基于面向對象的無人機遙感影像荒漠植被分類

張冠宏, 王新軍*, 徐曉龍, 閆立男, 常夢迪, 李永康

(1.新疆農業大學草業與環境科學學院, 烏魯木齊 830052; 2.新疆土壤與植物生態過程重點實驗室, 烏魯木齊 830052； 3.珠海歐比特宇航科技股份有限公司， 廣東 珠海 519080)

荒漠化是由氣候變化及人類活動等多種因素引起的干旱、半干旱和亞濕潤干旱地區的土地退化，是生態環境發生嚴重退化的重要反映，現已成為全球重要的生態環境、經濟和社會熱點問題[1]。我國荒漠化程度較嚴重，荒漠化會引起植被退化，導致生態環境的惡化，降低自然資源的質量與利用效益[2]。荒漠植被是荒漠生態系統中重要的組成部分，具有阻止風沙運移和保持生物多樣性的作用[3]。及時掌握荒漠植被生長分布狀況是荒漠化地區生態遙感的基礎，因此，荒漠植被的精確識別與分類對維護生態系統的穩定及荒漠化的治理具有重要意義[4]。

目前，植被分類方法主要有實地調查和遙感監測，傳統的實地調查法耗時、費力且周期較長，無法實現對植被信息的及時獲取與更新[5]。近年來無人機遙感技術因分辨率高、幾何紋理信息豐富、時效性高及成本低廉等優點，有效彌補了傳統衛星遙感的不足，逐漸成為監測、提取植被信息的重要途徑[6-7]。在影像信息提取方面，主要有目視解譯、監督與非監督分類法、專家系統法、模糊數學法以及面向對象法[8]等，這些方法雖然取得了一定的效果，但是大多是基于像元的分類特征進行提取，存在混合像元、光譜混淆等問題，分類精度不高[9]。面向對象法能夠更好地反映影像的紋理與形狀信息，有利于提高分類精度[10-11]。隨著計算機技術的發展，機器學習算法被廣泛應用于植被分類，與面向對象法結合能夠進一步提高分類精度與效率[12]，但研究對象多為成片分布的大面積濕地[13]、森林[14]、草原[15]、城市[16]植被及農田作物[17]，有關荒漠區植被的研究鮮有報道。荒漠植被葉面普遍較小且分布稀疏，部分為單株生長，在影像中光譜特征較弱，分類難度較大。去相關拉伸(decorrelation stretch，DS)光譜信息增強能夠提高影像色彩飽和度，有助于影像信息提取[18]，在此基礎上結合面向對象與機器學習算法的分類方法是否適用于荒漠植被分類尚有待印證。

古爾班通古特沙漠是我國面積最大的固定、半固定沙漠，低矮灌木與草本交錯分布，同地表形成的灰褐色結皮形成了復雜的地表異質性[19]，對荒漠植被的分類造成很大干擾。鑒于此，本文基于高分辨率無人機遙感影像和數字表面模型(digital surface model，DSM)，在對影像去相關拉伸的基礎上利用面向對象技術，選取訓練速度快、分類精度高的隨機森林分類算法，結合光譜、幾何、紋理特征與三種可見光植被指數對古爾班通古特荒漠植被進行分類研究，為獲取荒漠區植被生長分布狀況以及荒漠化監測與治理提供方法及參考。

1 材料與方法

1.1 數據采集及預處理

1.1.1研究區概況古爾班通古特沙漠位于新疆準噶爾盆地中部，地理坐標介于44°15′—46°50′N、84°50′—91°20′E之間，年降水量70～150 mm，年平均氣溫5～5.7 ℃，蒸發量在2 000 mm以上[20]。沙漠土壤類型以固定、半固定的風沙土為主，生長著種類較為豐富的沙生與耐旱植物，在古爾班通古特沙漠南部(輕度沙漠化區)、中部(中度沙漠化區)及北部(重度沙漠化區)[21]選取三個典型樣地開展采樣研究(圖1)。

圖1 研究區概況

1.1.2數據獲取及預處理無人機遙感影像獲取時間為2018年8月初，天氣晴朗、無云、無風。采用DJI Phantom 4 Pro無人機進行拍攝，飛行高度100 m，飛行速度6 m·s-1，拍攝時間間隔3 s，影像重疊度70%，各樣地拍攝面積均為57 000 m2，影像空間分辨率為0.03 m。利用Pix4D mapper軟件對影像進行拼接處理，生成采樣區的數字正射影像(digital orthophoto map，DOM)與DSM。

在前人研究基礎上，根據地面植被信息調查，將研究區植被類型地物分為灌木與草本，非植被類型地物分為結皮與裸沙[22-23]。結合野外實地調查及目視解譯篩選出分布均勻、具有代表性的草本、灌木、結皮及裸沙樣本共3 498個(表1)。

表1 樣本數量統計信息

1.2 研究方法

1.2.1光譜信息增強去相關拉伸(DS)通過拉伸影像的主成分(principal component，PC)擴大高相關性波段的信息耦合度，提升影像色彩飽和度，相關區域的顏色得到增強，而暗區域部分也會變得更加明亮[18]。RGB影像各波段間具有高相關性，使用傳統對比度拉伸方法進行圖像增強處理只能改善影像色度與亮度，無法增強影像色彩飽和度[24]，因此本文采用DS對原始影像進行光譜信息增強處理。

1.2.2影像多尺度分割多尺度分割是一種基于區域合并技術的自下而上分割算法，其分割效果更為精細也更符合實際，在面向對象分析中應用最為廣泛。多尺度分割具有3個重要參數：形狀參數(shape)、緊度參數(compactness)以及尺度參數(scale parameter，SP)，其中SP是核心參數，控制著分割生成對象的內部異質性，值越大生成對象的尺寸則越大，內部異質性越大，反之則越小，故選取最優分割尺度是面向對象分析技術中最關鍵的問題[13]。利用最優分割尺度評價工具ESP2(estimation of scale parameter 2)[25]選取最優分割尺度SP。參考彭佳憶等[19]有關荒漠地表信息提取相關研究，將原始影像形狀參數定為0.6，緊度定為0.5。由于DS光譜信息增強后各地物間顏色差異增大，同時考慮到光譜信息在植被識別中具有重要作用，故設定形狀參數為0.1，顏色參數為0.9[26]，DS前后SP參數并無明顯變化，因此保持一致，影像最優分割參數如表2所示。

表2 影像最優分割參數

1.2.3特征變量選取選取影像的光譜特征(反映各對象間光譜信息差異)、幾何特征(反映各對象間幾何、形狀信息差異)、紋理特征(通過GLCM提取，描述對象表面性質)以及植被指數(通過波段組合實現對地表植被狀況定量分析)[27-29]共30個特征變量，如表3所示。

表3 特征變量統計信息

綠紅指數(GRVI)、超綠指數(ExG)、歸一化綠藍差異指數(NGBDI)的計算公式如下。

GRVI=(G-R)/(G+R)

(1)

ExG=2G-R-B

(2)

NGBDI=(G-B)/(G+B)

(3)

式中，R、G、B分別代表紅、綠、藍波段。

1.2.4隨機森林算法隨機森林算法是以決策樹為基礎、結合Bootstrap aggregating(Bagging)集成學習理論與特征隨機選取的一種機器學習算法[30]。為提高分類精度，利用Python網格搜索交叉驗證工具(GridSearchCV)[31]確定最優參數。通過生產者精度(producer’s accuracy，PA)、用戶精度(user’s accuracy，UA)、總分類精度(overall accuracy，OA)以及Kappa系數來評價分類精度。

2 結果與分析

2.1 光譜信息增強

利用DS對影像進行光譜信息增強處理，原始影像經DS光譜信息增強后，R波段與G波段相關性由0.91降低至0.23(圖2)，利用綠色植被對紅光波段的強吸收、對綠光波段的強反射特性[31]，能夠有效區分植被與其他地物。在原始影像中，荒漠植被呈淺綠色，與裸沙顏色較為接近且受到陰影的干擾，難以與其他地物區分。經過DS光譜信息增強后，荒漠植被呈亮綠色，與其他地物光譜差異明顯提升，同時陰影區域變亮，植被輪廓更為清晰，表明DS能夠增大影像中各地物光譜差異并排除陰影干擾，更有利于荒漠植被的分類(圖3)。

圖2 影像直方圖對比

圖3 影像光譜信息增強效果對比

2.2 影像多尺度分割

影像分割結果局部對比表明，基于原始影像的分割易受陰影干擾，導致部分細小植被無法被準確分割，利用DS對影像進行光譜信息增強能夠使暗區變亮，能夠更好地區分植被與其他地物，對植被的分割更為準確(圖4)。

圖4 影像分割局部對比

2.3 特征變量貢獻度評價

采用隨機森林分類算法對特征變量的貢獻度進行定量評價(表4)，其中包括DOM、DSM的光譜特征、紋理特征中的信息熵、角二階矩和同質性、可見光植被指數以及幾何特征中的體積、面積在內共有18個特征變量貢獻度超過1.00%。三種可見光植被指數貢獻度由大到小依次為：NGBDI(11.68%)、ExG(8.15%)、GRVI(4.64%)。

表4 特征變量貢獻度評價

2.4 分類結果對比

根據GridSearchCV對模型參數尋優結果顯示：n_estimators=110、max_features=7為最優參數，分別對原始影像及光譜信息增強后的影像進行分類，并載入驗證數據對分類結果進行檢驗。

2.4.1分類精度對比分析從表5可以看出，DS光譜信息增強前后OA均呈現中度沙漠化區>重度沙漠化區>輕度沙漠化區，較基于原始影像的OA相比：輕、中、重度沙漠化區總體分類精度分別提升19.94%、16.10%、17.61%，達到91.01%、95.34%、93.18%。在DS光譜信息增強的基礎上運用面向對象的隨機森林算法分類結果更好，且在中度沙漠化區的精度最高，輕度沙漠化區的分類精度最低。草本及灌木的PA分別達到87.00%和94.00%以上。較中、重度沙漠化區，輕度沙漠化區植被相對密集，植被交錯分布的地區具有強空間異質性；較輕、中度沙漠化區相比，重度沙漠化區植被稀疏，大量細小的植被難以與其他地物區分。以上兩種情況均對影像分割造成很大困難，進而影響分類精度。在輕、中、重度沙漠化區的四種典型地物類型中，DS光譜增強前后的草本分類精度均為最低，荒漠草本分布稀疏且在空間異質性較大的區域易受其他地物以及陰影的影響，因此較其他地物類型分類難度最大。

表5 原始影像和增強影像荒漠植被分類精度對比

2.4.2不同類型荒漠植被分類結果分析DS光譜信息增強能夠減弱陰影影響，有效區分植被與其他地物，使影像分割更加合理，提高荒漠植被分類的準確性。與基于原始影像的分類結果相比，基于DS光譜信息增強影像的分類結果更趨近于地表真實狀況(圖5)，表明該方法適用于荒漠植被分類，從而為獲取荒漠植被生長分布狀況以及荒漠化監測與治理提供參考。

圖5 荒漠植被分類結果對比

3 討論

結合面向對象與隨機森林算法的分類受影像分割與特征提取影響較大。由于草本分布稀疏，在分割時受陰影和其他地物干擾較大，部分單株生長的灌木如梭梭，其同化枝稀疏易被誤分入其他地物中，導致對象特征提取存在誤差，分類結果容易出現成片現象，故在基于原始影像的荒漠植被分類中草本與灌木的分類精度較低。通過DS對影像進行光譜信息增強，提升植被與其他地物的色彩對比度，同時暗區亮度的提升避免了陰影對影像分割的干擾，使影像分割及特征提取更加準確進而提升荒漠植被分類精度。

最佳分類特征能夠使不同地物類型的對象間相似度最低，對象內相似度最高，提升對象的可分離性[32]。Han等[33]證明，灰度共生矩陣(grey-level cooccurrence matrix，GLCM)對植被分類具有重要作用。為彌補RGB影像光譜信息不足的缺點，本文結合DOM與DSM數據，提取光譜特征、紋理特征、幾何特征以及三種可見光植被指數對荒漠植被進行分類。根據隨機森林分類算法對特征變量貢獻度的評價：光譜特征及可見光植被指數在區分植被上具有重要作用，R波段平均值及標準差貢獻度分別達到13.64%和8.64%，這是由于植被在R波段有較強的吸收能力，故R波段在對植被信息提取中貢獻較大，這與張衛春等[31]和馬玥等[34]學者研究結論相一致。裸沙與結皮多為成片分布，均具有相對一致的幾何與紋理特征，而荒漠植被分布稀疏，因此紋理特征與幾何特征在荒漠植被分類中也具有較高貢獻度。

利用無人機獲取遙感影像雖具有速度快、成本小等特點，但僅能夠獲取小區域影像，無法對大區域荒漠植被信息進行提取與監測，今后將嘗試將小尺度無人機遙感影像與大尺度衛星遙感影像結合來獲取荒漠植被信息，并對植被類型做進一步細分研究，更大范圍、更細致地獲取分析荒漠植被的生長分布狀況。