基于高分辨率遙感影像的森林環境多維資源動態監測方法

龍妙玲

(昆明逸鏡生態工程咨詢有限公司，云南 昆明 650224)

引言

森林環境具有地形復雜性、資源多樣性以及物種豐富性等特點，在自然氣候條件與人文條件作用下，具有不同多維資源動態變化特征。為了得到準確的資源變化數據，大量學者及相關工作人員研究了不同類型的森林環境多維資源動態監測方法。目前監測技術發展較快，如氣相色譜-原子吸收光譜聯用儀(GC-AAS)等設備，都是由監測技術發展而來的。目前全球范圍內的監測技術都圍繞著連續性、自動性、動態性等目標進行創新。段功豪、牛瑞卿等人[1]針對監測方法的反饋效果，利用大量不同的因子作為基本指標，通過關聯規則算法挖掘海量數據特征，將其作為多維動態變化的判斷依據，為多維資源動態監測提供了全新的監測思路。此次研究在大量先進監測技術以及方法的基礎上，結合傳統方法存在的問題，引入高分辨率遙感影像，進一步優化監測方法的工作效果。高分辨率遙感影像是通過質量和數量滿足一定預期的遙感技術獲得的，此類圖像的出現不僅對于城市規劃、土地利用監測有良好影響，還為環境監測和治理工作提供更加詳細的數據。

1 基于高分辨率遙感影像的森林環境多維資源動態監測方法

1.1 分類森林環境場景和目標場景

與一般意義上的圖像分類不同，遙感影像分類根據像元級地物屬性進行劃分，以此才能實現影像分割。按照森林環境的地理屬性以及生物多樣性，設置不同的劃分等級以及類型，利用自動化技術自動判定某個目標的所屬類別以及屬性。森林環境場景分類隸屬于整個影像分析范疇，通過判斷、注釋以及標注手段，得到不同維度的環境影像劃分結果。利用遙感設備獲得高分辨率遙感影像，進行場景分類，根據預先掌握的目標種類標記目標的具體類別。由于不同傳感器產生的遙感影像之間存在較大差異，為此當影像受日照、氣候以及云霧等自然因素影響時，可采用灰度統計特征法、視覺感知特征法、模糊理論及粗糙集理論以及分形模型法等，識別目標物特征。結合識別結果選擇基于中層語義建模的場景分類算法，對低層特征的目標物進行整合，利用特征與類別之間的聯系，通過多局部特征融合提高分類識別率。分類后的場景中包括無數個小目標，這些目標之間的類別差異大、屬性完全不同，為此需要對森林環境中的各項目標進行分類。高立兵、蘇軍德[2]提出的基于物聯網技術的監測數據集成方法，設置一種地上與地下相關的目標分類框架，考慮地上和地下環境的不同，利用RVM進行目標分類，同時利用其極化特性細化目標類型與屬性。

1.2 分割高分辨率遙感影像

對遙感影像進行分類后，依靠德國Definiens Imaging公司開發的智能化影像分析軟件e Cognition分割高分辨率遙感影像。分割就是以光譜特征、紋理特征等數據為依據，將不同類型的遙感影像劃分為若干組區域，以區域為單位提取影像特征，實現對森林環境的多維資源動態分析。多尺度分割是一個自下而上的區域整合處理過程，從單一像素開始，經過區域整合和限制條件約束，生成極小的像斑，再生成更大的像斑，利用潛在的優化程序，將像斑的加權異質性控制在最小值。假設像斑的尺寸用m表示，像斑的異質性用k來表示，則加權異質性的取值結果為mk。在所有像斑整合處理過程中，新像斑與原像斑異質性的提高程度，決定了不同像斑之間的整合效果。當最小的異質性超過設定的值時，完成像斑整合。通過上述分析可知，生成和整合像斑的重要屬性和測度，均為像斑的異質性，因此結合現有的遙感影像分割技術，假設異質性參數為λ，則該值可通過下列計算公式獲得：

λ=s1Δk1+s2Δk2

(1)

式中，s1、s2分別表示灰度和形狀的權重值，2個參數的取值范圍為[0,1]，且2個參數之和為1，即存在s1+s2=1；Δk1和Δk2分別表示灰度和形狀的變化值，2組參數通過下列方程組計算獲得：

(2)

(3)

式中，b表示像斑周長；c表示像斑的外接矩周長；b′、b″表示用于整合的2個像斑的周長；c′、c″表示用于整合的2個像斑的外接矩周長。根據上述分割結果可知，異質性λ受像斑灰度、形狀及其權重值的影響。根據上述分割過程，得到不同尺寸的像斑，根據分割結果建立像斑層次網絡圖[3]。已知像斑邊界，不能超出上一層邊界范圍，且下一層分割的像斑邊界，也要小于當前層次像斑范圍。

1.3 計算環境多維特征

以像斑分割結果為前提，計算環境多維特征。選擇DCNN深度學習模型，提取像斑層次網絡圖的全局特征和多維資源動態能力。已知深度學習模型需要大量訓練參數，因此重復利用中間層計算單元，可以減少參數的體量。DCNN模型根據像斑層次網絡圖所示的局部稀疏特性，建立相鄰兩層之間的連接模式，利用權重共享減少參數，采用共享權重單元設置特征映射條件，通過池化操作法獲取特征的最大值。假設前層特征圖為u，濾波核為h，當卷積層為第L層、采樣層為第L+1層時，第L層中第j個像斑的計算公式：

(4)

(5)

(6)

則根據上述計算結果，得到第j個像斑的卷積核h的梯度，公式：

(7)

(8)

式中，Π表示下采樣系數[4]。

通過上述計算，獲得環境多維梯度特征。

1.4 監測與生成森林環境多維資源動態信息

將監測區域設置為3部分，分別為外部區域、內部區域以及邊界區域，其中外部與內部區域分別是無界的和有界的。根據得到的梯度特征，將簡單多邊形看作內部區域、邊界區域的并集。森林環境遙感影像的空間拓撲位置之間，存在相離關系或相鄰關系，通過疊置環境多維梯度特征，獲取各自頂點坐標，建立雙向鏈表數據結構，根據閉合多邊形的節點坐標，監測相應的高分辨率遙感影像動態變化情況。森林環境多維資源動態監測流程見圖1[5]。

圖1 森林環境多維資源動態監測流程

按照上述監測流程設置監測軟件的監測算法，通過定位多維資源的動態變化數據，為監測中心提供實時環境變化數據，至此實現基于高分辨率遙感影像的森林環境多維資源動態監測。

2 應用測試

2.1 準備工作

為了檢驗此次提出監測方法的可靠程度和實際使用效果，搭建實驗測試平臺，選擇一處國家級森林公園作為測試對象，代替實際野外森林環境，降低應用測試風險。將選擇的森林公園隨機劃分成3塊面積不等的監測區域，分別記為區域A、區域B以及區域C，該森林公園2020年的環境參數見表1。

表1 森林公園基本環境參數

根據表1顯示的森林公園基本環境數據可知，區域A、區域B以及區域C的基本自然條件較為相近，因此選擇區域A、區域B作為基本測試環境，區域C作為備用。將此次文中研究的監測方法作為實驗組測試對象，同時引入其它2組傳統監測方法，并將傳統監測方法分別標記為對照1組、對照2組，比較3組方法在監測反饋過程中，得到的多維資源動態變化差異。

2.2 區域A的監測數據反饋效果測試

實驗的第1階段測試將區域A作為應用環境，利用3組方法監測固定時間內，該區域的多維資源動態變化情況。為了保證實驗測試結果真實可靠具有說服力度，本次實驗共進行20次，第1階段應用測試結果見表2。

表2 區域B監測數據反饋效果統計表

根據表2顯示的數據可知，實驗組的反饋時間在5～6s，對照1組和對照2組的反饋時間在9～10.5s。但觀察表2顯示的20組測試數據發現，對照1組的第8組和第9組測試結果均為100.00s，為不正常數據。調查監測軟件并找到專業技術人員進行分析，發現對照1組在進行第8組、第9組測試時，計算機突然卡頓，導致測試結果偏離正常范圍。經過2輪查證對照1組的其它測試組數據正常，因此只剔除這2組監測反饋數據。計算3個測試組監測數據平均反饋用時，分別為5.522s、9.498s、10.054s。根據此項數據不難發現，所研究方法的監測數據反饋時間，分別比傳統方法快了3.976s和4.532s。

2.3 區域B的多維資源動態監測效果

實驗第2階段將區域B作為應用環境，分別利用3組方法監測固定時間段內，區域B的多維資源動態變化情況，比較3組方法監測動態數據的效果。圖2為第2階段應用測試結果。

圖2 區域B多維資源動態監測效果

根據圖中監測結果可以發現，面對同樣的測試環境，所設計監測方法的反饋速度更快，得到的森林公園資源數據更加豐富，獲得了良好的動態監測效果。而2組傳統方法在同樣的監測時間內，由于數據反饋速度較慢，得到的監測數據不夠完整，可見傳統方法監測數據時的動態效果不強。綜合兩階段測試結果，驗證了此次文中研究的監測方法，對于森林環境多維資源，有更好的動態監測效果。

3 結束語

此次研究在明確傳統監測方法的現有問題后，有針對性地解決了監測數據反饋效率，為森林環境保護工作提供了更加完整、詳細的監測數據。但根據文中提出的監測過程可以看出，此方法的計算步驟稍顯復雜，因此在計算時容易出現誤差，影響后續計算結果。今后可以設置一個具有自動化計算功能，并能實時驗證的模型，簡化分割影像時的計算步驟，將誤差控制在最小范圍內，為森林建設與保護工作提供更精準的參考數據。