基于无人机影像的林地单株立木自动化提取研究——以丹霞山湿地保护区为例

陈斌

（1核工业二九〇研究所，广东省环境保护核辐射追踪研究重点实验室，广东韶关 512029；2广东省放射性生态环境保护工程技术研究中心，广东韶关 512029）

0 引言

林地作为一种重要的森林生态资源，在自然资源开发与生态环境保护中发挥着重要的基础性作用[1-3]。随着无人机技术的应用推广，无人机航测遥感技术已被广泛应用于国土调查与自然资源遥感监测。无人机具备体积小、成本低、维护方便等诸多优点，同时伴随着无人机影像的光谱、空间分辨率不断提高，利用无人机开展对森林自然资源调查监测已成为林业资源信息化的重要途径和精准林业发展的重要方向。无人机影像具备传统卫星影像不具备的多尺度、多时相和高分辨率等优势，能够满足现代化智慧林业发展的迫切需要。

当前，基于遥感影像开展对林业资源调查监测的方法大致可以划分成两类：一类是基于传统中低分辨率卫星影像开展林地资源调查与监测，如：周佳宁等[4]基于MODIS影像，利用随机森林算法对河北坝上林地动态变化进行了监测；陈巧等[5]基于TM遥感影像，对武宁县林地资源变化进行了监测研究；杨伯钢等[6]基于多个时段的TM数据，对北京市林地动态变化进行了监测研究，并对监测结果进行分析；喻庆国等[7]基于TM遥感影像，对滇西南热带林地资源进行了分类研究，并对分类结果进行验证分析。另一类是基于中高分辨率遥感影像开展林地资源精细化分类与监测研究，如：朱思明等[8]基于无人机影像，对天山云杉冠幅信息与胸径树高参数进行拟合并反演蓄积量；万祖毅等[9]基于型多旋翼无人机获取影像，对重庆市北碚区果园果树数量进行了定量化分类研究；左萍萍等[10]基于无人机多光谱影像，对洪河国家级自然保护区的核心区、缓冲区和实验区沼泽植被进行了分类研究。

现有研究在数据源选取上多集中以中低分辨率卫星影像开展大范围林地资源调查监测研究为主[11-13]，而中低分辨率卫星影像数据已不能满足现行政策下国家精准林业发展的迫切需要；在研究方法上，现有研究多是以传统基于像素的分类方法为主[14-16]，分类前需要大量人工干预和先验知识储备。因此，借助无人机技术开展林地资源精细化调查，尤其是对人工林地的调查是国家“山水林田湖草”发展的迫切需要。基于上述思考，本研究利用无人机遥感影像，采用面向对象多尺度分割算法对丹霞山湿地保护区人工林地进行自动化提取研究，以期能为研究区林地分类、林地长势及林区病虫害监测提供参考。

1 研究区概况

丹霞山湿地案例区(113°45′05″—113°45′09″E，24°56′53″—24°56′58″N)位于广东省韶关市仁化县周田镇境内（图1），面积为0.005 km2，主要种植皇帝柑并长有杂草和其他松树。丹霞山位于湘、赣、粤三省交界处的仁化县境内，距广东省韶关市市区45 km，是广东省面积最大的自然风景区、保护区，同时也享有“中国红石公园”的美誉。丹霞山位于南岭山脉南坡，属亚热带南缘，具有中亚热带向南亚热带过渡的亚热带季风性湿润气候特点。年均气温19.7℃，夏季最高温可达40℃；年均降水量为1800 mm，其中3—8月降水最为集中，降水量约占全年降水量的75%。辖区内植被类型多样，主要为中亚热带常绿阔叶林。丹霞山先后被列入和评为国家级风景名胜区、国家级自然保护区、国家地质公园、国家4A级旅游景区、国家5A级旅游景区五项国家级称号，2004年经联合国教科文组织批准为全球首批世界地质公园。丹霞山自然保护区境内自然资源丰富，如：沙田柚、皇帝柑、白毛茶、香菇等，同时发育着典型的丹霞地貌，具有重要的学术研究价值和人文景观观赏价值。

图1 研究案例区范围

2 数据源与研究方法

2.1 数据获取与处理

无人机可以按照类型划分为多类，具体包括：飞行器大小、续航能力、质量、最大飞行高度、有效载荷以及发动机类型等。参照ARJOMANDI等[17]研究，将无人机划分为：微型、轻量型、中型、重型和超重型5种类型。而WATTS等[18]根据无人机续航能力和飞行高度，将其划分为7种类型（表1）。

表1 常见无人机类型划分

本研究选用大疆PJHANTOM 4RTK无人机（图2），它是一款具备高精度测绘功能的航拍飞行器。飞行器机身预装了机载D-RTK，定位最高精度可以达到厘米级。同时它配备了位于机身前部、后部及底部的视觉系统与两侧的红外感知系统，能提供多方位的视觉定位及障碍物感知。相机使用的是1英寸的CMOS图像传感器，加上高精度防抖云台，拍摄像素最大精度达到2000万像素。具体参数如表2所示。

图2 案例区航测无人机

表2 无人机飞行器参数

无人机总质量1391g，最大起飞海拔高度为6000m，最大上升速度6 m/s，最大下降速度3 m/s，飞行时间在30 min左右。工作环境温度为0～40℃。工作频率为5.725 GHz至5.850 GHz。本研究于2021年6月10日，选择天气晴朗，云量较少，风力较小的时间点进行案例区无人机飞行作业，通过无人机外业照片进行内业数据建模，形成空间分辨率为3 cm的高分辨率无人机遥感影像用于后续人工林地单株立木信息提取研究。

2.2 研究方法

2.2.1 林地提取方法技术流程 本研究利用无人机获取案例区高分辨率影像，对影像进行几何校正、配准等预处理工作，然后利用eCognition软件采用面向对象的多尺度分割算法对案例区无人机影像进行多尺度分割，选择不同分割尺度参数，并结合研究区实际人工林地特征，选择合适的分割参数，最后对分割后结果进行分析评价。具体技术流程如图3所示。

图3 研究技术流程图

2.2.2 影像光谱信息增强 本研究基于无人机影像提取人工林地之前需要对影像进行拉伸处理，以增强影像中人工林地与其他相邻地物之间的光谱特征差异，便于影像多尺度分割，有利于保证同质性区域的均一性和协同性。传统RGB波段组合拉升虽然能够在视觉上提升影像光谱亮度差异，但由于本次采用的无人机影像光谱通道较少，为进一步提升影像色彩饱和度和像元灰度值之间的差异，本研究采用高斯拉伸方法对案例区影像3个通道影像进行拉伸处理。判断一个影像像元分布是否合理，主要依据像元分布是否满足正态分布规律，RGB影像拉伸后结果如图4所示，高斯拉伸前后图像灰度直方图结果如下表3所示。由图可知，通过高斯拉伸处理后，影像像元亮度值分布直方图更接近正态分布模型，同时对应的影像图色彩饱和度更高，目标地物与周边相邻地物的光谱特征值差异更大，更有利于后续影像多尺度分割，从而进一步提高人工林地自动化提取效率。

图4 案例区无人机影像光谱拉伸结果

表3 高斯拉伸前后图像灰度直方图结果对比

高斯拉伸使用像元均值127和对应于0～255的以正负3为标准差的值进行拉伸（表3）。输出直方图用一条近似正态分布曲线显示，拉伸后的数据分布呈现白色，拉升后的像元分布更加饱满，便于后续影像多尺度分割和分类研究。

2.2.3 多尺度分割算法 所谓多尺度分割即选取不同分割尺度参数对案例区无人机遥感影像进行分割，多尺度分割算法本质上是一种自下而上的分割算法，与传统面向像素分类算法不同，它将分类对象根据地物形状、结构以及纹理特征差异，逐个分割为单一斑块，将空间异质性差异较小的斑块不断合并，将空间异质性较大的斑块不断分割，直至最后分割结果和实际地物相吻合。即通过设置一定阈值大小，将空间异质性差异小于阈值范围的斑块分割为一个整体，反之则分割为不同斑块实体要素。因其分割之前将遥感影像实体要素按照对象进行分类，因此在中高分辨率遥感影像分类中应用较为广泛。本研究选用分割尺度为100、80、60和40共4个层级，然后借助eCognition多尺度分割算法进行分割，分割结果如图5所示。

图5 无人机影像多尺度分割

多尺度分割算法主要基于遥感影像地物的光谱、纹理以及形状等特征参数对影像进行分割。本研究根据实际情况，将多尺度分割参数大小设置为100、80、60和40共4个层级。不同分割尺度对应的地块数量及大小如下表4所示。

表4 影像多尺度分割参数

本研究结合多尺度分割结果对比研究区人工林地实际地物形状、结构以及纹理特征吻合程度，本研究选取分割尺度为80的分割结果进行林地自动化提取研究（表5）。

表5 多尺度分割最佳参数选取

波段权重组成的光谱特征主要是由真实的地物与成像状态所决定的光学物理属性，与真实地物的像元所对应的灰度值相关，主要包括均值、方差、灰度比和亮度等特征；分割尺度是eCognition特有无量常数，分割尺度越小，地物斑块就会被分割的越小。形状特征反映了对象的形态特征，主要包括地物的周长、面积以及长宽比等，在考虑光谱特征差异的同时加入形状特征，可以从一定程度上避免“同物异谱”和“异物同谱”现象的出现，紧凑度因子用来描述影像对象形状的饱满程度。2.2.4林地分类特征参数选取 基于多尺度分割结果，为进一步得到林地自动化提取结果，根据案例区林地的形状、结构和纹理特征差异进行特征参数选取，由于本研究采用的无人机RGB 3个通道遥感影像，利用林地光谱像元差异和形状指数，面积标准差构建分类特征数据集，用于案例区人工林地自动化识别。

3 结果与分析

3.1 人工林地单株立木提取

本研究采用大疆PHANTOM4 RTK无人机对丹霞山案例区进行航飞拍摄，通过内业数据处理建模形成研究区无人机遥感影像。通过多尺度分割算法对案例区人工林地进行多尺度分割，再利用林地特征数据集形成分类特征要素对林地进行自动化提取（图6）。研究采用人机交互解译方法对自动化提取结果进行精度验证。

图6 案例区人工林地自动化分类提取结果

3.2 精度验证及评价

本研究采用Kappa系数、总体分类精度、错分误差以及漏分误差来对研究区人工林地自动化分类提取结果进行精度验证和评价。

（1）Kappa系数主要用于评价遥感影像分类结果优劣程度的多元离散量化评价方法。通常，总体分类精度考虑了混淆矩阵对角线方向上被正确分类的目标地物数量，而Kappa系数则同时考虑了混淆矩阵对角线以外的漏分和错分地物。计算公式如式(1)所示。

式中，Pa为总体分类精度，Pe为各地物对角线分类数量之积与混淆矩阵总和平方的比值。

（2）总体分类精度是指分类后正确识别的目标地物数量占实际正确地物数量总数的比例。计算公式如式(2)所示。

式中，Oa为总体分类精度，Nc为正确分类的地物数量，Nr为实际地物总数。

（3）错分误差是实际为非人工林地，而在分类过程中被划分到林地类别当中去，它通常在混淆矩阵中显示。计算公式如式(3)所示。

式中，Ce为错分误差，Nc为正确分类的地物数量，Nr为实际地物总数。

（4）漏分误差Oe是指实际为人工林地，而在实际分类过程中未被正确分类到林地这一类别中去。即相对于正确地物总数中漏分的目标地物占比大小。计算公式如式(4)所示。

式中，Oe为漏分误差度，Na为目视人机交互解译得到的实际林地数量，Nc为分类提取到的正确林地数量。

由表6可知，基于无人机遥感影像的林地单株立木提取精度达到了98.40%，Kappa系数也达到了0.979。这表明，无人机遥感影像在研究区人工林地单株立木提取上具备较高的可行性和实用性，能够满足研究的基本需要。

表6 案例区人工林地分类精度

4 结论与讨论

基于无人机遥感影像，采用多尺度分割算法对丹霞山湿地案例区人工林地进行自动化提取研究。研究表明：基于高分辨率无人机影像在湿地保护区人工林地提取中具备较高的可行性，总体分类精度达到了95%以上，Kappa系数大小为0.979。由此可见无人机影像多尺度分割算法在案例区人工林地自动化提取中具备较高的实用性，能够满足林业自动化分类提取研究的需要。

本研究基于无人机影像人工林地自动化识别取得了较好的分类精度，这是建立在对案例区人工林地种类单一和分布较为稀疏的前提下取得的，如何借助三维倾斜摄影测量技术以及多光谱传感器开展人工单株立木高度以及林地种类等指标因子监测研究，将是今后林业调查与监测研究的重要方向。与传统林地监测分类研究不同，本研究基于高分辨率无人机影像，采用面向对象多尺度分割算法对人工林地进行自动化提取，避免了因采用传统面向要素的分类方法导致的地类像元混分现象的出现，但在面向省域以及更大空间研究尺度的林地分类研究时，因无人机影像单个架次覆盖的空间范围有限，且影像内业拼接耗时较长，如何针对不同空间尺度研究对象选取合适的遥感影像也有待进一步研究和探讨。