基于无人机可见光影像的亚高山针叶林树冠参数信息自动提取

2017-09-15王枚梅林家元

林业资源管理 2017年4期

王枚梅,林家元,林沂,李翊

(1.中国科学院水利部成都山地灾害与环境研究所,成都 610041；2.中国科学院大学,北京 100049；3.北京大学遥感与GIS研究所,北京 100871；4.四川省都江堰管理局,成都 611830)

王枚梅1,2,林家元1,林沂3,李翊4

树冠是树木获取光能并进行能量转换的主要场所,在监测树木长势,估算树木生物量等方面具有重要作用。及时准确获取树冠参数信息有助于研究树木生长状况和森林变化动态,有效改善森林经营管理。无人机遥感具有快速机动、云下飞行、影像分辨率高、成本低等优势,非常适合于亚高山针叶林树冠遥感影像的获取。论文以贡嘎山雅家埂局部范围亚高山针叶林为研究对象,采用固定翼无人机获取可见光遥感影像,基于面向对象方法自动提取了亚高山针叶林的东西冠幅、南北冠幅、单元面积树木数和郁闭度等参数。以目视解译结果作为参考数据进行验证,东西冠幅和南北冠幅的提取精度分别是0.765 1和0.855 6,单元面积树木数和郁闭度的提取精度分别是0.99和0.92。研究结果表明,基于无人机遥感影像的树冠参数信息自动提取方法高效可靠,能够满足亚高山针叶林生长状况快速评价与动态遥感监测的需求。

无人机遥感;亚高山针叶林;树冠参数;面向对象

树冠是树木光合作用的主要场所,是树木乃至森林的重要组成部分。准确获取树冠信息有助于监测树木长势、估算树木生物量及小班蓄积量、预防树木病虫害[1],在森林经营管理中越来越受到重视。位于我国青藏高原东南缘的川西亚高山针叶林,既是长江上游重要的生态屏障,也是许多高寒生物物种的分化和变异中心,在涵养水源、调节区域气候和维持生物多样性等方面有着不可替代的作用[2]。但川西亚高山针叶林区往往海拔较高,交通不便,传统方法难以用于研究该区树冠。且传统调查工作量大、周期长、成本高、效率低,不能及时反映森林情况,满足不了现代林业发展的需求。随着计算机和对地观测技术的发展,现代遥感与摄影测量技术的应用将会把亚高山针叶林研究的尺度和精度提升到一个新的高度。

无人机是近年迅速发展起来的对地观测技术。配备不同传感器的无人机,可由无线电遥控设备进行手摇操纵飞行,或在计算机预编程序控制下自主飞行[3]。利用无人机可快速拍摄航空影像,获取所需空间数据,并实时处理、建模和分析[4]。传统方法往往受限于调查成本和效率,卫星遥感受限于低空间分辨率、云影、低时效性,均不能满足亚高山针叶林树冠信息快速准确提取的要求。无人机遥感具有高空间分辨率、可云下飞行、快速灵活、低成本等优点,为快速获取亚高山针叶林影像及处理影像获取信息提供了有效途径。

目前已有基于无人机高分影像提取森林树冠信息的研究。樊仲谋[5]等获取试验区无人机影像后,提取出单木树冠并获取树冠的直径和面积大小,测量精度达到82.2%。吕晓君等[6]通过无人机对病虫害危害的松林进行航拍,生成数字正射影像图。利用松树树冠颜色改变,统计出作业区域内的变色树木数量。国外Hernández等[7]基于研究区无人机影像,采用混合像元和基于区域的算法自动提取单木,估测出单木冠幅、树高等参数。以样地实测数据进行精度检验,结果表明，样方内所有树木都被正确探测,参数提取精度也较高。Panagiotidis等[8]结合三维重建技术和GIS技术,从无人机影像中提取树高、冠幅,取得了较好的效果。

论文探讨高空间分辨率无人机影像在亚高山针叶林树冠信息提取中的应用。以四川省贡嘎山雅家埂局部范围的亚高山针叶林为研究对象,以高分辨率无人机影像为数据源,利用面向对象方法提取出树冠,进一步计算出单元面积树木数、林分郁闭度、东西向冠幅、南北向冠幅4个参数。以人工勾绘结果为参考进行精度验证,结果表明，该提取方法高效易行,精度可靠。

1 研究区概况及航摄过程

1.1 研究区概况

选择贡嘎山雅家埂为研究区,空间范围29.86°～29.88°N,102.02°～102.03°E,研究区空间位置如图1所示。贡嘎山位于青藏高原东南缘,全区域年均温度东高西低、南高北低,降雨丰富。雅家埂位于贡嘎山东坡,处于我国东部亚热带湿润季风区与青藏高原寒冷气候的过渡带,海拔高程3 000～4 000m,多年平均气温3.8℃,年平均降水量1 940m。气候和植被呈寒温带特征,土壤层较厚,以山地暗棕壤为主。雅家埂地区森林资源丰富,植被垂直分异明显,分布有大面积的以冷杉属(AbiesMill)、云杉属(PiceaDieter)为主的亚高山常绿针叶林和以高山栎(Quercusspinosa)为主的山地硬叶常绿阔叶林,在区域水土保持、生态系统稳定性维护方面起着重要作用[9-10]。

图1 贡嘎山雅家埂研究区空间位置

1.2 无人机系统及航摄过程

所用无人机遥感系统由4部分组成:电动固定翼无人机飞行平台(图2 (a)),飞行控制系统(图2 (b)),微型单反相机(图2 (c))及地面控制系统(图2 (d))。无人机飞行平台翼展1.2m,机身长0.8m,工作重量4.2kg。飞行控制系统主要控制和稳定无人机的起飞/着陆、飞行高度、航向和姿态。载荷为经过改装的SONY ILCE-5100微单相机,尺寸为75mm×63mm×50mm,重192g(含镜头)。地面控制系统的主要功能有航迹规划与上传、飞行姿态数据下载、遥控指令发送等。固定翼无人机具有续航时间长、飞行速度快、抗剪切力强、稳定安全等优势,适合高海拔复杂山地环境的航拍作业。

航摄在2016年5月24日中午进行,天气为晴天,能见度高,风速较小,适合无人机航拍作业。所规划飞行航线航向重叠率为80%,旁向重叠率为60%,以保证后期空三处理精度,航线见图3。将预设航线导入飞行控制系统,无人机以70km/h的速度飞行90min,航拍海拔高度约4 260m,相对高度约1 200m。所获影像为JPEG格式(红、绿、蓝3个波段),像素尺寸为2 400万(6 000×4 000),空间分辨率约为0.15m。

图2 电动固定翼无人机遥感系统

2 研究方法

2.1 影像预处理

使用俄罗斯无人机数据处理软件Agisoft PhotoScan进行影像处理。软件根据最新的多视图三维重建技术,基于影像自动生成高分辨率正射影像及带精细色彩纹理的数字高程模型,其带有空间参考的产品可直接测量[11]。主要处理流程为:检查无人机影像,筛选掉航线拐角处重叠度过大、姿态角过大、成像效果较差的影像；输入影像及姿态数据；自动定向；提取点云数据；赋予纹理；输出结果(图3)。完成处理后,裁剪影像获取研究区的高分辨率正射影像。

2.2 多尺度分割

采用面向对象的方法提取树冠,由德国Definiens Imaging公司的eCognition Developer实现。在面向对象的遥感影像信息提取技术中,影像分割是关键技术之一,分割结果直接影响后续的分类及信息提取效果。分割时需要3个参数:分割尺度、形状因子、紧凑度因子。尺度(scale)参数即基于异质性最小的区域合并算法中的阈值,它直接决定了影像对象大小、分割的质量及信息提取的精度[12-13]。采用多尺度分割方法,即在不同尺度上对影像进行分割,可避免采用同一尺度分割影像容易造成的“分割不足”或“分割过度”现象。其分割原则是:影像对象内部同质性最大、对象之间异质性最小[14]。

图3 研究区正射影像

利用eCognition软件的ESP(Estimation of Scale Parameter)插件,结合具体的信息提取目标,找到影像的最佳分割尺度。ESP以固定增量的尺度对影像分别进行分割,同时计算目标之间异质性的局部方差(Local Variance,LV)和局部方差变化率(Rates of Change of LV,ROC),以此客观地选择出最佳分割尺度[15]。当ROC达到波峰即出现局部最大值时,则表示此时的尺度参数为某种地物对象的最佳分割尺度。处理后得到图4的结果。如图4所示,横坐标代表尺度参数,纵坐标分别代表LV(红色线)和ROC(蓝色线)。根据上面所述原理,此次处理中最佳分割尺度有24,69,72,81,90,104,119,125,139,145,163,168,176,191,206,211。从图5可以看出,当分割尺度为24时,影像被分割得过于破碎(图5(a))；分割尺度为69时,略破碎,没达到一次分割的目的(图5(b))。当分割尺度为72时,破碎对象几乎不存在,树冠轮廓清晰可见(图5(c))。当分割尺度由81到211的过程中,对象逐渐被大规模合并,不是理想结果(图5(d)—(i))。因此确定本次分割的最佳分割尺度为72。形状和紧凑度因子均设为0.5。

图4 不同分割尺度效果对比

图5 ESP最佳分割尺度图

2.3 单木树冠提取

采用最邻近分类的方法提取单木树冠。最邻近分类是监督分类的一种,综合高分辨率影像所表达对象的光谱、形状、纹理、邻域等特征信息,根据样本和特征集,计算样本在特征之间的分离程度[16-18]。所选研究区为海拔3 000m以上的亚高山针叶林分布区,没有人工建筑的干扰,因此将分类系统设为树冠和地面两类。然后构建特征空间,特征空间指参与分类的特征。面向对象分类时可直接使用波段参与,也可以利用标准差、亮度等光谱特征,形状指数、长宽比等形状特征,以及灰度共生矩阵和归一化灰度矢量两种类型的多种纹理特征等。选择样本后进行特征空间优化,即基于各类别的样本及初始特征集,找到类别之间区别最大的特征组合,作为分类的最优特征集。优化目的在于避免采用过多特征导致分类特征冗余、计算量增大、分类精度降低等问题。综合考虑运行负荷和类别之间距离,最终选择用10个特征:Ratio R,Ratio G,Ratio B,Shape index,Mean R,Mean G,Mean B,GLCM(Gray Level Co-occurrence Matrix,灰度共生矩阵) Dissimilarity,GLCM Correlation,VI’。其中,Ratio即波段比,是对象在某一波段上均值与三波段均值的比率；Shape index即形状指数,其数值等于对象的边界长与4倍的对象面积的平方根之间的比值；Mean是对象在R,G,B三个波段上像素值的平均值；GLCM Dissimilarity即灰度共生矩阵的相异性,反映纹理的行列差异；GLCM Correlation指灰度共生矩阵的相关性,描述对象在某一方向上的线性程度；VI’是模拟归一化植被指数(Normalized Difference VegetationIndex,NDVI)提取植被的一个参数[19],公式如下:

(1)

确定最优特征空间后进行分类,提取出树冠。结果文件以shp格式输出,叠加分类图到原始影像上。少量地面被错分到树冠类,使用编辑器直接修正分类结果；合并少量分割过度的树冠；修改错误分类的部分。经多次检查修正后,完成分类结果整饰。

3 结果与讨论

3.1 树冠参数提取及分析

对原始影像目视解译,得到的树冠提取结果被视为参考图,且参考图被认为是树冠的准确表达。对比参考图和上一步自动提取结果,分析二者间的差异,以此衡量基于面向对象方法的树冠提取精度。分别提取参考图和自动提取结果的郁闭度、单元面积树木数两个参数。由于所选研究区面积不是很大,所以分别从参考图和自动提取结果中选择对应的20个树冠,再分别提取这20个树冠的东西冠幅和南北冠幅。公式分别为:

(2)

(3)

W=Ymax-Ymin

(4)

L=Xmax-Xmin

(5)

式中,D代表郁闭度,Ac代表树冠总面积,A代表研究区面积。N代表单元面积树木数,Nc代表树木棵数。W，L分别代表单个树冠东西向、南北向冠幅,Ymax，Ymin，Xmax，Xmin分别代表树冠区域的最大Y坐标、最小Y坐标、最大X坐标、最小X坐标。对比结果见图6,表1,表2。

图6 树冠冠幅提取值与参考值散点图

变量单元面积树木数郁闭度提取值0.00740.3138参考值0.00730.2896精度 0.990.92

3.2 讨论

如图6所示,自动提取的树冠与人工勾绘的树冠呈较强的线性关系。自动提取的东西冠幅和人工勾绘的东西冠幅的R2达0.765 1,南北冠幅的R2达0.855 6。这表明,基于面向对象的无人机高分影像树冠信息提取是可行的,精度较高,能够满足亚高山针叶林生长状况快速评价与动态遥感监测的需求。

表2 提取值与参考值对比(冠幅)

从表1、表2可看出,基于面向对象提取的冠幅大小、单元面积树木数、郁闭度总体上大于人工提取的结果。导致这一现象的原因是:获取研究区无人机影像时,影像不可避免地受到阴影的影响。阴影与某些树冠在纹理、光谱特征上差异不明显,从而被误分到树冠,导致树冠自动提取结果的相关参数总体上大于真实情况。

4 结语

树冠可用来估测树木胸径、树高、单木材积、林分郁闭度和生物量等重要参数,是监测树木长势、调查森林资源的关键指标之一,其获取是建立森林定量化管理平台的关键[20]。随着无人机遥感和信息提取技术的发展,高空间分辨率的无人机影像使快速、准确获取树冠信息成为可能。论文基于面向对象方法,以无人机影像为数据,提取四川贡嘎山雅家埂内某一区域亚高山针叶林的树冠及参数。关键技术和步骤包括:无人机影像获取,影像预处理,最佳分割尺度确定,最优特征空间选择,最邻近分类,结果整饰,参数提取及精度对比分析。结果精度较高,自动提取的东西冠幅和南北冠幅与真实冠幅的R2分别达0.765 1和0.855 6,单元面积树木数和郁闭度的提取精度分别达0.99和0.92。这验证了基于面向对象的无人机高分影像树冠信息提取的可行性和可靠性。

目前的单木树冠提取往往仅针对特定的树种和立地条件进行,没有适合所有林分的提取方法。论文提出的参数提取方法主要针对相对稀疏的亚高山针叶林,研究区内树种相对单一,树冠交叉或重叠现象较少,针对该现象的树冠参数信息提取将是下一步研究内容；无人机影像不可避免地带有阴影,这会造成树冠提取的精度损失,如何减少甚至消除阴影的影响有待进一步研究；初始特征集的选择会影响后续最优特征空间的确定,因而后面的工作将选择基于更多不同初始特征集下的最优特征组合参与分类,以提高精度；在验证精度时,有条件的情况下,应尽量获取地面实地调查数据作为参考。将目视解译结果作为参考时,应尽量有多名具有相关专业背景的人员参与解译,以增加验证的可靠性。

[1]覃先林,李增元,易浩若.高空间分辨率卫星遥感影像树冠信息提取方法研究[J].遥感技术与应用,2005,20(2):228-232.

[2]林波,刘庆.四种亚高山针叶林树种的表型可塑性对不同光照强度的响应[J].生态学报,2008,28(10):4665-4675.

[3] Adam C,Vincent G,Everett A.Unmanned Aircraft Systems in Remote Sensing and Scientific Research:Classification and Considerations of Use[J].Remote Sensing,2012,4(6):1671-1692.

[4]李德仁,李明.无人机遥感系统的研究进展与应用前景[J].武汉大学学报:信息科学版,2014,39(5):505-513.

[5]樊仲谋.摄影测树原理与技术方法研究[D].北京:北京林业大学,2015.

[6]吕晓君,王君,喻卫国,等.无人机监测林业有害生物初探[J].湖北林业科技,2016,45(4):30-33.

[7]Hernández J G,Ferreiro E G,Sarmento A,et al.Using high resolution UAV imagery to estimate tree variables inPinuspineaplantation in Portugal[J].Forest Systems,2016,25(2):eSC09.

[8]Panagiotidis D,Abdollahnejad A,SurovP,et al.Determining tree height and crown diameter from high-resolution UAV imagery[J].International Journal of Remote Sensing,2017,38(8-10):2392-2410.

[9]罗辑,杨忠,杨清伟.贡嘎山森林生物量和生产力的研究[J].植物生态学报,2000,24(2):191-196.

[10]冉飞,梁一鸣,杨燕,等.贡嘎山雅家埂峨眉冷杉林线种群的时空动态[J].生态学报,2014,34(23):6872-6878.

[11]崔志祥,申亚鹏,马廷刚.PhotoScan近景影像数字三维建模中影像摄影方式的研究[J].测绘技术装备,2016,18(4):10-12.

[12]唐天琦.面向对象的高分辨率遥感影像植被信息提取研究[D].长春:吉林大学,2015.

[13]面向对象影像分析中的尺度问题研究[D].北京:中国科学院遥感应用研究所,2003.

[14]张俊,朱国龙,李妍.面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究[J].测绘科学,2011,36(2):107-109.

[16]周春艳,王萍,张振勇,等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用,2008,23(1):31-35.

[17]李莉.面向对象的高分辨率遥感影像信息提取研究[D].成都:成都理工大学,2012.

[18]易凤佳,李仁东,常变蓉.基于面向对象的长株潭地区遥感影像分类方法[J].华中师范大学学报:自科版,2014,48(6):910-916.

[19]何游云.无人机遥感估测林木地上生物量的研究[D].北京:北京林业大学,2016.

[20]周艳飞,张绘芳,李霞,等.基于高分辨遥感数据的胡杨与柽柳树冠提取[J].遥感技术与应用,2015,30(3):510-517.

Subalpine Coniferous Forest Crown Information Automatic Extraction Based on Optical UAV Remote Sensing Imagery

WANG Meimei1,2,LIN Jiayuan1,LIN Yi3,LI Yi4

(1.InstituteofMountainHazardsandEnvironment,CAS,Chengdu610041,China；2.UniversityofChineseAcademyofSciences,Beijing100049,China；3.InstituteofRemoteSensingandGIS,PekingUniversity,Beijing100871,China；4.DujiangyanAdministrationofSichuanProvince,Chengdu611830,China)

As the main part for trees to obtain light energy and convert energy,crown plays an important role in monitoring tree growth,estimating tree biomass and so on.Timely and accurate acquisition of crown parameter information can help to study tree growth status and forest dynamic changes,and improve forest management effectively.With superiorities of low cost,safety,flexible take-off and landing,ability to fly under cloud,hyper spatial image resolution,UAV (Unmanned Aerial Vehicle) remote sensing is very suitable for obtaining remote sensing imagery of crown of subalpine coniferous forest.We extracted tree crowns and crown parameters such as the transmeridional crown,north-south crown,number of trees per unit area,and density of subalpine coniferous forest in one region of Sichuan Gongga Mountains from fixed-wing UAV images based on object-based image analysis method.The visual interpretation result was taken as reference data to verify the precision.The results showed that extraction accuracies of transmeridional crown,north-south crown,number of trees per unit area,density were 0.77,0.86,0.99 and 0.92 respectively.This result indicated high effectiveness and reliability of forest crown information automatic extraction based on optical UAV remote imagery,and UAV remote sensing can meet the demands of evaluating subalpine coniferous forest growth status and monitoring dynamic changes.

UAV remote sensing,subalpine coniferous forest,crown parameters,object-based

2017-04-25；

2017-05-25

国家自然科学基金面上项目(41471281)；生态安全与保护四川省重点实验室开放基金课题(ESP1601)；四川省重点研发项目(2017SZ0085)；高原大气与环境四川省重点实验室开放基金课题(PAEKL-2016-C2)

王枚梅(1993-),女,四川巴中人,在读硕士,研究方向为山地灾害与环境遥感。 Email:wangmeimei1206@163.com

林家元(1975-),男,副研究员,硕导,博士,长期从事山地灾害与环境遥感方面的研究。 Email:linjy@imde.ac.cn

S757.2；TP79

1002-6622(2017)04-0082-07

10.13466/j.cnki.lyzygl.2017.04.013