无人机可见光遥感影像的空间...对毛竹立竹度识别精度的影响_陆雪婷.pdf

第 51 卷 第 3 期东北林业大学学报Vol51 No32023 年 3 月JOUNAL OF NOTHEAST FOESTY UNIVESITYMar 20231)福建省科技计划高校产学合作项目(2020N5003);福建省高校产学项目(2019N5012)。第一作者简介:陆雪婷，女，1998 年 2 月生，福建农林大学林学院，硕士研究生。Email:2673787845 qqcom。通信作者:余坤勇，福建农林大学林学院，教授。Email:yuyky 126com。收稿日期:2022 年 2 月 22 日。责任编辑:王广建。无人机可见光遥感影像的空间分辨率对毛竹立竹度识别精度的影响1)陆雪婷邓洋波宋贤芬严夏帆余坤勇刘健(福建农林大学，福州，350002)(福州市林业局)(福建农林大学)摘要为探究无人机可见光影像在毛竹立竹度提取方面的适用性，以福建省三明市永安市天宝岩国家级自然保护区毛竹林为研究对象，运用重采样的方式获取不同空间分辨率(025、050、075 m)下的可见光影像，利用面向对象多尺度分割确定各个分辨率下的最佳分割尺度，采用随机森林分类方法，对不同空间分辨率下立竹度提取精度进行了比较。结果表明:不同空间分辨率下分割尺度的选择不同，影像空间分辨率为 025、050、075 m 的最佳分割尺度分别为 20、9 和 8，立竹度提取平均精度分别为 8097%、8129%和 7782%，Kappa 系数分别为 0806 0、0863 3和 0817 1;图像空间分辨率为 050 m 时，总体分类精度和 Kappa 系数最高，因此，毛竹立竹度提取的适宜图像空间分辨率为 05 m，最佳分割尺度为 9。关键词毛竹;立竹度;无人机;可见光遥感影像;空间分辨率分类号S7957;S712Effect of Spatial esolution of Unmanned Aerial Vehicle(UAV)Visible Light emote Sensing Image on ecogni-tion Accuracy of Phyllostachys edulis Stand Density/Lu Xueting(Fujian Agriculture and Forestry University，Fuzhou350002，P China);Deng Yangbo(Fuzhou Forestry Bureau);Song Xianfen，Yan Xiafan，Yu Kunyong，Liu Jian(Fu-jian Agriculture and Forestry University)/Journal of Northeast Forestry University，2023，51(3):7983，96In order to explore the applicability of UAV visible image in the extraction of Phyllostachys edulis standing degree，theP edulis forest in Tianbaoyan National Nature eserve，Yongan City，Sanming City，Fujian Province，was taken as the re-search object，and the visible image under different spatial resolutions(025，05 and 075 m)was obtained by resamplingmethod Object-oriented multi-scale segmentation was used to determine the optimal segmentation scale under each resolu-tion，and random forest classification was used to compare the extraction accuracy of P edulis stand density under differentspatial resolutions The results show that:the best segmentation scale for the segmentation scale to select different underdifferent image spatial resolution of 025，050 and 075 m are 20，9 and 8，P edulis stand density extract accuracy are8097%，8129%and 7782%，and Kappa coefficients are 0806 0，0863 3 and 0817 1，respectively When the spatialresolution of image is 050 m，the overall classification accuracy and Kappa coefficient are the highest Therefore，the ap-propriate spatial resolution of image extraction of P edulis stand density is 05 m，and the optimal segmentation scale is 9KeywordsPhyllostachys edulis;Bamboo density;Unmanned aerial vehicle(UAV);Visible light remotesehsingimage;Spatial resolution毛竹立竹度也叫竹林密度，指每公顷毛竹林地中毛竹的立木株数。也是毛竹林群体结构和生产力指标最重要的数量特征，同时也是广大竹农对毛竹生长发育期间干预竹林结构的重要因子12。目前关于毛竹立竹度的监测主要采用人工调查和多光谱影像提取。采用人工调查不但需要更多人力，而且由于地理因素导致人员可及度受到限制;利用多光谱影像提取毛竹立竹度，受到影像波段的复杂性和影像获取的成本的限制。随着无人机遥感监测技术的不断发展，为利用可见光遥感监测调查立竹度提供了技术支持，也为调整竹林的密度，改善毛竹林分结构，提高毛竹林的生产力提供了手段，对我国竹林经营具有重要的实际意义3。利用遥感手段提取立竹度的关键是对影像的有效分割和准确分类。目前国内外学者在基于图像分割技术的林木冠层特征提取方面已经取得了很大的进展，孙晓艳等4 利用 SPOT 卫星数据同时结合纹理信息，通过面向对象的方法构造多尺度、多层次的结构来实现竹林信息的提取;采用面向对象的多尺度分割方法得到分割后的目标，不仅可以有效地获得识别单元的几何特征，而且可以提取各种地物的信息5;李越帅等6 提出了深度学习与分水岭分割相结合的处理方法，对密集胡杨树冠的精确分割和胡杨个体信息的提取;张仓皓等7 基于无人机多光谱遥感影像，利用面向对象多尺度分割，构建毛竹立竹度识别单元，采用 K邻近值(KNN)算法实现毛竹立竹度的提取，并通过比较不同飞行高度下立竹度提取的精度，确定了无人机飞行的高度;杨樟平等8 采用同样的方法，利 用 无 人 机 多 光 谱 影 像 比 较 了 K 邻 近 值(KNN)、支持向量机(SVM)和随机森林(F)分类算法对毛竹立竹度的提取效果，认为 F 分类方法较其他两类分类方法提取精度高。这些研究大多DOI:10.13759/ki.dlxb.2023.03.014采用包含红绿蓝和近红外或更多波段的遥感影像进行分割，虽然能够实现影像准确有效的分割，但影像采集和加工的成本高，多光谱相机价格昂贵，而可见光相机虽然所提供的光谱信息比较少，但其拍摄的图像分辨率高、成本低、操作简单9，为毛竹立竹度快速提取提供了一种低成本的方法。较高空间分辨率遥感影像虽然可以显示的纹理和空间信息更加丰富10，但是对数据获取的范围产生限制和数据处理不便，所以选择合适空间分辨率的影像数据将会对竹资源调查具有重要影响。邱琳等11 基于高分 1 号(GF1)卫星影像数据，分析了GF1 卫星 3 种分辨率对水稻识别精度的影响;刘婷等12 基于高分 2 号(GF2，分辨率 41 m)、Senti-nel2(分辨率 10 m)、Landsat8(分辨率 30 m)等 3种不同空间分辨率的遥感影像，利用一元指数和多元回归统计方法，对比分析不同空间分辨率对森林叶面积指数(LAI)估算的影响，得到研究区域森林叶面积指数最适宜的影像空间分辨率。Ye et al13 利用无人机多光谱图像，建立了识别香蕉枯萎病发生或未发生区域的方法，通过对不同空间分辨率(05、10、20、50、100 m)图像的模拟实验发现当分辨率大于 20 m 时，香蕉枯萎病区域识别的精度较高。大多数研究是围绕卫星影像数据和无人机多光谱影像数据，而关于利用无人机可见光影像识别毛竹立竹度适宜的空间分辨率的研究较少。因而，研究以无人机可见光影像为原始数据，通过重采样生成不同空间分辨率的图像，采用面向对象分类技术，结合毛竹的尾梢特征及毛竹顶冠层几何形状的表达特征，分析不同空间分辨率不同分割尺度对立竹度提取的影响，为毛竹立竹度提取的适宜空间分辨率和最佳分割尺度提供相关技术支持。1研究区概况研究区位于福建省三明市永安市天宝岩国家级自然保护区(1172852E1172924E，255341N255414N)，武夷山脉和戴云山脉中间(见图 1)，山体为戴云山余脉，地势属于中低山地貌，海拔高5801 6048 m。属中亚热带海洋性季风气候，气候温暖湿润，降水量充足，年均气温约 193。研究区域土壤类型主要包括红壤、山地黄壤、山地黄红壤，土壤类型主要以红壤为主。植被类型主要包括毛竹林、常绿阔叶林、针阔混交林、针叶林等。2研究方法21数据及其预处理原始数据来源于 2020 年 7 月在福建省三明市永安市天宝岩国家级自然保护区拍摄的无人机可见光遥感影像，考虑到阳光直射效应，影像获取时间为上午 11:00 至下午 14:00，且当日阳光充足无风，为了得到稳定可靠的数据，进行了多次采集和比较。利用大疆精灵 4 无人机搭载的可见光镜头(蓝、绿、红三个光谱波段)获取遥感影像，设置影像航向的重叠率为 80%，旁向的重叠率 70%，航高 350 m，任务巡航速度为 7 m/s。大疆精灵 4 可见光镜头拍摄的影像为 TIFF 格式，通过 Pix4D Mapper 软件对原始无人机影像进行正射校正和快速拼接，将拼接后的影像进行裁剪以去除边缘异常值，最后得到空间分辨率为 025 m 的实验区影像。图 1研究区位置图在研究区布设了 43 个 258 m258 m 的毛竹纯林样地，使用高精度亚米级 GPS 仪(UnistrongZ5)对各样地坐标进行采集，并实地调查样地毛竹林分立竹度，为后期对立竹度估测精度进行验证。22面向对象多尺度分割影像分割是将一幅完整的遥感影像分割成若干个独立的小区域，使这些小区域之间的平均异质性最大，而区域内部的同质性最大1415。无人机影像的分割效果主要受 4 个因素的影响，即输入影像波段、形状、紧致度和分割尺度。分割尺度可以对影像对象允许的最大异质度进行确定，如果分割尺度过大，将会出现“欠分割”，导致异质性;如果分割尺度过小，则会出现“过分割”，产生同质异谱现象16。多尺度分割是随机选取影像中的一个像元作为中心进行分割，第一次分割时，将单个像元看作最小多边形对象计算异质性值;完成第一次分割后，将生成的多边形对象作为第二次分割的基础对象，同样计算异质性值，将计算结果与预定阈值进行比较，若得到的异质性值比阈值小，则继续进行多次的分割，否则影像分割停止。面向对象多尺度分割是一种自下而上的分割方式，它通过识别相似的像元，使相邻的相似像元合并成对象17，充