基于面向对象的无人机遥感影像荒漠植被分类

张冠宏, 王新军*, 徐晓龙, 闫立男, 常梦迪, 李永康

(1.新疆农业大学草业与环境科学学院, 乌鲁木齐 830052; 2.新疆土壤与植物生态过程重点实验室, 乌鲁木齐 830052； 3.珠海欧比特宇航科技股份有限公司， 广东 珠海 519080)

荒漠化是由气候变化及人类活动等多种因素引起的干旱、半干旱和亚湿润干旱地区的土地退化，是生态环境发生严重退化的重要反映，现已成为全球重要的生态环境、经济和社会热点问题[1]。我国荒漠化程度较严重，荒漠化会引起植被退化，导致生态环境的恶化，降低自然资源的质量与利用效益[2]。荒漠植被是荒漠生态系统中重要的组成部分，具有阻止风沙运移和保持生物多样性的作用[3]。及时掌握荒漠植被生长分布状况是荒漠化地区生态遥感的基础，因此，荒漠植被的精确识别与分类对维护生态系统的稳定及荒漠化的治理具有重要意义[4]。

目前，植被分类方法主要有实地调查和遥感监测，传统的实地调查法耗时、费力且周期较长，无法实现对植被信息的及时获取与更新[5]。近年来无人机遥感技术因分辨率高、几何纹理信息丰富、时效性高及成本低廉等优点，有效弥补了传统卫星遥感的不足，逐渐成为监测、提取植被信息的重要途径[6-7]。在影像信息提取方面，主要有目视解译、监督与非监督分类法、专家系统法、模糊数学法以及面向对象法[8]等，这些方法虽然取得了一定的效果，但是大多是基于像元的分类特征进行提取，存在混合像元、光谱混淆等问题，分类精度不高[9]。面向对象法能够更好地反映影像的纹理与形状信息，有利于提高分类精度[10-11]。随着计算机技术的发展，机器学习算法被广泛应用于植被分类，与面向对象法结合能够进一步提高分类精度与效率[12]，但研究对象多为成片分布的大面积湿地[13]、森林[14]、草原[15]、城市[16]植被及农田作物[17]，有关荒漠区植被的研究鲜有报道。荒漠植被叶面普遍较小且分布稀疏，部分为单株生长，在影像中光谱特征较弱，分类难度较大。去相关拉伸(decorrelation stretch，DS)光谱信息增强能够提高影像色彩饱和度，有助于影像信息提取[18]，在此基础上结合面向对象与机器学习算法的分类方法是否适用于荒漠植被分类尚有待印证。

古尔班通古特沙漠是我国面积最大的固定、半固定沙漠，低矮灌木与草本交错分布，同地表形成的灰褐色结皮形成了复杂的地表异质性[19]，对荒漠植被的分类造成很大干扰。鉴于此，本文基于高分辨率无人机遥感影像和数字表面模型(digital surface model，DSM)，在对影像去相关拉伸的基础上利用面向对象技术，选取训练速度快、分类精度高的随机森林分类算法，结合光谱、几何、纹理特征与三种可见光植被指数对古尔班通古特荒漠植被进行分类研究，为获取荒漠区植被生长分布状况以及荒漠化监测与治理提供方法及参考。

1 材料与方法

1.1 数据采集及预处理

1.1.1研究区概况古尔班通古特沙漠位于新疆准噶尔盆地中部，地理坐标介于44°15′—46°50′N、84°50′—91°20′E之间，年降水量70～150 mm，年平均气温5～5.7 ℃，蒸发量在2 000 mm以上[20]。沙漠土壤类型以固定、半固定的风沙土为主，生长着种类较为丰富的沙生与耐旱植物，在古尔班通古特沙漠南部(轻度沙漠化区)、中部(中度沙漠化区)及北部(重度沙漠化区)[21]选取三个典型样地开展采样研究(图1)。

图1 研究区概况

1.1.2数据获取及预处理无人机遥感影像获取时间为2018年8月初，天气晴朗、无云、无风。采用DJI Phantom 4 Pro无人机进行拍摄，飞行高度100 m，飞行速度6 m·s-1，拍摄时间间隔3 s，影像重叠度70%，各样地拍摄面积均为57 000 m2，影像空间分辨率为0.03 m。利用Pix4D mapper软件对影像进行拼接处理，生成采样区的数字正射影像(digital orthophoto map，DOM)与DSM。

在前人研究基础上，根据地面植被信息调查，将研究区植被类型地物分为灌木与草本，非植被类型地物分为结皮与裸沙[22-23]。结合野外实地调查及目视解译筛选出分布均匀、具有代表性的草本、灌木、结皮及裸沙样本共3 498个(表1)。

表1 样本数量统计信息

1.2 研究方法

1.2.1光谱信息增强去相关拉伸(DS)通过拉伸影像的主成分(principal component，PC)扩大高相关性波段的信息耦合度，提升影像色彩饱和度，相关区域的颜色得到增强，而暗区域部分也会变得更加明亮[18]。RGB影像各波段间具有高相关性，使用传统对比度拉伸方法进行图像增强处理只能改善影像色度与亮度，无法增强影像色彩饱和度[24]，因此本文采用DS对原始影像进行光谱信息增强处理。

1.2.2影像多尺度分割多尺度分割是一种基于区域合并技术的自下而上分割算法，其分割效果更为精细也更符合实际，在面向对象分析中应用最为广泛。多尺度分割具有3个重要参数：形状参数(shape)、紧度参数(compactness)以及尺度参数(scale parameter，SP)，其中SP是核心参数，控制着分割生成对象的内部异质性，值越大生成对象的尺寸则越大，内部异质性越大，反之则越小，故选取最优分割尺度是面向对象分析技术中最关键的问题[13]。利用最优分割尺度评价工具ESP2(estimation of scale parameter 2)[25]选取最优分割尺度SP。参考彭佳忆等[19]有关荒漠地表信息提取相关研究，将原始影像形状参数定为0.6，紧度定为0.5。由于DS光谱信息增强后各地物间颜色差异增大，同时考虑到光谱信息在植被识别中具有重要作用，故设定形状参数为0.1，颜色参数为0.9[26]，DS前后SP参数并无明显变化，因此保持一致，影像最优分割参数如表2所示。

表2 影像最优分割参数

1.2.3特征变量选取选取影像的光谱特征(反映各对象间光谱信息差异)、几何特征(反映各对象间几何、形状信息差异)、纹理特征(通过GLCM提取，描述对象表面性质)以及植被指数(通过波段组合实现对地表植被状况定量分析)[27-29]共30个特征变量，如表3所示。

表3 特征变量统计信息

绿红指数(GRVI)、超绿指数(ExG)、归一化绿蓝差异指数(NGBDI)的计算公式如下。

GRVI=(G-R)/(G+R)

(1)

ExG=2G-R-B

(2)

NGBDI=(G-B)/(G+B)

(3)

式中，R、G、B分别代表红、绿、蓝波段。

1.2.4随机森林算法随机森林算法是以决策树为基础、结合Bootstrap aggregating(Bagging)集成学习理论与特征随机选取的一种机器学习算法[30]。为提高分类精度，利用Python网格搜索交叉验证工具(GridSearchCV)[31]确定最优参数。通过生产者精度(producer’s accuracy，PA)、用户精度(user’s accuracy，UA)、总分类精度(overall accuracy，OA)以及Kappa系数来评价分类精度。

2 结果与分析

2.1 光谱信息增强

利用DS对影像进行光谱信息增强处理，原始影像经DS光谱信息增强后，R波段与G波段相关性由0.91降低至0.23(图2)，利用绿色植被对红光波段的强吸收、对绿光波段的强反射特性[31]，能够有效区分植被与其他地物。在原始影像中，荒漠植被呈浅绿色，与裸沙颜色较为接近且受到阴影的干扰，难以与其他地物区分。经过DS光谱信息增强后，荒漠植被呈亮绿色，与其他地物光谱差异明显提升，同时阴影区域变亮，植被轮廓更为清晰，表明DS能够增大影像中各地物光谱差异并排除阴影干扰，更有利于荒漠植被的分类(图3)。

图2 影像直方图对比

图3 影像光谱信息增强效果对比

2.2 影像多尺度分割

影像分割结果局部对比表明，基于原始影像的分割易受阴影干扰，导致部分细小植被无法被准确分割，利用DS对影像进行光谱信息增强能够使暗区变亮，能够更好地区分植被与其他地物，对植被的分割更为准确(图4)。

图4 影像分割局部对比

2.3 特征变量贡献度评价

采用随机森林分类算法对特征变量的贡献度进行定量评价(表4)，其中包括DOM、DSM的光谱特征、纹理特征中的信息熵、角二阶矩和同质性、可见光植被指数以及几何特征中的体积、面积在内共有18个特征变量贡献度超过1.00%。三种可见光植被指数贡献度由大到小依次为：NGBDI(11.68%)、ExG(8.15%)、GRVI(4.64%)。

表4 特征变量贡献度评价

2.4 分类结果对比

根据GridSearchCV对模型参数寻优结果显示：n_estimators=110、max_features=7为最优参数，分别对原始影像及光谱信息增强后的影像进行分类，并载入验证数据对分类结果进行检验。

2.4.1分类精度对比分析从表5可以看出，DS光谱信息增强前后OA均呈现中度沙漠化区>重度沙漠化区>轻度沙漠化区，较基于原始影像的OA相比：轻、中、重度沙漠化区总体分类精度分别提升19.94%、16.10%、17.61%，达到91.01%、95.34%、93.18%。在DS光谱信息增强的基础上运用面向对象的随机森林算法分类结果更好，且在中度沙漠化区的精度最高，轻度沙漠化区的分类精度最低。草本及灌木的PA分别达到87.00%和94.00%以上。较中、重度沙漠化区，轻度沙漠化区植被相对密集，植被交错分布的地区具有强空间异质性；较轻、中度沙漠化区相比，重度沙漠化区植被稀疏，大量细小的植被难以与其他地物区分。以上两种情况均对影像分割造成很大困难，进而影响分类精度。在轻、中、重度沙漠化区的四种典型地物类型中，DS光谱增强前后的草本分类精度均为最低，荒漠草本分布稀疏且在空间异质性较大的区域易受其他地物以及阴影的影响，因此较其他地物类型分类难度最大。

表5 原始影像和增强影像荒漠植被分类精度对比

2.4.2不同类型荒漠植被分类结果分析DS光谱信息增强能够减弱阴影影响，有效区分植被与其他地物，使影像分割更加合理，提高荒漠植被分类的准确性。与基于原始影像的分类结果相比，基于DS光谱信息增强影像的分类结果更趋近于地表真实状况(图5)，表明该方法适用于荒漠植被分类，从而为获取荒漠植被生长分布状况以及荒漠化监测与治理提供参考。

图5 荒漠植被分类结果对比

3 讨论

结合面向对象与随机森林算法的分类受影像分割与特征提取影响较大。由于草本分布稀疏，在分割时受阴影和其他地物干扰较大，部分单株生长的灌木如梭梭，其同化枝稀疏易被误分入其他地物中，导致对象特征提取存在误差，分类结果容易出现成片现象，故在基于原始影像的荒漠植被分类中草本与灌木的分类精度较低。通过DS对影像进行光谱信息增强，提升植被与其他地物的色彩对比度，同时暗区亮度的提升避免了阴影对影像分割的干扰，使影像分割及特征提取更加准确进而提升荒漠植被分类精度。

最佳分类特征能够使不同地物类型的对象间相似度最低，对象内相似度最高，提升对象的可分离性[32]。Han等[33]证明，灰度共生矩阵(grey-level cooccurrence matrix，GLCM)对植被分类具有重要作用。为弥补RGB影像光谱信息不足的缺点，本文结合DOM与DSM数据，提取光谱特征、纹理特征、几何特征以及三种可见光植被指数对荒漠植被进行分类。根据随机森林分类算法对特征变量贡献度的评价：光谱特征及可见光植被指数在区分植被上具有重要作用，R波段平均值及标准差贡献度分别达到13.64%和8.64%，这是由于植被在R波段有较强的吸收能力，故R波段在对植被信息提取中贡献较大，这与张卫春等[31]和马玥等[34]学者研究结论相一致。裸沙与结皮多为成片分布，均具有相对一致的几何与纹理特征，而荒漠植被分布稀疏，因此纹理特征与几何特征在荒漠植被分类中也具有较高贡献度。

利用无人机获取遥感影像虽具有速度快、成本小等特点，但仅能够获取小区域影像，无法对大区域荒漠植被信息进行提取与监测，今后将尝试将小尺度无人机遥感影像与大尺度卫星遥感影像结合来获取荒漠植被信息，并对植被类型做进一步细分研究，更大范围、更细致地获取分析荒漠植被的生长分布状况。