萬祖毅 田永中，2* 劉旭東 張雪倩

(1.西南大學(xué)地理科學(xué)學(xué)院，重慶 400715；2.重慶稻田科技有限公司，重慶 400700)

0 引言

無人機(jī)遙感是近年迅速發(fā)展起來的對地觀測技術(shù)。配備不同傳感器的無人機(jī)，可由無線電遙控設(shè)備進(jìn)行手搖操縱飛行，或在計(jì)算機(jī)預(yù)編程序下自主飛行[1]。無人機(jī)遙感具有高空間分辨率、可云下飛行、快速靈活、低成本等優(yōu)點(diǎn)，有效彌補(bǔ)了傳統(tǒng)衛(wèi)星遙感在數(shù)據(jù)獲取方面的局限性[2-3]。利用無人機(jī)可快速拍攝航空影像，獲取所需空間數(shù)據(jù)，并實(shí)時(shí)處理、建模和分析[4]?；跓o人機(jī)遙感特有的優(yōu)勢，其在森林資源調(diào)查、地形測繪、生態(tài)監(jiān)測等領(lǐng)域均有眾多的應(yīng)用[5]。如馮仲科等[6]提到無人機(jī)遙感系統(tǒng)在林業(yè)調(diào)查中主要應(yīng)用在林火監(jiān)測、二類調(diào)查及森林生態(tài)狀況監(jiān)測中。高勇強(qiáng)[7]探討了在復(fù)雜地形中利用無人機(jī)輔助測量方法的可行性。

株數(shù)提取是森林資源調(diào)查中的重要參數(shù)之一。傳統(tǒng)的株數(shù)調(diào)查需要通過林業(yè)工作人員在林間開展實(shí)地作業(yè)來獲取目標(biāo)信息和數(shù)據(jù)，所需人力成本較高，有效覆蓋范圍較小[8]。以往遙感影像空間分辨率較低，在林業(yè)資源調(diào)查中無法有效計(jì)算株數(shù)。無人機(jī)遙感技術(shù)憑借良好的像素精度可以提供高分辨率遙感影像。國內(nèi)外利用無人機(jī)遙感影像提取株數(shù)進(jìn)行了研究。Panagiotidis等[9]通過無人機(jī)影像重建三維結(jié)構(gòu)，對兩個(gè)研究區(qū)域中的主要樹種進(jìn)行了樹冠直徑提取，結(jié)果的準(zhǔn)確性可以達(dá)到林木調(diào)查要求。Wang等[10]提出了一種利用無人機(jī)圖像檢測和計(jì)數(shù)單株油棕樹的方法，棕櫚樹檢測的總體準(zhǔn)確率高達(dá)99.21%。曹明蘭等[11]利用無人機(jī)影像制作DEM、DSM與DOM，基于鄰域最高過濾法提取行道樹，株數(shù)提取率達(dá)到了95%以上。何藝等[12]使用局域最大值法和多尺度分割算法對針葉林和闊葉林進(jìn)行株數(shù)提取，總體精度都在90%左右。以上研究主要以針葉林等較高樹種為研究對象，其生長形態(tài)較為高大規(guī)則，缺乏對低矮且生長不規(guī)則樹種的研究。

柑橘是重慶等地區(qū)重要的經(jīng)濟(jì)作物。準(zhǔn)確掌握柑橘種植區(qū)的果樹數(shù)量，對預(yù)測柑橘產(chǎn)量、管理柑橘生長狀況、提高柑橘產(chǎn)量具有重要意義。本文以重慶市北碚區(qū)歇馬鎮(zhèn)某果園為試驗(yàn)區(qū)，利用無人機(jī)遙感系統(tǒng)采集樣地高分辨率影像，經(jīng)后期軟件處理生產(chǎn)出正射影像(DOM)和數(shù)字表面模型(DSM)，使用多尺度分割算法和鄰域分析法提取果樹株數(shù)，并結(jié)合目視解譯數(shù)據(jù)進(jìn)行對比分析，以期為促進(jìn)無人機(jī)數(shù)據(jù)在柑橘類果園管理中的深度應(yīng)用提供依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

北碚區(qū)是重慶市最大的柑橘良種苗木生產(chǎn)基地，擁有眾多科研、生產(chǎn)單位以及種植大戶。地理坐標(biāo)106°18′14″E～106°56′ 53″E、29°30′41″N～30°11′21″N，海拔最高1312m、最低175m，屬亞熱帶季風(fēng)濕潤氣候。本文選擇北碚區(qū)歇馬鎮(zhèn)某果園為試驗(yàn)區(qū)，園內(nèi)地勢平坦，有柚子、廣柑、臍橙等多個(gè)品種果樹，不同的品種和樹齡的不一致使得種植間距和果樹大小存在一定差異?？傮w上果樹種植行距為4m～6m、株距為3m～5m，果樹的高度分布在1m～6.5m范圍內(nèi)，冠幅大小差距明顯。

1.2 數(shù)據(jù)獲取

主要應(yīng)用的數(shù)據(jù)由大疆創(chuàng)新公司生產(chǎn)的小型四旋翼御Mavic 2專業(yè)版無人機(jī)系統(tǒng)獲取，該無人機(jī)起飛重量0.9kg，最大飛行高度500m，最長續(xù)航時(shí)間31min，最大水平飛行速度20m/s。搭載Hasselblad L1D-20c相機(jī)，2000萬有效像素，等效焦距為28mm，照片最大尺寸為5472×3648 pixel (表1)。無人機(jī)拍攝在天氣晴朗、無風(fēng)的條件下進(jìn)行，拍攝時(shí)間是2019年6月26日下午，設(shè)置飛行航高80m，航線11條，航線總長3.5km，航向重疊率80%，旁向重疊率75%。本次航攝共獲得258張有效照片，經(jīng)過處理后獲得的正射影像覆蓋面積約13.01hm2(圖1)。

表1 御Mavica2專業(yè)版無人機(jī)技術(shù)參數(shù)簡介

圖1 研究區(qū)正射影像

2 技術(shù)方法

2.1 無人機(jī)影像數(shù)據(jù)處理

無人機(jī)航攝影像后期處理通過ContextCapture軟件進(jìn)行，將航拍的照片及POS數(shù)據(jù)導(dǎo)入，設(shè)置參數(shù)后即可提交任務(wù)。軟件處理過程主要為以下五個(gè)步驟：1.新建工程并導(dǎo)入影像數(shù)據(jù)，設(shè)置傳感器參數(shù)，查看POS信息；2.提交空三加密計(jì)算，獲得高精度外方位元素；3.通過矯正后的影像獲取高密度點(diǎn)云數(shù)據(jù)；4.生成三維模型場景；5.導(dǎo)出正射影像(DOM)、數(shù)字表面模型(DSM)。株數(shù)提取運(yùn)用的主要工具為eCognition Developer和ArcGIS軟件。

2.2 多尺度分割

在遙感影像信息提取，尤其是高分辨率遙感影像信息提取中，面向?qū)ο蟮姆诸惙椒ň哂兄匾囊饬x。而影像分割是關(guān)鍵的一步，分割效果直接影響到后續(xù)的分類和信息提取的精度。eCognition軟件提供了多種分割算法，包括自上而下的分割、自下而上的分割、重塑算法分割等三大類。本文研究選取的多尺度分割算法屬于自下而上分割中的一種。

自下而上的分割指按照所設(shè)要求不斷向上合并，即可以從單個(gè)像元開始，根據(jù)同質(zhì)性標(biāo)準(zhǔn)向上逐漸合并成較大的對象，直到滿足所設(shè)置的分割參數(shù)為止[13]。多尺度分割(Multiresolution Segmentation)算法能夠保證對象之間平均異質(zhì)性最小、對象內(nèi)部像元之間同質(zhì)性最大進(jìn)行合并從而實(shí)現(xiàn)影像分割[14]。采用多尺度分割方法，即在不同尺度上對影像進(jìn)行分割，可避免采用同一尺度分割影像容易造成“分割不足”或“分割過度”現(xiàn)象。

分割時(shí)有以下參數(shù)：分割尺度、波段權(quán)重、形狀因子、緊致度因子。尺度(Scale)參數(shù)即基于異質(zhì)性最小的區(qū)域合并算法中的閾值，它直接決定了影像對象大小、分割的質(zhì)量及信息提取的精度[15]。波段權(quán)重(Image Layer Weight)參數(shù)用來設(shè)置參與分割的波段的權(quán)重，可以賦予包含信息豐富以及對提取某類信息作用較大的波段更多的權(quán)重，或者賦予不重要的波段較小的權(quán)重，甚至不參與分割。形狀因子(Shap)與顏色相對，定義了影像對象結(jié)果的紋理的一致性。緊致度因子(Compactness)則利用形狀規(guī)則，根據(jù)總體緊致性，優(yōu)化影像對象結(jié)果。

使用eCognition Developer 9.0軟件，對選取的8個(gè)樣地的單木樹冠進(jìn)行提取分析，以一塊樣地為例。根據(jù)研究區(qū)的數(shù)據(jù)和需要提取信息的特征，本文選用多尺度分割的方法，嘗試了將無人機(jī)正射影像的RGB三個(gè)波段，以及數(shù)字表面模型作為波段參與分割并設(shè)置四類不同的分割權(quán)重。分別是DOM三波段權(quán)重為1，DSM權(quán)重為0；DOM三波段權(quán)重為0，DSM權(quán)重為1；DOM三波段權(quán)重為1，DSM權(quán)重設(shè)為2；DOM三波段與DSM權(quán)重均設(shè)為1。經(jīng)過多次試驗(yàn)和對比分割效果，四種情況下的較優(yōu)分割尺度分別設(shè)為180、40、155、130，形狀系數(shù)均為0.1，緊致度系數(shù)同為0.5。具體情況見圖2。并由此可以看出，影像分割中各個(gè)波段的權(quán)重選擇對分割結(jié)果也會(huì)產(chǎn)生很大的影響。在本文中將DSM參與分割優(yōu)于只對DOM進(jìn)行分割。當(dāng)DOM不參與分割時(shí)，分割效果更佳，且易于識別。

圖2 基于DOM與DSM不同權(quán)重的分割效果

2.3 鄰域分析

鄰域分析是指通過在一定分析窗口內(nèi)對柵格數(shù)據(jù)進(jìn)行函數(shù)運(yùn)算，從而得到以待計(jì)算柵格為中心的值[16-17]。鄰域是按照一定規(guī)則確定的、與目標(biāo)像元在空間上相鄰的若干像元組成的區(qū)域[18]。鄰域的設(shè)置包括形狀和大小兩個(gè)因素，其中形狀有多種。常見的為矩形鄰域、圓形鄰域、環(huán)形鄰域、扇形鄰域等。鄰域運(yùn)算會(huì)遍歷柵格中的所有像元，并采用相同的鄰域進(jìn)行運(yùn)算。鄰域運(yùn)算是對包括目標(biāo)像元及其他若干像元在一定范圍內(nèi)進(jìn)行的運(yùn)算，其結(jié)果賦在目標(biāo)像元所在位置的像元。

Cout=f(C1,C2,…，Cn)

式中，Cout為輸出像元值；(C1,C2,…，Cn)為鄰域各像元的值；n為鄰域像元的數(shù)量。鄰域統(tǒng)計(jì)的類型包括最大值、最小值、范圍、總和、平均值、標(biāo)準(zhǔn)差、眾數(shù)、寡數(shù)、中值、種類數(shù)等。

圖3 不同鄰域參數(shù)下的果樹頂點(diǎn)提取效果對比圖

表2 不同鄰域參數(shù)下提取樣地株數(shù)精度對比分析

以果樹頂點(diǎn)為目標(biāo)像元，在一定的鄰域范圍內(nèi)，它比周邊像元的位置高，通過計(jì)算每個(gè)像元高程的鄰域最大值，并將其與原像元的高程值進(jìn)行比較，若相等，則該像元即為果樹頂點(diǎn)。根據(jù)無人機(jī)影像后期處理生成的數(shù)字表面模型(DSM)，使用ArcGIS軟件對選取的8個(gè)樣地的單株果樹進(jìn)行提取，以其中一塊樣地為例。利用領(lǐng)域分析中焦點(diǎn)統(tǒng)計(jì)工具，對數(shù)據(jù)分別以不同大小的圓形和矩形鄰域進(jìn)行最大值的統(tǒng)計(jì)。

在本文中分別以圓形鄰域和矩形鄰域?yàn)榇翱?，以不同的范圍進(jìn)行鄰域統(tǒng)計(jì)提取頂點(diǎn)。頂點(diǎn)提取完成后，將DSM經(jīng)坡度分析提取坡度小于15度的部分，篩選后利用空間插值工具，生成數(shù)字高程模型(DEM)。將DSM與DEM的高程值賦予提取的頂點(diǎn)并通過分析高程差，剔除部分不合理的值。其中以圓形為鄰域，分別以2.5m、2m、1.5m、1m為半徑進(jìn)行分析，提取果樹頂點(diǎn)數(shù)為33、49、67、102，有效提取的株數(shù)為33、48、56、51。以矩形為鄰域，分比以3.5m、3m、2.5m、2m為邊長進(jìn)行分析，同樣通過分析后剔除異常值，最終提取果樹頂點(diǎn)數(shù)為53、59、69、89，有效提取的株數(shù)為52、57、57、54，提取效果見圖3。經(jīng)對比提取的精度和誤差(表2)，該樣地以邊長為3m的矩形鄰域?yàn)樽罴逊治龃翱凇?/p>

3 結(jié)果分析

本文中果樹株數(shù)的檢驗(yàn)數(shù)據(jù)是結(jié)合高分辨率無人機(jī)影像通過目視解譯提取的。精度評價(jià)主要針對樣地中由目視解譯識別的樹木精度評價(jià)。提取樣地株數(shù)的精度評價(jià)采用總體分類精度(Overall Accuracy，OA)，誤授誤差(Commission Error，CE)和漏分誤差(Omission Error，OE)3個(gè)指標(biāo)表示。其中總體分類精度評價(jià)是指樣地內(nèi)提取的單木總個(gè)數(shù)占目視解譯樣地內(nèi)單木總個(gè)數(shù)的比率，公式如下：

OA=1-Nv-Nd/100%

式中：Nv為目視解譯樣地內(nèi)果樹總株數(shù)；Nd為提取到果樹總株數(shù)。

3.1 基于對尺度分割方法的株數(shù)提取結(jié)果分析

在研究區(qū)域中選擇了8個(gè)35m×35m的樣地。樣地區(qū)域中無人工建筑，排除其他干擾因素，以保證樣地?cái)?shù)據(jù)提取的有效性。研究中利用多尺度分割算法對樣地進(jìn)行了分割，包含樹冠和非樹冠區(qū)域。為便于后期統(tǒng)計(jì)株數(shù)，提前去除掉非樹冠區(qū)域。根據(jù)樹冠的分割中出現(xiàn)的情況分為兩種錯(cuò)誤，即樹冠的欠分割和過分割(如圖4)。在結(jié)果分析中，將過分割樹冠數(shù)量與實(shí)際株數(shù)的比值定義為誤授誤差，欠分割樹冠數(shù)量與實(shí)際株數(shù)的比值為漏分誤差。

由表3結(jié)果顯示，多尺度分割算法用于8個(gè)樣地株數(shù)的提取中，總體精度為71.68 %。漏分誤差和誤授誤差分別為8.39%和34.79%。各樣地提取精度相差較大，最高可達(dá)98.78%，最低僅有38.24%，如2號樣地與5號樣地。而5號和6號樣地誤授株數(shù)甚至超出其驗(yàn)證株數(shù)。分析其原因，較高提取精度的樣地，其特征是果樹獨(dú)立成株，果樹形態(tài)較好；提取精度較差的樣地，其主要特征是果樹成片相接，果樹形態(tài)不規(guī)則等原因造成。

圖4 欠分割的樹冠和過分割的樹冠

表3 多尺度分割算法提取樣地株數(shù)精度分析

3.2 鄰域分析法的株數(shù)提取結(jié)果分析

為保證提取精度的有效對比性，研究中鄰域分析法與多尺度分割算法選取相同研究樣地。驗(yàn)證時(shí)選取樹冠中心根據(jù)總體果樹的大小生成1.5m緩沖區(qū)，基本覆蓋樣地樹冠。當(dāng)僅有一個(gè)頂點(diǎn)位于緩沖區(qū)內(nèi)，則被稱為“對應(yīng)關(guān)系”。提取過程中常出現(xiàn)的錯(cuò)誤：“0對1”關(guān)系，主要為較少其他地物高度與果樹相近無法有效剔除(圖 5(a))，或少部分樹冠較大，提取到多個(gè)頂點(diǎn)且在緩沖區(qū)覆蓋之外；“1對多”關(guān)系，即一株果樹中提取到多個(gè)頂點(diǎn)(圖5(b))；“1對0”關(guān)系，漏提錯(cuò)誤，即未提取到果樹頂點(diǎn)(圖5(c))。其中“0對1”、“1對多”兩種關(guān)系視為誤判，兩種情況的總數(shù)與驗(yàn)證株數(shù)總和的比值為誤授誤差?！?對0”情況與驗(yàn)證總數(shù)之間的比值視為漏分誤差。

表4結(jié)果顯示，8個(gè)樣地總體精度達(dá)到了88.29%，總體漏分誤差為9.97%，總體誤判誤差為9.09%。漏分誤差表明鄰域分析法未能全部提取到果樹的頂點(diǎn)，受到品種不一果樹長勢不盡相同，部分樣地存在高低間隔栽種等因素的影響。誤授誤差主要是由于果樹除主枝及側(cè)枝生長均較好，因此提取到多個(gè)頂點(diǎn)。從整體情況來看，在提取果樹頂點(diǎn)的過程中發(fā)現(xiàn)此方法在提取長勢均一，種植間距相當(dāng)且獨(dú)立成株的果樹時(shí)效果較好，誤授和遺漏的株數(shù)較少，精度較高；對于長勢相差較大、高低相間種植且不獨(dú)立成株，以及冠體較大并有多個(gè)頂點(diǎn)的果樹提取效果較差，誤授及遺漏的株數(shù)相應(yīng)增多，誤差較大。

圖5 果樹頂點(diǎn)提取出現(xiàn)的幾種情況

表4 鄰域分析法提取樣地株數(shù)精度分析

4 結(jié)論與討論

本研究使用小型多旋翼無人機(jī)遙感獲取了北碚區(qū)歇馬鎮(zhèn)某果園部分航拍影像，生成研究區(qū)的DOM以及DSM，并以DSM為主要數(shù)據(jù)進(jìn)行了樣地株數(shù)的自動(dòng)提取分析。得到以下結(jié)論和認(rèn)識：

(1)利用多尺度分割算法和鄰域分析法進(jìn)行樣地株數(shù)自動(dòng)統(tǒng)計(jì)，兩者提取精度分別為71.68%和88.29%，鄰域分析法優(yōu)于多尺度分割算法。鄰域分析算法能夠基本滿足快速高效地統(tǒng)計(jì)株數(shù)的要求。

(2)樣區(qū)株數(shù)自動(dòng)檢測的精度不夠穩(wěn)定，可以做進(jìn)一步的改進(jìn)。一是本研究的數(shù)據(jù)主要是基于DSM，下一步可以充分利用DOM，使兩者有效結(jié)合；二是可以結(jié)合兩種方法，增加不同的特征進(jìn)行研究。

(3)由于重慶地區(qū)的柑橘生長環(huán)境多為坡地。本次研究的區(qū)域地形較為平坦，未能充分考慮地形因素對于實(shí)驗(yàn)的影響。下一步將選擇更多的樣區(qū)對比株數(shù)提取的效果，提出有效的株數(shù)統(tǒng)計(jì)方法。