基于低空遙感的若爾蓋草地鼢鼠鼠害信息提取方法及對比研究

董 光，狄 威，程武學

（四川師范大學 地理與資源科學學院，四川 成都 610101）

草地既是畜牧業生產的重要物質基礎，又是重要的生態屏障.據統計，中國草原總面積約為4 億公頃，并且每年草地生物量產量約為22.29 億噸，天然草地的生態服務功能總價值約8 697.7 億元，在國家糧食安全和生態安全等有著舉足輕重的地位.據農業部《2016 年全國草原監測報告》［1］統計，2017年全國草原鼠害受害面積約為2.8 ×107hm2，約占全國草原面積的7.24%，比2016 年增長1.34%，對草原主要危害鼠種有黃鼠、田鼠、鼠兔、鼢鼠、沙鼠、旱獺等.近30 年來，草原鼠害的危害逐年加重，草原鼠害面積逐年增加，每年草原由于鼠害經濟損失超過60 億元［2］，因此有必要對草地鼠害進行全面監測.全面監測鼠害草地信息是治理鼠害任務的重要一步，可以通過準確的監測和判斷鼠害程度制定有效的治理鼠害計劃，綜合利用多種治鼠技術，實現科學防治鼠害的任務［3］.

國外利用遙感與GIS 技術應用于鼠害監測時間較早，可以分為兩個時間階段：1950—1970 年，主要采用航空目測的方法，在地形圖上畫出鼠害發生區.隨著科技的進步，逐漸將航空錄像連接至全球定位系統，在航空錄像的圖像上記錄經緯度坐標、海拔、飛行航速以及航向等信息，在鼠害動態監測方面取得了較好的成果.在1970 年后，隨著美國的Landsat、法國SPOT等衛星的發射［4］，研究員可以在較短的時間快速獲取到遙感影像，對鼠害監測的研究提供了巨大的支持.Addink 等［5］利用QuickBird遙感衛星，對哈薩克斯坦的鼠害進行監測，精度驗證達到了80%以上.

我國從1950 年后，使用傳統方法對草地鼠蟲害進行研究.隨著遙感技術的興起，特別是在1980年以后，我國陸續開展了草地遙感技術應用研究與草地鼠害預測預報研究.李博［6］利用3S 系統技術建立了“中國北方草地畜牧業動態監測業務化運行系統”；阿力古恩［7］結合3S技術研究得到了阿拉善荒漠梭梭林中大沙鼠鼠害分布區域；黃建文等［8］利用阿拉善左旗地區的TM影像，通過對比天然梭梭林在大沙鼠鼠害防治前后的土壤調節植被指數，用以判斷鼠害綜合防治的效果.但是，現在多數研究主要是利用遙感技術對草原荒漠化的總面積實現動態監測，而使用遙感技術監測鼠害監仍處于起步階段，所以提高草原鼠害遙感監測技術是具有重大的價值.

目前，利用傳統的技術很難對鼠害進行有效的、實時的動態監測.隨著遙感和GIS 的發展，可以得到大范圍的草原鼠害的衛星影像，采集周期短.但是多數衛星受限于分辨率，對準確的鼠害信息很難獲取到.近年來，小型無人機越來越多的投入到各個遙感領域，其超高的分辨率對草原鼠害信息的提取有巨大的幫助.

無人機具有遙感監測快速、高效、分辨率高、成本低和不同尺度等方面的優勢.本文利用無人機對若爾蓋草原的鼠害信息提取的有效方法進行研究，對比不同方法的提取結果，可以得到不同方法的優缺點，為使用低空遙感監測草原鼠害信息提供一定的理論和技術參考.

1 研究區域與數據來源

1.1 研究區域概況本次研究區域為若爾蓋草原，位于四川、甘肅和青海3省交接處，如圖1所示，總面積約為59 000 km2，區域內涉及的縣級行政區包括四川省阿壩藏族羌族自治州的若爾蓋縣、紅原縣、阿壩縣、松潘縣，甘肅省甘南藏族自治州的瑪曲縣、碌曲縣，青海省果洛藏族自治州的久治縣［9］.

圖1 研究區位置示意圖Fig.1 A schematic diagram for the locations of the study areas

根據四川草原總站的實際統計，2018 年四川草原發生鼠害平均面積為2.84 ×106hm2，比去年增長約為4.7%，重度破壞面積約為1.82 ×106hm2，比去年增長約為10%，鼠害地發生已經嚴重影響草原畜牧業的可持續發展［10］.

1.2 數據來源及處理本研究采用國產的DJI 無人機進行高空作業，型號為DJI Phantom 4Pro，有接近12 檔的動態范圍，并搭載2 000 萬像素的的傳感器和GPS／GLONASS 雙模衛星定位系統、IMU 和指南針雙冗余傳感器，無人機在飛行時能獲得實時圖像、深度、定位等信息.對于無人機的飛行高度，此次研究設定為200 m，航空攝影的航向重疊和旁向重疊分別設置為80%和60%，同時也滿足具體的航拍的要求.飛行的區域為若爾蓋縣轄曼鄉的牧場，由于受鼠害嚴重，所以選擇它作為研究區.

這次的研究獲取的各種影像信息使用無人機的處理軟件技術進行處理，具體如圖2 所示.

圖2 無人機航攝數據處理流程Fig.2 Processing flow of the aerial photography data by UAV

本文在所選的地點在若爾蓋草原的小牧場內，經過實地調查，選擇一個15 m ×15 m 的樣地作為研究鼢鼠鼠害信息提取的實驗區域，具體位置如圖3 所示.

圖3 實驗區預處理后的影像圖Fig.3 The pre-processed image of the experimental area

2 研究方法

2.1 基于灰度的圖像分割圖像分割技術通常根據圖像性質的原理進行分類和標記［11］.主要使用灰度閾值劃分法，實際計算也相對簡單，并且運算效率較高，在特定的細分中，屬于應用比較多的方法.

確定閾值是這種分割算法的關鍵，閾值的準確性越高，分割出來的圖像就越精確.

2.2 優選色彩紋理特征本研究采用無人機的正射影像只有3 種灰度信息，分別是紅、綠、藍，沒有定量的多光譜信息.主要根據色彩的空間轉換以及實際的紋理對地表的表鼠害區域圖像進行分析，然后選擇區分鼠害地物和背景地物的色彩和紋理指數，并將選擇出來的色彩和紋理指數用于地表鼠害信息的提取.

對于JPG的圖像進行實際的色彩空間以及二階灰度共生矩陣進行實際的轉換和紋理性的過濾，得到色度以及亮度和飽和度3 項指標，以及均值以及方差、協同性等一共24 個紋理［12］.本文用離散程度表示具體的色彩紋理特征的變異系數.

變異系數表示某一個特征數值的離散型程度，其中的變異系數與離散程度是相關的，變異系數越小，表示的離散程度也越小，因此根據此特征提取該類物.另外某一特征差異性越大，越容易進行區分兩地的重物.因此，在進行實際的選擇過程中，應該選擇差異性大以及變異性小的色彩紋理進行研究.

2.3 基于規則的面向對象面向對象的分類方法有效地結合影像中多種對象特征，例如圖像的光譜、紋理和幾何形狀，使用影像分割技術來查找對象，并將該對象作為處理單元進行影像分類［13］，主要包括4 個過程：影像分割、對象層次結構、分類規則和信息提取.

2.4 BP神經網絡人工神經網絡主要在20 世紀40年代被提出，經過這些年的不斷發展，以其強抗干擾、并行分布式處理、自組織學習和分類精度高等特點而得到廣泛應用.

BP反向傳播網絡使用梯度搜索理論，將輸出層中的誤差進行校正權重，從而使網絡的實際輸出與預期輸出之間的誤差最小.該方法是根據誤差反向傳播算法，從輸出到輸入的方向進行，需要一定數量的已知樣本進行反復的學習和訓練，確定與最小誤差相對應的權值和閾值［14］.具體的神經網絡圖結構如圖4 所示.

圖4 BP神經網絡結構Fig.4 BP neural network structure

3 結果與分析

3.1 春季鼢鼠土丘的地表信息提取

3.1.1灰度閾值分割 結合實地調查以及根據現有的影像進行分析，發現草類植被還處于萌發階段時，綠色波段的區分度不大，鼢鼠土丘對于藍色波段最為敏感.另外，土壤濕度對于鼢鼠土丘在圖像上表達影響很大，土壤濕度越大，鼢鼠土丘越趨近于黑色，即灰度值越小；土壤濕度越小，灰度值越大，鼢鼠土丘與周圍的裸土顏色越接近.構建出的灰度分割模型為：紅色波段值小于174，綠色波段值小于145，藍色波段值小于120.運用此模型進行影像分割處理，再對分割結果進行聚類和過濾處理，圖5 是得到的分割結果.

圖5 灰度閾值分割提取春季影像中鼢鼠土丘結果Fig.5 Extraction results of zokor mounds in spring images based on grayscale threshold segmentation

3.1.2優選色彩紋理特征 結合實際的調研情況進行影像分析，主要是有3 種地物信息，分別為鼢鼠土丘、草地以及裸土，另外需要對于影像進行HLS色彩轉換，以及二階灰度共生矩陣紋理濾波，得到色度、亮度以及飽和度3 種色彩特征和紅、綠、藍3 個波段的對比度、相異性等24 種紋理特征進行實際的了解和分析.

綜合考慮相對差異和變異系的數值，本文選擇了紅色均值、藍色均值和綠色均值3 個紋理特征來區分鼢鼠土丘和其他地物，優選的3 個紋理特征之間的差異性有了明顯的提高.在實際的影像中，主要的3 種地物分別是鼢鼠土丘、裸土和草地，隨機選取其訓練樣本各10 個，得到的分類結果如圖6所示.

圖6 基于優選紋理的春季影像中鼢鼠土丘提取結果Fig.6 Extraction results of zokor mounds in spring images based on optimized textures

3.1.3基于規則的面向對象 利用實際圖像的分割技術來發現對象，Algorithm 選擇為Edge，Scale Level為65.9.因為實際的閾值比較低，通過合并來優化分類的結果，本文設定合并強度為95.8.

使用半自動的方式確定規則和閾值，設定的光譜規則為：B1 的范圍為130.34～171.19，B2 的范圍為105.19～145.39，B3的范圍為73.39～109.69，幾何面積范圍為0.022 5～1，基于規則的面向對象方法分類結果如圖7.

圖7 春季影像鼢鼠土丘面向對象方法的提取結果Fig.7 Extraction results of zokor mounds in spring images based on the object-oriented method

3.1.4 BP神經網絡 使用DJI Phantom 4Pro拍攝的影像，經過處理后只有紅、綠、藍3 個波段，因此輸入層的節點數為3.而輸出層的節點數是由分類結果的數目決定的，由影像圖可以看出，主要是由鼢鼠土丘、草地、裸土組成，所以輸出層的節點數為3.本文隱層在數量上的選擇為1 個，隱層節點數量可以通過輸入節點數量來確定，一般是輸入節點的2～3倍［15］.非線性方法比線性方法劃分出來的結果準確率更高、合理，而且容錯性較好［16］，所以函數選擇對數型Sigmoid 激活函數.其分類結果如圖8所示.

圖8 春季影像中基于BP神經網絡的鼢鼠土丘分割結果Fig.8 Zokor mound segmentation results based on BP neural network in spring images

3.1.5春季鼢鼠分類結果精度對比 混淆矩陣用于計算制圖和用戶精度的計算，以此得到總體精度和Kappa系數等，評估每種方法分類結果的優劣.春季影像的空間精度對比如表1 所示.

表1 春季影像的空間精度對比Tab.1 Comparison of the spatial accuracy in spring

因為無人機影像分辨率較高，影像的地物可以用肉眼分辨，所以將目視解譯結果作為度量，以評估每種方法在目標地物的圖斑在數量、面積和幾何形狀方面的定量精度.定量精度對比如表2 所示.

表2 春季影像的定量精度對比Tab.2 Comparison of the quantitative accuracy in spring

3.2 夏季鼢鼠土丘的地表信息提取

3.2.1灰度閾值分割 根據實際的調查，該季節的植被生長是一年中最好的，牧草分布比較廣，裸土面積小，草色呈現出青綠色，該影像對于綠色的波段比較敏感，但土壤濕度差異很大，對影像分類結果有一定的影響.構建具體的分割模型為紅色波段大于139，綠色波段大于135，藍色波段大于113，分割結果如圖9 所示.

圖9 灰度閾值分割提取夏季影像中鼢鼠土丘結果Fig.9 Extraction results of zokor mounds in summer images based on gray-level threshold segmentation

3.2.2優選色彩紋理特征 結合實地調研情況，對夏季關鍵的地物信息進行分析，發現影像圖上主要有兩種地物，分別是鼢鼠土丘與背景地物草地.同樣對實驗影像進行HLS 色彩轉換和二階灰度共生矩陣紋理濾波，得到色度、亮度與飽和度3 項色彩特征，以及紅、綠、藍三個波段的對比度、相異性等24 種紋理特征進行分析，最后得到影像的特征統計.

綜合考慮相對差異和變異系數，選擇色度、飽和度和藍色均值3 個特征區分鼢鼠土丘和其他地物，優選的3 個色彩、紋理特征之間的差異性有了明顯的提高.基于優選紋理特征，對夏季實驗影像的分類結果如圖10.

圖10 基于優選紋理的夏季影像中鼢鼠土丘分割結果Fig.10 The segmentation results of zokor mounds in summer images based on the optimal texture

3.2.3基于規則的面向對象 利用實際圖像的分割技術來發現對象，Algorithm 選擇為Edge，Scale Level為49.6.由于分割強度設置得較低，因此特征對象劃分為多個部分，使用合并算法能一定程度上改善這個問題，將合并強度設置為98.3.

根據灰度、紋理和幾何形態等多個要素對目標地物的規則集進行創建描述，使用半自動探測的方法確定其規則以及閾值，所以設定光譜特征B1 的范圍為127～158，B2 的范圍為110～140，幾何面積范圍為0.022 5～1，分類結果如圖11.

圖11 夏季影像中面向對象的鼢鼠土丘提取結果Fig.11 Extraction results of zokor mounds in summer images based on the Object-oriented method

3.2.4 BP神經網絡 在進行實際的信息提取之前，需要構建一個BP網絡的模型，進而確定網絡模型的層數、節點以及一些激勵函數等網絡化的參數值，本次研究采用的是一個隱層的3 層BP 神經網絡.

本研究的遙感影像數據來源是無人機，由于影像只有紅、綠、藍3 個波段，所以輸入層的節點數為3.因為影像主要地物為鼠丘和草地，所以輸出層節點數為2.具體的輸出結果如圖12 所示.

圖12 基于BP神經網絡的提取結果Fig.12 Extraction results based on the BP neural network

3.2.5夏季鼢鼠分類結果精度對比 用4 種分類方法提取鼢鼠的土丘行，并對分類結果進行精度評價，具體的空間精度對比如表3 所示.

表3 夏季影像的空間精度對比Tab.3 Comparison of the spatial accuracy in summer

因為無人機影像分辨率較高，夏季影像的地物可以肉眼分辨，所以將目視解譯結果作為度量，以評估每種方法在目標地物的圖斑在數量、面積和幾何形狀方面的定量精度.4 種方法的定量精度對比，如表4 所示.

表4 夏季影像的定量精度對比Tab.4 Comparison of quantitative accuracy in summer

4 結論與討論

4.1 結論本研究以若爾蓋縣轄曼鄉的一個小牧場為研究區域，該區域受鼠害比較嚴重.使用無人機獲取轄曼鄉的一個小牧場春季和夏季的影像圖，通過無人機數據與航空影像處理軟件對得到的影像圖進行預處理，得到了2 幅鼢鼠鼠害影像圖.通過實地觀察以及相關資料的查閱，了解鼢鼠鼠害的地表特征，并使用4 種方法對春夏兩季影像的地表進行分類，提取其特征信息，使用的方法分別是灰度閾值分割、優選色彩紋理、基于規則的面向對象和BP神經網絡.再對這4 種分類結果提取到的特征信息進行空間精度和定量精度的評價，最后總結每種方法的優缺點，對比分析后分別得到在春季和夏季最優的鼢鼠鼠害信息提取方法.得出的結論如下：

1）對比春季和夏季鼢鼠鼠害的提取結果，若爾蓋草原春季更有利于提取鼢鼠鼠害地物信息.在春季，由于鼢鼠的生活習性，其活動較為頻繁，使得土丘具有明顯的地表特征，在影像上可看出裸土對土丘的干擾比較小.夏季若爾蓋草原雨天增多，雨水的沖刷使得松散的土丘沖散，從影像上提取地物特征信息難度增大.

2）在春季的影像中，從空間精度來看，灰度閾值分割方法相較于其他3 種方法，分類精度較低，像元的漏分和錯分較高.在定量精度上，相較于其余3 種方法，基于規則的面向對象在各項指標中都是最優的，在分類結果的影像圖上有著很好的效果，是在春季影像中提取鼢鼠鼠丘最準確的方法.

3）在夏季影像中，優選色彩紋理與BP神經網絡方法，在空間精度上有著不錯的分類效果，像元的漏分和錯分較低.在定量精度上，BP 神經網絡在數量精度、面積偏離度和形狀偏離度均是最優的，其余指標與另3 種方法相比也屬于較好的，是提取夏季影像鼢鼠土丘的最優方法.

4.2 討論通過對若爾蓋草原的實地考察發現，在草原上的牧草枯黃時節，裸露的土壤較多，地表鼠害信息與背景地物差異小，增加了鼠害信息的提取難度.若爾蓋草原的雨季通常在6 月下旬至8 月上旬，由于鼢鼠的土丘較為松軟，在雨水的沖刷下，使得土丘輪廓模糊不清，不易提取.所以，使用可見光的低空遙感對若爾蓋草原鼠害數據的提取，最佳時間大約在每年的5 月上旬至6 月上旬.

本文使用的無人機續航時間短，最長時間只有30 min，并且傳感器只有3 個波段，影像分辨率較低，對鼠害信息的提取還有許多的不足.隨著無人機技術的發展，使用多光譜甚至高光譜的傳感器，能更好地提取鼠害信息，為草原鼠害的防治工作提供更全面的監測信息.