基于無人機可見光數據荒漠灌木覆蓋度提取方法研究
2021-10-11 05:14:34崔萬新李錦榮司前程羅祥英李映坤
水土保持研究 2021年6期
崔萬新,李錦榮,司前程,王 茹,羅祥英,楊 鋒,李映坤
(1.內蒙古農業大學,呼和浩特 010018;2.水利部 牧區水利科學研究所,呼和浩特 010020)
中國灌叢面積分布廣泛，超過全國陸地面積的20%[1]。隨著荒漠化加劇，生態系統變得脆弱，而灌木因為繁多的種類、分布地區的廣泛、頑強的生命力、對惡劣環境極強的適應力和寬泛的適生范圍等特點，在改良土壤、水土保持、防風固沙、恢復荒漠生態系統和維持荒漠生態系統的生物多樣性方面有重要作用[2]。
植被生物量是反映植被生產力的重要體現，生物量的準確估算不僅是確定植被碳儲量的主要任務，還是確定生態系統中能量分配、轉化和固定的主要指標[3]。因此準確估算灌木生物量，可為荒漠灌木估算碳庫提供依據。生物量的估算一般依據生物量模型，模型常用指標有植被覆蓋度、株高、冠幅等易測因子[4]。其中，植被覆蓋度是模型中的一個常用因子。植被覆蓋度一般以樣方法估算，灌木樣方大小一般為5 m×5 m或者10 m×10 m。受區域氣候影響，荒漠灌木分布稀疏，小面積的測量代表性差，大面積調查受到人力、物力等限制。衛星遙感影像作為植被指數提取的主要數據源，通過植被指數與植被覆蓋度建立數量關系去估算植被覆蓋度，在大尺度區域上受到青睞[5-6]。與傳統的衛星遙感相比，無人機遙感具有高時效性、數據易獲取、空間分辨率高等優勢，且成本低、不受云層干擾[7]。其應用也逐漸擴展到森林資源清查與森林病蟲害防治[8]、野外植被蓋度調查[9]、地上生物量估算[10]和植被生態修復等[11]領域。這些優勢使得無人機在區域植被調查方面有著巨大應用前景。
目前，關于無人機植被提取的指數種類繁多，大部分植被指數都是由近紅外和可見光波段構建的[7,12]。由于傳感器成本等原因，可見光波段的植被指數使用也更廣泛。作為一種特殊的物體，植物的反射光譜曲線具有獨特的形狀，不同種類的植物光譜曲線差異很大。而植被提取就是依據植物的反射率隨波長的變化，適當選擇和組合不同的波段去區分不同類型的植物。目前在無人機植被提取方法應用主要集中農田地物[13-15]、森林資源[16-17]、草原生態系統[18-19]、城市綠地較多[12,20-21]，植被生長狀況較好的區域，關于荒漠地區灌木涉及較少[9,22]。荒漠地區生境嚴酷、植被稀疏、葉面積退化、形成肉質莖和葉綠素含量較少[23]，造成可見光波段380～700 mm的反射率較低[24]，進一步導致荒漠植被光譜特征相近、區分效果較差和識別精度低。無人機可見光植被指數在荒漠植被提取的適用性、各指數的敏感性和影響因素尚無報道。鑒于此，本文以荒漠灌木為研究對象，利用無人機可見光數據對比幾種應用比較廣泛的植被指數在荒漠灌叢植被提取方面的敏感性，從直方圖特征、閾值計算方法、地面像素分辨率對提取精度的影響，提出適用于荒漠灌木的植被指數和合理的適航高度，以期為無人機野外調查以及后期圖像處理方面提供參考。
1 研究區概況
研究區位于黃河烏蘭布和沙漠段東岸的杭錦旗和鄂托克旗境內，地理坐標東經106°52.246′—107°11.07′，北緯40°8.267′—40°14.626′，平均海拔高度1 073 m。該區域氣候類型屬典型中溫帶大陸性季風氣候，夏季高溫少雨，冬季寒冷干燥，年平均降雨量138.8 mm，年均蒸發量2 258.8 mm。年平均氣溫9.7℃，年平均風速3.7 m/s，最大風速15 m/s。土壤類型以風沙土為主[25]。該區域天然植物約有455種，植被類型多為強旱生灌木，主要優勢灌叢植物種有紅砂(Reaumuriasongarica)、四合木(Tetraenamongolica)、白刺(Nitrariatangutorum)、霸王(Zygophyllumxanthoxylon)、綿刺(Potaniniamongolica)、沙冬青(Ammopiptanthusmongolicus)，草本植物為沙米(Agriophyllumsqurrosum)、沙蒿(Artemisiaordosica)。
2.1 數據的來源及處理
為驗證選取的植被指數的普遍適用性與可靠性，消除樣地地表差異對植被指數提取精度的影響，選擇植被群落相同、植被覆蓋度均為35%～40%的3個重復樣地作為研究區，分別位于杭錦旗的巴音恩格爾蘇木(107°11′43.46″E，40°14′24.34″N)和貢烏蘇(107°0′34.49″E，40°10′40.40″N)，鄂托克旗的陶思圖(106°52′24.74″E，40°8′17.82″N)3個樣地，相鄰樣地相距15～20 km。
天氣狀況以及太陽高度角都會影響影像拍攝效果。荒漠植物植株矮小、葉綠素含量低、葉面積較厚[26]，所以選擇在8月末植被長勢最好的時期進行低空拍攝。拍攝時選擇晴天無風或微風天氣，時間11：00—15:00。航拍無人機型號DJI Phantom 4A，云臺內置相機配備1英寸2 000萬像素CMOS影像傳感器。無人機采用等時間間隔拍照，橫向重疊率75%，縱向重疊率70%，云臺俯角-90°，飛行高度10～120 m，每10 m等間距航拍1次，每塊樣地航拍12次。研究表明，在稀疏、分布不均勻沙漠地區，50 m×50 m樣方是適宜的樣地大小[27]，所以本研究航拍范圍選擇50 m×50 m。后期使用Pix4 Dmapper軟件對影像進行初始化處理、點云和紋理處理、影像鑲嵌；對于同一樣地，不同高度航拍數據正射影像數據利用ENVI 5.2進行校正(圖1)。
圖1 研究區拼接后正射影像
2.2 植被提取
2.2.1 指數計算 利用10 m高度航拍數據，在灌木識別中選擇過綠指數(EXG)[21]、可見光波段差異植被指數(VDVI)[7]、紅綠比值指數(RGRI)[28]、歸一化綠藍差異指數(NGBDI)[29]、歸一化綠紅差異指數(NGRDI)[30]、過綠減過紅指數(EXG-EXR)[30]去提取樣地植被信息(公式1—6)。
EXG=2G-R-B
(1)
(2)
(3)
(4)
(5)
EXG-EXR=3g-2.4r-b
(6)
2.2.2 閾值的確定 任何一種閾值方法的確定都存在或明或暗的假設條件，從未有哪一種方法能在任何條件下都取得最佳結果[31]。閾值受影像色彩、影像分辨率的變化而變化，而固定閾值法沒有能力適應這些變化。因此，本文通過直方圖閾值法和閾值迭代法獲取閾值。
直方圖閾值法首先計算像素平均灰度值avg、標準差σ，其次以平均灰度值作為分界線，分別計算前景灰度最大值avg1max和背景最大灰度值avg2max，二者之差大于標準差，求出新閾值t1=(avg1max+avg2max)/2；否則計算像素灰度中值點midpos，若midpos>avg，小峰在左，avg1=(avg+avg2max)/2；若midpos
2.2.3 植被信息提取和分類后處理 由于灌木是荒漠地區的優勢植被類型，故本研究未對草本加以分析。然而在樣地中存在有少量草本的情況。在研究過程中，若草本垂直投影面積極小(如沙米)，受影像分辨率限制，無人機遙感不易識別出小草本的信息，因此可不作考慮；若草本垂直投影面積較大，通過過濾處理剔除小于100像元(面積為1.30×10-3m2)的圖斑，從而剔除草本帶來的干擾信息。
2.2.4 植被信息提取結果的評價方法 以人工目視解譯方法獲取的信息為基礎，利用混淆矩陣方式對各植被指數提取結果的總正確率(總體分類精度)進行驗證。
(7)
(8)
(9)
式中：DR1為植被/非植被的正確率；DR為總正確率(總體分類精度)；K為Kappa系數；n為類別；N為類別個數的像元總數；xii為誤差矩陣對角線元素；xi+為類別的列總和；x+i為類別的行總和。
3 結果與分析
3.1 植被指數計算結果
根據公式(1)—(6)，得到植被指數分布圖(圖2—4)。6個植被指數中，EXG的指數范圍為[-255,255]，EXG-EXR指數的范圍為[-2.4,3]，RGRI指數的范圍為[0,255]，VDVI，NGBDI和NGRDI指數的范圍均為[-1,1]。
圖2 巴音恩格爾蘇木植被指數計算結果
EXG，VDVI，EXG-EXR，NGBDI，NGRDI在提取植被時，植被亮度高于土壤；RGRI指數在陶思圖樣地提取植被時，植被亮度部分高于土壤(圖4)，其余樣地植被亮度部分低于土壤(圖2—3)。貢烏蘇樣地內航拍受光線影響，影像色彩不均一(圖3B)，EXG，VDVI，RGRI，EXG-EXR和NGRDI指數灰度圖表現出明顯勻色現象；NGBDI指數灰度圖未出現該問題，表明NGBDI指數灰度圖不受光線影響(圖3)。
圖3 貢烏蘇植被指數計算結果
圖4 陶思圖植被指數計算結果
3.2 植被信息識別與精度評價
為更好地從影像上將植被、非植被區分出來，以巴音恩格爾蘇木樣地為例，對各植被指數分布直方圖進行統計(圖5)。EXG和EXG-EXR為雙峰特征，其余為非雙峰特征，對其他兩個樣地直方圖統計，同一植被指數峰值特征相似。對于出現雙峰特征的植被指數采用直方圖閾值法計算閾值，對于出現非雙峰特征的使用閾值迭代法求取閾值。
圖5 各植被指數統計直方圖
分別計算出6個指數的最佳閾值，使用最佳閾值提取灌木植被信息。利用目視解譯方法獲得的灌木圖斑(圖6)，通過公式(7—9)得到正確率和kappa系數(表1)，對各指數提取精度及其一致性驗證。
表1 各植被指數的植被提取精度評價
圖6 目視解譯提取結果
3個樣地的6個植被指數精度分析表明：VDVI提取精度最高，平均精度98.11%，其次是EXG-EXR，平均精度為87.25%；在研究區影像色彩不均一的樣地，NGBDI指數灰度圖未出現陰影紋理現象，且提取精度在80%以上，滿足提取要求；以上指數Kappa系數均大于0.7(K>0.61)，表明以上分類提取方法與實際結果具有高度一致性。NGRDI和RGRI提取效果一般，平均提取精度保持在67.89%～75.07%；EXG指數提取植被受影像紋理影響嚴重，提取精度保持在64.88%～77.03%，把植被錯分為裸土，造成提取效果較差。結果表明，可見光植被指數同樣適用于荒漠灌木植被提取，其中VDVI植被指數的提取效果最佳，這與李東升[12]、朱孟[14]等研究結果一致。
3.3 不同分辨率對提取精度的影響
在同一研究區樣地，飛行當天天氣、植物陰影、太陽高度角以及圖像的分辨率都會影響影像效果。對同一款無人機而言，航高和分辨率呈反比。針對不同航拍高度下影像分辨率可能造成植物扭曲或模糊等問題，分析不同影像分辨率對植被提取的影響。
以巴音恩格爾蘇木樣地不同分辨率的無人機影像為例，使用VDVI指數去提取植被，對比分析不同分辨率對提取精度的影響，結果見圖7。GSD 0.36 cm/px提取精度達到97.45%，GSD 0.40～1.39 cm/px提取精度為89.36%～82.49%。在GSD 1.39 cm/px之后提取精度顯著降低到71.11%，GSD 3.3 cm/px的提取精度僅為61.08%，無法滿足80%的提取精度。隨著高度遞增，圖像分辨率降低，提取精度降低。可見，隨著地面目標地物距航拍距離的減小，地面分辨率提高，總體精度會增加[32]。
圖7 無人機提取精度隨分辨率變化趨勢
4 討 論
4.1 植被指數直方圖特征
本研究中，當地物僅為灌木時，EXG和EXG-EXR指數出現雙峰特征，NGBDI，NGRDI，RGRI，VDVI為非雙峰特征。這同朱孟等[14]研究結果一致，當影像中地物僅為火龍果時，EXG，EXG-EXR指數有較明顯雙峰特征，NGRDI的灰度直方圖雙峰效果不明顯；當影像中存在多個類別地物時，如建筑物、農田、草地和裸土等，EXG表現出非雙峰特征，VDVI，NGRDI，NGBDI，RGRI表現出較明顯雙峰特征[7,12,21]，與本研究中相同指數的峰值特征相悖。此外，多位學者研究表明，VDVI指數經過提取后的灰度直方圖有時不具有雙峰特征的類似問題[20,33]。
4.2 植被提取精度的影響因素
無人機在獲取航拍影像時，受獲取過程中光學透鏡成像的不均勻性、大氣衰減、云層、煙霧以及向陽、背陽等造成的光照條件不同等因素的影響[34]，導致獲取的影像存在不同區域不同程度亮度和色調等差異[35]。這些差異會不同程度地影響后續航拍圖像和影像鑲嵌質量的效果[36]，進而導致圖像之間的拼接和鑲嵌結果出現明暗不均、色彩分布不協調[37]，不同程度地影響航拍影像的特征提取、目標識別、分類、解譯等。3個樣地內，貢烏蘇樣地航拍影像出現影像色彩不均一現象，其中EXG指數提取精度受影像紋理影響嚴重，提取精度僅為64.88%；在巴音恩格爾蘇木和陶思圖樣地的提取精度為76.21%，77.03%，這同朱孟[14]、程俊毅[38]等研究結果相近。
閾值可以被看成是目標地物與圖像背景之間的分界線，它代表著一種分割準則。閾值選取的合理與否直接關系圖像的分割效果與提取精度，因此如何選擇分割閾值方法成為確定閾值的關鍵。目前常用分割閾值方法有直方圖閾值法、OTSU算法和閾值迭代法，OTSU算法不需對直方圖做預處理就能直接計算求得二值化閾值，但是無人機遙感影像分辨率高和數據信息量大，使用該方法得到的分割效果不太理想[39]。本研究中對出現雙峰特征的植被指數，采用直方圖閾值法確定閾值；對于未出現雙峰特征的植被指數，使用閾值迭代法確定閾值。結果表明，根據植被指數直方圖特征選擇相應的閾值計算方法可以合理確定閾值。
在可見光波段中，綠色植被在綠光通道反射率高，在紅光、藍光通道反射率低，因此通過綠光通道與紅光、藍光通道間的運算能夠增強植被與周圍地物的差異，方便后期更加精確地提取目標信息[40]。基于以上光譜原則，本文對6種指數提取精度分析，發現VDVI，EXG-EXR和NGBDI的植被提取效果高于其他指數，平均提取精度達80%以上，Kappa系數均大于0.7(K>0.61)，表明以上指數植被提取結果與實際結果具有高度一致性，適合提取荒漠地區植被。該結果與眾位學者在高原地區天然植被、礦山人工植被、城鎮農田和天然植被地物提取精度相近[12,20-21]。
隨著地面像素分辨率GSD降低，像元尺寸增大，其對應的位置精度逐漸降低，致使目標地物的邊界鋸齒化現象嚴重，甚至可能出現一定的位置偏差，進一步影響解譯精度[41]。以VDVI指數為例，在0.36～1.39 cm/px的分辨率下，提取精度為97.45%～82.49%(圖6)，大于1.39 cm/px分辨率下的提取精度低于80%。這與Hsieh等[32]所得的結論一致，隨著地面目標地物距航拍距離的減小，總體分類誤差會減小，總體精度會增加。
4.3 無人機航拍最佳飛行高度
樹冠平均高度的3倍飛行高度，可以最大限度地降低較高喬木和灌木阻擋間隙內影響植被特征的可能性[42]。荒漠灌木平均高度約3～6 m，10 m和20 m飛行高度滿足荒漠野外調查飛行高度。而影像后期拼接處理過程中，10 m高度正射影像拼接出現斑塊缺失；20～30 m高度出現影像色彩明暗不均一，影響提取精度；在60～120 m高度，影像分辨率降低，提取精度低于80%，不滿足植被提取要求；當飛行高度達到120 m時，無人機屬于超視距飛行，存在空域問題。對野外植被調查而言，航拍耗電量、航拍高度、航拍時間以及數據的效果均是考慮的因素。Bipul等[43]用深度學習算法提取香蕉數量的研究中，飛行高度40 m和50 m的提取的正確率高達90%，建議作為野外調查優先選擇的飛行高度，與本研究荒漠灌木在40 m和50 m航拍影像提取精度相近。綜合以上因素，本研究認為40 m和50 m的飛行高度是野外調查的優先選擇高度。
5 結 論
(1)在荒漠灌叢研究區內，EXG和EXG-EXR指數直方圖為雙峰特征，其余均為非雙峰特征。指數直方圖出現雙峰特征時，采用直方圖閾值法獲取閾值；指數出現非雙峰時采用閾值迭代法計算閾值。
(2)針對荒漠植被灌木，VDVI，EXG-EXR和NGBDI的植被提取精度高于其他指數，平均提取精度達80%以上，Kappa系數均大于0.7(K>0.61)，提取結果與實際結果具有高度一致性，適合提取荒漠地區植被。影像出現明暗紋理不均一的情況下，提取精度除EXG指數明顯受到影響外，其他指數提取精度幾乎沒有受到影響，特別是NGBDI灰度圖并未表現出明暗紋理。地面像素分辨率降低，致使目標提取物的邊界鋸齒化輪廓模糊，增大地物識別過程的錯誤率，降低植被提取精度。在0.36～1.39 cm/px(10～50 m航高)分辨率下，提取精度為97.45%～82.49%，大于1.39 cm/px分辨率下的提取精度低于80%。綜合考慮地面像素分辨率、影像拼接效果(明暗度、完整性)對提取精度的影響，40 m和50 m的飛行高度是野外調查的優先選擇高度。
