无人机航拍影像在林木信息提取中的应用

孙玉江,李凤涛,陈香芹,张 磊,杨 宁,郑 达

(1.青岛市园林和林业综合服务中心,山东 青岛 266003；2.青岛夏禾生物科技有限公司,山东 青岛266109)

森林资源对于维持生态平衡、人类生存与发展和社会进步起着非常重要的作用[1],在沿海山区,松林作为主要的森林资源,不仅能够为生产和生活提供多种宝贵的木材和原材料,更重要的是能够调节气候、保持水土、防风固沙、净化空气等功能。但近年松材线虫病在我国扩散蔓延迅速,导致松树大面积感病死亡。对死亡松树及时清除和恢复植被是松材线虫病的主要除治措施之一,这就需要寻求科学高效的监测松林活立木变化方法,提高监测效率、节约监测成本。传统的人工地面调查的方法不仅要耗费大量人力、物力和财力,更是周期长、时效性差,且受人为主观因素影响显著。无人机遥感技术以其精度高,成本低、可重复使用的优势,已成为弥补传统森林资源监测不足的重要手段之一[2]。陈崇成等[3]利用无人机遥感数据构建树木的冠层高度模型,以局部最大值法提取了树冠顶端位置,并作为种子点用于单木树冠形状提取；Wang等[4]基于无人机高光谱数据利用分水岭分割法识别单株树木的冠层边界,准确地获取了树木的株数信息；董天阳等[5]利用局部极值方法提取了树冠顶点,并通过Snake模型迭代进行轮廓演变提取了树冠轮廓信息；Culbenor等[6]利用无人机原始影像局域辐射最大值和最小值提出了基于无人机高分辨率影像的树冠识别算法,用来计算树木的树冠边界；王枚梅等[7]基于面向对象方法利用无人机影像自动提取亚高山针叶林的冠幅信息，并计算了单元面积树木数和郁闭度等参数。目前,国内外学者的研究多数集中在基于无人机高分辨率数据的林木分割、树冠边界提取等方面,缺乏对树高、胸径、郁闭度等森林参数的估测和多时相的森林变化监测研究。

本研究以山东省青岛市崂山区沙子口街道松材线虫病发生区域为研究对象,以2020年多期无人机高分影像为主要信息源,通过对无人机数据进行多尺度分割,采用决策树分类方法提取林地变化的区域,在林地变化区域内利用分水岭算法对树冠进行分割,得到松林活立木数量的变化信息。该方法能够快速地获取森林树木数量变化信息,可为无人机遥感技术在森林资源调查和损失评估中的推广应用提供科学参考。

1 研究区概况

青岛市崂山区位于山东半岛南部,青岛市东南隅，其辖区内沙子口街道位于崂山南麓,东邻王哥庄街道办事处,西壤李沧区和中韩街道办事处,南濒黄海,北接北宅街道。地理坐标为北纬36°06′～36°12′,东经120°30′～120°38′,总面积108.27km2。地势呈北高南低,海拔在100～1 100m之间,属低山和丘陵区。

崂山区温和湿润的气候条件,使得植物种类繁多,长势良好。现有松林面积约1.8万hm2,主要为生态公益林,包括黑松、赤松、落叶松等,是山区防护林的主体,在涵养水源、防止水土流失、保护生态环境等方面发挥着重要作用,崂山风景区位于其中,生态区位非常重要。2008年发生松材线虫病以来,每年需耗费大量人力、物力和财力对感病松树进行彻底清理,随着疫情的不断发展,森林蓄积量也受到不同程度的影响。

2 研究方法

2.1 数据源

基础数据包括2020年5月和2020年10月同一区域的2期无人机高分影像,空间分辨率为0.1m。航拍无人机型号为大疆精灵4,起飞重量1 380g,续航时间25min,最大飞行海拔6 000m；航拍相机型号为DJI FC6310S,图像尺寸为5 472px×3 648px,像素大小3.309μm,水平和垂直分辨率72dpi；卫星定位模式为GPS/GLONASS模式。

2.2 无人机影像多尺度分割

按照一定独特性质把影像分成若干个特定的同质区域,被分割出的区域即影像对象。对于一种类型的地物来说,分割后形成的多边形内各种特性内部具有较好的一致性和均匀性,能够充分地表达地物的独特性质,使其能与相邻类别地物进行区分[8-9]。无人机数据具有非常高的空间分辨率,面向对象方法能够综合利用数据光谱信息、纹理信息、空间形态结构和上下文等多源信息非常适合处理高分辨率的无人机影像。在无人机影像分割过程中分割尺度的选择非常重要,分割不足易导致分割边界模糊,过度分割会导致图斑过于破碎,均会影响后期数据处理的精度。本文在易康(eCognition)软件中,从150～350的分割尺度之间以10为步长进行不同尺度的分割效果试验。

2.3 林地变化信息提取

决策树又称判定树,具有准确率高、运行速度快、容易理解等特点,对所输入变量不仅可以实现连续变量,同时可以包容数据错误与缺失[10-11]。决策树分类是一种基于空间数据挖掘和知识发现的分类方法,主要通过对目标变量与预测变量处理后构成训练数据集循环,从而形成二叉树决策树。决策树分类主要包括两个过程:第一步是建立分类决策树；第二步是对已建立好的决策树进行分类。林地变化区域的信息提取决策树分类流程如图1所示。

图1 基于决策树分类的变化区域提取流程

研究区域内森林植被覆盖度较高、边界清晰,利用无人机植被指数(VDVI)能够很好地提取无人机影像中含可见光波段的影像中绿色植被信息[12]。因此,通过选取VDVI指数构建植被的隶属度函数来实现植被信息的快速提取。

(1)

式中:ρ红,ρ绿,ρ蓝分别代表红、绿、蓝3个波段的像元值。

2.4 分水岭分割算法

分水岭分割算法是一种基于区域的图像分割的方法,在分割的过程中,把跟临近像素间的相似性作为重要的参考依据,从而将在空间位置上相近并且灰度值相近(求梯度)的像素点互相连接起来构成一个封闭的轮廓,以数学形态学理论为基础建立模型算法。在遥感领域,该方法广泛应用于遥感影像分割尤其是高分辨率遥感影像的分割[13-15],特别是对于复杂的地物能够产生较好的分割效果。

根据研究区内树冠结构特征和影像的光谱特征,树冠顶点具有高反射值。因此,松林树冠灰度图像可以看作是分水岭模型的倒置,树冠中心点作为集水盆的最低点,边缘作为分水岭边界,基于该特性利用分水岭算法进行图像分割,得到最终结果(图2)。

图2 局部区域单木分割结果

3 结果与分析

3.1 最优分割尺度

以10为分割尺度步长,通过计算150～350内不同尺度下影像对象同质性的局部方差来评价分割效果,通过局部方差(Local Variance,LV)和变化率(Rate of Change,ROC)参数表征最优的分割尺度。局部方差指数主要反映的分割结果的均质性,随着分割单元的增大而增加,达到某一范围LV指数便不会增加,该尺度可能为最佳分割尺度[16]。如图3所示,横坐标为分割尺度,纵坐标分别为局部方差和变化率,当分割尺度为300 时ROC-LV出现峰值并值最大,最终确定选取分割尺度为300。

图3 最优分割尺度

3.2 林地变化信息提取

利用植被指数提取植被信息的关键在于阈值的确定,阈值选取的好坏将直接影响植被的提取精度[17]。本文利用VDVI的阈值方法来确定植被信息(图4),当VDVI 指数小于0时地物类型为非植被,当大于0.01 时地物类型为植被,因此在(0,0.01)区间构建植被信息的隶属度函数,通过隶属的函数值来确定类别的归属,通过上述方法将无人机影像分为植被与非植被。

(a)春季

(b)秋季

通过此方法,将研究区的林地变化区域进行了空间提取,其中面积较大的区域有6个,具体如图5所示,该结果与地面调查情况完全符合。

3.3 松林活立木提取

利用分水岭算法提取林地变化区域内松林数量减少情况,6个林地变化区域,共提取减少松树205株(图6),平均活立木减少密度1 956.20株/hm2；利用人工地面核查,此6个林地变化区域,累计砍数量217株,平均活立木减少密度2 052.93株/hm2。结合两者数据综合对比分析,使用本研究方法提取的数据,总体精度约92.3%,具体如表1所示。

(a)春季

(b)秋季

图6 2020年秋季无人机数据活立木减少提取结果区域

表1 提取结果对比表

4 结论与讨论

1) 随着航空航天技术的发展,无人机遥感在森林资源调查和病虫害监测中的应用越来越广泛。本文以2020年春、秋季两期的无人机高分影像为主要信息源,通过多尺度分割,决策树分类、分水岭算法等多种方法相结合的方式,快速地获取松林活立木数量的变化信息,通过人工地面核实,总体精度约92.3%。研究表明,基于多期的无人机高分影像数据的森林监测,能够快速准确地获取林木数量的变化情况,客观反应松林变化规律,较为快速、准确地评估材线虫病造成的松林资源灾害损失；同时可以估算松材线虫病强度清理或块状清理后留下的林间空地面积,作为林业资源和松材线虫病管理的基础数据储备,结合林地状况、区位特点,制定植被恢复方案、编制项目预算。对于监测山高、路险的区域在很大程度上可以用于替代人工调查的工作,在森林资源调查和松材线虫病灾害损失评估中具有较大的推广价值。

2) 本文的研究区域内大部分为针叶松林,由于林分树种单一、林层结构简单,获得了满意的精度。研究成果能否推广至冠幅形状复杂的阔叶林,以及林层结构复杂的混交林,还需要作进一步的研究。