吳卓恒，徐 霞，陶 帥

(四川師范大學(xué) 地理與資源科學(xué)學(xué)院，四川 成都 610101)

伴隨無(wú)人機(jī)技術(shù)的高速發(fā)展，無(wú)人機(jī)廣泛應(yīng)用在精準(zhǔn)農(nóng)業(yè)[1]、測(cè)量[2～3]、環(huán)境監(jiān)測(cè)[4]、生物量估算[5]等方面。相比衛(wèi)星影像，無(wú)人機(jī)影像具有分辨率高、大氣影響小、獲取靈活高效等優(yōu)點(diǎn)[6]。但目前應(yīng)用于無(wú)人機(jī)的遙感技術(shù)尚不完善，主要弊端在于續(xù)航能力弱、搭載傳感器波段少等。

隨著人們對(duì)于生活環(huán)境質(zhì)量要求越來(lái)越高，城市綠地作為現(xiàn)代化城市的重要組成部分，已成為衡量城市人居環(huán)境的關(guān)鍵性因子，度量一個(gè)城市綠化水平的高低通常用城市綠地覆蓋率來(lái)進(jìn)行量化比較。對(duì)于城市綠地覆蓋率的傳統(tǒng)統(tǒng)計(jì)方式主要依靠隨機(jī)設(shè)置樣方進(jìn)行人工實(shí)地調(diào)查，這種統(tǒng)計(jì)方式得到的結(jié)果存在大的隨機(jī)誤差，且耗費(fèi)人力物力。目前通過(guò)衛(wèi)星遙感影像提取NDVI[7～9]進(jìn)行估算是較為普遍的統(tǒng)計(jì)方式，此方式具有效率高、成本低等優(yōu)勢(shì)，但同時(shí)也具有影像受大氣影響大、提取精度不高等短板，因此適用于大面積、精度要求不高的綠地提取統(tǒng)計(jì)。而對(duì)于小面積、精度要求較高的綠地提取，無(wú)人機(jī)遙感相比之下具有巨大潛力。

學(xué)者主要采取像元分割[10]與面向?qū)ο蠓指頪11]兩種方式對(duì)無(wú)人機(jī)影像進(jìn)行預(yù)處理， 基于無(wú)人機(jī)影像的光譜特征[10～14]構(gòu)建各種可見(jiàn)光植被指數(shù)用于量化提取植被信息，并結(jié)合該區(qū)域空間特征[13]、紋理特征[14]，以剔除與植被光譜特征相似的非植被信息。但由于地物光譜具有同物異譜與同譜異物的特性，不同地區(qū)空間特征與紋理特征也不具有相似性，因此有必要對(duì)其做進(jìn)一步研究。本文選取北川縣城區(qū)作為研究區(qū)，基于影像的光譜特征，根據(jù)VDVI、NGRDI、NGBOI分別進(jìn)行植被信息提取，并隨機(jī)生成檢測(cè)點(diǎn)，建立混淆矩陣分別從生產(chǎn)精度、用戶(hù)精度與總體精度探究3種不同可見(jiàn)光植被指數(shù)在城市綠地提取應(yīng)用中的優(yōu)劣性。在上述結(jié)果的基礎(chǔ)上，通過(guò)目視解譯對(duì)提取結(jié)果進(jìn)行局部修改，提取出符合精度要求的城市綠地信息，并據(jù)此計(jì)算出北川縣建成區(qū)的城市綠地覆蓋率。

1 研究區(qū)概況與數(shù)據(jù)獲取

1.1 研究區(qū)概況

北川縣地處四川盆地與青藏高原交接的龍門(mén)山區(qū)，地理坐標(biāo)31°35′～31°38′02″N，104°26′15″～104°29′10″E。本文選取北川縣新建區(qū)城區(qū)(永昌鎮(zhèn))作為研究區(qū)。研究區(qū)位于北川縣東南部，地處安昌鎮(zhèn)與黃土鎮(zhèn)之間，距綿陽(yáng)市 35 km，屬亞熱帶季風(fēng)氣候，年均氣溫15.6 ℃，年均降水量 1 400 mm，地勢(shì)中間較平坦，四周為低山丘，海拔545 m～640 m，土壤以黃壤為主，存在部分黃棕壤，其自然條件利于亞熱帶常綠闊葉林、落葉混交林生長(zhǎng)。目前應(yīng)用于北川新縣城的園林綠化樹(shù)種137種，常見(jiàn)樹(shù)種78種，主要包括銀杏、桂花、木芙蓉、香椿等[15]；綠地類(lèi)型包括公園綠地、防護(hù)綠地、廣場(chǎng)綠地、附屬綠地與區(qū)域綠地[16]。地理示意圖如圖1。

圖1 北川縣地理示意圖

1.2 數(shù)據(jù)獲取

本文采用大疆四旋翼無(wú)人機(jī)Phantom 4 Pro V2.0，重量為 1 368 g，搭載 2 000萬(wàn)像素CMOS傳感器，設(shè)計(jì)飛行高度為500 m，航向重疊度為70%，旁向重疊度為60%，設(shè)計(jì)航線4條，航飛總面積約5.98 km2，影像拍攝時(shí)間為2018年10月25日15:30分—17:30，天氣狀況為晴朗微風(fēng)，空氣能見(jiàn)度較高。最終獲取影像342張，影像具有紅、綠、藍(lán) 3個(gè)波段，空間分辨率為0.15 m，內(nèi)業(yè)選用Pix4D軟件生成研究區(qū)正射影像，數(shù)據(jù)處理流程如圖2所示。

圖2 數(shù)據(jù)處理流程圖

2 主要研究方法

2.1 可見(jiàn)光植被指數(shù)

在提取城市綠地之前需先了解研究區(qū)植被的光譜特征，目前遙感中常用植被指數(shù)主要是歸一化植被指數(shù)(normalized difference vegetation index，NDVI)以及比值植被指數(shù)(ratio vegetation index，RVI)[17]，由于無(wú)人機(jī)影像僅包含可見(jiàn)光波段，無(wú)法運(yùn)用近紅外波段進(jìn)行運(yùn)算求取上述指數(shù)，因而本文選用可見(jiàn)光波段差異植被指數(shù)VDVI[12]，歸一化綠紅差值指數(shù)NGRDI[18]、歸一化綠藍(lán)差值指數(shù)NGBDI[10]進(jìn)行區(qū)分植被，計(jì)算公式如下：

(1)

(2)

(3)

式中Pred，Pgreen，Pblue分別代表影像紅、綠、藍(lán)波段的像元值或反射率。各植被指數(shù)中，VDVI和NGRDI、NGBDI 值域均在[-1,1]間，且值越大的區(qū)域表示該區(qū)域城市綠化覆蓋度越高。利用上述式(1)～式(3)分別計(jì)算各植被指數(shù)，得到各植被指數(shù)計(jì)算結(jié)果，如圖3所示。

圖3 各植被指數(shù)計(jì)算結(jié)果

2.2 面向?qū)ο蠓诸?lèi)

面向?qū)ο蠖喑叨刃畔⑻崛〖夹g(shù)是一種基于高分辨率影像的光譜、紋理、形狀等特征，以對(duì)象為基本單元，通過(guò)模糊邏輯的統(tǒng)計(jì)系統(tǒng)進(jìn)行高精度分割提取的分類(lèi)方式。本文采用ENVI軟件對(duì)影像進(jìn)行多尺度分割提取。為了提取城市植被信息，首先要了解其光譜反射特征與非植被信息的差異。由于城市綠地中既包含大片的公園綠地，也包含零散的行道樹(shù)與草地，不同植被類(lèi)型具有不同的光譜特征。為更好地統(tǒng)計(jì)不同植被指數(shù)所能反映城市綠地的差異，本文在不同植被指數(shù)的基礎(chǔ)上，通過(guò)目視解譯不同植被區(qū)共選取100個(gè)樣本點(diǎn)并分別統(tǒng)計(jì)其像元值(見(jiàn)表1)，并采用單因素方差分析探究3種植被指數(shù)之間的差異性(見(jiàn)表2)。從表1與表2綜合分析可知：?jiǎn)我蜃?3種植被指數(shù))單變量(植被反射率)的F檢驗(yàn)值為0.506，其中P-value=0.603>0.05，F(xiàn)檢驗(yàn)不顯著，說(shuō)明3種植被指數(shù)反映植被信息的能力差距并不顯著；而植被反射率均值越大表示綠地信息與非綠地信息分離度越高，標(biāo)準(zhǔn)差越小表示綠地光譜信息越集中，NGRDI與VDVI分別均值與標(biāo)準(zhǔn)差相對(duì)占優(yōu)，分類(lèi)效果相對(duì)較好，這點(diǎn)在后文中得到驗(yàn)證。

表1 VDVI、NGRDI、NGBDI統(tǒng)計(jì)特征值

Tab.1 Statistical eigenvalues of VDVI, NGRDI and NGBDI

植被指數(shù)均值標(biāo)準(zhǔn)差均值的95%置信區(qū)間下限上限極小值極大值VDVI0.0667 0.04380.06460.0970-0.080.37NGRDI0.07720.06130.07780.1003-0.060.20NGBDI0.05840.04820.05350.0836-0.030.19

表2 單因素方差分析

面向?qū)ο筇崛⌒枰獙?duì)影像進(jìn)行分割，影像分割的好壞與否同樣關(guān)系最終分類(lèi)結(jié)果，分割尺度太小會(huì)造成影像破碎，引起椒鹽現(xiàn)象，尺度太大易造成不同地物歸為一類(lèi)，引起錯(cuò)分漏分。本文采用多尺度分割，通過(guò)反復(fù)實(shí)驗(yàn)與觀察，設(shè)定分割閾值為35，合并閾值為90，使得最后分割結(jié)果基本保持原有地物特征(見(jiàn)圖4)。

圖4 多尺度分割結(jié)果

影像分割后結(jié)果可直接用于目標(biāo)地物提取，基于植被光譜、紋理、空間特征可設(shè)定不同規(guī)則進(jìn)行分類(lèi)。由于本文旨在比較3種可見(jiàn)光植被指數(shù)差異，因此僅設(shè)定光譜特征規(guī)則，具體為設(shè)定合適的閾值，將大于該閾值的對(duì)象歸為城市綠地，小于該閾值的對(duì)象歸為非城市綠地。本文選用5%經(jīng)驗(yàn)?zāi)Ｐ蚚19]，即統(tǒng)計(jì)累計(jì)像元數(shù)最接近5%的像元值設(shè)為閾值，并添加規(guī)則標(biāo)準(zhǔn)差大于0.02以剔除部分與植被光譜特征相似的非植被信息。各植被指數(shù)提取城市綠地結(jié)果如圖5所示。

圖5 各植被指數(shù)提取結(jié)果

2.3 精度評(píng)價(jià)

通過(guò)目視解譯對(duì)比，發(fā)現(xiàn)3種植被指數(shù)均能提取出大多數(shù)城市綠地信息，但仍存在部分錯(cuò)分漏分現(xiàn)象。為使提取結(jié)果能夠量化比較，在3種植被指數(shù)提取結(jié)果基礎(chǔ)上分別隨機(jī)生成200個(gè)樣本點(diǎn)進(jìn)行校驗(yàn)精度。由于無(wú)人機(jī)影像分辨率較高，可直接根據(jù)正射影像目視判別植被信息與非植被信息，判別結(jié)果生成混淆矩陣，用于城市綠地信息提取結(jié)果的精度評(píng)價(jià)。

表3 3種植被指數(shù)精度評(píng)價(jià)結(jié)果

Tab.3 Accuracy evaluation results of three vegetation indices

參考數(shù)據(jù)生產(chǎn)精度用戶(hù)精度總體精度Kappa系數(shù)VDVI92.478689.50.8099NGRDI91.6688860.7543NGBDI83.178483.50.7167

混淆矩陣常用于遙感影像分類(lèi)結(jié)果的精度驗(yàn)證，提供了4項(xiàng)指標(biāo)，分別為生產(chǎn)精度、用戶(hù)精度、總體精度以及kappa系數(shù)，前3項(xiàng)指標(biāo)值域?yàn)?～100,kappa系數(shù)值域?yàn)?1～1，且4項(xiàng)指標(biāo)均屬于正向指標(biāo)，即值越大代表影像分類(lèi)精度越高。

由表2可看出，3種植被指數(shù)提取精度均較高。首先從生產(chǎn)精度來(lái)看，該數(shù)值用于觀察影像的錯(cuò)分誤差，從表中可看出VDVI與NGRDI生產(chǎn)精度均超過(guò)90%，說(shuō)明上述指數(shù)中對(duì)于植被的錯(cuò)分現(xiàn)象較少，從采樣結(jié)果中看出錯(cuò)分現(xiàn)象主要為與城市綠地光譜特征相似的建筑或道路，如操場(chǎng)、淺綠色的屋頂?shù)龋欢鳱GBOI錯(cuò)分現(xiàn)象相對(duì)較多，主要是因?yàn)樵撝笖?shù)對(duì)于水體與綠地的區(qū)分能力較小，導(dǎo)致許多水體被歸為城市綠地。從用戶(hù)精度來(lái)看，該數(shù)值用于觀察影像的漏分誤差，從表中可看出3種植被指數(shù)差別較小，說(shuō)明均存在一定的漏分現(xiàn)象。通過(guò)樣本觀察，原因一是由于一些植被(如紫葉李)光譜特征異于一般植被；原因二是因?yàn)椴糠植莸貏偙恍藜粢灾劣谥脖惶卣鞑幻黠@；原因三是影像中的陰影區(qū)給影像分類(lèi)帶來(lái)噪聲影響。從總體精度來(lái)看，該數(shù)值代表影像總體分類(lèi)效果，3種植被指數(shù)提取精度均在83%以上，若在影像自動(dòng)提取的基礎(chǔ)上進(jìn)行少量的人工目視校正，其結(jié)果可滿足城市綠地統(tǒng)計(jì)要求。從kappa系數(shù)來(lái)看，VDVI一致性較高，說(shuō)明分類(lèi)可靠性較強(qiáng)；而其余兩個(gè)植被指數(shù)一致性較差，可靠性相對(duì)較弱。

3 分類(lèi)后處理

由于分類(lèi)后的結(jié)果尚存在一些錯(cuò)分漏分現(xiàn)象，如學(xué)校的塑膠操場(chǎng)，光譜和紋理特征都與植被極其近似，導(dǎo)致被錯(cuò)誤歸類(lèi)到城市綠地。以及存在一些分類(lèi)正確但面積太小且與周?chē)匚锊灰恢碌膶?duì)象，如草坪中受外界影響導(dǎo)致草類(lèi)長(zhǎng)勢(shì)不好的區(qū)域，形態(tài)上近似裸地，但這小片區(qū)域并不能真實(shí)反映這塊區(qū)域的土地覆被類(lèi)型，因此應(yīng)將其重新歸類(lèi)。

3.1 目視解譯修改

對(duì)于塑膠操場(chǎng)和個(gè)別建筑與構(gòu)筑物這類(lèi)面積較大但數(shù)量較小且難以通過(guò)光譜、紋理特征剔除的錯(cuò)分對(duì)象，采用對(duì)照影像進(jìn)行目視解譯的方法進(jìn)行局部修改。選用分類(lèi)總體精度最高的VDVI分類(lèi)結(jié)果為基礎(chǔ)，利用ENVI Class軟件通過(guò)目視解譯將錯(cuò)分漏分區(qū)域進(jìn)行更正。

3.2 小斑塊去除

對(duì)于虛假像元引起的小圖斑，目前常用處理方法包括Majority/Minority分析、聚類(lèi)處理(Clump)和過(guò)濾處理(Sieve)[20]。3者區(qū)別在于Majority/Minority分析是通過(guò)類(lèi)似于卷積濾波的方法將一定區(qū)域內(nèi)占主要/次要地位的像元類(lèi)別來(lái)代替中心像元的類(lèi)別；聚類(lèi)處理通過(guò)腐蝕或膨脹將臨近的類(lèi)似分類(lèi)區(qū)域聚類(lèi)以平滑影像中的斑點(diǎn)或洞；過(guò)濾處理通過(guò)斑點(diǎn)分組的方法來(lái)解決影像中的孤島問(wèn)題。由于3種方法的功能各有側(cè)重，本文綜合運(yùn)用3種方法使分類(lèi)結(jié)果更加精確：首先采用Majority分析工具去除影像中大部分斑點(diǎn)噪聲，再使用聚類(lèi)處理中膨脹工具使影像更加平滑，最后利用過(guò)濾處理工具處理仍存在的孤島像元并進(jìn)行重新歸類(lèi)。

3.3 城市綠化覆蓋度計(jì)算

在更正結(jié)果基礎(chǔ)上隨機(jī)生成100個(gè)采樣點(diǎn)驗(yàn)證其精度，當(dāng)滿足連續(xù)3次驗(yàn)證結(jié)果總體分類(lèi)精度均大于95%時(shí)，將其進(jìn)行矢量化以統(tǒng)計(jì)面積。統(tǒng)計(jì)得出研究區(qū)內(nèi)城市綠地面積為2.3948 km2，已知研究區(qū)面積為5.9764 km2，依據(jù)公式(4)[16]可得到研究區(qū)城市綠化覆蓋率為40.04%。將最終分類(lèi)結(jié)果疊加原始影像輸出最終結(jié)果為圖6。

圖6 研究區(qū)城市綠地分布圖

(4)

式中，G為城市綠化覆蓋率，P為城市內(nèi)5大類(lèi)綠地面積總和，A為城市用地面積。

4 結(jié)論

相比傳統(tǒng)的城市綠地信息提取，無(wú)人機(jī)遙感具有提取精度高、數(shù)據(jù)獲取靈活方便、成本較低等優(yōu)勢(shì)，對(duì)于小范圍內(nèi)的高精度綠地信息提取具有十分大的發(fā)展?jié)摿Α１疚幕诟叻直媛薀o(wú)人機(jī)影像，通過(guò)多尺度分割，構(gòu)建3種不同的可見(jiàn)光植被指數(shù)，選取合適閾值建立光譜規(guī)則，提取得到北川縣城市綠地分布概況結(jié)果，并通過(guò)對(duì)比分析，得出以下結(jié)論：

(1)基于高分辨率無(wú)人機(jī)影像的面向?qū)ο蠓诸?lèi)技術(shù)適用于城市綠地提取統(tǒng)計(jì)。本文所采用的3種植被指數(shù)均能較好地區(qū)分植被與非植被信息，其中基于VDVI的分割精度要高于NGRDI與NGBDI,提取總體精度達(dá)到89.5%，證明無(wú)人機(jī)遙感在城市綠地信息獲取方面的可行性。

(2)依據(jù)植被指數(shù)提取結(jié)果，通過(guò)分類(lèi)后處理校正，最終統(tǒng)計(jì)得到北川縣城建成區(qū)綠化覆蓋度為40.04%。對(duì)比2017年四川省統(tǒng)計(jì)年鑒所公布的數(shù)據(jù)中，北川縣建成區(qū)綠化覆蓋度為44%，分類(lèi)結(jié)果比該值略低，經(jīng)過(guò)分析是由于季節(jié)差異，自然環(huán)境變化，統(tǒng)計(jì)方式等帶來(lái)的誤差，屬于可控范圍。

本文還存在以下不足：

(1)本文所采用的方法優(yōu)勢(shì)在于能夠有效提取狹小綠地，如行道樹(shù)、花壇等，但也造成部分綠地圖斑破碎，封閉綠地中存在細(xì)小的洞、斑點(diǎn)現(xiàn)象。

(2)本文僅通過(guò)構(gòu)建可見(jiàn)光植被指數(shù)的方法進(jìn)行綠地提取，因此僅考慮到影像的光譜特征，而對(duì)于部分富營(yíng)養(yǎng)化的水體以及近似植被光譜特征的非植被區(qū)域區(qū)分效果較差，部分植被覆蓋度較低或顏色特殊的綠地被遺漏，自動(dòng)提取結(jié)果存在錯(cuò)分、漏分現(xiàn)象。

(3)由于影像分辨率高，數(shù)據(jù)量大，導(dǎo)致計(jì)算機(jī)處理速度較慢，且目前無(wú)人機(jī)在續(xù)航能力方面的技術(shù)還不成熟，因此該方法暫不適用于空間尺度太大的區(qū)域。