基于無人機多光譜的黃土高原植被提取分割分類研究

李亞北 韓磊

摘 要：【目的】植被作為生態系統的主要組成部分，其種類和數量及其變化對生態系統有著重要影響。探究在我國黃土高原小流域進行植被提取分割時的最優分割尺度，有助于快速準確地提取植被信息，對于監測黃土高原生態系統狀況和維持生態系統穩定具有重要意義?！痉椒ā炕趨瞧鹂h柴溝流域無人機多光譜影像和面向對象的方法，使用eCognition軟件對影像進行多尺度分割研究?！窘Y果】經分析，在分割尺度為240、形狀權重為0.7、緊湊權重為0.1時影像的分割效果最好，基于該分割結果，選用紋理特征和光譜特征為分類指標，采用隨機森林方法對影像進行分類，分類總體精度和Kappa系數分別為96.2%和0.951?！窘Y論】研究結論可為柴溝流域植被結構優化及黃土高原生態環境保護和植被恢復治理提供技術參考。

關鍵詞：無人機多光譜；多尺度分割；植被提??；黃土高原小流域

中圖分類號：K903? ? ?文獻標志碼：A? ? ?文章編號：1003-5168（2024）04-0110-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.04.020

Research on Vegetation Extraction， Segmentation and Classification of the Loess Plateau Based on Drone Multi-Spectral

LI Yabei? ? HAN Lei

（School of Land Engineering， Chang'an University， Xi'an 710061， China）

Abstract： [Purposes] As the main component of the ecosystem， the type and quantity of vegetation and its changes have an important impact on the ecosystem. Exploring the optimal segmentation scale for vegetation extraction and segmentation in small watersheds of the Loess Plateau in China is helpful to extract vegetation information quickly and accurately， which is of great significance for monitoring the ecosystem status of the Loess Plateau and maintaining ecosystem stability. [Methods] Based on the multi-spectral image and object-oriented method of UAV in Chaigou watershed of Wuqi County， the eCognition software was used to study the multi-scale segmentation of the image. [Findings] After analysis， the segmentation effect of the image is the best when the segmentation scale is 130， the shape weight is 0.5， and the compact weight is 0.5.Based on the segmentation results， the texture features and spectral features are selected as the classification indicators， and the random forest method is used to classify the images. The overall classification accuracy and Kappa coefficient are 96.2 % and 0.951， respectively. [Conclusions] The research conclusions can provide technical reference for the optimization of vegetation structure in Chaigou watershed and the ecological environment protection and vegetation restoration in the Loess Plateau.

Keywords： drone multispectral; multi-scale segmentation; vegetation extraction; and small watersheds on the loess plateau

0 引言

植被是生態系統的重要組成部分，也是衡量自然環境狀況的重要生態指標，植被類型、數量及其動態變化對生態系統影響顯著［1］。與此同時，植被在涵養水源、水土保持和碳氮循環等方面起著重要作用。了解植被的準確信息對于維持生態系統穩定和推進生態環境保護建設具有重要意義。

傳統的植被調查方法主要以實地人工調查為主，如目測估算法、概率計算法和儀器測量法等。此類方法數據獲取準確但費時費力、效率低下，無法實時更新信息且無法應用于大尺度范圍［2］。衛星遙感技術的發展為植被監測帶來了技術突破，但對于植被精細化研究仍存在一定的局限性，而無人機遙感技術的發展有效地彌補了傳統衛星遙感的不足。無人機遙感技術是集多種技術于一體、以無人機為載體、搭載不同類型傳感器快速獲取高分辨率空間信息，從而進行數據處理和分析的綜合性技術，具有高精度、高時效性、高分辨率和高靈活性等優點［3-5］，近年來逐漸應用于植被指數提取、植被覆蓋度提取、農作物信息提取和植被水分反演等方面。

黃土高原地貌獨特，地塊破碎，生態環境脆弱，水土流失嚴重。退耕還林工程實施以來，黃土高原地表格局變化顯著，植被覆蓋大幅提高，生態環境質量明顯改善。了解黃土高原植被結構狀況可為黃土高原生態環境修復和生態環境可持續發展提供重要參考?；诟呔雀叻直媛实臒o人機影像進行植被分割提取是目前獲取準確植被信息的主要方法，且已得到初步應用，但是將該方法應用于黃土高原小流域植被研究較少，并且不同的分割模型對于不同的研究區具有不同的適宜性［6-9］?；诖?，本研究利用黃土高原溝壑區小流域無人機多光譜影像，尋找適合研究區的分割參數模型進行植被分類，驗證無人機影像進行植被精確提取的適宜性。

1 研究區與數據

1.1 研究區概況

研究區為陜西省延安市吳起縣長官廟鎮柴溝流域，地處北緯36°47′20″，東經108°0′39″。該流域位于黃土高原的丘陵溝壑區，區域內地形復雜，溝壑縱橫，植被類型以森林、灌木叢、農作物和果樹為主。

1.2 數據獲取與預處理

研究區數據為無人機多光譜數據。無人機多光譜以飛馬的D200型無人機為飛行平臺，搭載D-MSPC100相機，相機像素為2 000萬，飛行航高120 m，影像包括紅（R）、綠（G）、藍（B）、紅邊（EDGE）和近紅外（NIR）五個波段。對原始影像進行影像拼接、畸變矯正和空三解算獲取柴溝流域的遙感影像，影像分辨率為0.13 m。

2 研究方法

2.1 面向對象影像多尺度分割

面向對象影像處理首先對影像進行分割而后進行分類，常用的分割方法有棋盤分割和多尺度分割［10-11］。本研究使用多尺度分割算法，通常利用尺度參數來表示異質度增量的閾值。多尺度分割算法從像元層開始，將相鄰像素合并成一個更大的圖像對象，遵循最小化合并后不均勻性增加的原則，并將合并后的異質度增量與尺度參數進行比較，若合并后的異質度增量小于尺度參數，則繼續合并相鄰影像對象，否則停止合并。不同的尺度參數對應不同大小的分割結果，小尺度參數分割的結果產生了大量的影像對象，影像對象的面積很小，然而大參數分割的結果對應的影像對象較少，圖像對象區域較大。

多尺度分割算法是指，從一個設定好的尺度開始，選取了某個像元作為起始點與其周圍的其他像元進行異質性運算［12］。異質性即分割尺度（Scale）、波段權重、均質性因子，均質性因子又包括顏色因子（color）、形狀因子（shape），形狀因子指光滑度和緊致度。

2.1.1 波段權重。波段權重是指參與分割的所有波段中，每個波段所占重要性的程度，波段權重越高，則這個波段中的信息對分割效果的決定力量越大。本研究采用的無人機多光譜影像有五個波段，每個波段中所含有的信息也存在著差異，因此，可以根據不同地物類型在各波段中所呈現特點的明顯程度，適當提高或降低不同波段的權重，從而降低無關波段對分割過程的影像，提高多尺度分割的速度和質量。

2.1.2 均質性因子。在進行尺度分割時，通過調節均質性因子在分割中所占的權重，可以改變分類結果，進而改變后續分類效果。在均質性因子中，通過調節形狀因子所占權重，可以對影像分割中地物的破碎程度產生影響，但是不宜將形狀因子設置過大，不然在分割過程中，會忽略光譜信息，造成混分現象。緊致度與光滑度所占權重也會影響影像的分割結果，緊致度越大，則分割出來的影像越接近于圓形，而光滑度越大，則分割出來的影像邊界光滑程度越高。但是均質性因子還沒有統一設定方法，大多是在對比分割結果之后進行選取的。

2.1.3 分割尺度。在進行多尺度分割時，最需要注意的問題是分割尺度參數的設置，因為分割尺度會直接影響分割效果。當分割尺度過大時，被分割的物體很大，會出現欠分割現象；當分割尺度過小時，分割得到的物體越小，越容易分割。因此，若提取的物體較大時，則可以調高分割尺度，提取的物體較小時，可適當降低分割尺度。

2.2 光譜特征

光譜特征是用來描述影像對象灰度值特征的集合，地物的光譜特性反映了不同地物對不同光譜的吸收、反射性能。常用的光譜特征主要包括均值、標準差、亮度、比率等特征，每個波段的光譜特征又具有不同的均值等特征。

2.3 紋理特征

紋理特征是指影像對象的全局規律性和局部不規則性，紋理特征對影像中植被與非植被的劃分起著十分關鍵的作用。高分辨率的無人機多光譜影像具有豐富的紋理特征，對植被提取具有重要作用。本研究利用ENVI5.3軟件基于灰度共生矩陣計算均值、方差、均一性、對比度、相異性、熵、角二階矩和相關性等紋理特征。

2.4 隨機森林算法（RF）

隨機森林（Random Forest）是具有代表性的袋裝法（Bagging集成算法）。Bagging集成算法是指每一次都隨機抽取訓練樣本的一部分特征來建立多個樹模型。首先每棵樹都是一個分類器，且每次抽取都是隨機有放回的抽取，每個樹模型之間都互不影響。其次是要進行特征的隨機采樣，與樣本采樣方法相同，使每一棵樹模型都具有個性。最后結合樣本采樣與隨機采樣的結果，將所有樹模型組合在一起，在分類任務中求取的眾數為最終分類結果。

2.5 評價指標

混淆矩陣是對分類的預測結果和總結，通過匯總分類，統計被正確歸類的樣本數量與錯誤歸類的樣本數量，并按每個類進行細分，得對分類結果的評價表。通過混淆矩陣，可以更充分地了解分類中存在的問題，打破了僅使用分類準確率所帶來的局限性，其評價指標主要包括總體精度、用戶精度、生產者精度、Kappa系數等。

3 結果與分析

3.1 最優分割尺度分析

為得到更佳的分割效果，選擇影像的1、2、3、5層，即對紅、綠、近紅外、藍，四個波段參與分割，其他波段不參與分割。即在進行分割時將紅、綠、藍、近紅外四個波段權重值設為1，將紅邊波段設置為0。具體分割效果如圖1所示。

無人機的圖像分辨率可以達到厘米級，因此可以將圖像對象的分割尺度的初始值設置得大一點。本研究將分割尺度值從 475開始設置為倍數，多幅分割圖像的試驗表明，當分割尺度小于200時，各種物體被細分，無法有效表示特征地面物體的界限，這也在一定程度上影響了信息提取的準確性。當分割尺度超過390時，大部分地物邊界明顯沒有被分割。例如，部分林地和耕地被劃分，因此，將研究區域的劃分尺度區間設置為200～390進行比較分析。通常情況下，在進行多尺度分割時，允許出現過分割狀況，但是不允許出現欠分割的現象。但是，若多尺度分割得很細碎，會降低影像的分割效率，使處理時間變長；若影像中地物欠分割，雖然會使處理時間縮短，但是會造成兩類或多類地物未被分隔開，影響后續分類操作，降低地物分類準確性。由圖1可知，當分割尺度為240時，圖像分割效果有所提高。此時分割后的物體與各種地物高度一致，各種地物的分界線清晰，各對象的數量足夠，不是很分散。此外，地面上的許多物體都是不完全分割的?；诖?，得出結論：分割尺度為240、形狀權重為0.7、緊湊權重為0.1的圖像具有最理想的分割結果。

3.2 基于對象的特征選取

3.2.1 光譜特征。每類地物都具有其特殊的結構、紋理、形狀等特征，因此，植被分類的主要依據就是在進行面向對象分割之后，每個對象所具有的特征特殊性?？紤]到同一地物在不同波段的反射率有所區別，且不同地物在同一波段中的反射率又有所不同，本研究統計了各地物在各個波段上的光譜信息，通過地物的光譜反射率的變化范圍，可為后續的植被分類提供光譜特征依據，光譜反射率值統計結果見表1。由表1可知，在紅光波段中，由于紅光對葉綠素有吸收作用，因此植被越密集之處，其光譜反射率值就越小。從整體來看，各類型地物的反射率均值排列順序依次是：林地最小，其次分別為耕地、園地、草地、裸地、建設用地。不同地物在各波段的光譜反射率值如圖2所示。由圖2可更直觀地看出各種地物在五個多光譜波段的反射率值變化情況，如在紅光波段中植被信息冗余大，不能明確地將其進行區分，但非植被如裸地、建設用地在紅光波段中，當光譜值超過0.18時，可以將其與植被進行分離。

3.2.2 紋理特征。紋理特征是指影像對象的全局規律但局部不規則性，紋理特征對影像中植被與非植被的劃分起著十分關鍵的作用。常用的紋理特征大多基于灰度共生矩陣（GLCM），如：均一性、對比度、相異性、熵（entropy）、角二階矩、相關性等。常用的紋理特征大多基于灰度共生矩陣（GLCM）在提取研究區紋理特征時，經過對移動窗口進行多次調節，最終選取二階概率濾波的窗口為3×3，空間（x，y）的變化值?。?，灰度質量等級為64，此時的紋理細節特征最為突出，所得影像結果如圖3所示。由圖3可知，當熵值越大，影像的紋理越雜亂；紋理越細致，角二階矩值越??；對比度越大，影像越清晰。

3.3 基于隨機森林的植被分類

分類結果如圖4所示。由圖4可知，隨機森林所得的分類效果較好，柴溝流域植被以林地、草地和園地為主，林地多為人工恢復造林，呈集中連片結構分布于山梁上中坡兩側；草地為無人機播種恢復生長而成，主要分布于山梁中下坡和溝谷區域；園地以蘋果經濟林為主以梯田的形式分布于村莊周圍。RF模型對于植被類別的區分較為準確，對于植被和非植被區域的區分較為準確。采用總體精度、用戶精度及Kappa系數對分類結果進行精度評價見表2。

4 結論

本研究通過對研究區影像多次分割，調節各參數值，進行分割結果對比，最終確定了研究區影像的分割尺度為240，形狀參數為0.7，緊致度參數為0.1。并對多光譜影像中各類地物的光譜、紋理特征進行統計分析構建提取分類的指標特征模型，采用隨機森林算法基于分類指標對多分割對象進行分類，得到分類結果總體精度和Kappa系數分別為96.2%和0.951，能夠較為精確地對植被進行分類提取。

參考文獻：

［1］逯金鑫，周榮磊，劉洋洋，等.黃土高原植被覆被時空動態及其影響因素［J］.水土保持研究，2023，30（2）：211-219.

［2］翁伯琦，鄭祥洲，丁洪，等.植被恢復對土壤碳氮循環的影響研究進展［J］.應用生態學報，2013，24（12）：3610-3616.

［3］孫剛，黃文江，陳鵬飛，等.輕小型無人機多光譜遙感技術應用進展［J］.農業機械學報，2018，49（3）：1-17.

［4］郭慶華，胡天宇，劉瑾，等.輕小型無人機遙感及其行業應用進展［J］.地理科學進展，2021，40（09）：1550-1569.

［5］劉鶴，顧玲嘉，任瑞治，等.基于無人機遙感技術的森林參數獲取研究進展［J］.遙感技術與應用，2021，36（3）：489-501.

［6］郭彩玲.黃土高原半干旱區生態環境恢復的對策研究［J］.地域研究與開發，2008（3）：79-82.

［7］楊潔，金繼明，邵進，等.黃土高原中部典型流域植被恢復對徑流的影響［J］.農業機械學報，2021，52（5）：258-266，257.

［8］姜玉峰，齊建國，陳博偉，等.基于無人機高光譜影像和機器學習的紅樹林樹種精細分類［J］.遙感技術與應用，2021，36（6）：1416-1424.

［9］張妮娜，張珂，李運平，等.中國南方典型濕潤山區植被類型的無人機多光譜遙感機器學習分類研究［J］.遙感技術與應用，2023，38（1）：163-172

［10］孫坤，魯鐵定.顧及多尺度分割參數的FNEA面向對象分類［J］.測繪通報，2018（3）：43-48.

［11］潘俊虹，梁明.多尺度分割的高分辨率遙感影像分類對比研究［J］.現代計算機，2022，28（22）：56-60.

［12］劉波，王凱，劉先森，等. 面向對象和規則的高分辨率遙感影像建筑物變化提取技術研究［J］. 測繪與勘探，2019，1（1）：67-68.