龍妙玲

(昆明逸鏡生態(tài)工程咨詢有限公司，云南 昆明 650224)

引言

森林環(huán)境具有地形復(fù)雜性、資源多樣性以及物種豐富性等特點，在自然氣候條件與人文條件作用下，具有不同多維資源動態(tài)變化特征。為了得到準確的資源變化數(shù)據(jù)，大量學(xué)者及相關(guān)工作人員研究了不同類型的森林環(huán)境多維資源動態(tài)監(jiān)測方法。目前監(jiān)測技術(shù)發(fā)展較快，如氣相色譜-原子吸收光譜聯(lián)用儀(GC-AAS)等設(shè)備，都是由監(jiān)測技術(shù)發(fā)展而來的。目前全球范圍內(nèi)的監(jiān)測技術(shù)都圍繞著連續(xù)性、自動性、動態(tài)性等目標進行創(chuàng)新。段功豪、牛瑞卿等人[1]針對監(jiān)測方法的反饋效果，利用大量不同的因子作為基本指標，通過關(guān)聯(lián)規(guī)則算法挖掘海量數(shù)據(jù)特征，將其作為多維動態(tài)變化的判斷依據(jù)，為多維資源動態(tài)監(jiān)測提供了全新的監(jiān)測思路。此次研究在大量先進監(jiān)測技術(shù)以及方法的基礎(chǔ)上，結(jié)合傳統(tǒng)方法存在的問題，引入高分辨率遙感影像，進一步優(yōu)化監(jiān)測方法的工作效果。高分辨率遙感影像是通過質(zhì)量和數(shù)量滿足一定預(yù)期的遙感技術(shù)獲得的，此類圖像的出現(xiàn)不僅對于城市規(guī)劃、土地利用監(jiān)測有良好影響，還為環(huán)境監(jiān)測和治理工作提供更加詳細的數(shù)據(jù)。

1 基于高分辨率遙感影像的森林環(huán)境多維資源動態(tài)監(jiān)測方法

1.1 分類森林環(huán)境場景和目標場景

與一般意義上的圖像分類不同，遙感影像分類根據(jù)像元級地物屬性進行劃分，以此才能實現(xiàn)影像分割。按照森林環(huán)境的地理屬性以及生物多樣性，設(shè)置不同的劃分等級以及類型，利用自動化技術(shù)自動判定某個目標的所屬類別以及屬性。森林環(huán)境場景分類隸屬于整個影像分析范疇，通過判斷、注釋以及標注手段，得到不同維度的環(huán)境影像劃分結(jié)果。利用遙感設(shè)備獲得高分辨率遙感影像，進行場景分類，根據(jù)預(yù)先掌握的目標種類標記目標的具體類別。由于不同傳感器產(chǎn)生的遙感影像之間存在較大差異，為此當影像受日照、氣候以及云霧等自然因素影響時，可采用灰度統(tǒng)計特征法、視覺感知特征法、模糊理論及粗糙集理論以及分形模型法等，識別目標物特征。結(jié)合識別結(jié)果選擇基于中層語義建模的場景分類算法，對低層特征的目標物進行整合，利用特征與類別之間的聯(lián)系，通過多局部特征融合提高分類識別率。分類后的場景中包括無數(shù)個小目標，這些目標之間的類別差異大、屬性完全不同，為此需要對森林環(huán)境中的各項目標進行分類。高立兵、蘇軍德[2]提出的基于物聯(lián)網(wǎng)技術(shù)的監(jiān)測數(shù)據(jù)集成方法，設(shè)置一種地上與地下相關(guān)的目標分類框架，考慮地上和地下環(huán)境的不同，利用RVM進行目標分類，同時利用其極化特性細化目標類型與屬性。

1.2 分割高分辨率遙感影像

對遙感影像進行分類后，依靠德國Definiens Imaging公司開發(fā)的智能化影像分析軟件e Cognition分割高分辨率遙感影像。分割就是以光譜特征、紋理特征等數(shù)據(jù)為依據(jù)，將不同類型的遙感影像劃分為若干組區(qū)域，以區(qū)域為單位提取影像特征，實現(xiàn)對森林環(huán)境的多維資源動態(tài)分析。多尺度分割是一個自下而上的區(qū)域整合處理過程，從單一像素開始，經(jīng)過區(qū)域整合和限制條件約束，生成極小的像斑，再生成更大的像斑，利用潛在的優(yōu)化程序，將像斑的加權(quán)異質(zhì)性控制在最小值。假設(shè)像斑的尺寸用m表示，像斑的異質(zhì)性用k來表示，則加權(quán)異質(zhì)性的取值結(jié)果為mk。在所有像斑整合處理過程中，新像斑與原像斑異質(zhì)性的提高程度，決定了不同像斑之間的整合效果。當最小的異質(zhì)性超過設(shè)定的值時，完成像斑整合。通過上述分析可知，生成和整合像斑的重要屬性和測度，均為像斑的異質(zhì)性，因此結(jié)合現(xiàn)有的遙感影像分割技術(shù)，假設(shè)異質(zhì)性參數(shù)為λ，則該值可通過下列計算公式獲得：

λ=s1Δk1+s2Δk2

(1)

式中，s1、s2分別表示灰度和形狀的權(quán)重值，2個參數(shù)的取值范圍為[0,1]，且2個參數(shù)之和為1，即存在s1+s2=1；Δk1和Δk2分別表示灰度和形狀的變化值，2組參數(shù)通過下列方程組計算獲得：

(2)

(3)

式中，b表示像斑周長；c表示像斑的外接矩周長；b′、b″表示用于整合的2個像斑的周長；c′、c″表示用于整合的2個像斑的外接矩周長。根據(jù)上述分割結(jié)果可知，異質(zhì)性λ受像斑灰度、形狀及其權(quán)重值的影響。根據(jù)上述分割過程，得到不同尺寸的像斑，根據(jù)分割結(jié)果建立像斑層次網(wǎng)絡(luò)圖[3]。已知像斑邊界，不能超出上一層邊界范圍，且下一層分割的像斑邊界，也要小于當前層次像斑范圍。

1.3 計算環(huán)境多維特征

以像斑分割結(jié)果為前提，計算環(huán)境多維特征。選擇DCNN深度學(xué)習(xí)模型，提取像斑層次網(wǎng)絡(luò)圖的全局特征和多維資源動態(tài)能力。已知深度學(xué)習(xí)模型需要大量訓(xùn)練參數(shù)，因此重復(fù)利用中間層計算單元，可以減少參數(shù)的體量。DCNN模型根據(jù)像斑層次網(wǎng)絡(luò)圖所示的局部稀疏特性，建立相鄰兩層之間的連接模式，利用權(quán)重共享減少參數(shù)，采用共享權(quán)重單元設(shè)置特征映射條件，通過池化操作法獲取特征的最大值。假設(shè)前層特征圖為u，濾波核為h，當卷積層為第L層、采樣層為第L+1層時，第L層中第j個像斑的計算公式：

(4)

(5)

(6)

則根據(jù)上述計算結(jié)果，得到第j個像斑的卷積核h的梯度，公式：

(7)

(8)

式中，Π表示下采樣系數(shù)[4]。

通過上述計算，獲得環(huán)境多維梯度特征。

1.4 監(jiān)測與生成森林環(huán)境多維資源動態(tài)信息

將監(jiān)測區(qū)域設(shè)置為3部分，分別為外部區(qū)域、內(nèi)部區(qū)域以及邊界區(qū)域，其中外部與內(nèi)部區(qū)域分別是無界的和有界的。根據(jù)得到的梯度特征，將簡單多邊形看作內(nèi)部區(qū)域、邊界區(qū)域的并集。森林環(huán)境遙感影像的空間拓撲位置之間，存在相離關(guān)系或相鄰關(guān)系，通過疊置環(huán)境多維梯度特征，獲取各自頂點坐標，建立雙向鏈表數(shù)據(jù)結(jié)構(gòu)，根據(jù)閉合多邊形的節(jié)點坐標，監(jiān)測相應(yīng)的高分辨率遙感影像動態(tài)變化情況。森林環(huán)境多維資源動態(tài)監(jiān)測流程見圖1[5]。

圖1 森林環(huán)境多維資源動態(tài)監(jiān)測流程

按照上述監(jiān)測流程設(shè)置監(jiān)測軟件的監(jiān)測算法，通過定位多維資源的動態(tài)變化數(shù)據(jù)，為監(jiān)測中心提供實時環(huán)境變化數(shù)據(jù)，至此實現(xiàn)基于高分辨率遙感影像的森林環(huán)境多維資源動態(tài)監(jiān)測。

2 應(yīng)用測試

2.1 準備工作

為了檢驗此次提出監(jiān)測方法的可靠程度和實際使用效果，搭建實驗測試平臺，選擇一處國家級森林公園作為測試對象，代替實際野外森林環(huán)境，降低應(yīng)用測試風(fēng)險。將選擇的森林公園隨機劃分成3塊面積不等的監(jiān)測區(qū)域，分別記為區(qū)域A、區(qū)域B以及區(qū)域C，該森林公園2020年的環(huán)境參數(shù)見表1。

表1 森林公園基本環(huán)境參數(shù)

根據(jù)表1顯示的森林公園基本環(huán)境數(shù)據(jù)可知，區(qū)域A、區(qū)域B以及區(qū)域C的基本自然條件較為相近，因此選擇區(qū)域A、區(qū)域B作為基本測試環(huán)境，區(qū)域C作為備用。將此次文中研究的監(jiān)測方法作為實驗組測試對象，同時引入其它2組傳統(tǒng)監(jiān)測方法，并將傳統(tǒng)監(jiān)測方法分別標記為對照1組、對照2組，比較3組方法在監(jiān)測反饋過程中，得到的多維資源動態(tài)變化差異。

2.2 區(qū)域A的監(jiān)測數(shù)據(jù)反饋效果測試

實驗的第1階段測試將區(qū)域A作為應(yīng)用環(huán)境，利用3組方法監(jiān)測固定時間內(nèi)，該區(qū)域的多維資源動態(tài)變化情況。為了保證實驗測試結(jié)果真實可靠具有說服力度，本次實驗共進行20次，第1階段應(yīng)用測試結(jié)果見表2。

表2 區(qū)域B監(jiān)測數(shù)據(jù)反饋效果統(tǒng)計表

根據(jù)表2顯示的數(shù)據(jù)可知，實驗組的反饋時間在5～6s，對照1組和對照2組的反饋時間在9～10.5s。但觀察表2顯示的20組測試數(shù)據(jù)發(fā)現(xiàn)，對照1組的第8組和第9組測試結(jié)果均為100.00s，為不正常數(shù)據(jù)。調(diào)查監(jiān)測軟件并找到專業(yè)技術(shù)人員進行分析，發(fā)現(xiàn)對照1組在進行第8組、第9組測試時，計算機突然卡頓，導(dǎo)致測試結(jié)果偏離正常范圍。經(jīng)過2輪查證對照1組的其它測試組數(shù)據(jù)正常，因此只剔除這2組監(jiān)測反饋數(shù)據(jù)。計算3個測試組監(jiān)測數(shù)據(jù)平均反饋用時，分別為5.522s、9.498s、10.054s。根據(jù)此項數(shù)據(jù)不難發(fā)現(xiàn)，所研究方法的監(jiān)測數(shù)據(jù)反饋時間，分別比傳統(tǒng)方法快了3.976s和4.532s。

2.3 區(qū)域B的多維資源動態(tài)監(jiān)測效果

實驗第2階段將區(qū)域B作為應(yīng)用環(huán)境，分別利用3組方法監(jiān)測固定時間段內(nèi)，區(qū)域B的多維資源動態(tài)變化情況，比較3組方法監(jiān)測動態(tài)數(shù)據(jù)的效果。圖2為第2階段應(yīng)用測試結(jié)果。

圖2 區(qū)域B多維資源動態(tài)監(jiān)測效果

根據(jù)圖中監(jiān)測結(jié)果可以發(fā)現(xiàn)，面對同樣的測試環(huán)境，所設(shè)計監(jiān)測方法的反饋速度更快，得到的森林公園資源數(shù)據(jù)更加豐富，獲得了良好的動態(tài)監(jiān)測效果。而2組傳統(tǒng)方法在同樣的監(jiān)測時間內(nèi)，由于數(shù)據(jù)反饋速度較慢，得到的監(jiān)測數(shù)據(jù)不夠完整，可見傳統(tǒng)方法監(jiān)測數(shù)據(jù)時的動態(tài)效果不強。綜合兩階段測試結(jié)果，驗證了此次文中研究的監(jiān)測方法，對于森林環(huán)境多維資源，有更好的動態(tài)監(jiān)測效果。

3 結(jié)束語

此次研究在明確傳統(tǒng)監(jiān)測方法的現(xiàn)有問題后，有針對性地解決了監(jiān)測數(shù)據(jù)反饋效率，為森林環(huán)境保護工作提供了更加完整、詳細的監(jiān)測數(shù)據(jù)。但根據(jù)文中提出的監(jiān)測過程可以看出，此方法的計算步驟稍顯復(fù)雜，因此在計算時容易出現(xiàn)誤差，影響后續(xù)計算結(jié)果。今后可以設(shè)置一個具有自動化計算功能，并能實時驗證的模型，簡化分割影像時的計算步驟，將誤差控制在最小范圍內(nèi)，為森林建設(shè)與保護工作提供更精準的參考數(shù)據(jù)。