基于無人機影像的冰川末端微地貌及典型地物識別

(西南科技大學環境與資源學院 四川 綿陽 621010)

引言

冰川是極地或高山地區常年存在并具有沿地面運動狀態的天然冰體，在全球氣候變暖的背景下，冰川的變化與氣候、植被、生態等有著密切的關系[1]。根據IPCC的報告表明，截至2015年世界各地冰川幾乎都處于持續退縮狀態，在國內，過去50年我國西部82%的山地冰川處于退縮狀態，冰川面積減少了4.5%[2]。其中，山岳冰川的退縮對于區域森林生態系統的演變和發展帶來了深刻的影響。現有對于冰川末端微地貌及植被類型的識別的觀測主要為單點、小區域，或者利用衛星遙感進行監測，二者的尺度過大或過小，難以融合，因此，采用無人機低空飛行航測技術對冰川末端的地表典型地物展開識別研究具有重要意義。

本文選取海螺溝一號冰川末端復雜地形區為研究區，采用Phantom 4 DJI無人機進行低空航測試驗，獲取冰川末端高分辨率正射影像圖和數字表面模型，利用多尺度迭代分割算法進行分割，基于正射影像圖獲取的光譜特征、紋理特征和數字表面模型提供的高程特征，實現冰川末端微地貌和典型地物的高精度識別研究，為無人機航測技術應用于冰川等復雜地形區提供技術借鑒。

一、研究區和數據源

(一)研究區概況

海螺溝冰川位于四川省甘孜藏族自治州東南部，貢嘎山東坡，是橫斷山脈最長的季風性溫帶冰川，屬山地寒溫帶氣候，年平均氣溫4.2℃，年降水量約為1960mm，年平均相對濕度約為90%[3]。海螺溝冰川自1823年開始逐漸退縮，并且在20世紀初開始明顯加速，冰川退縮后的完全裸地開始植被的原生演替，形成了先鋒植被到頂級植被群落的完整植被演替序列，本研究以冰川末端作為研究區，該區域包含了以冰磧覆蓋為主的冰舌末端和分布有草本、灌木、喬木完整植被演替系列的植被退縮區。冰川邊界數據來源于中國第二次冰川編目數據。

(二)無人機影像獲取及預處理

充分調查研究區區域地形地貌特征，選取多旋翼無人機Phantom 4 DJI，相機鏡頭的分辨率為4000*3000像素，由于研究區內高差較大，無人機飛行高度依據地形情況設定為50-100m。采集時間為2019年6月30日，天氣晴朗，無風少云，飛行時保證航向重疊度達70%，旁向重疊度達50%，共2個起落架次，獲取照片1221張。

剔除分辨率較低、模糊的照片，采用實景三維建模軟件對無人機原始影像進行預處理拼接、照片對齊、空中三角加密生成密集點云，創建研究區TIN三角網生成數字表面模型，對DSM進行紋理賦予、勻色、拼接裁剪等處理等得到數字正射影像圖。

二、研究方法

(一)多尺度分割

多尺度分割算法是一種自下而上合并相鄰單元或小的分割對象，保證類同質性最大，類間異質性最大[4]，實現分割影像對象的方法。在進行無人機正射影像進行多尺度分割時，設置不同組合的尺度參數、形狀參數和緊度參數，通過對比不同分割結果確定最佳參數組合，其中形狀參數和緊度參數分別將其設置為0.7、0.5，基于這2個參數以選取多尺度分割最優的分割尺度參數。通過對比分析尺度參數為50、100、150、200四種尺度的分割結果，發現尺度參數越小，分割對象斑塊越小，分割結果越破碎。尺度參數為50時，可以較好的分割不同植被類型，但也有同一地物如冰磧被分割為多個對象，分割尺度為200時，對大面積的均一地物可以實現較好的分割，但也會出現分割不足的現象，如面積較小，寬度較窄的冰裂隙不能被分割出來。對比不同的尺度參數的分割結果，確定當其為100時，各類地物的分割效果都較好，邊界清晰，漏分錯分的現象較少，因此，確定最適宜的參數為100，0.7，0.5，各種對象分割結果如圖1所示。

(二)特征變量選擇

從影像中提取多個參與分類運算的特征變量，它對分類結果的精度和可靠性影響很大。本文使用無人機正射影像圖和數字表面模型作為數據源，提取其光譜特征、紋理特征和地表高程信息一共11個特征來進行隨機森林分類分析。

(1)光譜特征：DOM3個可見光波段、DSM光譜特征的平均值和標準差、亮度。

(2)紋理特征：通過灰度共生矩陣(GLCM)提取DOM的紋理特征，包括Mean、Variance、Entropy、Correlation、Dissimilarity、Contrast 6個紋理參數。對DOM進行主成分分析的第一主分量進行了紋理特征提取。

(三)隨機森林算法

隨機森林分類器是運用一組分類回歸樹(CART)進行預測的機器學習分類器，從直觀角度來解釋，每棵決策樹都對樣本進行一次分類，N棵樹會有N個分類結果。最終分類結果由所有決策樹投票決定，將投票次數最多的類別指定為最終的輸出[5]。

采用隨機森林算法對最優尺度分割和優選特征的無人機多源遙感數據集進行分類，減少隨機性影響，利用訓練樣本進行算法參數調優。經過實驗證明，發現當森林中的樹數(ntree)和參與分類的特征變量的個數(mtry)分別為1500和7時，隨機森林算法模型的分類能力趨于穩定，利用樣本區內訓練樣本進行隨機森林算法冰川末端自動分類實驗，結果如圖2所示。

三、結果與分析

(一)結果分析

通過多尺度分割算法對無人機影像進行分割，采用優選特征的隨機森林算法對冰川末端微地貌和典型地物進行識別，結合地面采樣點和Google earth影像進行人機交互驗證，整體分類精度達到了80.59%。研究表明適宜的分割尺度參數(100)可以較好對地物對象進行分割，對于分布細小的草本斑塊、冰裂隙可以實現較好的分割，同時對于冰磧等大面積分布地物不會出現過度分割的現象，各類地物的空間分布都可以得到較好的表征；在對冰川進行分類時發現冰磧與周圍巖石相似度較高，但在加入紋理特征后，可以較好的區分它們，通過隨機森林算法進行特征變量的優選，發現光譜特征和紋理特征貢獻率較高。

(二)冰川末端地物分布特征

綜合研究冰川末端各類地物遙感識別結果，發現冰川裂隙集中分布在冰川上部和兩側，冰舌末端附近也分布著部分冰裂隙，裸冰主要分布在冰舌末端，冰川末端地形相對較為復雜，橫向裂隙較多，冰面破碎化程度較高，從DSM看，冰舌末端高程存在一定波動，和DOM微地貌識別結果符合；冰川植被退縮區從冰舌末端開始，依次出現裸地、草本植被、灌-喬群落、冷杉群落，并存在連續性的變化，隨著冰川退縮后原生裸地形成的的時間不同，植被演替階段也不同，距冰川末端較近的裸地形成時間較短，開始出現草本植被。裸地形成時間較長的區域發展到了以冷杉為主的頂級群落，而灌-喬群所占面積最大。

圖1 正射影像多尺度分割結果

圖2 隨機森林分類結果

四、結論

冰川末端的復雜地形環境下，采用無人機獲取高分辨率正射影像和數字表面模型可為冰川學的研究提供重要基礎數據，采用面向對象的多尺度分割和隨機森林算法對冰川末端地物進行識別，通過大量實驗發現合適的尺度參數可以實現對象的較好分割，利用基于先驗知識的典型樣本，定量計算確定模型的分類參數，發現優選特征的隨機森林分類算法可以有效提取影像的微地貌特征和典型地物，分類精度達80.59%。后續研究將著重結合多光譜、多時相和多高度的無人機影像以及三維點云數據進行高精度的微地貌和植被識別，為無人機遙感技術應用于冰川的研究和保護提供技術支撐和理論依據。