基于无人机多光谱影像的植被信息遥感提取

张德会

(北京华星勘查新技术有限公司, 北京 101102)

0 引言

绿水青山就是金山银山,党的十九大以来,我国再次提升生态环境治理与保护检察监管力度,力争在短时期内生态环境有良好的改善,人类的生活环境有显著的提升[1]。植被作为地表生态系统的重要组成部分,在物质循环与人类生存环境中扮演着重要的角色。准确地获取植被覆盖信息对于掌握植被生长变化及其在生态环境中的影响因子具有十分重要的作用[2]。随着遥感技术的发展,越来越多的应用星载传感器被进行地表植被信息遥感提取工作,如美国的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)传感器,具有重访周期快、幅宽大、波段多等特点,在全球大范围尺度的植被信息提取方面具有显著的应用效果,但MODIS卫星传感器的像元分辨率较差,多为1 km的分辨率[3]。随着遥感研究的深入与技术的提升,越来越迫切地需要高分辨率的遥感影像,随之而来的研究数据则由MODIS转换为Landsat数据以及Sentinel数据,这两种数据的空间分辨率分别为15、10 m,对于陆地植被信息监测来说是很好的数据源[4]。虽然对大范围区域性的植被提取具有较好的精度和效率,但是对精度要求更高、范围较小的工程项目其优势则不明显了。

随着无人机技术的快速发展,其在对地观测行业中取得了广泛的应用,如无人机航空影像用于不动产确权工作,并且已有较成熟的应用[5]。采用无人机航空摄影方式,可以大大提高工作效率,降低工作成本,国内外学者开展了大量的无人机影像的应用研究工作[6],但无人机影像植被信息提取工作还未达到遥感自动提取的效果。汪小钦等利用无人机多光谱影像进行植被指数计算,根据植被指数的差异进行植被信息的提取,该方法虽然也提取出相应的植被信息,但仍存在指数饱和、山区差异大等缺点[7]。周涛等采用非监督分类方法中的阈值分割方法,基于无人机影像进行了植被信息提取,通过设置调整不同的阈值,将植被信息较好地提取了出来[8]。目前较成熟的卫星影像植被信息提取已经十分成熟,常采用的方法有非监督分类,如K-Means,迭代自组织数据分析算法(ISODATA);监督分类,如最大似然法、支持向量机、平均光谱角;面向对象分类[9]和随机森林分类[10-11]。其中精度较高的为面向对象与随机森林方法,面向对象分类精度高的优势在于算法类过程中通过多尺度分割以对象代替像元作为样本,带入到分类算法中进行分类,该方法可避免混合像元、错误像元对分类精度的影响。而随机森林分类方法通过多位国内外学者的研究应用与验证,其分类精度高于传统的面向对象分类方法,若采用多尺度分割结合随机森林算法开展地物遥感分类,势必会大大提升地物类型的遥感识别精度[12-13]。

本研究在目前已开展的无人机影像植被信息遥感提取、卫星影像植被信息提取算法对比分析等工作的应用研究前提下,选用搭载于大疆M600的六旋翼无人机获取的多光谱影像,采用多尺度分割结合随机森林分类方法进行地表植被信息提取,以此研究无人机影像地表植被信息遥感提取中的适用性。

1 试验数据源与算法分析

1.1 试验数据源分析

本研究选用的无人机为大疆的六旋翼无人机M600,该飞机具有起降灵活、携带方便、操作简单、飞行姿态稳定等优势,可实现定点悬停、低速飞行等。搭载于无人机平台的镜头拍摄获取的影像为4波段多光谱影像,涵盖了可见光近红外光谱范围,各波段光谱范围如表1所示。

表1 无人机影像波段信息表

本研究的无人机影像的像元空间分辨率为5 cm,且选择的研究区集合了地表覆盖类型的各个大类,有植被、裸地、建筑、道路、水体等,具有很好的代表性,具体成像效果如图1所示。

图1 研究区示意图

1.2 随机森林分类算法

随机森林分类算法是一种广泛应用的分类器,该分类器具有用时短、精度高等优势。随机森林算法内将多个分类与回归树(classification and regression trees,CART)决策算子集合到一起进行综合训练,通过连续的训练与优化,对样本与影像进行模拟训练,筛选出最优的决策算子个数,并结合算子与样本最终生成一个总的训练模型进行遥感分类。该算法可预测上千个变量,是目前遥感影像分类工作中应用最广泛的分类算法。

随机森林分类算法的工作步骤是：先通过算法内部的随机选择,在导入的样本库中随机选取约70%的样本像元作为训练样本;然后通过连续不断的迭代计算对样本像元进行训练,计算最优的CART决策因子,并构建决策树;最终通过连续优化发育使决策树成长成具有自动选择能力的算法,并对影像进行填图。本研究基于ArcMap、完整的遥感图像处理平台(the environment for vsualizing images,ENVI)软件开展样本制作、影像处理、分类等工作,并结合IDL编程语言进行分类过程优化等。

2 试验结果分析

2.1 最优尺度分割

本研究首先采用多尺度分割方法,对航空影像进行分割,并针对不同地物类型挑选最优的分割尺度。具体效果如图2所示,图2(a)为分割因子设置为50时的分割效果,整体分割的图斑较细致,且各地物均按照像元相似度严格分块,从中可以看出,建筑物的整体纹理较清晰,各个独栋房屋均被单独地划分出来;同时道路信息也具有很好的分离度,不同道路铺设的地面材料不同,其光谱响应程度也不同,基于最优临近划原则,道路分割成多段,可在此分割尺度上进行建筑物对象、道路对象的选取。图2(b)为分割尺度为80时的分割效果,道路与建筑物房屋的分离度较差,多为连篇分割,尤其是道路,多为整体分割,且与周边建筑物的硬化地表呈连篇分布;但在此分割尺度上,水体的分割效果较好,几乎达到了水体的高精度丰监督分类效果;其次植被与裸地也有很好的分离效果,尤其是林草与裸地荒地的分割效果,在此基础上可进行水体对象、植被对象、裸地对象的选取。

(a)分割尺度50 (b)分割尺度80

2.2 地物类别划分

通过上述多尺度分割的研究,将地类划分为五大类：建筑、道路、植被、水体、裸地。对五大地类分别按照不同的分割尺度进行样本对象选取：建筑对象选取是在50分割尺度下进行;道路对象选取是在50分割尺度下进行;植被对象选取是在80分割尺度下进行;水体对象选取是在80分割尺度下进行;裸地对象选取是在80分割尺度下进行。不同的分割尺度选取的对象效果如图3所示。

图3 不同尺度下对象选取示意图

2.3 随机森林分类

通过上述研究,选取了五大类地物的样本对象,将对象输入到随机森林分类算法中,结果如图4(a)所示。各地物类型均有较好的识别,建筑的识别将独栋房屋完整地提取了出来,且相邻房屋中间的植被信息、硬化地表信息也有很好的区分;植被信息提取效果也达到预期,林地裸地驳杂处,小块的裸地信息也较完整地识别出来;但仍存在一定的过分类现象,如部分裸地被错分成道路信息,部分建筑物阴影错分为水体信息,究其原因是因为4波段多光谱影像仍存在一定的限制性,不能更好地将地物信息精准地识别出来。

为了直观地体现本研究选用的多尺度分割结合随机森林分类思路的优势,同时采用了传统的随机森林分类方法进行相应的地物信息遥感提取,效果如图4(b)所示。传统的随机森林分类,建筑物的识别多为连片识别,且植被与裸地信息混淆程度高,不易区分;但传统的随机森林分类结果中,道路信息的识别精度高于本研究选用的思路,究其原因是因为选用传统的随机森林分类,像元的道路信息相对于对象更加纯净,混合像元的混淆更小,最终导致了道路信息的提取精度更高。

(a)多尺度结合随机森林分类

不同分类算法的植被信息遥感提取效果分别如图5所示。传统的随机森林分类算法对于植被信息的提取也具有一定的适用性,图中大多数植被能够被识别出来,但整体提取精度仍较差,部分地区存在过度识别,部分地区存在欠识别;而多尺度分割结合随机森林分类算法对于植被的提取相对较好,尤其是与裸地相邻的地区,较小的图斑也有完整的识别。

(a)多尺度结合随机森林分类

2.4 精度验证

对本研究的提取成果进行精度验证。选用基于无人机航空作业时标记的点位进行内业样本勾画,并筛选出用于验证的验证样本,验证类型分别为：建筑、道路、水体、植被、裸地五大类,各地类提取精度如表2所示。由表2可知，随机森林分类算法也具有较高的精度,各地类的识别精度均在80%以上,其中道路信息的提取精度更是达到了93%;多尺度分割结合随机森林算法的识别精度也均在80%以上,其中植被的提取精度达到了92%、裸地的提取精度达到了88%,整体高于传统的随机森林算法的精度。

表2 各地类精度验证

针对不同遥感手段开展的遥感分类成果验证,同时采用混淆矩阵精度验证方法进行验证,验证结果如表3所示。由表3可知,随机森林分类的总体精度为85.43%,Kappa系数为0.83;多尺度分割结合随机森林分类方法的总体分类精度为86.27%,Kappa系数为0.85。通过混淆矩阵精度验证后得出,多尺度分割结合随机森林算法的识别精度高于传统的随机森林算法的识别精度。

表3 混淆矩阵精度验证

3 结束语

本研究选用目前遥感分类算法中应用较广泛的随机森林分类算法,采用多尺度分割结合随机森林分类算法,对无人机航空影像进行地表植被信息遥感提取,以此丰富航空影像在植被信息遥感提取中的应用,并期望得到较理想的成果。通过本研究试验的开展,得出以下结论：

(1)大疆M600无人机获取的4波段多光谱影像具有很高的成像效果,地物类型的纹理信息表达清晰,为地物信息提取提供较好的数据源;

(2)通多过尺度分割工作,将不同地物类型的像元进行临近分析与最优组合,为地物对象边界识别提供高效分割方法;

(3)相对于传统的随机森林分类,采用多尺度分割结合随机森林分类算法得到了较理想的分类成果,植被信息的取精度较高,图斑提取边界清晰,具有明显的识别优势。

本研究已达到较高的精度,结合实际遥感提取效果可知,本研究采用的方法在具有较好的应用性与推广性。本研究虽取得了较好的成果,但仍存在一定的问题,选用的研究影像上植被分布较少,且植被类型多为林地,而相对于高植被覆盖的地区,还未开展相关研究,后续将继续在该方向上持续努力。