基于轻小型无人机影像的柑橘树株数提取

万祖毅 田永中，2* 刘旭东 张雪倩

(1.西南大学地理科学学院，重庆 400715；2.重庆稻田科技有限公司，重庆 400700)

0 引言

无人机遥感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下自主飞行[1]。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，有效弥补了传统卫星遥感在数据获取方面的局限性[2-3]。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]。基于无人机遥感特有的优势，其在森林资源调查、地形测绘、生态监测等领域均有众多的应用[5]。如冯仲科等[6]提到无人机遥感系统在林业调查中主要应用在林火监测、二类调查及森林生态状况监测中。高勇强[7]探讨了在复杂地形中利用无人机辅助测量方法的可行性。

株数提取是森林资源调查中的重要参数之一。传统的株数调查需要通过林业工作人员在林间开展实地作业来获取目标信息和数据，所需人力成本较高，有效覆盖范围较小[8]。以往遥感影像空间分辨率较低，在林业资源调查中无法有效计算株数。无人机遥感技术凭借良好的像素精度可以提供高分辨率遥感影像。国内外利用无人机遥感影像提取株数进行了研究。Panagiotidis等[9]通过无人机影像重建三维结构，对两个研究区域中的主要树种进行了树冠直径提取，结果的准确性可以达到林木调查要求。Wang等[10]提出了一种利用无人机图像检测和计数单株油棕树的方法，棕榈树检测的总体准确率高达99.21%。曹明兰等[11]利用无人机影像制作DEM、DSM与DOM，基于邻域最高过滤法提取行道树，株数提取率达到了95%以上。何艺等[12]使用局域最大值法和多尺度分割算法对针叶林和阔叶林进行株数提取，总体精度都在90%左右。以上研究主要以针叶林等较高树种为研究对象，其生长形态较为高大规则，缺乏对低矮且生长不规则树种的研究。

柑橘是重庆等地区重要的经济作物。准确掌握柑橘种植区的果树数量，对预测柑橘产量、管理柑橘生长状况、提高柑橘产量具有重要意义。本文以重庆市北碚区歇马镇某果园为试验区，利用无人机遥感系统采集样地高分辨率影像，经后期软件处理生产出正射影像(DOM)和数字表面模型(DSM)，使用多尺度分割算法和邻域分析法提取果树株数，并结合目视解译数据进行对比分析，以期为促进无人机数据在柑橘类果园管理中的深度应用提供依据。

1 研究区概况与数据源

1.1 研究区概况

北碚区是重庆市最大的柑橘良种苗木生产基地，拥有众多科研、生产单位以及种植大户。地理坐标106°18′14″E～106°56′ 53″E、29°30′41″N～30°11′21″N，海拔最高1312m、最低175m，属亚热带季风湿润气候。本文选择北碚区歇马镇某果园为试验区，园内地势平坦，有柚子、广柑、脐橙等多个品种果树，不同的品种和树龄的不一致使得种植间距和果树大小存在一定差异。总体上果树种植行距为4m～6m、株距为3m～5m，果树的高度分布在1m～6.5m范围内，冠幅大小差距明显。

1.2 数据获取

主要应用的数据由大疆创新公司生产的小型四旋翼御Mavic 2专业版无人机系统获取，该无人机起飞重量0.9kg，最大飞行高度500m，最长续航时间31min，最大水平飞行速度20m/s。搭载Hasselblad L1D-20c相机，2000万有效像素，等效焦距为28mm，照片最大尺寸为5472×3648 pixel (表1)。无人机拍摄在天气晴朗、无风的条件下进行，拍摄时间是2019年6月26日下午，设置飞行航高80m，航线11条，航线总长3.5km，航向重叠率80%，旁向重叠率75%。本次航摄共获得258张有效照片，经过处理后获得的正射影像覆盖面积约13.01hm2(图1)。

表1 御Mavica2专业版无人机技术参数简介

图1 研究区正射影像

2 技术方法

2.1 无人机影像数据处理

无人机航摄影像后期处理通过ContextCapture软件进行，将航拍的照片及POS数据导入，设置参数后即可提交任务。软件处理过程主要为以下五个步骤：1.新建工程并导入影像数据，设置传感器参数，查看POS信息；2.提交空三加密计算，获得高精度外方位元素；3.通过矫正后的影像获取高密度点云数据；4.生成三维模型场景；5.导出正射影像(DOM)、数字表面模型(DSM)。株数提取运用的主要工具为eCognition Developer和ArcGIS软件。

2.2 多尺度分割

在遥感影像信息提取，尤其是高分辨率遥感影像信息提取中，面向对象的分类方法具有重要的意义。而影像分割是关键的一步，分割效果直接影响到后续的分类和信息提取的精度。eCognition软件提供了多种分割算法，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类。本文研究选取的多尺度分割算法属于自下而上分割中的一种。

自下而上的分割指按照所设要求不断向上合并，即可以从单个像元开始，根据同质性标准向上逐渐合并成较大的对象，直到满足所设置的分割参数为止[13]。多尺度分割(Multiresolution Segmentation)算法能够保证对象之间平均异质性最小、对象内部像元之间同质性最大进行合并从而实现影像分割[14]。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“分割不足”或“分割过度”现象。

分割时有以下参数：分割尺度、波段权重、形状因子、紧致度因子。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[15]。波段权重(Image Layer Weight)参数用来设置参与分割的波段的权重，可以赋予包含信息丰富以及对提取某类信息作用较大的波段更多的权重，或者赋予不重要的波段较小的权重，甚至不参与分割。形状因子(Shap)与颜色相对，定义了影像对象结果的纹理的一致性。紧致度因子(Compactness)则利用形状规则，根据总体紧致性，优化影像对象结果。

使用eCognition Developer 9.0软件，对选取的8个样地的单木树冠进行提取分析，以一块样地为例。根据研究区的数据和需要提取信息的特征，本文选用多尺度分割的方法，尝试了将无人机正射影像的RGB三个波段，以及数字表面模型作为波段参与分割并设置四类不同的分割权重。分别是DOM三波段权重为1，DSM权重为0；DOM三波段权重为0，DSM权重为1；DOM三波段权重为1，DSM权重设为2；DOM三波段与DSM权重均设为1。经过多次试验和对比分割效果，四种情况下的较优分割尺度分别设为180、40、155、130，形状系数均为0.1，紧致度系数同为0.5。具体情况见图2。并由此可以看出，影像分割中各个波段的权重选择对分割结果也会产生很大的影响。在本文中将DSM参与分割优于只对DOM进行分割。当DOM不参与分割时，分割效果更佳，且易于识别。

图2 基于DOM与DSM不同权重的分割效果

2.3 邻域分析

邻域分析是指通过在一定分析窗口内对栅格数据进行函数运算，从而得到以待计算栅格为中心的值[16-17]。邻域是按照一定规则确定的、与目标像元在空间上相邻的若干像元组成的区域[18]。邻域的设置包括形状和大小两个因素，其中形状有多种。常见的为矩形邻域、圆形邻域、环形邻域、扇形邻域等。邻域运算会遍历栅格中的所有像元，并采用相同的邻域进行运算。邻域运算是对包括目标像元及其他若干像元在一定范围内进行的运算，其结果赋在目标像元所在位置的像元。

Cout=f(C1,C2,…，Cn)

式中，Cout为输出像元值；(C1,C2,…，Cn)为邻域各像元的值；n为邻域像元的数量。邻域统计的类型包括最大值、最小值、范围、总和、平均值、标准差、众数、寡数、中值、种类数等。

图3 不同邻域参数下的果树顶点提取效果对比图

表2 不同邻域参数下提取样地株数精度对比分析

以果树顶点为目标像元，在一定的邻域范围内，它比周边像元的位置高，通过计算每个像元高程的邻域最大值，并将其与原像元的高程值进行比较，若相等，则该像元即为果树顶点。根据无人机影像后期处理生成的数字表面模型(DSM)，使用ArcGIS软件对选取的8个样地的单株果树进行提取，以其中一块样地为例。利用领域分析中焦点统计工具，对数据分别以不同大小的圆形和矩形邻域进行最大值的统计。

在本文中分别以圆形邻域和矩形邻域为窗口，以不同的范围进行邻域统计提取顶点。顶点提取完成后，将DSM经坡度分析提取坡度小于15度的部分，筛选后利用空间插值工具，生成数字高程模型(DEM)。将DSM与DEM的高程值赋予提取的顶点并通过分析高程差，剔除部分不合理的值。其中以圆形为邻域，分别以2.5m、2m、1.5m、1m为半径进行分析，提取果树顶点数为33、49、67、102，有效提取的株数为33、48、56、51。以矩形为邻域，分比以3.5m、3m、2.5m、2m为边长进行分析，同样通过分析后剔除异常值，最终提取果树顶点数为53、59、69、89，有效提取的株数为52、57、57、54，提取效果见图3。经对比提取的精度和误差(表2)，该样地以边长为3m的矩形邻域为最佳分析窗口。

3 结果分析

本文中果树株数的检验数据是结合高分辨率无人机影像通过目视解译提取的。精度评价主要针对样地中由目视解译识别的树木精度评价。提取样地株数的精度评价采用总体分类精度(Overall Accuracy，OA)，误授误差(Commission Error，CE)和漏分误差(Omission Error，OE)3个指标表示。其中总体分类精度评价是指样地内提取的单木总个数占目视解译样地内单木总个数的比率，公式如下：

OA=1-Nv-Nd/100%

式中：Nv为目视解译样地内果树总株数；Nd为提取到果树总株数。

3.1 基于对尺度分割方法的株数提取结果分析

在研究区域中选择了8个35m×35m的样地。样地区域中无人工建筑，排除其他干扰因素，以保证样地数据提取的有效性。研究中利用多尺度分割算法对样地进行了分割，包含树冠和非树冠区域。为便于后期统计株数，提前去除掉非树冠区域。根据树冠的分割中出现的情况分为两种错误，即树冠的欠分割和过分割(如图4)。在结果分析中，将过分割树冠数量与实际株数的比值定义为误授误差，欠分割树冠数量与实际株数的比值为漏分误差。

由表3结果显示，多尺度分割算法用于8个样地株数的提取中，总体精度为71.68 %。漏分误差和误授误差分别为8.39%和34.79%。各样地提取精度相差较大，最高可达98.78%，最低仅有38.24%，如2号样地与5号样地。而5号和6号样地误授株数甚至超出其验证株数。分析其原因，较高提取精度的样地，其特征是果树独立成株，果树形态较好；提取精度较差的样地，其主要特征是果树成片相接，果树形态不规则等原因造成。

图4 欠分割的树冠和过分割的树冠

表3 多尺度分割算法提取样地株数精度分析

3.2 邻域分析法的株数提取结果分析

为保证提取精度的有效对比性，研究中邻域分析法与多尺度分割算法选取相同研究样地。验证时选取树冠中心根据总体果树的大小生成1.5m缓冲区，基本覆盖样地树冠。当仅有一个顶点位于缓冲区内，则被称为“对应关系”。提取过程中常出现的错误：“0对1”关系，主要为较少其他地物高度与果树相近无法有效剔除(图 5(a))，或少部分树冠较大，提取到多个顶点且在缓冲区覆盖之外；“1对多”关系，即一株果树中提取到多个顶点(图5(b))；“1对0”关系，漏提错误，即未提取到果树顶点(图5(c))。其中“0对1”、“1对多”两种关系视为误判，两种情况的总数与验证株数总和的比值为误授误差。“1对0”情况与验证总数之间的比值视为漏分误差。

表4结果显示，8个样地总体精度达到了88.29%，总体漏分误差为9.97%，总体误判误差为9.09%。漏分误差表明邻域分析法未能全部提取到果树的顶点，受到品种不一果树长势不尽相同，部分样地存在高低间隔栽种等因素的影响。误授误差主要是由于果树除主枝及侧枝生长均较好，因此提取到多个顶点。从整体情况来看，在提取果树顶点的过程中发现此方法在提取长势均一，种植间距相当且独立成株的果树时效果较好，误授和遗漏的株数较少，精度较高；对于长势相差较大、高低相间种植且不独立成株，以及冠体较大并有多个顶点的果树提取效果较差，误授及遗漏的株数相应增多，误差较大。

图5 果树顶点提取出现的几种情况

表4 邻域分析法提取样地株数精度分析

4 结论与讨论

本研究使用小型多旋翼无人机遥感获取了北碚区歇马镇某果园部分航拍影像，生成研究区的DOM以及DSM，并以DSM为主要数据进行了样地株数的自动提取分析。得到以下结论和认识：

(1)利用多尺度分割算法和邻域分析法进行样地株数自动统计，两者提取精度分别为71.68%和88.29%，邻域分析法优于多尺度分割算法。邻域分析算法能够基本满足快速高效地统计株数的要求。

(2)样区株数自动检测的精度不够稳定，可以做进一步的改进。一是本研究的数据主要是基于DSM，下一步可以充分利用DOM，使两者有效结合；二是可以结合两种方法，增加不同的特征进行研究。

(3)由于重庆地区的柑橘生长环境多为坡地。本次研究的区域地形较为平坦，未能充分考虑地形因素对于实验的影响。下一步将选择更多的样区对比株数提取的效果，提出有效的株数统计方法。