利用無人機提取樣本點的多源遙感影像分類方法研究

張文，王志偉，吳紅芝，畢玉芬，宋雪蓮，阮璽睿

(1.云南農(nóng)業(yè)大學草業(yè)科學系，云南 昆明 650201；2.貴州省農(nóng)業(yè)科學院草業(yè)研究所，貴州 貴陽 550006)

全球喀斯特地貌面積約為2.2×107km2[1]，占陸地表面積的7%～12%[1-2]，約有四分之一的全球人口水源依賴于喀斯特區(qū)域的含水層[2-3]。喀斯特生態(tài)系統(tǒng)十分脆弱，特別容易受到環(huán)境變化的侵襲，導致區(qū)域內(nèi)地表植被發(fā)生破壞，進而造成其地表景觀退化為裸土區(qū)域，甚至退化為巖石區(qū)域[4]，而這種石漠化現(xiàn)象又是一種嚴重的生態(tài)系統(tǒng)短期不可逆過程。已有研究指出[5]，在我國西南喀斯特地區(qū)石漠化面積已達5.8%，其中作為喀斯特地貌中心的貴州省，其表層土壤在1974-2001年甚至每年以120 km2的速度退化為石漠化區(qū)域[6]。不過這種趨勢在最近20年開始轉(zhuǎn)為良性，許多地區(qū)的植被開始變得比以前更綠[6]。盡管如此，對喀斯特區(qū)域，特別是位于巖溶中心貴州省的長期監(jiān)測依然不容忽視。

隨著多源遙感數(shù)據(jù)的發(fā)展，遙感影像在時空分辨率和光譜分辨率方面都有極大提升[7]，特別是針對喀斯特區(qū)域的植被動態(tài)和地物類型監(jiān)測研究越來越成熟[6-8]。現(xiàn)有的地表類型分類方法日益精準[9]，但是作為任意一種分類模型輸入必要條件的野外實測分類樣本點獲取較為困難。特別是在較大尺度范圍內(nèi)，如果通過傳統(tǒng)野外調(diào)查法收集分類樣本點，人力、物力和時間成本的花費極高，嚴重阻礙大范圍地表分類研究的發(fā)展[10]。近年來興起的無人機技術發(fā)展迅速[11-12]，而且伴隨著相關操作軟件的完善[13]，為快速、廉價的獲取能夠長期保存的可視化數(shù)據(jù)基礎資料提供了技術支撐和方法保障。

無人機低空遙感具有靈活性高、影像獲取時間短、成本低、地面分辨率高等優(yōu)點,在作物長勢監(jiān)測、產(chǎn)量估計、氮素含量反演、冠層葉綠素預測等方面得到了廣泛應用，可靈活高效地獲取中小區(qū)域農(nóng)作物冠層光譜信息[14-19]。尹小君等基于中空間分辨率Landsat 8 OLI數(shù)據(jù)與高時間分辨率 MODIS數(shù)據(jù)，采用遙感數(shù)據(jù)時空融合 STARFM算法，獲取中空間分辨率和高時間分辨率序列的遙感數(shù)據(jù)，并以天山北坡中段區(qū)域為試驗區(qū)，結合 CASA模型,對區(qū)域內(nèi)植被 NPP進行模擬[20]。吳智超等[21]利用 ExG指數(shù)法和最大似然監(jiān)督分類法對無人機數(shù)碼影像進行處理,提出利用顏色轉(zhuǎn)換空間HSI(HA法)從無人機數(shù)碼影像中快速提取馬鈴薯覆蓋信息；劉春曉等[22]根據(jù)植被指數(shù)等遙感數(shù)據(jù)產(chǎn)品，提取9種圖像特征，并結合DEM生成的地形參數(shù)數(shù)據(jù)，利用計算機自動分類法，提出基于MODIS數(shù)據(jù)的土壤遙感分類方法具有一定的準確性和可行性。

現(xiàn)有的遙感數(shù)據(jù)源種類繁多[10,23]，分類方法也各式各樣[9,24]。為充分利用無人機提取海量、廉價分類樣本點的可能性，本研究選取開源數(shù)據(jù)集作為分類的遙感數(shù)據(jù)源，如Sentinel-1/2和SRTM DEM，數(shù)據(jù)優(yōu)勢是可免費獲取，涵蓋可見光、近紅外、短波紅外和微波范圍的影像資料，為分類方法研究提供了廣泛的光譜數(shù)據(jù)。同時，本研究的分類方法選用對遙感數(shù)據(jù)分類具有較優(yōu)精度的隨機森林[9]，相比其他機器學習分類方法(除硬件要求極高的深度學習外)，隨機森林具有更好的魯棒。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)地處貴州省威寧縣北部(圖1-A)，屬云貴高原高寒山區(qū)，有“貴州屋脊”之稱，海拔2 320～2 442 m，高原緩坡地貌，土壤為黃棕壤，年均溫8.7℃，主要是白三葉 (Trifoliumrepens)+多年生黑麥草(Loliumperenne)和白三葉+鴨茅(Dactylisglomerata)建植的多年生人工草地。 地理位置E 104.100°～104.118°和N 27.179°～27.191°(圖1-B)，面積1.7 km×1.4 km，采集無人機照片120張，提取分類采樣點982個。

1.2 UAV航拍相片及分類樣本點數(shù)據(jù)獲取

無人機航拍相片采集于2018年4月21日，使用大疆精靈4拍攝，共采集120張，飛行高度300 m，相片分辨率為1200萬像素，使用FragMAP軟件[13]完成操作拍攝過程。采樣點通過ArcGIS軟件，設置均勻分布于研究區(qū)內(nèi)的矢量點完成，共計982個。如果利用傳統(tǒng)的生態(tài)樣方框完成本試驗中近千個點位(圖1-B)、甚至后續(xù)研究中上萬、上百萬點位的植被調(diào)查，所需的人工和時間成本花費極大，因此本試驗嘗試利用無人機影像完成分類樣本點數(shù)據(jù)的提取過程。

圖1 研究區(qū)位置示意圖(S2真彩色圖片采集于2018年4月17日) Fig.1 Location of the study area (Sentinel-2 true color composite image collected on April 17th 2018)

僅用開源遙感影像來目視解譯，即使分辨率已達10 m，仍難以清晰分辨各類地表類型。舉例來說，本試驗中研究區(qū)內(nèi)某些裸露土地的顏色與生長不茂盛的樹林顏色極為相近，十分容易錯誤解譯為林地，如圖2-B藍色圈和粉色圈中的顏色極易誤判，但是如果有無人機航拍數(shù)據(jù)作為參考(圖2-A)，藍色圈和粉色圈中的地表類型就不會解譯錯誤。本試驗中的所有分類樣本點都是通過目視解譯，將無人機影像定位至Sentinel-2影像上，然后完成樣本點提取過程。

圖2 利用無人機航拍相片提取采樣點 Fig.2 Using Unmanned Aerial Vehicle (UAV) to extract marked sample points注：A：無人機航拍相片效果；B：Sentinel-2真色彩合成影像

1.3 遙感數(shù)據(jù)源

Sentinel-1/2數(shù)據(jù)來源于歐空局(http://scihub.copernicus.ed/)。Sentinel-2(S2)數(shù)據(jù)共包含13個波段數(shù)據(jù)，涵蓋可見光、近紅外和短波紅外光譜波段，其中有5個近紅外波段的數(shù)據(jù)可應用于植被相關的研究[9]。經(jīng)過Sen2Cor(http://step.esa.int/main/thir d-party-plugins-2/sen2cor/sen2cor_v2-8/)軟件處理后，完成地形校正、大氣校正和輻射校正等基礎影像處理過程，最后得到除第10波段外的12層影像數(shù)據(jù)集，全部重采樣至10 m分辨率與第2(藍)、3(綠)、4(紅)和8(近紅外)波段分辨率一致。Sentinel-1(S1)GRD數(shù)據(jù)(C波段，VV和VH極化)分辨率也為10 m，使用SNAP(http://step.esa.int/main/toolboxes/snap/)軟件進行軌道修正、熱噪聲去除、輻射校正、散斑濾波和距離-多普勒地形校正操作后得到VV和VH2層數(shù)據(jù)影像。本試驗中所使用的S2和S1數(shù)據(jù)分別獲取于2018年4月17日和2018年4月20日。DEM數(shù)據(jù)使用SRTM DEM(http://srtm.csi.cgiar.org/srtmdata/)，重采樣至10 m分辨率后計算獲取高程(DEM)、坡度(slope)、坡向(aspect)和剖面曲率(profile curvature)4層數(shù)據(jù)影像。經(jīng)過處理，上述所有遙感影像和無人機航拍數(shù)據(jù)全部使用WGS_1984_UTM_Zone_48N投影。

1.4 植被指數(shù)的計算

為提高分類精度，本試驗引入植被指數(shù)數(shù)據(jù)(Vegetation indices，VI)，主要包括NDVI(Normalized Difference Vegetation Index)，EVI(Enhanced Vegetation Index)和SAVI(Soil-Adjusted Vegetation Index)，其計算公式如下所示：

NDVI= (NIR-Red )/(NIR+Red)

(1)

EVI=2.5×(NIR-Red)/(NIR+6.0Red-7.5Blue+1)

(2)

SAVI=(NIR-Red)(1+L)/(NIR+Red+L)

(3)

式中：NIR、Red和Blue分別對應近紅外、紅和藍波段的數(shù)值，L是土壤調(diào)節(jié)系數(shù)，由實際區(qū)域條件確定，一般情況都采用L=0.5來完成運算。本試驗中，NIR、Red和Blue波段數(shù)據(jù)分別對應S2數(shù)據(jù)的第8、4和2波段結果。

1.5 隨機森林分類模型的構建

隨機森林是一種組成式的監(jiān)督分類法，以決策樹為基礎，實現(xiàn)對多決策樹的集成。隨機森林方法在遙感數(shù)據(jù)分類研究[9]中應用較為廣泛，該分類模型從原始的訓練數(shù)據(jù)集中采取有放回的抽樣(bagging)方法完成子數(shù)據(jù)集的構造過程。該過程中不同子數(shù)據(jù)集的元素可以重復，同一子數(shù)據(jù)集中的元素也可以重復。同時，因其引入兩個隨機性屬性(樣本隨機，特征隨機)，所以不容易陷入過擬合。隨機森林特征重要性的大小正相關于該特征對森林中每棵樹的貢獻大小，當平均該特征對每個樹的貢獻之后，得到基尼指數(shù)(Gini index)。此外，袋外數(shù)據(jù)(Out Of Bag，OOB)錯誤率可以作為評估指標來衡量特征集貢獻大小，通常優(yōu)先選擇袋外誤差率最低的特征集。

本試驗中，主要區(qū)分5種地表類型(表1)。

表1 試驗研究區(qū)地表類型分類樣本點概況

驗證分類結果的準確率指標主要包括總體準確率(Overall Accuracy,OA)和Kappa系數(shù)兩種，其計算公式如下：

OA=(TP+TN )/(TP+FN+FP+TN)

(4)

式中：TP為真正，即被模型分類正確的正樣本；FN為假負，即被模型分類錯誤的正樣本；FP為假正，即被模型分類錯誤的負樣本；TN為真負，即被模型分類正確的負樣本；OA為總體分類精度，即分類正確的樣本個數(shù)占所有樣本個數(shù)的比例。

Kappa=(Po-Pe)/(1-Pe)

(5)

式中：Po為對角線單元中觀測值的總和，也就是總體分類精度OA；Pe為對角線單元中期望值的總和；Kappa為評價一致性的測量值，表示分類與完全隨機的分類產(chǎn)生錯誤減少的比例。

2 結果與分析

依據(jù)試驗部分中的數(shù)據(jù)和隨機森林分類模型完成的制圖結果如圖3所示，除S2&VI&DEM數(shù)據(jù)集的分類結果較差外(表2)，其余分類結果都相對穩(wěn)定，OA在75%以上，Kpppa系數(shù)在65%以上，同時各分類結果的空間分布位置基本一致。其中，2個數(shù)據(jù)集S2&VI的分類精度最高，但是OOB的數(shù)值以3個數(shù)據(jù)集S2&VI&S1的分類結果為最高。本試驗的研究結果基本呈現(xiàn)數(shù)據(jù)資料越多，分類精度越高的規(guī)律。不過，DEM及其相關計算結果的引入會明顯產(chǎn)生噪聲，導致分類結果降低。因此，以后的分類研究也應注意篩選變量，以免冗余變量的引入產(chǎn)生誤差，導致分類精度降低。

表2 分類結果精度評價

圖3 隨機森林分類結果Fig.3 Random Forest classifications

結果表明，分類樣本點越多的地表類型，分類精度越高；分類樣本點越少的地表類型，最終分類精度越低(圖4)。特別是具有最少采樣本點的建筑物分類，在測試集的5種分類結果中都沒能正確區(qū)分。

圖4 分類結果混淆矩陣圖Fig.4 Confusion Matrixes of Random Forest classifications

圖5展示了各分類數(shù)據(jù)集中，不同遙感圖層的基尼指數(shù)值。在前4種數(shù)據(jù)集中，S2數(shù)據(jù)的第2、3、4和6波段都具有較高的基尼指數(shù)數(shù)據(jù)值，因此僅用上述4層數(shù)據(jù)波段完成分類后發(fā)現(xiàn)，其分類后的空間分布形式基本同其他多數(shù)據(jù)圖層分類結果相似(圖3)。特別是僅用以上4層數(shù)據(jù)波段完成的分類結果精度略低于最高分類數(shù)據(jù)集的結果精度，遠高于引入冗余數(shù)據(jù)集(DEM)后的分類精度(表2和圖4)。以上結果也說明，數(shù)據(jù)降維的操作方式，在大數(shù)據(jù)量處理時會有效的節(jié)約時間，同時又保證較高的分類精度。

圖5 基尼指數(shù)Fig.5 Plots of Gini index

3 討論

3.1 邊緣分類樣本點(混合像元)對分類結果準確率的影響

本試驗中分類樣本點是按照均勻分布規(guī)則設置的，因此有接近1/3的樣本點位于不同地表類型的邊緣處(即混合像元)(表1)。在此，通過剔除表1中318個邊緣樣本點探討所有樣本點只是位于一致性極高區(qū)域后的分類精度。將位于一致性較高地表類型的664個樣本點輸入分類模型中分類結果精度最高的3個數(shù)據(jù)集進行分類，結果如圖6所示，其分類精度存在明顯提升(表3)，OA和Kappa都在85%和79%以上。因此，剔除邊緣分類樣本點(混合像元)對分類精度的提高十分重要，本試驗中對OA和Kappa的提升，一個接近10%，一個超過10%。

圖6 數(shù)據(jù)集S2、S2&VI和S2&VI&S1隨機森林分類結果和混淆矩陣Fig.6 Random Forest classifications and confusion matrixes of S2,S2&VI and S2&VI&S1

表3 數(shù)據(jù)集S2、S2&VI和S2&VI&S1分類結果精度評價指標表

3.2 基于無人機提取分類樣本點的分類方法能夠有效識別枯萎植被

常規(guī)目視解譯，特別是沒有無人機航拍相片作為參考資料時，可見光遙感影像目視解譯對枯萎林地和某些裸地的區(qū)分相對困難，如圖7-A所示從S2的真彩色合成圖像上判讀枯萎林地和裸地的顏色十分接近。不過，本試驗利用無人機提取分類樣本點完成分類后，對枯萎林地和裸地的區(qū)分會準確很多(圖7-B)。特別是圖7B深藍色圈中對枯萎林地的分類，基本可以有效地銜接旁邊的旺盛林地。

圖7 區(qū)分枯萎植被和裸地Fig.7 Identification of weathered vegetation and bare land注：藍色和紅色圈內(nèi)地表類型分別為森林和裸地

3.3 細小斑塊和雜亂斑塊

圖8展示了分類對細小、雜亂斑塊的區(qū)分效果。圖中藍色圓圈中的分類效果基本可以滿足常規(guī)地表類型分類需求，不過該結果也存在部分椒鹽效應現(xiàn)象，而且部分道路也存在不連貫現(xiàn)象。此外，需要著重關注的是對建筑物區(qū)分效果很差，如圖8紅色圓圈中的房屋完全沒有區(qū)分出來，在圖7中更多的建筑物中也僅區(qū)分出部分樣本。造成這種現(xiàn)象的原因主要有兩方面：1)分類樣本點過少，建筑物的分類樣本點僅有4個，而且全部是邊緣樣本點；2)建筑物面積小，多數(shù)個體難以覆蓋一個2×2的像素單元。根據(jù)實際分類制圖需求，如果確實需要對這類個數(shù)少、面積小的地表類型進行分類，建議人為加大采樣樣本點，而不單純依靠均勻布點所設置的樣本點。此外，如果條件允許，考慮使用更高分辨率的遙感影像(一般非開源)進行分類制圖，加強對小面積樣本的識別能力。

圖8 細小、雜亂斑塊分布圖Fig.8 Distribution of tiny and disordered patches

4 結論與展望

1) 本研究均勻提取分布于研究區(qū)內(nèi)的982個分類樣本點，利用包括Sentinel-1/2(S1/2)數(shù)據(jù)集、S2數(shù)據(jù)計算獲得的植被指數(shù)數(shù)據(jù)集和數(shù)字高程模型(Digital Elevation Model，DEM)數(shù)據(jù)集的遙感影像資料，然后借助隨機森林分類模型完成研究區(qū)地表類型分類。上述遙感數(shù)據(jù)集不僅涵蓋可見光數(shù)據(jù)，還包括近紅外、短波紅外和微波光譜波段數(shù)據(jù)資料。分類后的結果顯示，除包含DEM數(shù)據(jù)集的分類結果外(總體精度和Kappa系數(shù)分別為74.54%和61.73%)，其他4種數(shù)據(jù)集組合(S2數(shù)據(jù)集、S2&VI數(shù)據(jù)集、S2&VI&DEM數(shù)據(jù)集，以及4個S2波段b3&b2&b4&b6組成的數(shù)據(jù)集)的制圖總體精度(Overall Accuracy,OA)和Kappa系數(shù)精度都在75%和65%以上。此外，在不考慮位于邊緣的樣本點(即混合像元)后，分類制圖結果具有更好的魯棒，3種分類精度最高的數(shù)據(jù)集(S2數(shù)據(jù)集、S2&VI數(shù)據(jù)集和S2&VI&DEM數(shù)據(jù)集)OA和Kappa系數(shù)精度都提高至85%和79%以上。特別是kappa系數(shù)的精度更優(yōu)，提高了近15%。

2)該方法能夠有效區(qū)分枯萎植被和裸露土地，即使僅使用可見光波段組合生成的影像，也可以參考無人機影像較方便地分辨各類地表類型。以上結果說明，在今后的研究中，可以擴大分類樣本點的采集時間，不只局限于植物生長最旺季。同時，該方法也減少對植物生長季運算過程的時間消耗，不需利用長時間序列的植被研究數(shù)據(jù)反演整個植被物候過程來完成分類。

3) 本研究基于無人機提取分類樣本點的多源遙感數(shù)據(jù)隨機森林分類方法，可以快速、有效、廉價地實現(xiàn)地表類型分類制圖過程，同時也可為今后上萬、上百萬級的海量樣本點提取過程提供技術支持和方法基礎，但是涉及混合像元的分類樣本點存在問題，在剔除邊緣分類樣本點(混合像元)的影響后，分類精度明顯提高。因此，建議在以后的相關研究中布點時，盡量避免提取邊緣處的分類樣本點，應選取地物類型均勻一致的區(qū)域提取樣本點。

此外，本研究試驗中仍然存在一些問題需要改進，如分類中未能區(qū)分農(nóng)田和草地，以及裸地與休耕地(空地)。以后的研究如有該方面的需要，可以通過以下兩種手段來完成對農(nóng)田和草地，以及裸地與休耕地(空地)的分類。一是降低飛行高度。該技術手段，操作簡單、人力成本低。不過會增加航拍時間，研究前需對實驗的野外采集時間科學合理規(guī)劃。二是加入植物生長物候期數(shù)據(jù)擬合。該技術手段運算數(shù)據(jù)的時間成本相對較高，特別是遙感影像(長時間序列數(shù)據(jù)集)易受云的影響也是研究中需要著重考慮的一個方面。

4)本研究的另一個局限是未考慮面向?qū)ο蠓椒ǖ姆诸悎D斑提取，如圖7-B紅色圈中仍然存在椒鹽效應現(xiàn)象。本文中未使用面向?qū)ο蠓椒ǖ脑蚴茄芯繀^(qū)域面積相對較小，而10 m分辨率的遙感影像在對本研究區(qū)范圍內(nèi)數(shù)據(jù)進行面向?qū)ο髨D斑分割時像元過大，導致提取到的圖斑線條銳化明顯，分類圖斑的邊界并非常見面向?qū)ο蠓指詈蟮膱A滑曲線，對分類結果精度和視覺效果都存在影響。

隨著遙感技術和無人機航拍技術的快速發(fā)展，基礎數(shù)據(jù)的積累量會日益壯大。面對海量數(shù)據(jù)的地表類型分類研究，實現(xiàn)航拍影像的分類采樣點自動化提取迫在眉睫。少量樣本點數(shù)據(jù)可通過目視解譯完成，但是為服務深度學習和人工智能的大數(shù)據(jù)量航拍相片提取分類樣本點過程仍然困難。該領域研究內(nèi)容的更新與突破，將會是未來利用無人機技術進行地表類型分類制圖研究的熱點。