一种利用可见光波段无人机遥感的林下植被覆盖识别方法

朱雄斌， 汪小钦， 周小成

(福州大学空间数据挖掘和信息共享教育部重点实验室， 福建省空间信息工程研究中心， 福建 福州 350116)

0 引言

林下植被作为森林生态系统的一个重要组成部分， 在维持生态系统的多样性、 生态系统功能的稳定性、 森林生态系统营养元素的积累和循环、 水土涵养方面有重要的生态作用[1-3]， 尤其在水土保持方面， 林下植被的作用尤为突出[4-6]. 如何利用遥感技术开展林下植被覆盖状态监测与研究一直是相关领域的难点问题. 当前林下植被覆盖监测的相关研究主要是通过激光雷达(light detection and ranging, LIDAR)技术来开展[7-10]. 但是该方法存在诸多不足， 如林下植被信息受林上冠层干扰严重， 激光点云数据限于局部或样地尺度， 相对于光学遥感数据， LIDAR数据的获取和处理成本均较大等[11-12]. 当影像的空间分辨率足够高， 乔木冠层没有完全闭合时， 理论上利用光学遥感影像是可以通过监测乔木林间空地的植被覆盖情况推断林下植被覆盖状况的. 近些年新兴的无人机遥感技术具有成本低、 操作简单、 获取影像速度快、 地面分辨率高等传统遥感技术所无法比拟的优势， 为林下植被覆盖监测提供了可能[13-14]. 基于无人机遥感的植被指数更是拓展了其应用领域范围[15-19]， 其中归一化红绿差异指数NGRDI作为一种典型可见光植被指数， 具有构建简单、 不同地物识别精度高等优点而得到广泛的应用[20]. 但是这些研究大多数集中在作物生物量以及农作物产量估算等方面[21-23]， 而利用NGRDI指数识别植被类别的相关研究较为少见. 本研究针对目前应用最为广泛的仅含有可见光波段的无人机影像， 拟采用NGRDI植被指数并结合面向对象技术， 以期获得一种快速识别林下植被覆盖的方法.

1 材料与方法

1.1 可见光无人机影像获取

采用2015年所拍摄的福建省长汀县河田镇朱溪河小流域无人机遥感影像为例进行试验. 研究区域地处116°16′～116°30′E， 25°35′～25°46′N， 流域地势自东北向西南倾斜， 海拔268～684 m， 气候属亚热带季风气候， 灾害性天气较多， 年平均气温18.3 ℃， 年降水量1 500 mm， 流域内地形复杂， 山地丘陵地貌且以低山为主， 地势陡峭[13].

注： 图中标注绿色五角星为实地考察部分点位 图1 研究区域无人机影像Fig.1 UAV images of study area

拍摄采用大疆SPREADING WINGS S900无人机， 搭载索尼NEX- 5N数码相机， 焦距为21.754 788 mm的最高分辨率为4 912 px × 3 264 px. 福建省森林基本以常绿乔木为主， 受季相影响较小； 而草本植被受季相影响较大， 夏季长势较好， 冬季基本枯黄， 不利于草本植被的监测. 为更好地监测林下植被状态， 影像拍摄时间选择在2015年8月中上旬， 拍摄高度为300 m， 拍摄时无风无云， 天气状况较为良好. 影像具有3个可见光波段， 其中心波长分别为660、 532、 435 nm， 空间分辨率为0.1 m. 由于影像具有超高空间分辨率的特点， 选取影像中包含地物类别丰富且较具代表性的区域影像开展方法研究(如图1所示)， 影像中包含11 468像元×8 558像元， 面积约为3.9 km2.

1.2 研究方法

根据地理学第一定律可知： 空间上越接近的地方属性越相似； 距离越接近的两个地物， 其空间联系以及交互作用越强. 据此推定： 在一定尺度范围内地表植被覆盖情况具有相似性. 即对林地分割所获得对象的林间空地为裸土地时， 可推断该对象内乔木林下无植被覆盖； 当林间为草本植被覆盖时， 则该对象内乔木林下有植被覆盖. 因此， 既需要从像元角度分析乔木、 草本和裸土的光谱特征， 也需要把研究区域分割成一定大小的对象单元， 分析判断不同对象单元内是乔木和草本的组合， 还是乔木和裸土的组合.

1.2.1 光谱特征分析

理论上， 只要森林郁闭度低于100%， 遥感影像的空间分辨率足够高， 林间的裸土或灌草等信息是可以被识别的. 所获取无人机影像空间分辨率高达0.1 m， 认为不存在混合像元， 林下植被覆盖状况可以得到较好反映， 如图2所示.

由于林地是否有植被覆盖是以尺度分割对象为研究对象的， 林下无植被覆盖指的是在分割对象范围内地表覆盖是由乔木和裸土组成， 林下有植被覆盖指的是在分割对象范围内地表覆盖是由乔木和草地组成. 为观察不同地物在光谱上的可分离性， 分别从像元尺度和对象尺度对典型地表覆盖的光谱特征进行统计(如图3所示). 在像元尺度上， 统计乔木、 草地、 裸土等地表覆盖在不同波段的光谱特征(包括最大值、 最小值、 平均值及标准偏差等)， 其中乔木受到地形起伏等因素影响导致光谱差异显著， 故分为受地形影响乔木和不受地形影响乔木分别统计. 在对象尺度， 统计林下有植被和林下无植被两类对象的光谱差异.

图2 林下无植被与林下有植被覆盖典型区域Fig.2 Typical area of forest understory with vegetation or not

图3 典型地物在可见光波的光谱差异Fig.3 Spectral difference of visible light between typical objects

从图3(a)中可以看出， 在像元尺度上： 1) 乔木、 草地和裸土在可见光波段的区分度总体上还是比较大的, 但也存在部分同物异谱和异物同谱交叉的现象； 2) 乔木绿光波段大于红光波段， 不受地形影响乔木光谱曲线满足ρgreen>ρred>ρblue， 符合典型健康植被光谱曲线， 而受地形影响的乔木光谱曲线为ρblue>ρgreen>ρred， 且像元值均处于较低水平； 3) 草地与不受地形影响乔木的光谱趋势基本一致， 均是绿光波段最大， 但是草地的像元值要高于对应波段上乔木的像元值； 4) 裸土的像元值最高， 且随着波长增大而增加， 光谱曲线满足ρred>ρgreen>ρblue. 从图3(b)中可以看出， 在对象尺度上： 1) 林下无植被覆盖区域光谱值均大于林下有植被覆盖区域对应波段的光谱值， 且与健康植被光谱特征曲线有着相同的变化趋势； 2) 林下有植被覆盖区域和林下无植被覆盖区域在各个波段光谱值混淆严重.

1.2.2 归一化红绿差异指数NGRDI特征分析

上述分析可知， 不同地物在各个波段光谱值均存在交叉现象， 仅利用波段原始信息无法很好地区分出不同的地物， 故引入植被指数， 最大程度提高植被与非植被、 乔木与草地的可分性. 植被指数， 本质上是基于绿色植被在不同波段光谱特征具有明显差异， 在综合考虑各光谱信号的基础上， 把多波段反射率通过一定的数学变换， 使其在增强植被信息的同时， 非植被信息最小化[24-25]. 对于只含有可见光波段的遥感数据， 绿色植被具有在绿光通道的反射率高， 在红光和蓝光波段通道的反射率低的特点. 因此, 通常将绿光通道与红或蓝光通道光谱值进行运算生成可见光植被指数， 其中NGRDI指数具有构建简单， 并且能够消除不同辐照度对植被光谱特征影响等优点， 计算公式为：

(1)

式中： DNG、 DNR分别代表红、 绿波段的DN值； NGRDI取值范围为-1～1.

为对比分析NGRDI指数较其它常见可见光植被指数在识别不同地物能力的差异性， 选择了过绿指数[16](EXG)、 归一化蓝绿差异指数[26](NGBDI)、 可见光波段差异指数[13](VDVI)， 并对不同指数结果进行对比分析， 以便筛选出合适的植被指数用于林下植被覆盖识别.

以图2(a)中无人机影像为研究对象， 其各植被指数计算结果如图4所示. 可以发现： 1) NGRDI中乔木亮度最高、 草地亮度次之呈灰色、 裸地呈黑色， 在受地形起伏影响较大处的乔木区域的亮度值并未受到明显影响， 这说明NGRDI不仅能够较好区分三种不同地物同时也能够较好消除地形因子影响； 2) 其他指数下不同地物之间混淆严重， 且指数值受地形影响严重， 故不适合用于不同地类的识别.

图4 各植被指数计算结果局部图Fig.4 Calculation results of each vegetation index

上述植被指数中， NGRDI、 NGBDI和VDVI值的范围为[-1, 1]， 而EXG的值取值范围为[-255，255]. 为了更好地比较不同植被指数之间的差异， 将EXG指数值除以255从而归一化到[-1,1]. 分别计算像元尺度和对象尺度各植被指数统计特征值， 如图5所示.

图5 不同植被指数下地物统计特征值Fig.5 Vegetation index value of different type objects

从图5(a)中可以看出： 1) NGRDI不同地物特征值区分明显且仅存在局部交叉现象， 属于相同地类的受地形影响乔木特征值与不受地形影响乔木特征值相近， 且均明显高于其他地类的特征值， 这进一步说明NGDRI能够很好地消除地形因素影响； 2) EXG指数中受地形影响乔木和裸土特征值混淆严重， VDVI不受地形影响乔木和草地之间以及受地形影响乔木与裸土特征值混淆严重， NGBDI受地形影响乔木与不受地形影响乔木的特征值差距较大， 且裸土特征值与这两者交叉严重， 故上述指数不适合用于林下植被覆盖识别. 从图5(b)中可以看出： 1)NGRDI指数中， 虽然林下有植被覆盖最小值与林下无植被覆盖最大值存在局部交叉， 但两者均值与标准差范围内基本没有重叠现象； 2)EXG、 NGBDI、 VDVI指数中林下有植被覆盖与林下无植被覆盖的特征值均存在较严重交叉， 这表明以上几种植被指数无法有效区分林下有/无植被覆盖对象. 综合以上分析可以认为， 采用NGRDI指数进行林下植被覆盖识别是可行的.

1.2.3 林下植被覆盖识别方法

通过以上像元级和对象级光谱特征和常用植被指数的分析可知， NGRDI在林下植被覆盖识别上有较大的优势. 在尺度分割、 林地信息提取过程的基础上， 通过NGRDI提取林下植被覆盖区域. 其技术流程如图6所示.

1) 尺度分割. 由于林下植被覆盖是针对若干像元组成的对象而言， 如何选择合适的分割尺度适用于后续林地信息提取以及林下植被覆盖识别是关键的一步. 分割尺度选择原则是在保证不同地类具有明显分界线的前提下尽可能使分割的结果具有完整性. 通过实验发现， 无人机影像分割尺度设为135像素时， 分割的结果更具有代表性.

2) 林地信息提取. 为排除非林地(水泥地、 屋顶瓦、 裸土、 梯田)对林下植被覆盖识别的干扰， 需进行林地信息提取. 在尺度分割基础上， 选择合适的训练样本， 并根据训练样本间的特征差异(光谱特性、 亮度、 形状以及纹理)将原始影像分成林地和非林地两类， 由于部分草地也被分割成独立对象， 为使后续研究更具严谨性， 故将草地单独分为一类.

3) 林下植被覆盖识别. 在林地信息提取的基础上， 根据已筛选出来的归一化绿红差异指数(NDRGI)， 利用尺度分割方法获取林下有植被覆盖和林下无植被覆盖这两种对象. 由于不同地物NDRGI值差距明显， 故包含乔木和草地的对象与包含乔木和裸土的对象之间NDGRI值差异也较为明显， 最后选择合适阈值将这两种不同对象提取出来， 从而达到林下植被覆盖识别目的， 并对提取结果进行精度验证. 需要说明的是， 当某一区域植被郁闭度非常大时， 由于上层冠木层的遮挡， 利用无人机影像无法判断该区域是否属于林下有植被区域， 但是通过实地考察发现这种类型区域均具有完整的植被层次结构， 故可将这部分区域视为林下有植被区域. 因此， 林下无植被覆盖区域是指在分割对象范围内郁闭度为0.2～0.7， 且地表无草地覆盖的区域； 林下有植被覆盖是指在分割对象范围内郁闭度为0.2～0.7， 但是地表有草地覆盖， 或者郁闭度大于0.7区域.

图6 林下植被覆盖状况识别技术流程Fig.6 Technique flow of recognizing vegetation cover of undergrowth

2 结果分析与讨论

图7 林下植被覆盖状况分布Fig.7 Distribute vegetation cover of undergrowth

利用以上所提出的方法， 完成实验区林下植被覆盖状况识别， 如图7所示.

2.1 精度评价

为客观评价林下植被覆盖状况分布的精度， 根据野外实地考察点和计算机随机生成点位相结合开展结果验证， 共200个点均匀地分布在整个试验区域之中. 通过误差矩阵表获得生产者精度和用户精度(如表1所示)， 并计算总精度和Kappa系数.

从表1可以看出， 林下有植被和林下无植被总体精度为85.9%， Kappa系数为0.78， 总体分类精度较高. 林下有植被区域生产者精度和用户精度分别为89.4%和85.0%， 表明本方法可以很好地识别林下有植被区域； 而林下无植被区域生产者和用户精度分别为64.8%和77.8%， 表明林下无植被识别精度还有待进一步提升， 造成这种现象的原因为林下无植被区域与林下有植被区域之间边界难以精确界定， 分割尺度的选择需要进一步优化等.

表1 林下植被覆盖状况分布混淆矩阵

2.2 方法适用性分析

为验证林下植被覆盖识别方法的适用性和可靠性， 选取与实验影像同一时间段拍摄的福建省长汀县朱溪河小流域中另一区域的影像(如图8(a)所示)作为验证区， 开展林下植被覆盖情况识别. 影像计算的NDRGI结果及林下植被覆盖识别结果如图8(b)和8(c)所示.

图8 验证区计算结果Fig.8 Results of validation area

对验证区林下植被覆盖情况进行精度检验， 参考数据是基于野外实地考察下的人机交互解译获得(如图9(a)所示)， 精度检验结果(如图9(c)、 9(d)所示)是由自动识别区域(如图9(b)所示)与参考结果对比得出的， 其结果是由正确识别区域、 错误识别区域、 漏识别区域组成.

图9 林下有/无植被覆盖识别结果与精度检验图Fig.9 Recognition and precision interpretation of forest understory with vegetation or not

精度检验公式如下：

(2)

式中： DR、 FAR、 MAR分别为正确率、 虚警率、 漏警率； TP为正确提取的林下无植被覆盖区像元数量； FP为错误提取的林下无植被覆盖区像元数量； FN为未提取的林下无植被覆盖区像元数量； TP+FN表示真值中林下无植被覆盖区像元数量； TP+FP表示自动提取的林下无植被覆盖区像元数量. 林下有/无植被覆盖识别的精度如表2所示.

表2 林下有/无植被覆盖识别结果精度表

根据表2的精度评价， 整体上， 林下有植被覆盖区域的精度高于林下无植被区域， 林下有植被区域的正确率高于林下无植被覆盖区域， 而虚警率和漏警率均低于无植被区域. 验证影像中林下无植被覆盖识别精度正确率达到82.9%、 林下有植被覆盖识别精度正确率达到95.1%， 这说明当影像地类单一时林下植被覆盖识别精度能够进一步得到提升.

3 结语

1) 归一化绿红差异指数NGRDI不仅可以很好区分乔木、 草地和裸土等典型地表覆盖， 也能消除地形因素对乔木带来的影响， 同时也能够较好地区分林下有植被覆盖和林下无植被覆盖区域.

2) 充分利用无人机影像的高空间分辨率特征， 实现了以NGRDI为主要特征的面向对象的林下植被覆盖识别的方法， 方法简单易用.

3) 利用本方法对林下植被识别的总体精度大于80%， 其中林下有植被覆盖识别精度高于林下无植被覆盖区域， 说明本方法识别林下植被覆盖是可行的.