基于輕小型無人機影像的柑橘樹株數提取

萬祖毅 田永中，2* 劉旭東 張雪倩

(1.西南大學地理科學學院，重慶 400715；2.重慶稻田科技有限公司，重慶 400700)

0 引言

無人機遙感是近年迅速發展起來的對地觀測技術。配備不同傳感器的無人機，可由無線電遙控設備進行手搖操縱飛行，或在計算機預編程序下自主飛行[1]。無人機遙感具有高空間分辨率、可云下飛行、快速靈活、低成本等優點，有效彌補了傳統衛星遙感在數據獲取方面的局限性[2-3]。利用無人機可快速拍攝航空影像，獲取所需空間數據，并實時處理、建模和分析[4]。基于無人機遙感特有的優勢，其在森林資源調查、地形測繪、生態監測等領域均有眾多的應用[5]。如馮仲科等[6]提到無人機遙感系統在林業調查中主要應用在林火監測、二類調查及森林生態狀況監測中。高勇強[7]探討了在復雜地形中利用無人機輔助測量方法的可行性。

株數提取是森林資源調查中的重要參數之一。傳統的株數調查需要通過林業工作人員在林間開展實地作業來獲取目標信息和數據，所需人力成本較高，有效覆蓋范圍較小[8]。以往遙感影像空間分辨率較低，在林業資源調查中無法有效計算株數。無人機遙感技術憑借良好的像素精度可以提供高分辨率遙感影像。國內外利用無人機遙感影像提取株數進行了研究。Panagiotidis等[9]通過無人機影像重建三維結構，對兩個研究區域中的主要樹種進行了樹冠直徑提取，結果的準確性可以達到林木調查要求。Wang等[10]提出了一種利用無人機圖像檢測和計數單株油棕樹的方法，棕櫚樹檢測的總體準確率高達99.21%。曹明蘭等[11]利用無人機影像制作DEM、DSM與DOM，基于鄰域最高過濾法提取行道樹，株數提取率達到了95%以上。何藝等[12]使用局域最大值法和多尺度分割算法對針葉林和闊葉林進行株數提取，總體精度都在90%左右。以上研究主要以針葉林等較高樹種為研究對象，其生長形態較為高大規則，缺乏對低矮且生長不規則樹種的研究。

柑橘是重慶等地區重要的經濟作物。準確掌握柑橘種植區的果樹數量，對預測柑橘產量、管理柑橘生長狀況、提高柑橘產量具有重要意義。本文以重慶市北碚區歇馬鎮某果園為試驗區，利用無人機遙感系統采集樣地高分辨率影像，經后期軟件處理生產出正射影像(DOM)和數字表面模型(DSM)，使用多尺度分割算法和鄰域分析法提取果樹株數，并結合目視解譯數據進行對比分析，以期為促進無人機數據在柑橘類果園管理中的深度應用提供依據。

1 研究區概況與數據源

1.1 研究區概況

北碚區是重慶市最大的柑橘良種苗木生產基地，擁有眾多科研、生產單位以及種植大戶。地理坐標106°18′14″E～106°56′ 53″E、29°30′41″N～30°11′21″N，海拔最高1312m、最低175m，屬亞熱帶季風濕潤氣候。本文選擇北碚區歇馬鎮某果園為試驗區，園內地勢平坦，有柚子、廣柑、臍橙等多個品種果樹，不同的品種和樹齡的不一致使得種植間距和果樹大小存在一定差異。總體上果樹種植行距為4m～6m、株距為3m～5m，果樹的高度分布在1m～6.5m范圍內，冠幅大小差距明顯。

1.2 數據獲取

主要應用的數據由大疆創新公司生產的小型四旋翼御Mavic 2專業版無人機系統獲取，該無人機起飛重量0.9kg，最大飛行高度500m，最長續航時間31min，最大水平飛行速度20m/s。搭載Hasselblad L1D-20c相機，2000萬有效像素，等效焦距為28mm，照片最大尺寸為5472×3648 pixel (表1)。無人機拍攝在天氣晴朗、無風的條件下進行，拍攝時間是2019年6月26日下午，設置飛行航高80m，航線11條，航線總長3.5km，航向重疊率80%，旁向重疊率75%。本次航攝共獲得258張有效照片，經過處理后獲得的正射影像覆蓋面積約13.01hm2(圖1)。

表1 御Mavica2專業版無人機技術參數簡介

圖1 研究區正射影像

2 技術方法

2.1 無人機影像數據處理

無人機航攝影像后期處理通過ContextCapture軟件進行，將航拍的照片及POS數據導入，設置參數后即可提交任務。軟件處理過程主要為以下五個步驟：1.新建工程并導入影像數據，設置傳感器參數，查看POS信息；2.提交空三加密計算，獲得高精度外方位元素；3.通過矯正后的影像獲取高密度點云數據；4.生成三維模型場景；5.導出正射影像(DOM)、數字表面模型(DSM)。株數提取運用的主要工具為eCognition Developer和ArcGIS軟件。

2.2 多尺度分割

在遙感影像信息提取，尤其是高分辨率遙感影像信息提取中，面向對象的分類方法具有重要的意義。而影像分割是關鍵的一步，分割效果直接影響到后續的分類和信息提取的精度。eCognition軟件提供了多種分割算法，包括自上而下的分割、自下而上的分割、重塑算法分割等三大類。本文研究選取的多尺度分割算法屬于自下而上分割中的一種。

自下而上的分割指按照所設要求不斷向上合并，即可以從單個像元開始，根據同質性標準向上逐漸合并成較大的對象，直到滿足所設置的分割參數為止[13]。多尺度分割(Multiresolution Segmentation)算法能夠保證對象之間平均異質性最小、對象內部像元之間同質性最大進行合并從而實現影像分割[14]。采用多尺度分割方法，即在不同尺度上對影像進行分割，可避免采用同一尺度分割影像容易造成“分割不足”或“分割過度”現象。

分割時有以下參數：分割尺度、波段權重、形狀因子、緊致度因子。尺度(Scale)參數即基于異質性最小的區域合并算法中的閾值，它直接決定了影像對象大小、分割的質量及信息提取的精度[15]。波段權重(Image Layer Weight)參數用來設置參與分割的波段的權重，可以賦予包含信息豐富以及對提取某類信息作用較大的波段更多的權重，或者賦予不重要的波段較小的權重，甚至不參與分割。形狀因子(Shap)與顏色相對，定義了影像對象結果的紋理的一致性。緊致度因子(Compactness)則利用形狀規則，根據總體緊致性，優化影像對象結果。

使用eCognition Developer 9.0軟件，對選取的8個樣地的單木樹冠進行提取分析，以一塊樣地為例。根據研究區的數據和需要提取信息的特征，本文選用多尺度分割的方法，嘗試了將無人機正射影像的RGB三個波段，以及數字表面模型作為波段參與分割并設置四類不同的分割權重。分別是DOM三波段權重為1，DSM權重為0；DOM三波段權重為0，DSM權重為1；DOM三波段權重為1，DSM權重設為2；DOM三波段與DSM權重均設為1。經過多次試驗和對比分割效果，四種情況下的較優分割尺度分別設為180、40、155、130，形狀系數均為0.1，緊致度系數同為0.5。具體情況見圖2。并由此可以看出，影像分割中各個波段的權重選擇對分割結果也會產生很大的影響。在本文中將DSM參與分割優于只對DOM進行分割。當DOM不參與分割時，分割效果更佳，且易于識別。

圖2 基于DOM與DSM不同權重的分割效果

2.3 鄰域分析

鄰域分析是指通過在一定分析窗口內對柵格數據進行函數運算，從而得到以待計算柵格為中心的值[16-17]。鄰域是按照一定規則確定的、與目標像元在空間上相鄰的若干像元組成的區域[18]。鄰域的設置包括形狀和大小兩個因素，其中形狀有多種。常見的為矩形鄰域、圓形鄰域、環形鄰域、扇形鄰域等。鄰域運算會遍歷柵格中的所有像元，并采用相同的鄰域進行運算。鄰域運算是對包括目標像元及其他若干像元在一定范圍內進行的運算，其結果賦在目標像元所在位置的像元。

Cout=f(C1,C2,…，Cn)

式中，Cout為輸出像元值；(C1,C2,…，Cn)為鄰域各像元的值；n為鄰域像元的數量。鄰域統計的類型包括最大值、最小值、范圍、總和、平均值、標準差、眾數、寡數、中值、種類數等。

圖3 不同鄰域參數下的果樹頂點提取效果對比圖

表2 不同鄰域參數下提取樣地株數精度對比分析

以果樹頂點為目標像元，在一定的鄰域范圍內，它比周邊像元的位置高，通過計算每個像元高程的鄰域最大值，并將其與原像元的高程值進行比較，若相等，則該像元即為果樹頂點。根據無人機影像后期處理生成的數字表面模型(DSM)，使用ArcGIS軟件對選取的8個樣地的單株果樹進行提取，以其中一塊樣地為例。利用領域分析中焦點統計工具，對數據分別以不同大小的圓形和矩形鄰域進行最大值的統計。

在本文中分別以圓形鄰域和矩形鄰域為窗口，以不同的范圍進行鄰域統計提取頂點。頂點提取完成后，將DSM經坡度分析提取坡度小于15度的部分，篩選后利用空間插值工具，生成數字高程模型(DEM)。將DSM與DEM的高程值賦予提取的頂點并通過分析高程差，剔除部分不合理的值。其中以圓形為鄰域，分別以2.5m、2m、1.5m、1m為半徑進行分析，提取果樹頂點數為33、49、67、102，有效提取的株數為33、48、56、51。以矩形為鄰域，分比以3.5m、3m、2.5m、2m為邊長進行分析，同樣通過分析后剔除異常值，最終提取果樹頂點數為53、59、69、89，有效提取的株數為52、57、57、54，提取效果見圖3。經對比提取的精度和誤差(表2)，該樣地以邊長為3m的矩形鄰域為最佳分析窗口。

3 結果分析

本文中果樹株數的檢驗數據是結合高分辨率無人機影像通過目視解譯提取的。精度評價主要針對樣地中由目視解譯識別的樹木精度評價。提取樣地株數的精度評價采用總體分類精度(Overall Accuracy，OA)，誤授誤差(Commission Error，CE)和漏分誤差(Omission Error，OE)3個指標表示。其中總體分類精度評價是指樣地內提取的單木總個數占目視解譯樣地內單木總個數的比率，公式如下：

OA=1-Nv-Nd/100%

式中：Nv為目視解譯樣地內果樹總株數；Nd為提取到果樹總株數。

3.1 基于對尺度分割方法的株數提取結果分析

在研究區域中選擇了8個35m×35m的樣地。樣地區域中無人工建筑，排除其他干擾因素，以保證樣地數據提取的有效性。研究中利用多尺度分割算法對樣地進行了分割，包含樹冠和非樹冠區域。為便于后期統計株數，提前去除掉非樹冠區域。根據樹冠的分割中出現的情況分為兩種錯誤，即樹冠的欠分割和過分割(如圖4)。在結果分析中，將過分割樹冠數量與實際株數的比值定義為誤授誤差，欠分割樹冠數量與實際株數的比值為漏分誤差。

由表3結果顯示，多尺度分割算法用于8個樣地株數的提取中，總體精度為71.68 %。漏分誤差和誤授誤差分別為8.39%和34.79%。各樣地提取精度相差較大，最高可達98.78%，最低僅有38.24%，如2號樣地與5號樣地。而5號和6號樣地誤授株數甚至超出其驗證株數。分析其原因，較高提取精度的樣地，其特征是果樹獨立成株，果樹形態較好；提取精度較差的樣地，其主要特征是果樹成片相接，果樹形態不規則等原因造成。

圖4 欠分割的樹冠和過分割的樹冠

表3 多尺度分割算法提取樣地株數精度分析

3.2 鄰域分析法的株數提取結果分析

為保證提取精度的有效對比性，研究中鄰域分析法與多尺度分割算法選取相同研究樣地。驗證時選取樹冠中心根據總體果樹的大小生成1.5m緩沖區，基本覆蓋樣地樹冠。當僅有一個頂點位于緩沖區內，則被稱為“對應關系”。提取過程中常出現的錯誤：“0對1”關系，主要為較少其他地物高度與果樹相近無法有效剔除(圖 5(a))，或少部分樹冠較大，提取到多個頂點且在緩沖區覆蓋之外；“1對多”關系，即一株果樹中提取到多個頂點(圖5(b))；“1對0”關系，漏提錯誤，即未提取到果樹頂點(圖5(c))。其中“0對1”、“1對多”兩種關系視為誤判，兩種情況的總數與驗證株數總和的比值為誤授誤差。“1對0”情況與驗證總數之間的比值視為漏分誤差。

表4結果顯示，8個樣地總體精度達到了88.29%，總體漏分誤差為9.97%，總體誤判誤差為9.09%。漏分誤差表明鄰域分析法未能全部提取到果樹的頂點，受到品種不一果樹長勢不盡相同，部分樣地存在高低間隔栽種等因素的影響。誤授誤差主要是由于果樹除主枝及側枝生長均較好，因此提取到多個頂點。從整體情況來看，在提取果樹頂點的過程中發現此方法在提取長勢均一，種植間距相當且獨立成株的果樹時效果較好，誤授和遺漏的株數較少，精度較高；對于長勢相差較大、高低相間種植且不獨立成株，以及冠體較大并有多個頂點的果樹提取效果較差，誤授及遺漏的株數相應增多，誤差較大。

圖5 果樹頂點提取出現的幾種情況

表4 鄰域分析法提取樣地株數精度分析

4 結論與討論

本研究使用小型多旋翼無人機遙感獲取了北碚區歇馬鎮某果園部分航拍影像，生成研究區的DOM以及DSM，并以DSM為主要數據進行了樣地株數的自動提取分析。得到以下結論和認識：

(1)利用多尺度分割算法和鄰域分析法進行樣地株數自動統計，兩者提取精度分別為71.68%和88.29%，鄰域分析法優于多尺度分割算法。鄰域分析算法能夠基本滿足快速高效地統計株數的要求。

(2)樣區株數自動檢測的精度不夠穩定，可以做進一步的改進。一是本研究的數據主要是基于DSM，下一步可以充分利用DOM，使兩者有效結合；二是可以結合兩種方法，增加不同的特征進行研究。

(3)由于重慶地區的柑橘生長環境多為坡地。本次研究的區域地形較為平坦，未能充分考慮地形因素對于實驗的影響。下一步將選擇更多的樣區對比株數提取的效果，提出有效的株數統計方法。