基于无人机影像的冰川末端微地貌及典型地物识别

(西南科技大学环境与资源学院 四川 绵阳 621010)

引言

冰川是极地或高山地区常年存在并具有沿地面运动状态的天然冰体，在全球气候变暖的背景下，冰川的变化与气候、植被、生态等有着密切的关系[1]。根据IPCC的报告表明，截至2015年世界各地冰川几乎都处于持续退缩状态，在国内，过去50年我国西部82%的山地冰川处于退缩状态，冰川面积减少了4.5%[2]。其中，山岳冰川的退缩对于区域森林生态系统的演变和发展带来了深刻的影响。现有对于冰川末端微地貌及植被类型的识别的观测主要为单点、小区域，或者利用卫星遥感进行监测，二者的尺度过大或过小，难以融合，因此，采用无人机低空飞行航测技术对冰川末端的地表典型地物展开识别研究具有重要意义。

本文选取海螺沟一号冰川末端复杂地形区为研究区，采用Phantom 4 DJI无人机进行低空航测试验，获取冰川末端高分辨率正射影像图和数字表面模型，利用多尺度迭代分割算法进行分割，基于正射影像图获取的光谱特征、纹理特征和数字表面模型提供的高程特征，实现冰川末端微地貌和典型地物的高精度识别研究，为无人机航测技术应用于冰川等复杂地形区提供技术借鉴。

一、研究区和数据源

(一)研究区概况

海螺沟冰川位于四川省甘孜藏族自治州东南部，贡嘎山东坡，是横断山脉最长的季风性温带冰川，属山地寒温带气候，年平均气温4.2℃，年降水量约为1960mm，年平均相对湿度约为90%[3]。海螺沟冰川自1823年开始逐渐退缩，并且在20世纪初开始明显加速，冰川退缩后的完全裸地开始植被的原生演替，形成了先锋植被到顶级植被群落的完整植被演替序列，本研究以冰川末端作为研究区，该区域包含了以冰碛覆盖为主的冰舌末端和分布有草本、灌木、乔木完整植被演替系列的植被退缩区。冰川边界数据来源于中国第二次冰川编目数据。

(二)无人机影像获取及预处理

充分调查研究区区域地形地貌特征，选取多旋翼无人机Phantom 4 DJI，相机镜头的分辨率为4000*3000像素，由于研究区内高差较大，无人机飞行高度依据地形情况设定为50-100m。采集时间为2019年6月30日，天气晴朗，无风少云，飞行时保证航向重叠度达70%，旁向重叠度达50%，共2个起落架次，获取照片1221张。

剔除分辨率较低、模糊的照片，采用实景三维建模软件对无人机原始影像进行预处理拼接、照片对齐、空中三角加密生成密集点云，创建研究区TIN三角网生成数字表面模型，对DSM进行纹理赋予、匀色、拼接裁剪等处理等得到数字正射影像图。

二、研究方法

(一)多尺度分割

多尺度分割算法是一种自下而上合并相邻单元或小的分割对象，保证类同质性最大，类间异质性最大[4]，实现分割影像对象的方法。在进行无人机正射影像进行多尺度分割时，设置不同组合的尺度参数、形状参数和紧度参数，通过对比不同分割结果确定最佳参数组合，其中形状参数和紧度参数分别将其设置为0.7、0.5，基于这2个参数以选取多尺度分割最优的分割尺度参数。通过对比分析尺度参数为50、100、150、200四种尺度的分割结果，发现尺度参数越小，分割对象斑块越小，分割结果越破碎。尺度参数为50时，可以较好的分割不同植被类型，但也有同一地物如冰碛被分割为多个对象，分割尺度为200时，对大面积的均一地物可以实现较好的分割，但也会出现分割不足的现象，如面积较小，宽度较窄的冰裂隙不能被分割出来。对比不同的尺度参数的分割结果，确定当其为100时，各类地物的分割效果都较好，边界清晰，漏分错分的现象较少，因此，确定最适宜的参数为100，0.7，0.5，各种对象分割结果如图1所示。

(二)特征变量选择

从影像中提取多个参与分类运算的特征变量，它对分类结果的精度和可靠性影响很大。本文使用无人机正射影像图和数字表面模型作为数据源，提取其光谱特征、纹理特征和地表高程信息一共11个特征来进行随机森林分类分析。

(1)光谱特征：DOM3个可见光波段、DSM光谱特征的平均值和标准差、亮度。

(2)纹理特征：通过灰度共生矩阵(GLCM)提取DOM的纹理特征，包括Mean、Variance、Entropy、Correlation、Dissimilarity、Contrast 6个纹理参数。对DOM进行主成分分析的第一主分量进行了纹理特征提取。

(三)随机森林算法

随机森林分类器是运用一组分类回归树(CART)进行预测的机器学习分类器，从直观角度来解释，每棵决策树都对样本进行一次分类，N棵树会有N个分类结果。最终分类结果由所有决策树投票决定，将投票次数最多的类别指定为最终的输出[5]。

采用随机森林算法对最优尺度分割和优选特征的无人机多源遥感数据集进行分类，减少随机性影响，利用训练样本进行算法参数调优。经过实验证明，发现当森林中的树数(ntree)和参与分类的特征变量的个数(mtry)分别为1500和7时，随机森林算法模型的分类能力趋于稳定，利用样本区内训练样本进行随机森林算法冰川末端自动分类实验，结果如图2所示。

三、结果与分析

(一)结果分析

通过多尺度分割算法对无人机影像进行分割，采用优选特征的随机森林算法对冰川末端微地貌和典型地物进行识别，结合地面采样点和Google earth影像进行人机交互验证，整体分类精度达到了80.59%。研究表明适宜的分割尺度参数(100)可以较好对地物对象进行分割，对于分布细小的草本斑块、冰裂隙可以实现较好的分割，同时对于冰碛等大面积分布地物不会出现过度分割的现象，各类地物的空间分布都可以得到较好的表征；在对冰川进行分类时发现冰碛与周围岩石相似度较高，但在加入纹理特征后，可以较好的区分它们，通过随机森林算法进行特征变量的优选，发现光谱特征和纹理特征贡献率较高。

(二)冰川末端地物分布特征

综合研究冰川末端各类地物遥感识别结果，发现冰川裂隙集中分布在冰川上部和两侧，冰舌末端附近也分布着部分冰裂隙，裸冰主要分布在冰舌末端，冰川末端地形相对较为复杂，横向裂隙较多，冰面破碎化程度较高，从DSM看，冰舌末端高程存在一定波动，和DOM微地貌识别结果符合；冰川植被退缩区从冰舌末端开始，依次出现裸地、草本植被、灌-乔群落、冷杉群落，并存在连续性的变化，随着冰川退缩后原生裸地形成的的时间不同，植被演替阶段也不同，距冰川末端较近的裸地形成时间较短，开始出现草本植被。裸地形成时间较长的区域发展到了以冷杉为主的顶级群落，而灌-乔群所占面积最大。

图1 正射影像多尺度分割结果

图2 随机森林分类结果

四、结论

冰川末端的复杂地形环境下，采用无人机获取高分辨率正射影像和数字表面模型可为冰川学的研究提供重要基础数据，采用面向对象的多尺度分割和随机森林算法对冰川末端地物进行识别，通过大量实验发现合适的尺度参数可以实现对象的较好分割，利用基于先验知识的典型样本，定量计算确定模型的分类参数，发现优选特征的随机森林分类算法可以有效提取影像的微地貌特征和典型地物，分类精度达80.59%。后续研究将着重结合多光谱、多时相和多高度的无人机影像以及三维点云数据进行高精度的微地貌和植被识别，为无人机遥感技术应用于冰川的研究和保护提供技术支撑和理论依据。