化。本次試驗通過對正射影像圖繪制矢量多邊形，并對多邊形矢量化，生成矢量化文件。(3) 生成感興趣區域(ROI)。將研究對象轉化為感興趣區，有利于減少圖像處理時間并提高裁剪精度。若要利用矢量文件完成裁剪，則需要將矢量文件轉換為感興趣區(需要裁剪的區域)，最后才能輸出裁剪圖像(圖2)。

圖1 原始正射影像圖

圖2 裁剪后正射影像圖

2.2 非監督分類及分類結果合并

(1) 非監督分類。非監督分類是目視判別的基礎，以顏色參數作為鑒別依據，呈現出圖像光譜的異質性。本次非監督分類采取IsoData算法即(迭代自組織數據分析技術)，計算正射影像圖數據空間中均勻分布的類均值，然后用最小距離技術將剩余像元進行迭代聚合，每次迭代都重新計算均值，且根據新均值，對像元進行再分類。對于小范圍區域的非監督分類效果以分辨率≤0.5 m為優，采用0.2 m分辨率正射影像即可識別大部分地類[12]，且可在較高精度下提取植被面積。具體參數設置見表3。

表3 IsoData算法參數設置

(2) 分類結果合并。分類數量設為5～15時，分類像素較小，圖像像元較為零碎，同一類型地類存在多種分類結果，見圖3。由于非監督分類在圖像識別過程中僅依靠影像上不同類地物光譜信息進行特征提取，對于細小像元顏色差異較為敏感。一般情況下，同一地類在成像上存在多種光譜信息，這是造成識別困難的重要原因。對多種分類結果進行合并，有利于縮小分類結果差異，提高目視識別判讀準確性[13]。

對分類結果(圖3)進行合并，同一類型地類歸為單一地類。如喬木林地、灌木林地、草地可合并為綠地，其余合并地類(表4)包括步道、廣場以及空閑地。分類圖像經合并后已可以較為清晰分辨出地物輪廓，合并結果如圖4所示。

圖3 非監督分類結果

圖4 土地利用分類結果合并

非監督分類圖例合并結果地類類型灌木→綠地植被喬木→綠地植被草地→綠地植被草地→綠地植被水泥步道→步道交通用地砌磚步道→步道交通用地廣場→廣場設施用地空閑地→空閑地其他土地草地→綠地植被

2.3 分類結果編輯及輸出

分類結果中植被總體呈現為綠色，但由圖4仍可看出少數非植被地類摻雜其中，這在分類過程中屬于錯分、漏分的像元，表現為色彩斑駁且不均勻。這是由于原始影像在經過分類結果合并后，土地利用分類結果存在同物異譜及異物同譜現象，分類結果(如綠地)識別差異較大，很難接近實際分類效果。這里的原因有自動分類算法的問題，也有實際光譜的問題。所以，分類合并結果還應該在人機交互下目視識別進行修改[14]，最終才得到想要的結果。

對于上述分類結果，利用目視判別準則，對局部錯分、漏分的像元，可以進行手動修改。本次試驗以明顯的綠地界限對相鄰地類進行區分(圖5)，并將一定范圍內像元并入其他一種地類中，逐步細化分類過程中的差異。試驗區域分類樣本主要為四大類，即植被、設施用地、交通用地和其他土地。在目視判讀過程中，除了考慮地物的光譜特性，還要考慮地物所處的位置、形態特征等因素，從而避免誤判或由界線不清造成的不利影響，得到較準確的判讀結果。

圖5 目視識別及勾劃

2.4 數據統計與計算

(1) 數據統計。在分類結果編輯時，集中的植被基本可以正確劃分，非成片植被利用不規則條狀或點狀圖形進行劃分。對于數量較少的零碎植被，在不影響總體植被面積的前提下，可納入相鄰地類。其余地類依據地物特征進行劃分。根據分類編輯結果及實測結果(圖6)統計出各種地類的面積以及所占比例，見表5。

圖6 利用目視解釋編輯分類結果

統計方法地類植被交通用地設施用地其它土地分類統計結果圖例面積/m2899709725185502913百分比/%74.268.0315.312.40實測結果面積/m2868709898183922980百分比/%73.538.3815.572.52

(2) 林草植被恢復率計算?？苫謴椭脖幻娣e是通過分析論證確定的可以采取植物措施的面積，不含國家規定的應恢復農耕的面積。即本次研究區域可恢復植被面積應不包括原有硬化面積及小部分水域面積，在計算時不考慮原占地類型為農地以及無法實施植物措施的區域。本次可恢復植被面積主要通過現場核查、實地調查得出。

林草植被恢復率是指項目建設區內，林草類植被面積占可恢復林草植被面積的百分比。項目建設區內可恢復林草植被的面積為93 223 m2，植被實際恢復面積86 870 m2，詳細結果見表6。

表6 林草植被恢復率計算結果

3 結論與討論

3.1 結 論

(1) 本文以合陽縣水保示范園作為監測項目典型案例，從無人機航拍、遙感數據分析、水土保持基本信息提取3個方面，分析該技術的操作性及效果。監測結果與實際計量結果相比，誤差小于10%，滿足水土保持監測相關要求。此外，除植被面積，其余地類面積計算同樣適合于生產建設項目水土保持監測過程。

(2) 無人機航拍結合Envi分類方法可將復雜繁瑣的室外工作轉變為高效便捷的內業工作，實現水土保持基本信息獲取、分析的自動化，使監測工作精度和效率的提高成為可能，極有可能成為今后水土保持監測工作技術發展方向。

(3) 分類方法采用非監督分類，分類過程中存在同物異譜及異物同譜現象，增加了土地利用分類識別難度，導致需要進行大量的人工目視識別和分析，才能得到可靠的分類結果。

(4) 相比較無人機在水保方面應用的前期類似試驗，本文一是在利用正射影像土地利用分類的基礎上，對水保難以提取的植被面積進一步細化且提高了精度，二是將以往用于大范圍區域的非監督分類用于小范圍水土保持監測的信息獲取。

3.2 討 論

(1) 提取植被恢復率與實際相比，誤差為3.32%。

比較圖6與原正射影像圖發現，在實際植被中，樹冠覆蓋面積與周圍地類存在重疊現象(如樹冠投影覆蓋了道路)，而分類過程中未對此部分面積進行篩選剔除，這是造成誤差的重要原因。如何細化分類方法、提高分類精度將是下一步試驗的關鍵所在。

(2) 本次試驗無人機飛行參數設置比較單一，缺少其他天氣因素作為變量參考。針對此問題，考慮后續試驗增加多組飛行參數作為對比分析。同時Envi影像處理的主要功能在水土保持應用方面仍有待挖掘。