无人机可见光遥感影像的空间分辨率对毛竹立竹度识别精度的影响1)

陆雪婷 邓洋波 宋贤芬 严夏帆 余坤勇 刘健

(福建农林大学，福州，350002) (福州市林业局) (福建农林大学)

In order to explore the applicability of UAV visible image in the extraction of Phyllostachys edulis standing degree, the P. edulis forest in Tianbaoyan National Nature Reserve, Yongan City, Sanming City, Fujian Province, was taken as the research object, and the visible image under different spatial resolutions (0.25, 0.5 and 0.75 m) was obtained by resampling method. Object-oriented multi-scale segmentation was used to determine the optimal segmentation scale under each resolution, and random forest classification was used to compare the extraction accuracy of P. edulis stand density under different spatial resolutions. The results show that: the best segmentation scale for the segmentation scale to select different under different image spatial resolution of 0.25, 0.50 and 0.75 m are 20, 9 and 8, P. edulis stand density extract accuracy are 80.97%, 81.29% and 77.82%, and Kappa coefficients are 0.806 0, 0.863 3 and 0.817 1, respectively. When the spatial resolution of image is 0.50 m, the overall classification accuracy and Kappa coefficient are the highest. Therefore, the appropriate spatial resolution of image extraction of P. edulis stand density is 0.5 m, and the optimal segmentation scale is 9.

毛竹立竹度也叫竹林密度，指每公顷毛竹林地中毛竹的立木株数。也是毛竹林群体结构和生产力指标最重要的数量特征，同时也是广大竹农对毛竹生长发育期间干预竹林结构的重要因子[1-2]。目前关于毛竹立竹度的监测主要采用人工调查和多光谱影像提取。采用人工调查不但需要更多人力，而且由于地理因素导致人员可及度受到限制；利用多光谱影像提取毛竹立竹度，受到影像波段的复杂性和影像获取的成本的限制。随着无人机遥感监测技术的不断发展，为利用可见光遥感监测调查立竹度提供了技术支持，也为调整竹林的密度，改善毛竹林分结构，提高毛竹林的生产力提供了手段，对我国竹林经营具有重要的实际意义[3]。

利用遥感手段提取立竹度的关键是对影像的有效分割和准确分类。目前国内外学者在基于图像分割技术的林木冠层特征提取方面已经取得了很大的进展，孙晓艳等[4]利用SPOT卫星数据同时结合纹理信息，通过面向对象的方法构造多尺度、多层次的结构来实现竹林信息的提取；采用面向对象的多尺度分割方法得到分割后的目标，不仅可以有效地获得识别单元的几何特征，而且可以提取各种地物的信息[5]；李越帅等[6]提出了深度学习与分水岭分割相结合的处理方法，对密集胡杨树冠的精确分割和胡杨个体信息的提取；张仓皓等[7]基于无人机多光谱遥感影像，利用面向对象多尺度分割，构建毛竹立竹度识别单元，采用K邻近值(KNN)算法实现毛竹立竹度的提取，并通过比较不同飞行高度下立竹度提取的精度，确定了无人机飞行的高度；杨樟平等[8]采用同样的方法，利用无人机多光谱影像比较了K邻近值(KNN)、支持向量机(SVM)和随机森林(RF)分类算法对毛竹立竹度的提取效果，认为RF分类方法较其他两类分类方法提取精度高。这些研究大多采用包含红绿蓝和近红外或更多波段的遥感影像进行分割，虽然能够实现影像准确有效的分割，但影像采集和加工的成本高，多光谱相机价格昂贵，而可见光相机虽然所提供的光谱信息比较少，但其拍摄的图像分辨率高、成本低、操作简单[9]，为毛竹立竹度快速提取提供了一种低成本的方法。

较高空间分辨率遥感影像虽然可以显示的纹理和空间信息更加丰富[10]，但是对数据获取的范围产生限制和数据处理不便，所以选择合适空间分辨率的影像数据将会对竹资源调查具有重要影响。邱琳等[11]基于高分1号(GF-1)卫星影像数据，分析了GF-1卫星3种分辨率对水稻识别精度的影响；刘婷等[12]基于高分2号(GF-2，分辨率4.1 m)、Sentinel-2(分辨率10 m)、Landsat-8(分辨率30 m)等3种不同空间分辨率的遥感影像，利用一元指数和多元回归统计方法，对比分析不同空间分辨率对森林叶面积指数(LAI)估算的影响，得到研究区域森林叶面积指数最适宜的影像空间分辨率。Ye et al.[13]利用无人机多光谱图像，建立了识别香蕉枯萎病发生或未发生区域的方法，通过对不同空间分辨率(0.5、1.0、2.0、5.0、10.0 m)图像的模拟实验发现当分辨率大于2.0 m时，香蕉枯萎病区域识别的精度较高。大多数研究是围绕卫星影像数据和无人机多光谱影像数据，而关于利用无人机可见光影像识别毛竹立竹度适宜的空间分辨率的研究较少。因而，研究以无人机可见光影像为原始数据，通过重采样生成不同空间分辨率的图像，采用面向对象分类技术，结合毛竹的尾梢特征及毛竹顶冠层几何形状的表达特征，分析不同空间分辨率不同分割尺度对立竹度提取的影响，为毛竹立竹度提取的适宜空间分辨率和最佳分割尺度提供相关技术支持。

1 研究区概况

研究区位于福建省三明市永安市天宝岩国家级自然保护区(117°28′52″E～117°29′24″E，25°53′41″N～25°54′14″N)，武夷山脉和戴云山脉中间(见图1)，山体为戴云山余脉，地势属于中低山地貌，海拔高580～1 604.8 m。属中亚热带海洋性季风气候，气候温暖湿润，降水量充足，年均气温约19.3 ℃。研究区域土壤类型主要包括红壤、山地黄壤、山地黄红壤，土壤类型主要以红壤为主。植被类型主要包括毛竹林、常绿阔叶林、针阔混交林、针叶林等。

图1 研究区位置图

2 研究方法

2.1 数据及其预处理

原始数据来源于2020年7月在福建省三明市永安市天宝岩国家级自然保护区拍摄的无人机可见光遥感影像，考虑到阳光直射效应，影像获取时间为上午11:00至下午14:00，且当日阳光充足无风，为了得到稳定可靠的数据，进行了多次采集和比较。利用大疆精灵4无人机搭载的可见光镜头(蓝、绿、红三个光谱波段)获取遥感影像，设置影像航向的重叠率为80%，旁向的重叠率70%，航高350 m，任务巡航速度为7 m/s。大疆精灵4可见光镜头拍摄的影像为TIFF格式，通过Pix4D Mapper软件对原始无人机影像进行正射校正和快速拼接，将拼接后的影像进行裁剪以去除边缘异常值，最后得到空间分辨率为0.25 m的实验区影像。

在研究区布设了43个25.8 m×25.8 m的毛竹纯林样地，使用高精度亚米级GPS仪(Unistrong-Z5)对各样地坐标进行采集，并实地调查样地毛竹林分立竹度，为后期对立竹度估测精度进行验证。

2.2 面向对象多尺度分割

影像分割是将一幅完整的遥感影像分割成若干个独立的小区域，使这些小区域之间的平均异质性最大，而区域内部的同质性最大[14-15]。无人机影像的分割效果主要受4个因素的影响，即输入影像波段、形状、紧致度和分割尺度。分割尺度可以对影像对象允许的最大异质度进行确定，如果分割尺度过大，将会出现“欠分割”，导致异质性；如果分割尺度过小，则会出现“过分割”，产生同质异谱现象[16]。多尺度分割是随机选取影像中的一个像元作为中心进行分割，第一次分割时，将单个像元看作最小多边形对象计算异质性值；完成第一次分割后，将生成的多边形对象作为第二次分割的基础对象，同样计算异质性值，将计算结果与预定阈值进行比较，若得到的异质性值比阈值小，则继续进行多次的分割，否则影像分割停止。面向对象多尺度分割是一种自下而上的分割方式，它通过识别相似的像元，使相邻的相似像元合并成对象[17]，充分利用对象的灰度、色调、形状、纹理等特征。

研究的分割目标是提取毛竹的株数，由于毛竹立竹密度的不同加上毛竹的尾梢特征，使得部分单株毛竹轮廓清晰，部分毛竹出现拥挤现象，难以区分单株毛竹。基于多尺度分割的原理，选择不同分割尺度可以将单株和拥挤的毛竹进行分割，受对象内部同质性和对象间异质性的影响，可以将毛竹分割成1株、2株和3株的形态。因此，研究依据毛竹顶冠层的形状和尾梢特征，通过“试误法”(尝试-错误法)[17]进行参数的不断调整来选择合适的尺度，使得分割之后得到的对象既能对毛竹轮廓进行有效识别，又能使数据的冗余度最小。

2.3 随机森林分类及精度评价

随机森林(RF)是一种由Breiman et al.[18]提出的数据驱动的非参数机器学习方法，通过对给定的已知样本进行机器学习，不需要任何先验知识形成一定的分类规则，估计特征重要性的集成分类模型。随机森林主要由生成训练集、构建决策树和生成决策树算法等3个构建过程组成[19]。决策树算法是一种基于逼近离散的函数值的归纳学习方法，它可以在大量没有顺序、没有规则的样本中构建一个树状分支的分类结构体，从而得到一个预测模型，并且将该模型用于对未知数据的预测[20]。随机森林将多个不相关的决策树进行组合训练得到全局最优的分类结果，以分类与回归树为基学习器并融合装袋算法的思想，通过随机抽选样本又放回的抽样进行试验得到检验数据，降低了样本之间的相关性，由于随机森林有多棵决策树构成，避免了单棵决策树模型过拟合的缺陷，保证了决策树的多样性，具有稳定性良好的分类预测效果。在确定毛竹立竹度提取分类方法的基础上，比较不同影像分辨率对毛竹立竹度提取的精度，分析空间分辨率对于毛竹立竹度提取结果的影响。

3 结果与分析

3.1 影像空间分辨率的选取

由图2可知，通过对所选取的三种空间分辨率的可见光影像的分析发现，分辨率为0.25 m的影像可以明显的识别出毛竹和林隙的边界轮廓，1株毛竹大约需要90个像元大小描述；分辨率为0.50 m的影像也可清晰的识别出毛竹和林隙的边界轮廓，1株毛竹大约需要25个像元大小描述，相比于0.25 m分辨率的影像，边界轮廓的清晰度并未明显降低，但单株毛竹识别像元数量明显减少；分辨率为0.75 m的影像相比于0.25 m和0.50 m分辨率的影像，边界轮廓的清晰度有明显的下降，但单株毛竹识别像元数量也有更加明显的减少，只需大约12个像元大小即可描述单株毛竹的顶冠层形状。研究并未采用1 m及以上分辨率影像，原因是受到毛竹顶冠层形状大小的影响，毛竹相比于其他树种，顶冠层面积较小，若空间分辨率过低，则难以识别出顶冠层的形状大小。通过目视解译进行实验对比，最终选择分辨率为0.25、0.50和0.75 m的可见光影像。

图2 图像的空间分辨率

3.2 图像最佳分割尺度选择

由图3、图4、图5可知，通过不断调整尝试，不同分割尺度下，形状因子和紧致度因子的变化对分割效果影响不大，对分割效果产生最大影响的是分割尺度的选择，经过多次测试，形状因子和紧致度因子分别为0.2和0.6时对毛竹的分割效果最好[21]。因此，不同分辨率及不同分割尺度下，形状因子和紧致度因子分别采用0.2和0.6，3种空间分辨率下的分割尺度在7～60范围内分割效果较好。依据各空间分辨率的分割效果，当空间分辨率为0.25 m时，选择分割尺度分别为10、15、20、25、30；当空间分辨率为0.50 m时，选择分割尺度分别为6、7、8、9、10；当空间分辨率0.75 m时，选择分割尺度分别为6、7、8、9、10。每组5个尺度进行实验，选择最佳分割尺度。

图3 空间分辨率0.25 m的图像分割尺度

图4 空间分辨率0.50 m的图像分割尺度

图5 空间分辨率0.75 m的图像分割尺度

空间分辨率0.25 m下分割尺度分别为10、15、20、25、30的分割效果，当分割尺度=10时，出现明显的过分割现象，将可以明显经目视解译出的单株毛竹破碎化，分割出的图斑过于细碎；当分割尺度=30时，则出现欠分割现象，所得到的分割对象未能将边界清晰的单株毛竹进行分割，而是将小片毛竹(3株以上)分割为一个对象；当分割尺度=20时，分割对象对毛竹的边界描述效果最好，可以将比较独立的单株毛竹分割出来，对于受毛竹尾梢特征影响的单株毛竹边界轮廓没有明显区别的区域，可以分割出2株和3株的形状，但仍然有未分割出3株及以下的小片毛竹，主要受到毛竹光谱信息的影响，但相比于其它4个分割尺度的整体分割效果，分割尺度=20的分割效果最好。

在对不同空间分辨率的分割尺度进行选择时，通过多次实验发现分辨率为0.50 m和0.75 m时，分割尺度及其步长的选择与分辨率为0.25 m时不同，若使用0.25 m的分割尺度及步长，将会出现极其明显的欠分割现象，因为受到不同空间分辨率下单株毛竹所包含的像元数目的影响，0.25 m分辨率明显高于0.50 m和0.75 m分辨率，所以最终将空间分辨率0.50 m和0.75 m的分割尺度选为6、7、8、9、10，步长为1，依据0.25 m同样的判定方法得到0.50 m和0.75 m空间分辨率下的最佳分割尺度分别为9和8。

3.3 不同空间分辨率图像的分类精度

由表1、表2、表3可知，3种空间分辨率下的总体分类精度均在86%以上，图像分辨率为0.25、0.50和0.75 m总体分类精度分别为87.82%、89.95%和86.42%，Kappa系数分别为0.806 0、0.863 3和0.817 1，其中空间分辨率为0.50 m时，总体分类精度和Kappa系数最高。不同空间分辨率表现出错分与漏分现象的总体趋势保持一致，引起总体分类精度较低的原因是1株、2株和3株竹子之间的混分现象。

表1 空间分辨率0.25 m的分类精度

表2 空间分辨率0.50 m的分类精度

表3 空间分辨率0.75 m的分类精度

3.4 立竹度提取精度检验

利用43个实测毛竹纯林样地的立木株数与不同空间分辨率对比计算，3种空间分辨率下的平均精度均在75%以上，其中，空间分辨率0.25、0.50 m的立竹识别精度分别为80.97%和81.29%，空间分辨率0.75 m的立竹识别精度为77.82%。这主要与像元和毛竹的冠幅大小有关，空间分辨率越低，所能识别到毛竹顶冠层形状的精度越低，混合像元出现的概率越高[22]。最终得出空间分辨率为0.50 m时，毛竹立竹度的提取精度最高。说明不是空间分辨率越高立竹度提取的精度越高，而是根据毛竹尾梢特征、空间分辨率和分割尺度之间的关系，能够有效表达毛竹顶冠层形状特征的空间分辨率和分割尺度，就可以提高立竹度的提取精度。

4 结论与讨论

以福建省三明市永安市天宝岩国家级自然保护区为研究区，以大疆精灵4无人机获取的无人机可见光影像为原始数据，通过重采样得到空间分辨率为0.25 m、0.50 m和0.75 m图像，通过面向对象多尺度分割结合毛竹几何形态特征和毛竹定位，采用目视解译的方法确定图像各个空间分辨率下最佳分割尺度，利用RF算法结合统计理论得到研究区的毛竹林立竹度，参照实测数据计算研究区立竹度的提取精度，通过对不同空间分辨率提取精度的比较分析，确定研究区毛竹立竹度提取的最佳空间分辨率。主要结论如下：影像空间分辨率为0.25、0.50、0.75m的最佳分割尺度分别为20、9和8，立竹度提取平均精度分别为80.97%、81.29%和77.82%，因此，毛竹立竹度提取的适宜图像空间分辨率为0.5 m，最佳分割尺度为9。

研究结果表明空间分辨率的大小影响着影像的分类精度，空间分辨率越高，虽然可以减少混合像元的比例，提高分类的精度，但空间分辨率过高也会引起类别内部光谱异质性增大，反而会降低分类精度。也有研究为了提高分类精度而加入图像的纹理特征，但对于不同空间分辨率、不同地物类型，纹理特征对分类精度的影响也不同，如果像元尺寸较小，纹理特征并不能显著提高分类精度[23]。

将无人机可见光影像作为数据源进行遥感影像信息的充分挖掘，得到研究区毛竹立竹度提取适宜空间分辨率大小，可以实现利用普通影像对毛竹立竹度的监测，扩展了无人机可见光数据在竹资源监测中的应用范围。虽然绝大多数毛竹株数类型能够准确分割与分类，但由于地形差异、毛竹尾梢特征和毛竹高低的不同，使毛竹顶冠层存在交叉重叠现象而未能识别，从而影响毛竹立竹度的提取精度。