張冠宏, 王新軍*, 徐曉龍, 閆立男, 常夢迪, 李永康

(1.新疆農(nóng)業(yè)大學(xué)草業(yè)與環(huán)境科學(xué)學(xué)院, 烏魯木齊 830052; 2.新疆土壤與植物生態(tài)過程重點(diǎn)實(shí)驗(yàn)室, 烏魯木齊 830052； 3.珠海歐比特宇航科技股份有限公司， 廣東 珠海 519080)

荒漠化是由氣候變化及人類活動等多種因素引起的干旱、半干旱和亞濕潤干旱地區(qū)的土地退化，是生態(tài)環(huán)境發(fā)生嚴(yán)重退化的重要反映，現(xiàn)已成為全球重要的生態(tài)環(huán)境、經(jīng)濟(jì)和社會熱點(diǎn)問題[1]。我國荒漠化程度較嚴(yán)重，荒漠化會引起植被退化，導(dǎo)致生態(tài)環(huán)境的惡化，降低自然資源的質(zhì)量與利用效益[2]?；哪脖皇腔哪鷳B(tài)系統(tǒng)中重要的組成部分，具有阻止風(fēng)沙運(yùn)移和保持生物多樣性的作用[3]。及時掌握荒漠植被生長分布狀況是荒漠化地區(qū)生態(tài)遙感的基礎(chǔ)，因此，荒漠植被的精確識別與分類對維護(hù)生態(tài)系統(tǒng)的穩(wěn)定及荒漠化的治理具有重要意義[4]。

目前，植被分類方法主要有實(shí)地調(diào)查和遙感監(jiān)測，傳統(tǒng)的實(shí)地調(diào)查法耗時、費(fèi)力且周期較長，無法實(shí)現(xiàn)對植被信息的及時獲取與更新[5]。近年來無人機(jī)遙感技術(shù)因分辨率高、幾何紋理信息豐富、時效性高及成本低廉等優(yōu)點(diǎn)，有效彌補(bǔ)了傳統(tǒng)衛(wèi)星遙感的不足，逐漸成為監(jiān)測、提取植被信息的重要途徑[6-7]。在影像信息提取方面，主要有目視解譯、監(jiān)督與非監(jiān)督分類法、專家系統(tǒng)法、模糊數(shù)學(xué)法以及面向?qū)ο蠓╗8]等，這些方法雖然取得了一定的效果，但是大多是基于像元的分類特征進(jìn)行提取，存在混合像元、光譜混淆等問題，分類精度不高[9]。面向?qū)ο蠓軌蚋玫胤从秤跋竦募y理與形狀信息，有利于提高分類精度[10-11]。隨著計算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用于植被分類，與面向?qū)ο蠓ńY(jié)合能夠進(jìn)一步提高分類精度與效率[12]，但研究對象多為成片分布的大面積濕地[13]、森林[14]、草原[15]、城市[16]植被及農(nóng)田作物[17]，有關(guān)荒漠區(qū)植被的研究鮮有報道?；哪脖蝗~面普遍較小且分布稀疏，部分為單株生長，在影像中光譜特征較弱，分類難度較大。去相關(guān)拉伸(decorrelation stretch，DS)光譜信息增強(qiáng)能夠提高影像色彩飽和度，有助于影像信息提取[18]，在此基礎(chǔ)上結(jié)合面向?qū)ο笈c機(jī)器學(xué)習(xí)算法的分類方法是否適用于荒漠植被分類尚有待印證。

古爾班通古特沙漠是我國面積最大的固定、半固定沙漠，低矮灌木與草本交錯分布，同地表形成的灰褐色結(jié)皮形成了復(fù)雜的地表異質(zhì)性[19]，對荒漠植被的分類造成很大干擾。鑒于此，本文基于高分辨率無人機(jī)遙感影像和數(shù)字表面模型(digital surface model，DSM)，在對影像去相關(guān)拉伸的基礎(chǔ)上利用面向?qū)ο蠹夹g(shù)，選取訓(xùn)練速度快、分類精度高的隨機(jī)森林分類算法，結(jié)合光譜、幾何、紋理特征與三種可見光植被指數(shù)對古爾班通古特荒漠植被進(jìn)行分類研究，為獲取荒漠區(qū)植被生長分布狀況以及荒漠化監(jiān)測與治理提供方法及參考。

1 材料與方法

1.1 數(shù)據(jù)采集及預(yù)處理

1.1.1研究區(qū)概況古爾班通古特沙漠位于新疆準(zhǔn)噶爾盆地中部，地理坐標(biāo)介于44°15′—46°50′N、84°50′—91°20′E之間，年降水量70～150 mm，年平均氣溫5～5.7 ℃，蒸發(fā)量在2 000 mm以上[20]。沙漠土壤類型以固定、半固定的風(fēng)沙土為主，生長著種類較為豐富的沙生與耐旱植物，在古爾班通古特沙漠南部(輕度沙漠化區(qū))、中部(中度沙漠化區(qū))及北部(重度沙漠化區(qū))[21]選取三個典型樣地開展采樣研究(圖1)。

圖1 研究區(qū)概況

1.1.2數(shù)據(jù)獲取及預(yù)處理無人機(jī)遙感影像獲取時間為2018年8月初，天氣晴朗、無云、無風(fēng)。采用DJI Phantom 4 Pro無人機(jī)進(jìn)行拍攝，飛行高度100 m，飛行速度6 m·s-1，拍攝時間間隔3 s，影像重疊度70%，各樣地拍攝面積均為57 000 m2，影像空間分辨率為0.03 m。利用Pix4D mapper軟件對影像進(jìn)行拼接處理，生成采樣區(qū)的數(shù)字正射影像(digital orthophoto map，DOM)與DSM。

在前人研究基礎(chǔ)上，根據(jù)地面植被信息調(diào)查，將研究區(qū)植被類型地物分為灌木與草本，非植被類型地物分為結(jié)皮與裸沙[22-23]。結(jié)合野外實(shí)地調(diào)查及目視解譯篩選出分布均勻、具有代表性的草本、灌木、結(jié)皮及裸沙樣本共3 498個(表1)。

表1 樣本數(shù)量統(tǒng)計信息

1.2 研究方法

1.2.1光譜信息增強(qiáng)去相關(guān)拉伸(DS)通過拉伸影像的主成分(principal component，PC)擴(kuò)大高相關(guān)性波段的信息耦合度，提升影像色彩飽和度，相關(guān)區(qū)域的顏色得到增強(qiáng)，而暗區(qū)域部分也會變得更加明亮[18]。RGB影像各波段間具有高相關(guān)性，使用傳統(tǒng)對比度拉伸方法進(jìn)行圖像增強(qiáng)處理只能改善影像色度與亮度，無法增強(qiáng)影像色彩飽和度[24]，因此本文采用DS對原始影像進(jìn)行光譜信息增強(qiáng)處理。

1.2.2影像多尺度分割多尺度分割是一種基于區(qū)域合并技術(shù)的自下而上分割算法，其分割效果更為精細(xì)也更符合實(shí)際，在面向?qū)ο蠓治鲋袘?yīng)用最為廣泛。多尺度分割具有3個重要參數(shù)：形狀參數(shù)(shape)、緊度參數(shù)(compactness)以及尺度參數(shù)(scale parameter，SP)，其中SP是核心參數(shù)，控制著分割生成對象的內(nèi)部異質(zhì)性，值越大生成對象的尺寸則越大，內(nèi)部異質(zhì)性越大，反之則越小，故選取最優(yōu)分割尺度是面向?qū)ο蠓治黾夹g(shù)中最關(guān)鍵的問題[13]。利用最優(yōu)分割尺度評價工具ESP2(estimation of scale parameter 2)[25]選取最優(yōu)分割尺度SP。參考彭佳憶等[19]有關(guān)荒漠地表信息提取相關(guān)研究，將原始影像形狀參數(shù)定為0.6，緊度定為0.5。由于DS光譜信息增強(qiáng)后各地物間顏色差異增大，同時考慮到光譜信息在植被識別中具有重要作用，故設(shè)定形狀參數(shù)為0.1，顏色參數(shù)為0.9[26]，DS前后SP參數(shù)并無明顯變化，因此保持一致，影像最優(yōu)分割參數(shù)如表2所示。

表2 影像最優(yōu)分割參數(shù)

1.2.3特征變量選取選取影像的光譜特征(反映各對象間光譜信息差異)、幾何特征(反映各對象間幾何、形狀信息差異)、紋理特征(通過GLCM提取，描述對象表面性質(zhì))以及植被指數(shù)(通過波段組合實(shí)現(xiàn)對地表植被狀況定量分析)[27-29]共30個特征變量，如表3所示。

表3 特征變量統(tǒng)計信息

綠紅指數(shù)(GRVI)、超綠指數(shù)(ExG)、歸一化綠藍(lán)差異指數(shù)(NGBDI)的計算公式如下。

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

(1)

ExG=2G-R-B

(2)

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

(3)

式中，R、G、B分別代表紅、綠、藍(lán)波段。

1.2.4隨機(jī)森林算法隨機(jī)森林算法是以決策樹為基礎(chǔ)、結(jié)合Bootstrap aggregating(Bagging)集成學(xué)習(xí)理論與特征隨機(jī)選取的一種機(jī)器學(xué)習(xí)算法[30]。為提高分類精度，利用Python網(wǎng)格搜索交叉驗(yàn)證工具(GridSearchCV)[31]確定最優(yōu)參數(shù)。通過生產(chǎn)者精度(producer’s accuracy，PA)、用戶精度(user’s accuracy，UA)、總分類精度(overall accuracy，OA)以及Kappa系數(shù)來評價分類精度。

2 結(jié)果與分析

2.1 光譜信息增強(qiáng)

利用DS對影像進(jìn)行光譜信息增強(qiáng)處理，原始影像經(jīng)DS光譜信息增強(qiáng)后，R波段與G波段相關(guān)性由0.91降低至0.23(圖2)，利用綠色植被對紅光波段的強(qiáng)吸收、對綠光波段的強(qiáng)反射特性[31]，能夠有效區(qū)分植被與其他地物。在原始影像中，荒漠植被呈淺綠色，與裸沙顏色較為接近且受到陰影的干擾，難以與其他地物區(qū)分。經(jīng)過DS光譜信息增強(qiáng)后，荒漠植被呈亮綠色，與其他地物光譜差異明顯提升，同時陰影區(qū)域變亮，植被輪廓更為清晰，表明DS能夠增大影像中各地物光譜差異并排除陰影干擾，更有利于荒漠植被的分類(圖3)。

圖2 影像直方圖對比

圖3 影像光譜信息增強(qiáng)效果對比

2.2 影像多尺度分割

影像分割結(jié)果局部對比表明，基于原始影像的分割易受陰影干擾，導(dǎo)致部分細(xì)小植被無法被準(zhǔn)確分割，利用DS對影像進(jìn)行光譜信息增強(qiáng)能夠使暗區(qū)變亮，能夠更好地區(qū)分植被與其他地物，對植被的分割更為準(zhǔn)確(圖4)。

圖4 影像分割局部對比

2.3 特征變量貢獻(xiàn)度評價

采用隨機(jī)森林分類算法對特征變量的貢獻(xiàn)度進(jìn)行定量評價(表4)，其中包括DOM、DSM的光譜特征、紋理特征中的信息熵、角二階矩和同質(zhì)性、可見光植被指數(shù)以及幾何特征中的體積、面積在內(nèi)共有18個特征變量貢獻(xiàn)度超過1.00%。三種可見光植被指數(shù)貢獻(xiàn)度由大到小依次為：NGBDI(11.68%)、ExG(8.15%)、GRVI(4.64%)。

表4 特征變量貢獻(xiàn)度評價

2.4 分類結(jié)果對比

根據(jù)GridSearchCV對模型參數(shù)尋優(yōu)結(jié)果顯示：n_estimators=110、max_features=7為最優(yōu)參數(shù)，分別對原始影像及光譜信息增強(qiáng)后的影像進(jìn)行分類，并載入驗(yàn)證數(shù)據(jù)對分類結(jié)果進(jìn)行檢驗(yàn)。

2.4.1分類精度對比分析從表5可以看出，DS光譜信息增強(qiáng)前后OA均呈現(xiàn)中度沙漠化區(qū)>重度沙漠化區(qū)>輕度沙漠化區(qū)，較基于原始影像的OA相比：輕、中、重度沙漠化區(qū)總體分類精度分別提升19.94%、16.10%、17.61%，達(dá)到91.01%、95.34%、93.18%。在DS光譜信息增強(qiáng)的基礎(chǔ)上運(yùn)用面向?qū)ο蟮碾S機(jī)森林算法分類結(jié)果更好，且在中度沙漠化區(qū)的精度最高，輕度沙漠化區(qū)的分類精度最低。草本及灌木的PA分別達(dá)到87.00%和94.00%以上。較中、重度沙漠化區(qū)，輕度沙漠化區(qū)植被相對密集，植被交錯分布的地區(qū)具有強(qiáng)空間異質(zhì)性；較輕、中度沙漠化區(qū)相比，重度沙漠化區(qū)植被稀疏，大量細(xì)小的植被難以與其他地物區(qū)分。以上兩種情況均對影像分割造成很大困難，進(jìn)而影響分類精度。在輕、中、重度沙漠化區(qū)的四種典型地物類型中，DS光譜增強(qiáng)前后的草本分類精度均為最低，荒漠草本分布稀疏且在空間異質(zhì)性較大的區(qū)域易受其他地物以及陰影的影響，因此較其他地物類型分類難度最大。

表5 原始影像和增強(qiáng)影像荒漠植被分類精度對比

2.4.2不同類型荒漠植被分類結(jié)果分析DS光譜信息增強(qiáng)能夠減弱陰影影響，有效區(qū)分植被與其他地物，使影像分割更加合理，提高荒漠植被分類的準(zhǔn)確性。與基于原始影像的分類結(jié)果相比，基于DS光譜信息增強(qiáng)影像的分類結(jié)果更趨近于地表真實(shí)狀況(圖5)，表明該方法適用于荒漠植被分類，從而為獲取荒漠植被生長分布狀況以及荒漠化監(jiān)測與治理提供參考。

圖5 荒漠植被分類結(jié)果對比

3 討論

結(jié)合面向?qū)ο笈c隨機(jī)森林算法的分類受影像分割與特征提取影響較大。由于草本分布稀疏，在分割時受陰影和其他地物干擾較大，部分單株生長的灌木如梭梭，其同化枝稀疏易被誤分入其他地物中，導(dǎo)致對象特征提取存在誤差，分類結(jié)果容易出現(xiàn)成片現(xiàn)象，故在基于原始影像的荒漠植被分類中草本與灌木的分類精度較低。通過DS對影像進(jìn)行光譜信息增強(qiáng)，提升植被與其他地物的色彩對比度，同時暗區(qū)亮度的提升避免了陰影對影像分割的干擾，使影像分割及特征提取更加準(zhǔn)確進(jìn)而提升荒漠植被分類精度。

最佳分類特征能夠使不同地物類型的對象間相似度最低，對象內(nèi)相似度最高，提升對象的可分離性[32]。Han等[33]證明，灰度共生矩陣(grey-level cooccurrence matrix，GLCM)對植被分類具有重要作用。為彌補(bǔ)RGB影像光譜信息不足的缺點(diǎn)，本文結(jié)合DOM與DSM數(shù)據(jù)，提取光譜特征、紋理特征、幾何特征以及三種可見光植被指數(shù)對荒漠植被進(jìn)行分類。根據(jù)隨機(jī)森林分類算法對特征變量貢獻(xiàn)度的評價：光譜特征及可見光植被指數(shù)在區(qū)分植被上具有重要作用，R波段平均值及標(biāo)準(zhǔn)差貢獻(xiàn)度分別達(dá)到13.64%和8.64%，這是由于植被在R波段有較強(qiáng)的吸收能力，故R波段在對植被信息提取中貢獻(xiàn)較大，這與張衛(wèi)春等[31]和馬玥等[34]學(xué)者研究結(jié)論相一致。裸沙與結(jié)皮多為成片分布，均具有相對一致的幾何與紋理特征，而荒漠植被分布稀疏，因此紋理特征與幾何特征在荒漠植被分類中也具有較高貢獻(xiàn)度。

利用無人機(jī)獲取遙感影像雖具有速度快、成本小等特點(diǎn)，但僅能夠獲取小區(qū)域影像，無法對大區(qū)域荒漠植被信息進(jìn)行提取與監(jiān)測，今后將嘗試將小尺度無人機(jī)遙感影像與大尺度衛(wèi)星遙感影像結(jié)合來獲取荒漠植被信息，并對植被類型做進(jìn)一步細(xì)分研究，更大范圍、更細(xì)致地獲取分析荒漠植被的生長分布狀況。