基于无人机多光谱的黄土高原植被提取分割分类研究

李亚北 韩磊

摘 要：【目的】植被作为生态系统的主要组成部分，其种类和数量及其变化对生态系统有着重要影响。探究在我国黄土高原小流域进行植被提取分割时的最优分割尺度，有助于快速准确地提取植被信息，对于监测黄土高原生态系统状况和维持生态系统稳定具有重要意义。【方法】基于吴起县柴沟流域无人机多光谱影像和面向对象的方法，使用eCognition软件对影像进行多尺度分割研究。【结果】经分析，在分割尺度为240、形状权重为0.7、紧凑权重为0.1时影像的分割效果最好，基于该分割结果，选用纹理特征和光谱特征为分类指标，采用随机森林方法对影像进行分类，分类总体精度和Kappa系数分别为96.2%和0.951。【结论】研究结论可为柴沟流域植被结构优化及黄土高原生态环境保护和植被恢复治理提供技术参考。

关键词：无人机多光谱；多尺度分割；植被提取；黄土高原小流域

中图分类号：K903     文献标志码：A     文章编号：1003-5168（2024）04-0110-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.04.020

Research on Vegetation Extraction， Segmentation and Classification of the Loess Plateau Based on Drone Multi-Spectral

LI Yabei    HAN Lei

（School of Land Engineering， Chang'an University， Xi'an 710061， China）

Abstract： [Purposes] As the main component of the ecosystem， the type and quantity of vegetation and its changes have an important impact on the ecosystem. Exploring the optimal segmentation scale for vegetation extraction and segmentation in small watersheds of the Loess Plateau in China is helpful to extract vegetation information quickly and accurately， which is of great significance for monitoring the ecosystem status of the Loess Plateau and maintaining ecosystem stability. [Methods] Based on the multi-spectral image and object-oriented method of UAV in Chaigou watershed of Wuqi County， the eCognition software was used to study the multi-scale segmentation of the image. [Findings] After analysis， the segmentation effect of the image is the best when the segmentation scale is 130， the shape weight is 0.5， and the compact weight is 0.5.Based on the segmentation results， the texture features and spectral features are selected as the classification indicators， and the random forest method is used to classify the images. The overall classification accuracy and Kappa coefficient are 96.2 % and 0.951， respectively. [Conclusions] The research conclusions can provide technical reference for the optimization of vegetation structure in Chaigou watershed and the ecological environment protection and vegetation restoration in the Loess Plateau.

Keywords： drone multispectral; multi-scale segmentation; vegetation extraction; and small watersheds on the loess plateau

0 引言

植被是生態系统的重要组成部分，也是衡量自然环境状况的重要生态指标，植被类型、数量及其动态变化对生态系统影响显著［1］。与此同时，植被在涵养水源、水土保持和碳氮循环等方面起着重要作用。了解植被的准确信息对于维持生态系统稳定和推进生态环境保护建设具有重要意义。

传统的植被调查方法主要以实地人工调查为主，如目测估算法、概率计算法和仪器测量法等。此类方法数据获取准确但费时费力、效率低下，无法实时更新信息且无法应用于大尺度范围［2］。卫星遥感技术的发展为植被监测带来了技术突破，但对于植被精细化研究仍存在一定的局限性，而无人机遥感技术的发展有效地弥补了传统卫星遥感的不足。无人机遥感技术是集多种技术于一体、以无人机为载体、搭载不同类型传感器快速获取高分辨率空间信息，从而进行数据处理和分析的综合性技术，具有高精度、高时效性、高分辨率和高灵活性等优点［3-5］，近年来逐渐应用于植被指数提取、植被覆盖度提取、农作物信息提取和植被水分反演等方面。

黄土高原地貌独特，地块破碎，生态环境脆弱，水土流失严重。退耕还林工程实施以来，黄土高原地表格局变化显著，植被覆盖大幅提高，生态环境质量明显改善。了解黄土高原植被结构状况可为黄土高原生态环境修复和生态环境可持续发展提供重要参考。基于高精度高分辨率的无人机影像进行植被分割提取是目前获取准确植被信息的主要方法，且已得到初步应用，但是将该方法应用于黄土高原小流域植被研究较少，并且不同的分割模型对于不同的研究区具有不同的适宜性［6-9］。基于此，本研究利用黄土高原沟壑区小流域无人机多光谱影像，寻找适合研究区的分割参数模型进行植被分类，验证无人机影像进行植被精确提取的适宜性。

1 研究區与数据

1.1 研究区概况

研究区为陕西省延安市吴起县长官庙镇柴沟流域，地处北纬36°47′20″，东经108°0′39″。该流域位于黄土高原的丘陵沟壑区，区域内地形复杂，沟壑纵横，植被类型以森林、灌木丛、农作物和果树为主。

1.2 数据获取与预处理

研究区数据为无人机多光谱数据。无人机多光谱以飞马的D200型无人机为飞行平台，搭载D-MSPC100相机，相机像素为2 000万，飞行航高120 m，影像包括红（R）、绿（G）、蓝（B）、红边（EDGE）和近红外（NIR）五个波段。对原始影像进行影像拼接、畸变矫正和空三解算获取柴沟流域的遥感影像，影像分辨率为0.13 m。

2 研究方法

2.1 面向对象影像多尺度分割

面向对象影像处理首先对影像进行分割而后进行分类，常用的分割方法有棋盘分割和多尺度分割［10-11］。本研究使用多尺度分割算法，通常利用尺度参数来表示异质度增量的阈值。多尺度分割算法从像元层开始，将相邻像素合并成一个更大的图像对象，遵循最小化合并后不均匀性增加的原则，并将合并后的异质度增量与尺度参数进行比较，若合并后的异质度增量小于尺度参数，则继续合并相邻影像对象，否则停止合并。不同的尺度参数对应不同大小的分割结果，小尺度参数分割的结果产生了大量的影像对象，影像对象的面积很小，然而大参数分割的结果对应的影像对象较少，图像对象区域较大。

多尺度分割算法是指，从一个设定好的尺度开始，选取了某个像元作为起始点与其周围的其他像元进行异质性运算［12］。异质性即分割尺度（Scale）、波段权重、均质性因子，均质性因子又包括颜色因子（color）、形状因子（shape），形状因子指光滑度和紧致度。

2.1.1 波段权重。波段权重是指参与分割的所有波段中，每个波段所占重要性的程度，波段权重越高，则这个波段中的信息对分割效果的决定力量越大。本研究采用的无人机多光谱影像有五个波段，每个波段中所含有的信息也存在着差异，因此，可以根据不同地物类型在各波段中所呈现特点的明显程度，适当提高或降低不同波段的权重，从而降低无关波段对分割过程的影像，提高多尺度分割的速度和质量。

2.1.2 均质性因子。在进行尺度分割时，通过调节均质性因子在分割中所占的权重，可以改变分类结果，进而改变后续分类效果。在均质性因子中，通过调节形状因子所占权重，可以对影像分割中地物的破碎程度产生影响，但是不宜将形状因子设置过大，不然在分割过程中，会忽略光谱信息，造成混分现象。紧致度与光滑度所占权重也会影响影像的分割结果，紧致度越大，则分割出来的影像越接近于圆形，而光滑度越大，则分割出来的影像边界光滑程度越高。但是均质性因子还没有统一设定方法，大多是在对比分割结果之后进行选取的。

2.1.3 分割尺度。在进行多尺度分割时，最需要注意的问题是分割尺度参数的设置，因为分割尺度会直接影响分割效果。当分割尺度过大时，被分割的物体很大，会出现欠分割现象；当分割尺度过小时，分割得到的物体越小，越容易分割。因此，若提取的物体较大时，则可以调高分割尺度，提取的物体较小时，可适当降低分割尺度。

2.2 光谱特征

光谱特征是用来描述影像对象灰度值特征的集合，地物的光谱特性反映了不同地物对不同光谱的吸收、反射性能。常用的光谱特征主要包括均值、标准差、亮度、比率等特征，每个波段的光谱特征又具有不同的均值等特征。

2.3 纹理特征

纹理特征是指影像对象的全局规律性和局部不规则性，纹理特征对影像中植被与非植被的划分起着十分关键的作用。高分辨率的无人机多光谱影像具有丰富的纹理特征，对植被提取具有重要作用。本研究利用ENVI5.3软件基于灰度共生矩阵计算均值、方差、均一性、对比度、相异性、熵、角二阶矩和相关性等纹理特征。

2.4 随机森林算法（RF）

随机森林（Random Forest）是具有代表性的袋装法（Bagging集成算法）。Bagging集成算法是指每一次都随机抽取训练样本的一部分特征来建立多个树模型。首先每棵树都是一个分类器，且每次抽取都是随机有放回的抽取，每个树模型之间都互不影响。其次是要进行特征的随机采样，与样本采样方法相同，使每一棵树模型都具有个性。最后结合样本采样与随机采样的结果，将所有树模型组合在一起，在分类任务中求取的众数为最终分类结果。

2.5 评价指标

混淆矩阵是对分类的预测结果和总结，通过汇总分类，统计被正确归类的样本数量与错误归类的样本数量，并按每个类进行细分，得对分类结果的评价表。通过混淆矩阵，可以更充分地了解分类中存在的问题，打破了仅使用分类准确率所带来的局限性，其评价指标主要包括总体精度、用户精度、生产者精度、Kappa系数等。

3 结果与分析

3.1 最优分割尺度分析

为得到更佳的分割效果，选择影像的1、2、3、5层，即对红、绿、近红外、蓝，四个波段参与分割，其他波段不参与分割。即在进行分割时将红、绿、蓝、近红外四个波段权重值设为1，将红边波段设置为0。具体分割效果如图1所示。

无人机的图像分辨率可以达到厘米级，因此可以将图像对象的分割尺度的初始值设置得大一点。本研究将分割尺度值从 475开始设置为倍数，多幅分割图像的试验表明，当分割尺度小于200时，各种物体被细分，无法有效表示特征地面物体的界限，这也在一定程度上影响了信息提取的准确性。当分割尺度超过390时，大部分地物边界明显没有被分割。例如，部分林地和耕地被划分，因此，将研究区域的划分尺度区间设置为200～390进行比较分析。通常情况下，在进行多尺度分割时，允许出现过分割状况，但是不允许出现欠分割的现象。但是，若多尺度分割得很细碎，会降低影像的分割效率，使处理时间变长；若影像中地物欠分割，虽然会使处理时间缩短，但是会造成两类或多类地物未被分隔开，影响后续分类操作，降低地物分类准确性。由图1可知，当分割尺度为240时，图像分割效果有所提高。此时分割后的物体与各种地物高度一致，各种地物的分界线清晰，各对象的数量足够，不是很分散。此外，地面上的许多物体都是不完全分割的。基于此，得出结论：分割尺度为240、形状权重为0.7、紧凑权重为0.1的图像具有最理想的分割结果。

3.2 基于对象的特征选取

3.2.1 光谱特征。每类地物都具有其特殊的结构、纹理、形状等特征，因此，植被分类的主要依据就是在进行面向对象分割之后，每个对象所具有的特征特殊性。考虑到同一地物在不同波段的反射率有所区别，且不同地物在同一波段中的反射率又有所不同，本研究统计了各地物在各个波段上的光谱信息，通过地物的光谱反射率的变化范围，可为后续的植被分类提供光谱特征依据，光谱反射率值统计结果见表1。由表1可知，在红光波段中，由于红光对叶绿素有吸收作用，因此植被越密集之处，其光谱反射率值就越小。从整体来看，各类型地物的反射率均值排列顺序依次是：林地最小，其次分别为耕地、园地、草地、裸地、建设用地。不同地物在各波段的光谱反射率值如图2所示。由图2可更直观地看出各种地物在五个多光谱波段的反射率值变化情况，如在红光波段中植被信息冗余大，不能明确地将其进行区分，但非植被如裸地、建设用地在红光波段中，当光谱值超过0.18时，可以将其与植被进行分离。

3.2.2 纹理特征。纹理特征是指影像对象的全局规律但局部不规则性，纹理特征对影像中植被与非植被的划分起着十分关键的作用。常用的纹理特征大多基于灰度共生矩阵（GLCM），如：均一性、对比度、相异性、熵（entropy）、角二阶矩、相关性等。常用的纹理特征大多基于灰度共生矩阵（GLCM）在提取研究区纹理特征时，经过对移动窗口进行多次调节，最终选取二阶概率滤波的窗口为3×3，空间（x，y）的变化值取１，灰度质量等级为64，此时的纹理细节特征最为突出，所得影像结果如图3所示。由图3可知，当熵值越大，影像的纹理越杂乱；纹理越细致，角二阶矩值越小；对比度越大，影像越清晰。

3.3 基于随机森林的植被分类

分类结果如图4所示。由图4可知，随机森林所得的分类效果较好，柴沟流域植被以林地、草地和园地为主，林地多为人工恢复造林，呈集中连片结构分布于山梁上中坡两侧；草地为无人机播种恢复生长而成，主要分布于山梁中下坡和沟谷区域；园地以苹果经济林为主以梯田的形式分布于村庄周围。RF模型对于植被类别的区分较为准确，对于植被和非植被区域的区分较为准确。采用总体精度、用户精度及Kappa系数对分类结果进行精度评价见表2。

4 结论

本研究通过对研究区影像多次分割，调节各参数值，进行分割结果对比，最终确定了研究区影像的分割尺度为240，形状参数为0.7，紧致度参数为0.1。并对多光谱影像中各类地物的光谱、纹理特征进行统计分析构建提取分类的指标特征模型，采用随机森林算法基于分类指标对多分割对象进行分类，得到分类结果总体精度和Kappa系数分别为96.2%和0.951，能够较为精确地对植被进行分类提取。

参考文献：

［1］逯金鑫，周荣磊，刘洋洋，等.黄土高原植被覆被时空动态及其影响因素［J］.水土保持研究，2023，30（2）：211-219.

［2］翁伯琦，郑祥洲，丁洪，等.植被恢复对土壤碳氮循环的影响研究进展［J］.应用生态学报，2013，24（12）：3610-3616.

［3］孙刚，黄文江，陈鹏飞，等.轻小型无人机多光谱遥感技术应用进展［J］.农业机械学报，2018，49（3）：1-17.

［4］郭庆华，胡天宇，刘瑾，等.轻小型无人机遥感及其行业应用进展［J］.地理科学进展，2021，40（09）：1550-1569.

［5］劉鹤，顾玲嘉，任瑞治，等.基于无人机遥感技术的森林参数获取研究进展［J］.遥感技术与应用，2021，36（3）：489-501.

［6］郭彩玲.黄土高原半干旱区生态环境恢复的对策研究［J］.地域研究与开发，2008（3）：79-82.

［7］杨洁，金继明，邵进，等.黄土高原中部典型流域植被恢复对径流的影响［J］.农业机械学报，2021，52（5）：258-266，257.

［8］姜玉峰，齐建国，陈博伟，等.基于无人机高光谱影像和机器学习的红树林树种精细分类［J］.遥感技术与应用，2021，36（6）：1416-1424.

［9］张妮娜，张珂，李运平，等.中国南方典型湿润山区植被类型的无人机多光谱遥感机器学习分类研究［J］.遥感技术与应用，2023，38（1）：163-172

［10］孙坤，鲁铁定.顾及多尺度分割参数的FNEA面向对象分类［J］.测绘通报，2018（3）：43-48.

［11］潘俊虹，梁明.多尺度分割的高分辨率遥感影像分类对比研究［J］.现代计算机，2022，28（22）：56-60.

［12］刘波，王凯，刘先森，等. 面向对象和规则的高分辨率遥感影像建筑物变化提取技术研究［J］. 测绘与勘探，2019，1（1）：67-68.