李佳, 王明果, 王云川, 詹順, 段平,*

顧及無人機(jī)影像點(diǎn)云特征的綠地信息分類方法

李佳1, 王明果2,3, 王云川1, 詹順1, 段平1,*

1. 云南師范大學(xué)地理學(xué)部, 昆明 650500 2. 云南省地質(zhì)科學(xué)研究所, 昆明 650501 3. 云南省地礦測(cè)繪院, 昆明 650218

采用無人機(jī)影像進(jìn)行綠地信息分類時(shí), 常利用影像光譜、紋理、形狀等分類特征, 忽視了通過無人機(jī)影像生成點(diǎn)云構(gòu)建的數(shù)字表面模型(Digital surface model, DSM)和數(shù)字高程模型(Digital elevation model, DEM)差異特征?；诖? 提出一種顧及無人機(jī)影像點(diǎn)云特征的綠地信息分類方法。方法首先基于攝影測(cè)量理論對(duì)研究區(qū)無人機(jī)影像進(jìn)行空三計(jì)算, 并生成點(diǎn)云, 在此基礎(chǔ)上構(gòu)建DSM、DEM和數(shù)字正射影像(Digital Orthophoto Map, DOM); 然后, 利用DSM和DEM模型構(gòu)建地物高度差異模型(normalized Digital Surface Model, nDSM); 最后, 利用可見光波段差異植被指數(shù)(Visible-band difference vegetation index, VDVI)對(duì)DOM進(jìn)行植被與非植被分類, 并結(jié)合nDSM對(duì)植被進(jìn)行分類。以昆明市呈貢區(qū)白龍?zhí)豆珗@為研究區(qū)進(jìn)行綠地信息分類,系數(shù)精度達(dá)到0.862, 實(shí)驗(yàn)表明本文的方法對(duì)城市綠地調(diào)查具有實(shí)際意義。

綠地分類; 無人機(jī); 可見光植被指數(shù); 點(diǎn)云

0 前言

城市綠地分類是城市對(duì)綠地規(guī)劃、設(shè)計(jì)、建設(shè)、管理和統(tǒng)計(jì)的技術(shù)基礎(chǔ)[1]。城市綠地具有放氧、除塵、防噪、防風(fēng), 調(diào)節(jié)小氣候等重要生態(tài)功能[2], 是城市生態(tài)系統(tǒng)的重要組成部分。城市不同區(qū)域所要求和營造的綠地類型也各不相同[3]。因此, 根據(jù)不同的功能及生境掌握城市綠地信息類別對(duì)城市健康發(fā)展和提高城市生活環(huán)境具有重大意義。

傳統(tǒng)的城市綠地分類調(diào)查通常依賴于人工調(diào)查, 該方法內(nèi)容詳細(xì), 精度較高, 但需要大量的人力物力及財(cái)力[4]; 采用從天對(duì)地觀測(cè)技術(shù), 利用遙感衛(wèi)星進(jìn)行地物調(diào)查不僅能提供準(zhǔn)確、大面積的地面信息, 并且其具有多個(gè)波段信息, 為城市大面積綠地調(diào)查提供了方便[5-7]。但是遙感衛(wèi)星存在獲取數(shù)據(jù)周期較長、易受云霧等天氣影響的問題。

無人機(jī)航空遙感作為近年來一種從低空對(duì)地觀測(cè)的技術(shù), 具有機(jī)動(dòng)性強(qiáng)、速度快、成像分辨率及精度高等優(yōu)點(diǎn), 為城市綠地信息提取提供了新方法[8-10]。大多數(shù)無人機(jī)僅搭載可見光相機(jī), 無法獲取近紅外等可見光之外的波段信息, 因此無法直接構(gòu)建如歸一化差值植被指數(shù)(normalized difference vegetation index, NDVI)等進(jìn)行植被提取。對(duì)此, 眾多國內(nèi)外學(xué)者根據(jù)綠色植物在可見光波段的光譜特征, 構(gòu)建了多種可見光植被指數(shù)[11]。如根據(jù)可見光影像的特點(diǎn)提出了可見光波段差異植被指數(shù)(visible- band difference vegetation index, VDVI), 并對(duì)僅含可見光波段無人機(jī)遙感影像的健康綠色植被信息具有較好的提取效果[12-14]。利用無人機(jī)遙感影像進(jìn)行地物識(shí)別主要集中于植被覆蓋度的提取[15-17], 即側(cè)重于分析無人機(jī)影像的光譜特征, 進(jìn)行單一地物的識(shí)別, 而忽視了無人機(jī)影像重建點(diǎn)云的空間特征。無人機(jī)影像點(diǎn)云包含了各類地物的空間位置和高度特征, 面對(duì)同一區(qū)域的多種植被時(shí), 根據(jù)不同植被種類利用其高度特征可有效對(duì)其進(jìn)行提取與分類。以無人機(jī)高光譜數(shù)據(jù)和數(shù)字表面模型(Digital surface model, DSM)為數(shù)據(jù)源, 利用面向?qū)ο蠹夹g(shù)對(duì)紅樹林濕地進(jìn)行植被識(shí)別, 并證明高度信息可有效分離光譜特征相似但平均高度不同的紅樹林物種[18]; 此外, 以巖溶濕地區(qū)域?yàn)橹饕芯繉?duì)象, 利用無人機(jī)可見光影像結(jié)合研究區(qū)DSM進(jìn)行植被識(shí)別, 結(jié)果表明DSM空間信息對(duì)巖溶濕地植被識(shí)貢獻(xiàn)率較大[19]。因此, 利用無人機(jī)可見光影像的光譜特征與空間特征進(jìn)行植被的識(shí)別與分類, 在城市綠地分類中具有較好前景。

本文利用無人機(jī)獲取的可見光影像, 經(jīng)空三加密、密集匹配、點(diǎn)云濾波、正射糾正等處理構(gòu)建影像點(diǎn)云。根據(jù)點(diǎn)云生成數(shù)字高程模型(Digital elevation model, DEM)、DSM與數(shù)字正射影像(Digital Orthophoto Map, DOM), 采用差值運(yùn)算構(gòu)建地物高度差異模型(normalized Digital Surface Model, nDSM), 根據(jù)無人機(jī)影像的光譜特征構(gòu)建VDVI提取植被信息, 結(jié)合nDSM中不同植被的高度信息對(duì)植被進(jìn)行分類, 并對(duì)提取結(jié)果進(jìn)行評(píng)價(jià)分析。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)為昆明市呈貢區(qū)白龍?zhí)豆珗@, 如圖1所示。整個(gè)公園環(huán)白龍?zhí)端畮於? 綠地居多, 植被品種繁多, 水杉林居多, 栽培喬木、灌木、草地構(gòu)成了層次感, 因此選此區(qū)域作為典型研究區(qū)。

1.2 實(shí)驗(yàn)數(shù)據(jù)

選用大疆精靈4 pro為數(shù)據(jù)采集設(shè)備。航飛前, 在研究區(qū)內(nèi)均勻布設(shè)9個(gè)控制點(diǎn), 采用GPS-RTK的方式獲取其真實(shí)坐標(biāo), 用以進(jìn)行絕對(duì)定位。數(shù)據(jù)采集當(dāng)天多云微風(fēng), 光照適中, 有利于數(shù)據(jù)獲取。采用無人機(jī)正射影像采集的方式, 設(shè)置航向重疊率85%、旁向重疊率75%, 飛行高度為120米, 共獲取292幅影像。

2 顧及影像點(diǎn)云特征的綠地信息分類

綠地信息分類主要包括四個(gè)內(nèi)容: (1)基于無人機(jī)可見光影像, 生成點(diǎn)云, 并在此基礎(chǔ)上構(gòu)建DSM、 DEM和DOM; (2)根據(jù)點(diǎn)云差異特征構(gòu)建nDSM; (3)VDVI可見光影像植被信息提取; (4)植被信息分類與精度評(píng)價(jià)?？傮w流程圖如圖2所示。

2.1 基于影像點(diǎn)云的DSM、 DEM與DOM構(gòu)建

以無人機(jī)可見光影像為數(shù)據(jù)源, 構(gòu)建DSM、DEM和DOM。首先針對(duì)無人機(jī)可見光影像進(jìn)行空中三角測(cè)量[20], 即: 以無人機(jī)攝影瞬間的POS數(shù)據(jù)為初始外方位元素, 并結(jié)合實(shí)測(cè)控制點(diǎn)信息進(jìn)行平差, 求解出每幅影像真實(shí)的空間位置與姿態(tài), 以及關(guān)鍵連接點(diǎn)的地面坐標(biāo), 生成稀疏點(diǎn)云; 恢復(fù)每幅影像的真實(shí)姿態(tài)后, 在同名像對(duì)間利用CMVS和PMVS算法分別對(duì)影像表面計(jì)算, 識(shí)別出多幅影像間的同名點(diǎn), 生成高密度點(diǎn)云[21]。

圖1 研究區(qū)域

Figure 1 Study area

圖2 總體流程圖

Figure 2 The overall flow chart

對(duì)生成的離散點(diǎn)云建立DSM即通過進(jìn)行三角形構(gòu)建[22], 組成一張能覆蓋整個(gè)區(qū)域的格網(wǎng), 且構(gòu)建的三角形不能相交, 每個(gè)三角形覆蓋的節(jié)點(diǎn)的面都被定義為已知信息, 建成三角形的所有點(diǎn)都受三角形的表面限制, 從而精確表達(dá)真實(shí)地面形態(tài); 根據(jù)DSM 的三角網(wǎng)格具有幾何約束特點(diǎn), 對(duì)其進(jìn)行濾波[23], 剔除高于地面的喬木以及建筑物等地物信息, 僅保留地面點(diǎn)信息, 通過構(gòu)建高程格網(wǎng), 生成研究區(qū)DEM; 由于無人機(jī)航攝相機(jī)采用中心投影的方式獲取地面航空影像, 采用數(shù)字微分糾正, 結(jié)合研究區(qū)DSM, 按一定的數(shù)學(xué)模型用相關(guān)控制點(diǎn)解算, 從原始非正射投影的航攝影像獲取具有真實(shí)位置的正射影像, 完成單幅影像正射糾正后, 采用多視原理對(duì)正射影像重疊區(qū)域進(jìn)行裁切與鑲嵌, 得到完整的研究區(qū)域DOM。

2.2 地物高度差異模型

DSM包含建筑物、植被等各種地表地物的高程信息, 而DEM是不包含建筑物、植被等各地表地物的高程信息。由于DSM與DEM在地物高程上具有顯著的差異特征, 通過差值分析獲取nDSM模型即從DSM中消除因地形起伏而造成的高度變化, 僅提取出建筑物、植被等各類地物高度信息, 為地物(喬木、灌木、草地、建筑物等)提取分類提供可靠依據(jù)。nDSM計(jì)算公式如下:

式中: DSM(,)為DSM在第行第列的高程值, DEM(,)為DEM在第行第列的高程值。利用無人機(jī)可見光影像實(shí)現(xiàn)密集點(diǎn)云的重建和DOM生成, 并對(duì)點(diǎn)云進(jìn)行濾波與插值獲得研究區(qū)DEM與DSM模型, 對(duì)DEM格網(wǎng)與DSM格網(wǎng)進(jìn)行求差分析, 得研究區(qū)nDSM模型, 研究區(qū)DEM、DSM、nDSM如圖3所示。

2.3 基于VDVI的植被信息提取

VDVI綜合利用了植被在綠光波段的反射及在紅光和藍(lán)光波段的吸收特性, 其形式與 NDVI 相似, 能較好地區(qū)分植被與非植被, 并且其植被與非植被閾值確定比較簡單, 在0值附近[12]。由于無人機(jī)影像僅包含可見光波段, 因此采用VDVI識(shí)別植被與非植被。VDVI計(jì)算公式如下:

式中:、、分別為DOM在紅、綠、藍(lán)三個(gè)波段處的像元值。VDVI值域?yàn)閇-1,1]。根據(jù)計(jì)算出的VDVI, 利用灰度分割方法對(duì)綠地進(jìn)行提取。

2.4 綠地信息分類規(guī)則構(gòu)建

2.4.1 變異分析

由無人機(jī)影像記錄了采樣時(shí)的地物信息, 基于無人機(jī)攝影測(cè)量原理構(gòu)建研究區(qū)實(shí)景三維模型, 從中隨機(jī)抽取喬木、灌木各30個(gè)樣本點(diǎn), 測(cè)量其空間高度。根據(jù)該樣本數(shù)據(jù)分別計(jì)算喬木、灌木的標(biāo)準(zhǔn)差、均值及其變異系數(shù), 結(jié)果如下表1所示。結(jié)合研究區(qū)實(shí)際情況與表1可知, 由于研究區(qū)內(nèi)灌木種類較多, 其長勢(shì)差異較大, 抽樣中灌木最低高程為0.36 m, 最大高程為2.65 m, 因此導(dǎo)致研究區(qū)內(nèi)灌木的變異系數(shù)值較高, 達(dá)到65%; 相比而言, 研究區(qū)內(nèi)喬木長勢(shì)較為高大, 偶有高程較低的樣本, 其中喬木最低高程為2.23 m, 最大高程為6.45 m, 其變異系數(shù)為0.29。

2.4.2 基于決策樹的綠地信息分類

決策樹模型具有準(zhǔn)確性高、無需先驗(yàn)知識(shí)等優(yōu)勢(shì), 采用決策樹對(duì)無人機(jī)可見光影像進(jìn)行植被分類, 根據(jù)地物的高度將植被分為喬木、灌木及草地。分類規(guī)則以地物光譜分析和nDSM模型為標(biāo)準(zhǔn)。首先，根據(jù)無人機(jī)可見光影像進(jìn)行各地物類型采樣, 提取喬木、灌木和草地在VDVI和nDSM上的特征曲線圖; 然后根據(jù)特征曲線圖確定喬木、灌木和草地的提取閾值, 構(gòu)建決策樹對(duì)研究區(qū)無人機(jī)DOM實(shí)現(xiàn)綠地信息分類; 最后利用混淆矩陣計(jì)算綠地信息分類精度與系數(shù), 對(duì)綠地信息分類結(jié)果進(jìn)行精度評(píng)價(jià)與驗(yàn)證。

由VDVI提取出的綠地信息, 結(jié)合nDSM中不同植被的高度信息對(duì)其進(jìn)行分類。結(jié)合研究區(qū)灌木、喬木抽樣調(diào)查結(jié)果可知, 灌木高程較離散, 難以通過閾值準(zhǔn)確將其與草地、喬木剝離, 通過實(shí)驗(yàn)分析, 將0.6 m與2 m分別設(shè)定為nDSM中灌木的高程下限與高程上限時(shí), 研究區(qū)植被提取與分類效果最佳。同時(shí), 設(shè)定nDSM<0.6 m提取為草地, nDSM>2 m的植被提取為喬木, 決策樹如圖4所示。

圖3 研究區(qū)無人機(jī)成果

Figure 3 UAV results in the study area

表1 研究區(qū)植被抽樣調(diào)查結(jié)果

3 結(jié)果與分析

3.1 植被信息提取結(jié)果

分類前對(duì)研究區(qū)進(jìn)行樣本選擇, 樣本選擇要均勻分布, 具有代表性?；诟信d趣區(qū)域(Region of Interest, ROI)選擇樣本, 選取實(shí)驗(yàn)樣本用于光譜、空間分析, 選取驗(yàn)證樣本用于后期精度評(píng)價(jià)。

圖4 決策樹

Figure 4 Decision tree

根據(jù)研究區(qū)DOM, 通過波段計(jì)算得到VDVI, 如下圖5所示, 其直方圖分布如下圖6所示。通過直方圖可以發(fā)現(xiàn)在0值和0.15值附近有兩個(gè)明顯波峰, 分別代表植被與非植被, 而其間的波谷則位于VDVI為0.05時(shí), 因此選取該波谷處的VDVI值作為閾值, 進(jìn)行植被與非植被的提取, 提取結(jié)果如下圖7所示。

3.2 植被分類結(jié)果

實(shí)驗(yàn)中, 采用VDVI結(jié)合nDSM模型, 基于上述決策樹分類原則, 根據(jù)不同高度對(duì)植被進(jìn)行提取分類, 結(jié)果如圖8所示, 喬木、灌木、草地等綠地信息被提取出來。

圖5 研究區(qū)VDVI

Figure 5 VDVI in the study area

圖6 研究區(qū)VDVI直方圖分布

Figure 6 VDVI histogram distribution in the study area

圖7 綠地提取結(jié)果

Figure 7 Greenbelt extraction results

3.3 精度分析

采用生產(chǎn)者精度(producer’s accuracy, pa)、用戶精度(user’s accuracy, ua)、總體精度(overall accuracy, oa)以及系數(shù)作為精度評(píng)價(jià)的指標(biāo)。生產(chǎn)者精度表示某類別正確分類結(jié)果與該類別全部分類提取結(jié)果之比, 如下圖9中C/A; 用戶精度表示某類別正確分類結(jié)果與該類別全部實(shí)際情況之比, 如下圖9中C/B; 總體精度與系數(shù)常用以整體評(píng)價(jià)分類模型的效果, 四個(gè)精度評(píng)價(jià)指標(biāo)的值域均處于[0,1], 值越大表示精度越高。

混淆矩陣是一種評(píng)價(jià)分類模型好壞的形象化展示工具, 可以統(tǒng)計(jì)一系列評(píng)價(jià)指標(biāo)對(duì)分類提取結(jié)果進(jìn)行評(píng)價(jià)?；煜仃嚨慕⒎绞饺绫?所示,和分別表示被正確分類的喬木和非喬木像元,表示喬木被錯(cuò)分至非喬木的像元,表示非喬木被錯(cuò)分至喬木的像元。根據(jù)混淆矩陣, 生產(chǎn)者精度、用戶精度、總體精度以及系數(shù)計(jì)算公式如下式(1)—(4)所示。以實(shí)驗(yàn)前選取的驗(yàn)證樣本對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行精度評(píng)價(jià), 混淆矩陣見表3, 根據(jù)混淆矩陣計(jì)算得各類精度如表4所示。

圖8 植被提取分類結(jié)果

Figure 8 Vegetation extraction and classification results

圖9 精度計(jì)算示意圖

Figure 9 Calculation accuracy schematic

表2 混淆矩陣示意表

式中:為生產(chǎn)者精度,為用戶精度,為總體精度,P為偶然一致性的像元比例。

表3 混淆矩陣

表4 分類精度

從綠地分類結(jié)果和混淆矩陣中可以得知, 喬木、草地與其他類別提取精度較高, 灌木提取精度相對(duì)較低。其中, 草地與其他類別的生產(chǎn)者精度和用戶精度都較高, 均在0.88以上, 表明其基本不存在錯(cuò)提和漏提; 喬木用戶精度為0.86, 低于其生產(chǎn)者精度, 說明其提取過程中存在一定的錯(cuò)提現(xiàn)象, 灌木其生產(chǎn)者精度與用戶精度均偏低, 并且其生產(chǎn)者精度低于其用戶精度, 表明灌木存在漏提現(xiàn)象, 結(jié)合研究區(qū)內(nèi)灌木變異系數(shù)可知, 研究區(qū)內(nèi)灌木高度特征差異較大, 從而導(dǎo)致部分較高灌木被錯(cuò)分至喬木, 以及部分較低灌木被錯(cuò)分至草地。

總體而言, 根據(jù)植被的光譜特征和高度信息對(duì)其進(jìn)行分類提取具有比較好的效果, 實(shí)驗(yàn)總體分類精度達(dá)到91.26 %, Kappa系數(shù)為0.869, 綜上研究的分類提取方法與實(shí)際結(jié)果具有較高的一致性, 能夠反映真實(shí)情況。

4 討論

利用VDVI與nDSM中含有的空間特征相結(jié)合, 對(duì)無人機(jī)影像進(jìn)行植被提取與分類, 選擇昆明市白龍?zhí)豆珗@為研究區(qū)。整個(gè)公園以綠地為主, 通過喬木、灌木、地被搭配栽種, 其中喬木占植物品種的80%, 常綠喬木又占喬木的80%, 植物種類豐富, 可代表大多數(shù)景觀類城市綠地。本研究區(qū)域主色調(diào)呈綠色, 缺少一定光譜特征有異于普通植被的植被, 并且研究區(qū)內(nèi)建筑物較少, 在植被提取分類時(shí)帶來的干擾較小, 可能導(dǎo)致本文的方法存在一定的局限性, 尤其對(duì)于較為復(fù)雜的城市綠地區(qū)域。然而本研究方法在一般城市綠地植被提取與分類中精度較高, 仍具有較強(qiáng)的實(shí)用性。

VDVI充分利用了植被在綠光波段的反射以及在紅光和藍(lán)光波段的吸收特性, 其在不同地物背景下都能夠展現(xiàn)出較好的植被提取效果。目前已有相關(guān)學(xué)者證明VDVI在植被生長良好且與背景地物具有一定差異的農(nóng)田、草地、林地以及礦山土坡等區(qū)域具有較好的提取效果[15,24], 也有學(xué)者發(fā)現(xiàn)存在少數(shù)植被, 如紫葉李, 其光譜特征不同于一般植被, 可能導(dǎo)致提取精度不高[14]; 同時(shí), 利用VDVI提取植被應(yīng)選擇夏季作為無人機(jī)可見光影像的主要時(shí)間段。對(duì)于大多數(shù)植被而言, 夏季往往是其生長最旺盛的時(shí)期, 其反映出來的光譜特征也最強(qiáng)烈, 可利用VDVI對(duì)其準(zhǔn)確提取。

無人機(jī)可獲取研究區(qū)域的DEM和DSM，可真實(shí)地反映研究區(qū)域的地表形態(tài), 空中三角測(cè)量作為航空攝影測(cè)量中最關(guān)鍵的一步, 其精度決定了DOM與DSM的可靠性。實(shí)驗(yàn)共布設(shè)9個(gè)控制點(diǎn), 其中5個(gè)作為像控點(diǎn)參與區(qū)域網(wǎng)平差, 4個(gè)點(diǎn)用以檢查實(shí)驗(yàn)精度, 均采用“GPS-RTK”方式測(cè)量。通過計(jì)算4個(gè)檢查點(diǎn)的實(shí)測(cè)坐標(biāo)與區(qū)域網(wǎng)平差得到的三維坐標(biāo)之間的誤差, 來衡量空中三角測(cè)量加密結(jié)果的精度。計(jì)算得到空三結(jié)果其平面中誤差為0.062 m, 高程中誤差為0.034 m, 誤差遠(yuǎn)小于《數(shù)字航空攝影測(cè)量空中三角測(cè)量規(guī)范》中規(guī)定的“1:2000平地地形測(cè)量平面中誤差不超過0.6 m, 高程中誤差不超過0.2 m”的要求, 說明本研究所用DOM及DSM產(chǎn)品具有較高幾何精度。然而無人機(jī)遙感仍存在一定不足, 如平臺(tái)穩(wěn)定性不夠高、云臺(tái)相機(jī)分辨率不夠高等問題, 使無人機(jī)產(chǎn)品在邊界以及地物相交區(qū)域不夠精細(xì), 存在一定的模糊、膨脹等現(xiàn)象, 可能會(huì)使一些較低的草地與裸土區(qū)分不夠細(xì)致, 從而降低植被提取精度; 目前激光雷達(dá)技術(shù)(Light Detection and Ranging, LiDAR)也廣泛應(yīng)用于植被三維重建, 激光雷達(dá)點(diǎn)云數(shù)據(jù)量大、精度高, 其中地基式激光雷達(dá)技術(shù)獲取的點(diǎn)云甚至可達(dá)毫米級(jí), 相較于無人機(jī)影像點(diǎn)云可更大限度地還原植被真實(shí)形態(tài)。但激光雷達(dá)點(diǎn)云表現(xiàn)為多個(gè)不連續(xù)的空間點(diǎn), 難以實(shí)現(xiàn)對(duì)區(qū)域空間的無縫研究, 并且不具備豐富的光譜信息, 其實(shí)用性仍受到一定的限制。

本研究中, 喬木與草地因其獨(dú)特的空間高度特征而獲得了較好的提取效果, 與之相比, 灌木提取精度略低。其他類別主要為道路、建筑物以及裸土等地物, 其VDVI光譜特征與植被光譜特征差異明顯, 提取效果最好; 同時(shí), 草地與道路及裸土等地物位置最近, 而其中長勢(shì)較低的草類與道路和裸土其高度也較相似, 由于無人機(jī)重建點(diǎn)云在地物邊界處不夠精確, 從而出現(xiàn)了少部分錯(cuò)分的現(xiàn)象; 喬木在提取過程中存在一定的錯(cuò)提現(xiàn)象, 原因是研究區(qū)內(nèi)存在極少灌木其長勢(shì)高于研究區(qū)內(nèi)高程較低喬木, 導(dǎo)致這部分灌木被錯(cuò)提至喬木; 同時(shí), 由于研究區(qū)內(nèi)灌木種類較多, 長勢(shì)各不相同, 使灌木在空間特征上與喬木和草地存在一定的交錯(cuò)現(xiàn)象, 從而導(dǎo)致灌木被錯(cuò)分或漏分現(xiàn)象較顯著, 因此, 僅通過空間高程特征無法完全將其分類提取。現(xiàn)有研究中除DSM中包含的空間信息外, 有學(xué)者[25]充分利用均值、方差、協(xié)同性、相異性、熵等多種紋理特征建立分類規(guī)則, 在面對(duì)具有苔蘚、香蒲、裸地、莎草等情況復(fù)雜的濕地植被分類時(shí)取得了較好的提取效果, 可為本文后續(xù)提高提取精度提供研究參考。

5 結(jié)論

本文以輕小型無人機(jī)為實(shí)驗(yàn)設(shè)備, 獲取研究區(qū)域內(nèi)可見光影像, 綜合利用光譜特征構(gòu)建無人機(jī)可見光影像VDVI來提取植被信息, 通過顧及DEM與DSM模型中點(diǎn)云的差異特征, 采用差值運(yùn)算得到nDSM以獲取其空間特征, 基于決策樹對(duì)研究區(qū)進(jìn)行植被信息的提取與分類。結(jié)果表明, 本文方法能夠有效提取出草地、灌木、喬木以及其他地物信息, 且具有較高精度。

[1] 王潔寧, 王浩. 新版《城市綠地分類標(biāo)準(zhǔn)》探析[J]. 中國園林, 2019, 35(4): 92–95.

[2] 王野. 基于資源三號(hào)衛(wèi)星影像的城市綠地信息提取方法探討[J]. 測(cè)繪工程, 2014, 23(7): 65–67.

[3] 謝念斯, 劉勝華. 廣州市城市綠地空間格局及其關(guān)聯(lián)性分析[J]. 生態(tài)科學(xué), 2019, 38(3): 55–63.

[4] 楊柳, 陳延輝, 岳德鵬, 等. 無人機(jī)遙感影像的城市綠地信息提取[J]. 測(cè)繪科學(xué), 2017, 42(2): 59–64.

[5] 唐超, 邵龍義. 高光譜遙感地物目標(biāo)識(shí)別算法及其在巖性特征提取中的應(yīng)用[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(4): 691–697.

[6] 盧遙, 盧小平, 武永斌, 等. 綜合機(jī)載LiDAR與高分影像的煤礦區(qū)典型地物提取方法[J]. 測(cè)繪通報(bào), 2015(12): 57–59.

[7] 王志波, 高志海, 王琫瑜, 等. 基于面向?qū)ο蠓椒ǖ纳郴恋剡b感信息提取技術(shù)研究[J]. 遙感技術(shù)與應(yīng)用, 2012, 27(5): 770–777.

[8] 任澤茜, 丁麗霞, 劉麗娟, 等. 利用無人機(jī)遙感監(jiān)測(cè)農(nóng)作物種植面積[J]. 測(cè)繪通報(bào), 2020(7): 76–81.

[9] 翟浩, 唐彬童, 辜彬. 基于無人機(jī)影像的邊坡植物物種分類[J]. 西北林學(xué)院學(xué)報(bào), 2020, 35(3): 185–190+ 249.

[10] 魏青, 張寶忠, 魏征. 基于無人機(jī)多光譜影像的地物識(shí)別[J]. 新疆農(nóng)業(yè)科學(xué), 2020, 57(5): 932–939.

[11] 李鵬飛, 郭小平, 顧清敏, 等. 基于可見光植被指數(shù)的烏海市礦山排土場(chǎng)坡面植被覆蓋信息提取研究[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2020, 42(6): 102–112.

[12] 汪小欽, 王苗苗, 王紹強(qiáng), 等. 基于可見光波段無人機(jī)遙感的植被信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(5): 152–157+159+158.

[13] 花蕊, 周睿, 王婷, 等. 基于無人機(jī)遙感的高寒草原沙化模型及等級(jí)劃分[J]. 中國沙漠, 2019, 39(1): 26–33.

[14] 李瑩, 于海洋, 王燕, 等. 基于無人機(jī)重建點(diǎn)云與影像的城市植被分類[J]. 國土資源遙感, 2019, 31(1): 149–155.

[15] 卞雪, 馬群宇, 劉楚燁, 等. 基于低空可見光譜的植被覆蓋率計(jì)算[J]. 水土保持通報(bào), 2017, 37(5): 270–275.

[16] 趙靜, 楊煥波, 蘭玉彬, 等. 基于無人機(jī)可見光圖像的夏季玉米植被覆蓋度提取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(5): 232–240.

[17] 徐朋, 徐偉誠, 羅陽帆, 等. 基于無人機(jī)可見光遙感影像的耕地精準(zhǔn)分類方法研究[J]. 中國農(nóng)業(yè)科技導(dǎo)報(bào), 2019, 21(6): 79–86.

[18] CAO Jingjing, LENG Wanchun, Liu Kai, et al. Object-Based Mangrove Species Classification Using Unmanned Aerial Vehicle Hyperspectral Images and Digital Surface Models[J]. Remote Sensing, 2018, 10(2): 89.

[19] 耿仁方, 付波霖, 蔡江濤, 等. 基于無人機(jī)影像和面向?qū)ο箅S機(jī)森林算法的巖溶濕地植被識(shí)別方法研究[J]. 地球信息科學(xué)學(xué)報(bào), 2019, 21(8): 1295-1306.

[20] 姚永祥, 段平, 李佳, 等. 基于無人機(jī)影像的建筑物實(shí)景三維建模方法[J]. 全球定位系統(tǒng), 2019, 44(5): 100–105.

[21] 姚永祥, 李佳, 段平, 等. 面向塔式建筑物的無人機(jī)環(huán)拍三維建模方法研究[J]. 地理與地理信息科學(xué), 2019, 35(6): 38–43.

[22] 康帥, 季靈運(yùn), 焦其松, 等. 基于地基LiDAR點(diǎn)云數(shù)據(jù)插值方法的對(duì)比研究[J]. 大地測(cè)量與地球動(dòng)力學(xué), 2020, 40(4): 400–404.

[23] 喻龍華, 王雷光, 吳楠, 等. 復(fù)雜地形DSM的地面點(diǎn)識(shí)別及DEM提取[J]. 測(cè)繪通報(bào), 2018(5): 59–64.

[24] 閆利, 莫楠, 費(fèi)亮, 等. 傾斜影像整體變分模型陰影檢測(cè)算法改進(jìn)[J]. 遙感信息, 2017, 32(2): 54?59.

[25] 肖武, 任河, 呂雪嬌, 閆皓月, 等. 基于無人機(jī)遙感的高潛水位采煤沉陷濕地植被分類[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(2): 177–186.

Vegetation information classification method considering UAV image point cloud characteristics

LI Jia1, WANG Mingguo2, 3, WANG Yunchuang1, ZHAN Shun1, DUAN Ping1,*

1. Department of Geography, Yunnan Normal University, Kunming 650500, China 2. Yunnan Institute of Geological Sciences, Kunming 650501, China 3. Geological Surveying and Mapping Institute of Yunnan Province, Kunming, Kunming 650218, China

When UAV images are used to classify vegetation information, classification features such as image spectrum, texture and shape are often used, while digital surface model(DSM) and digital elevation model(DEM)constructed by UAV image generation point cloud are ignored. A vegetation classification method considering the point cloud characteristics of UAV image is proposed in this paper. Firstly, based on the photogrammetry theory, the UAV images were calculated to generate image point cloud. DSM, DEM and Digital Orthophoto Map(DOM) were constructed. Then, the normalized Digital Surface Model(nDSM) is constructed by using DSM and DEM. Finally, the Visible band difference vegetation index (VDVI) is used to classify vegetation and non-vegetation in DOM. nDSM is used to distinguish different vegetation types. Taking Bailongtan Park in Chenggong District of Kunming City as the study area for green space information classification, theaccuracy is 0.862. The experimental results show that the method of this paper is of practical significance to the investigation of urban green space.

vegetation information classification; UAV; the Visible band difference vegetation index; point cloud

李佳, 王明果, 王云川, 等. 顧及無人機(jī)影像點(diǎn)云特征的綠地信息分類方法[J]. 生態(tài)科學(xué), 2022, 41(5): 11–18.

LI Jia, WANG Mingguo, WANG Yunchuang, et al. Vegetation information classification method considering UAV image point cloud characteristics[J]. Ecological Science, 2022, 41(5): 11–18.

10.14108/j.cnki.1008-8873.2022.05.002

S157.2

A

1008-8873(2022)05-011-08

2020-08-25;

2020-10-22

國家自然基金項(xiàng)目(41961061); 云南省基礎(chǔ)研究計(jì)劃項(xiàng)目(2020FB059); 云南省教育廳科學(xué)研究基金(2021Y502); 云南師范大學(xué)2021年研究生科研創(chuàng)新基金(YJSJJ21-B82)

李佳(1984—), 女, 湖北公安人, 博士, 副教授, 博士生導(dǎo)師, 主要從事無人機(jī)影像處理與應(yīng)用研究, E-mail: keguigiser@163.com

段平, 男, 博士, 副教授, 主要從事無人機(jī)影像處理與應(yīng)用研究, E-mail: dpgiser@163.com