楊樟平 曹碧鳳 謝巧雅 鄧洋波 劉健 余坤勇

(福建農(nóng)林大學(xué)，福州，350002) (永安市林業(yè)局) (福建農(nóng)林大學(xué))

毛竹作為典型竹種，在集體林區(qū)存在分布范圍廣、開發(fā)程度高等特點(diǎn)。是南方地區(qū)林農(nóng)經(jīng)濟(jì)發(fā)展的重要來源[1]。毛竹林立竹度是指單位面積的毛竹立木的數(shù)量，它是毛竹林生產(chǎn)力重要指標(biāo)之一，也是群體結(jié)構(gòu)基本的數(shù)量特征之一[2]。通過監(jiān)測(cè)毛竹林立竹度變化，能夠在一定程度上直觀地反應(yīng)竹林生產(chǎn)力[3]，而竹林生產(chǎn)力正是體現(xiàn)毛竹經(jīng)濟(jì)效益最直接的指標(biāo)。然而由于毛竹自身生長(zhǎng)和經(jīng)營(yíng)特點(diǎn)(擇伐)，毛竹林立竹度會(huì)隨著竹林出筍量和采伐量而產(chǎn)生相應(yīng)的變化，過高的立竹度不僅會(huì)影響新竹和鮮筍產(chǎn)量，同時(shí)對(duì)毛竹的胸徑、竹高、干質(zhì)量、干形等均有影響[4]。根據(jù)前人研究表明[5]，在一定的立地條件下，毛竹林立竹度存在著最適范圍，隨著林木發(fā)育時(shí)期的差異，這個(gè)范圍存在一定的波動(dòng)。而維持林地合理的經(jīng)營(yíng)密度，不僅改善了竹林空間結(jié)構(gòu)，提高竹林生產(chǎn)力，還充分發(fā)揮竹林生態(tài)功能[2]。因此，實(shí)現(xiàn)毛竹林立竹度的提取，結(jié)合竹林生長(zhǎng)發(fā)育過程中的密度作用規(guī)律，調(diào)整竹林的密度，提高毛竹林的生產(chǎn)力，充分發(fā)揮竹林生態(tài)功能，實(shí)現(xiàn)對(duì)竹林可持續(xù)經(jīng)營(yíng)管理具有十分重要的意義。

傳統(tǒng)的毛竹林立竹度實(shí)測(cè)調(diào)查存在工作艱苦、工作時(shí)間長(zhǎng)、工作效率低下等幾個(gè)問題，限制了快速、大面積的林業(yè)資源監(jiān)測(cè)以及竹林?jǐn)?shù)據(jù)的提取?，F(xiàn)如今，研究者們通過遙感的估測(cè)方法，能夠進(jìn)行大尺度快速的林地信息的獲取。其中無人機(jī)遙感具有低成本、體積小、高時(shí)效性、高分辨率等優(yōu)勢(shì)，所以采用無人機(jī)遙感手段進(jìn)行毛竹林立竹度估測(cè)是當(dāng)前研究的重點(diǎn)方向。由于毛竹存在著毛竹高低的交錯(cuò)效應(yīng)和尾梢現(xiàn)象，在多光譜的遙感中實(shí)現(xiàn)純單株毛竹識(shí)別存在較大難度。鑒于崔少偉等[6]基于QuickBird影像和面向?qū)ο蠓指罴夹g(shù)，運(yùn)用目視手動(dòng)法和種子區(qū)域生長(zhǎng)法對(duì)研究區(qū)內(nèi)單株樹冠進(jìn)行了提取。王雅佩等[7]基于無人機(jī)影像，利用面向?qū)ο蠖喑叨确指罘椒ê推骄诜ü罍y(cè)林分冠層遮擋區(qū)域林木株數(shù)，實(shí)現(xiàn)對(duì)天山云杉林分密度有效提取。因此，影像分割獲得圖斑特征可為遙感識(shí)別毛竹立竹度提供基礎(chǔ)。

因此，研究以福建三明永安天寶巖國(guó)家級(jí)自然保護(hù)區(qū)毛竹林為研究對(duì)象，基于圖像多尺度分割技術(shù)，結(jié)合毛竹冠幅幾何形狀特征和實(shí)際毛竹定位，構(gòu)建毛竹株數(shù)識(shí)別單元，通過對(duì)比分析確定毛竹林立竹度識(shí)別單元的最佳分類算法，實(shí)現(xiàn)毛竹林立竹度更高精度提取，為毛竹林可持續(xù)經(jīng)營(yíng)提供理論依據(jù)及進(jìn)一步深入研究無人機(jī)影像信息提取竹林資源信息技術(shù)奠定基礎(chǔ)。

1 研究區(qū)概況

研究區(qū)位于福建三明永安竹資源豐富的天寶巖國(guó)家級(jí)自然保護(hù)區(qū)(117°28′3″～117°35′28″E，25°50′51″～26°1′20″N)。如圖1，與上坪、青水和西洋(鄉(xiāng)、鎮(zhèn))接壤，海拔580～1 605 m，地貌特征為“九山半水半分田”。屬中亞熱帶海洋性季風(fēng)氣候，常年溫暖濕潤(rùn)，年均氣溫15 ℃。研究區(qū)域生態(tài)環(huán)境良好，物種豐富，是國(guó)內(nèi)少有的物種基因庫之一。此地土壤類型以紅壤為主，植被類型主要包括毛竹林、常綠闊葉林、針闊混交林、針葉林等，其中毛竹的面積達(dá)到5.85萬hm2[12-13]。

圖1 研究區(qū)位置圖

2 研究方法

2.1 數(shù)據(jù)獲取以及影像預(yù)處理

2018年12月至2019年4月在福建省毛竹之鄉(xiāng)的永安市進(jìn)行野外實(shí)地調(diào)查，采集實(shí)驗(yàn)數(shù)據(jù)。在研究區(qū)內(nèi)共布設(shè)了12個(gè)10 m×10 m不同密度的毛竹林樣地，采用高精度亞米級(jí)GPS儀(Unistrong-Z5)獲取各個(gè)樣地坐標(biāo)，通過每木檢尺調(diào)查得到每塊樣地的株數(shù)量，按照平均株數(shù)量，將這12塊樣地分成3種不同密度的模式，分別為3 000、2 100、1 200株/hm2。每種模式布設(shè)有4塊樣地，經(jīng)過多次飛行發(fā)現(xiàn)四旋翼無人機(jī)搭載多光譜鏡頭采集航高在150 m的毛竹林影像數(shù)據(jù)較好。采集時(shí)考慮陽光直射效應(yīng)的影響，選擇無風(fēng)且陽光充足(上午11:00至下午14:00)的時(shí)間飛行。無人機(jī)飛行參數(shù)設(shè)置均為航向重疊為80%，旁向重疊率為70%，任務(wù)巡航速度為7 m/s。采用Pix4D Mapper軟件對(duì)3種密度模式的無人機(jī)原始影像分別進(jìn)行信息檢測(cè)、拼接及幾何校正等預(yù)處理，同時(shí)基于同步采集的白板信息進(jìn)行影像的輻射校準(zhǔn)。

本研究對(duì)毛竹林無人機(jī)影像進(jìn)行多尺度分割，并結(jié)合實(shí)際毛竹定位來構(gòu)建毛竹株數(shù)識(shí)別單元。以傳統(tǒng)毛竹林立竹度測(cè)定結(jié)果對(duì)不同分類算法立竹度的提取效果進(jìn)行驗(yàn)證，確定精度最優(yōu)算法。

2.2 面向?qū)ο蠖喑叨确指?/h3>

影像分析的前提條件是圖像分割。圖像分割就是將完整的一幅遙感影像分割成若干個(gè)與相鄰小區(qū)差異性顯著的區(qū)塊，從而得到具有一定灰度、顏色、紋理特性的區(qū)域?；谔卣鞑町愋宰钚?，相似性最大的規(guī)則，多尺度分割就是將影像中的一個(gè)像元點(diǎn)自上而下的進(jìn)行區(qū)域合并，若異質(zhì)性變化比閾值小，則合并，反之則不合并；而閾值是與設(shè)定的尺度大小相關(guān)[14]，最后得到異質(zhì)性最小，同質(zhì)性高的影像對(duì)象斑塊，這種斑塊也就是影像對(duì)象[15]。針對(duì)無人機(jī)影像，選擇能夠更加有效的表達(dá)光譜特征的波段組合：藍(lán)光波段(band1)、紅光波段(band3)、近紅外波段(band4)、歸一化植被指數(shù)(NDVI)，紋理特征均值(mean)，作為分割對(duì)象[16]。分割尺度對(duì)分割的影響最大，形狀指數(shù)次之，緊致度最小[17]。因此，取形狀指數(shù)取值偏小，緊致度取值偏大，有利于分割結(jié)果解析。

2.3 識(shí)別單元的構(gòu)建

幾何特征是面向?qū)ο蠓椒ㄋ赜械奶卣鲄?shù)，用于選擇分割對(duì)象的面積和形狀，根據(jù)毛竹冠層形狀特征，主要選擇形狀參數(shù)有形狀緊密性、圓度和面積。有效的構(gòu)建識(shí)別單元的決策，也能更加方便目視解譯選擇毛竹林立竹度識(shí)別單元的基礎(chǔ)樣本。

面積(A)是通過形成多邊形對(duì)象的像元數(shù)進(jìn)行計(jì)算的，如果影像沒有坐標(biāo)，單位為像元，若影像具有地理坐標(biāo)，則單位與影像一致。

A=Pi×u2。

(1)

形狀緊密性(C)是通過多邊形的面積與具有相同周長(zhǎng)圓的面積的比率計(jì)算得到的，是描述多邊形的緊致度，其中圓的緊密性最好，其值為1/Pi。

在線自助游指通過互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)及電話呼叫中心等方式，為個(gè)人消費(fèi)者在自主安排行程的過程中，提供部分行程中的旅游度假產(chǎn)品和服務(wù)的行業(yè)。

(2)

圓度(R)是通過4倍的對(duì)象面積與對(duì)象邊長(zhǎng)最大直徑平方和面積的乘積的比值。

(3)

式中：Pi是圓周率；u是坐標(biāo)系中像元的大小，若無單位則值為1；Av是指基于對(duì)象生成的多面形的面積；L多邊形外輪廓周長(zhǎng)；Dmax是對(duì)象邊長(zhǎng)最大直徑。

2.4 分類方法選取

針對(duì)分割后圖像信息的提取，存在著許許多多的分類算法?？紤]針對(duì)不同的目標(biāo)物提取，分類算法的不同也會(huì)導(dǎo)致精度的存在差異性。為確立有效的分類方法，研究挑選以下應(yīng)用較普遍的3類算法對(duì)毛竹林立竹度提取效果進(jìn)行比較并以混淆矩陣的總體分類精度和Kappa系數(shù)作為其分類效果的判斷指標(biāo)[18]，進(jìn)而確定最佳分類方法。

K鄰近法(KNN)是一種簡(jiǎn)單有效的機(jī)器學(xué)習(xí)算法，它是一種lazy-learning算法。該方法實(shí)現(xiàn)對(duì)樣本的分類的思路是基于未知樣本、已知樣本之間的距離，根據(jù)距離大小找到鄰近的兩種樣本，并將已知樣本的類別賦予給未知的樣本[19]。KNN最初被用于解決文本分類問題，后來被廣泛應(yīng)用于模式識(shí)別的各個(gè)領(lǐng)域，并且取得了很好的效果，基于前人的研究以及不斷的測(cè)試誤差、本研究參數(shù)選擇K值為3。

支持向量機(jī)(SVM)是一種基于監(jiān)督學(xué)習(xí)進(jìn)行分類的分類器。其算法的實(shí)現(xiàn)主要包括核函數(shù)和相關(guān)參數(shù)的選取，通過尋找具有最大間隔的區(qū)間超平面，將其當(dāng)作決策平面分類的數(shù)據(jù)。在針對(duì)于小樣本和非線性、高維度的特征空間模式的識(shí)別問題上具有一定的優(yōu)勢(shì)，且可推廣應(yīng)用其他類型的機(jī)器學(xué)習(xí)中。對(duì)比前人研究結(jié)果，SVM核函數(shù)選用徑向核函數(shù)、懲罰因子和核函數(shù)參數(shù)用默認(rèn)參數(shù)。

隨機(jī)森林(RF)模型是由Breiman和Cutler在2001年提出的一種基于分類樹的算法。它對(duì)大量分類樹進(jìn)行匯總，提高了模型的預(yù)測(cè)精度，是取代神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)機(jī)器學(xué)習(xí)方法的新的模型[20]。RF不需要顧慮一般多元共線性的問題，不用做變量選擇。另外，隨機(jī)森林便于計(jì)算變量的非線性作用，而且可以體現(xiàn)變量間的交互作用[21]。它不需要先驗(yàn)知識(shí)，只要通過對(duì)給定的已知樣本進(jìn)行學(xué)習(xí)形成一定的分類規(guī)則，它的構(gòu)建過程主要由生成訓(xùn)練集、構(gòu)建決策樹及算法的生成3個(gè)方面[22]?；贓NVI擴(kuò)展工具Random Forest Classification不斷的誤差分析及反復(fù)試驗(yàn)，本文RF選擇模型參數(shù)決策樹數(shù)量為100、最小樣本為1。

3 結(jié)果與分析

3.1 毛竹數(shù)量識(shí)別單元的確定

基于面向?qū)ο蠓指畹慕Y(jié)果，結(jié)合實(shí)際定位數(shù)據(jù)對(duì)識(shí)別單元基礎(chǔ)樣本選取。在目視解譯影像中，毛竹數(shù)量識(shí)別單元有3類，其中以1株毛竹和2株毛竹兩種類型的識(shí)別單元為主，由于3株毛竹樣本數(shù)過少，則不進(jìn)行3株樣本的統(tǒng)計(jì)分析，僅通過實(shí)際定位與目視判別選擇樣本。1株和2株的識(shí)別單元樣本進(jìn)行幾何形狀特征見圖2，識(shí)別單元示意圖如圖3和圖4。針對(duì)選擇的毛竹株數(shù)識(shí)別基礎(chǔ)單元，從1株和2株的識(shí)別單元中各隨機(jī)選取了31個(gè)樣本，并對(duì)其面積、緊密性以及圓度等進(jìn)行統(tǒng)計(jì)分析如表1所示。

圖2 樣本幾何形狀示意圖

圖3 部分1株識(shí)別單元幾何示意圖

圖4 部分2株識(shí)別單元幾何示意圖

基于識(shí)別單元的幾何形狀比較，1株毛竹樣本的幾何面積小于2株，幾何面積總體小于等于3 m2，緊密性大于等于0.2、圓度0.6～0.7。2株毛竹基本單元的面積總體在4～8 m2，緊密性都小于0.2、圓度小于0.6；1株的圓度值比2株的圓度值更接近于1；1株的樣本的緊密性較2株的樣本值更接近于0.3(1/Pi)。由于影像邊緣存在紋理、光譜信息的差異，導(dǎo)致1株毛竹和2株毛竹識(shí)別單元形狀有所不同，但總體的趨勢(shì)類型存在一致性。1株毛竹樣本幾何形狀更趨近圓形，2株毛竹的幾何形狀趨近于長(zhǎng)橢圓形，3株毛竹總體上近似于長(zhǎng)條形。

基于識(shí)別單元的幾何特征進(jìn)行統(tǒng)計(jì)分析，結(jié)果見表1。從表格可以看出，1株毛竹識(shí)別單元的面積平均值為2.42 m2，對(duì)應(yīng)的變異系數(shù)是25.88%；2株毛竹識(shí)別單元的面積平均值為6.69 m2，明顯較1株的大，對(duì)應(yīng)的變異系數(shù)是34.1%。而1株的緊密型和圓度分別為0.22、0.67，大于2株的緊密性和圓度。

表1 基于150 m高度的識(shí)別單元幾何特征描述統(tǒng)計(jì)

3.2 最優(yōu)算法的確定

基于面向?qū)ο蠓指詈妥R(shí)別單元構(gòu)建，本研究對(duì)比分析了不同分類方法(KNN、SVM和RF)對(duì)毛竹林無人機(jī)影像目標(biāo)物識(shí)別的效果。通過3種密度模式的毛竹林中均隨機(jī)選取4個(gè)樣地，基于實(shí)際毛竹定位和樣地株數(shù)，結(jié)合目視解譯，在其中兩個(gè)樣地中選取40個(gè)不同地物的識(shí)別單元樣本作為目標(biāo)物識(shí)別的訓(xùn)練樣本，得到結(jié)果見圖5至圖7，另外兩個(gè)樣地中選取了70個(gè)不同地物的識(shí)別單元(樣本)用于精度驗(yàn)證，3種方法精度驗(yàn)證結(jié)果見表2。

基于圖像分割和識(shí)別單元判定決策，采用3種分類方法進(jìn)行毛竹林目標(biāo)物識(shí)別。通過表2可知，在3種密度模式中，KNN與SVM在3 000株/hm2模式提取效果較佳，分別為92.88%、90.84%，Kappa系數(shù)為0.861 6、0.817 2。RF則在2 100株/hm2模式提取精度最好，其總體精度達(dá)95.99%，Kappa系數(shù)為0.931 6。并且RF在其他兩種模式中精度分別為94.04%、93.66%，Kappa系數(shù)分別為0.878 4、0.915 0，其精度都明顯大于其他兩者。依據(jù)3類算法KNN、SVM、RF提取精度平均值分別為90.70%、89.64%、94.56%，Kappa系數(shù)為0.859 7、0.830 6、0.945 6，提取效果排序由大到小為RF、KNN、SVM。可以判斷，RF算法是其中提取毛竹立竹度的最優(yōu)分類方法。

4 結(jié)論與討論

毛竹林立竹度是影響毛竹林生長(zhǎng)發(fā)育過程的一個(gè)重要因素，是竹林經(jīng)濟(jì)效益的重點(diǎn)指標(biāo)之一。因此，研究毛竹林立竹度如何快速，大范圍的提取具有重要的意義。為今后能夠達(dá)到更好更有效的竹林資源的利用與管理奠定基礎(chǔ)。本研究基于無人機(jī)多光譜遙感數(shù)據(jù)，利用了圖像分割，以毛竹冠幅幾何表達(dá)特點(diǎn)作為分類依據(jù)，構(gòu)建毛竹林立竹度識(shí)別單元，結(jié)合不同分類算法實(shí)現(xiàn)對(duì)毛竹林立竹度的提取，并取得了一定的成果。

根據(jù)目視解譯影像中毛竹冠層形狀結(jié)合實(shí)際毛竹定位，將毛竹林立竹度的識(shí)別單元分成1株毛竹、2株毛竹、3株毛竹?；趫D像分割，3類識(shí)別單元整體形狀表達(dá)具有一致性。1株毛竹立竹度識(shí)別單元幾何參數(shù)指標(biāo)趨近于圓形，2株毛竹的識(shí)別單元的幾何形狀近似于長(zhǎng)橢圓形；3株毛竹的識(shí)別單元幾何形狀與2株毛竹相似，但長(zhǎng)度相對(duì)更長(zhǎng)、近似于長(zhǎng)條形。這取決于無人機(jī)多光譜的影像特征，為實(shí)現(xiàn)毛竹林立竹度提取的提供重要基礎(chǔ)。本文采用面對(duì)對(duì)象多尺度分割實(shí)現(xiàn)多種地物信息的提取[23]，解決了遙感影像中不同類型的地物存在“過分割”和“欠分割”現(xiàn)像，并取得較好結(jié)果。與郝瀧等[24]基于面向?qū)ο蠓诸惙ㄌ崛」诜畔?，?shí)現(xiàn)天山云杉材積的提取具有一致性。為了提高毛竹林立竹度的提取精度，對(duì)比分析3種分類方法對(duì)立竹度的提取效果，結(jié)果證明：RF對(duì)毛竹林立竹度提取的平均總體精度高達(dá)94.56%，Kappa系數(shù)為0.908 3，是這3種分類中提取效果最佳的。不同的分類方法對(duì)不同類型數(shù)據(jù)處理存在一定差異性，KNN的分類實(shí)質(zhì)主要取決于測(cè)試示例與訓(xùn)練示例之間的相似度[25]，在面對(duì)研究區(qū)樣本容量過大情況，可能導(dǎo)致樣本中極少的3株類別被忽視。SVM則是最初在線性可分情況下尋求最優(yōu)分類面,是為解決二類分類問題提出來，然而面對(duì)研究區(qū)多普遍存在的多分類問題存在一定困難[26]，導(dǎo)致這兩類方法分類精度略低。反觀RF在數(shù)據(jù)集表現(xiàn)良好，且精確度比較高，既能處理離散型數(shù)據(jù)，也能處理連續(xù)型數(shù)據(jù)[27]，故結(jié)合面對(duì)對(duì)象多尺度分割和RF算法可以實(shí)現(xiàn)毛竹林立竹度更高精度提取，為今后竹林經(jīng)營(yíng)提供一定參考。

本研究利用毛竹尾梢?guī)缀涡螤钐卣髋c面對(duì)對(duì)象多尺度分割將遙感影像目標(biāo)物分成3類識(shí)別單元，基于最優(yōu)算法進(jìn)行目標(biāo)物單元識(shí)別，既可以避免對(duì)于樣本選擇的主觀性，又能夠快速有效的選擇樣本，最終實(shí)現(xiàn)了毛竹林立竹度精準(zhǔn)提取。通過與實(shí)地調(diào)查中不同類型毛竹的實(shí)際位置進(jìn)行比較發(fā)現(xiàn)絕大部分毛竹株數(shù)類型與識(shí)別單元具有一致性。然而由于毛竹林中存在的異質(zhì)性和復(fù)雜性、地形差異以及毛竹高低不同，導(dǎo)致毛竹與毛竹冠層間存在交叉重疊，使得極少部分2株毛竹重疊情況未能分割而影響精度。因此，對(duì)于毛竹林中存在的冠層重疊現(xiàn)象，尤其是冠幅邊緣的精準(zhǔn)定位仍存在難點(diǎn)。并且毛竹林廣泛分布于400～800 m的丘陵、低山山麓地帶，多位于中國(guó)南方多低山丘陵地區(qū)。此處地形呈現(xiàn)出高低起伏的狀態(tài)，而空間、生態(tài)學(xué)和地理學(xué)的特征和變化往往伴隨著復(fù)雜的尺度效應(yīng)[28]，影響結(jié)果精度。因此，可以引入不同空間指標(biāo)(如不同航高)和高精度的DEM數(shù)據(jù)以減少對(duì)毛竹林立竹度提取精度的影響，這還有待進(jìn)一步的探討分析。