基于無人機影像的城市綠地提取分析

吳卓恒，徐 霞，陶 帥

(四川師范大學 地理與資源科學學院，四川 成都 610101)

伴隨無人機技術的高速發展，無人機廣泛應用在精準農業[1]、測量[2～3]、環境監測[4]、生物量估算[5]等方面。相比衛星影像，無人機影像具有分辨率高、大氣影響小、獲取靈活高效等優點[6]。但目前應用于無人機的遙感技術尚不完善，主要弊端在于續航能力弱、搭載傳感器波段少等。

隨著人們對于生活環境質量要求越來越高，城市綠地作為現代化城市的重要組成部分，已成為衡量城市人居環境的關鍵性因子，度量一個城市綠化水平的高低通常用城市綠地覆蓋率來進行量化比較。對于城市綠地覆蓋率的傳統統計方式主要依靠隨機設置樣方進行人工實地調查，這種統計方式得到的結果存在大的隨機誤差，且耗費人力物力。目前通過衛星遙感影像提取NDVI[7～9]進行估算是較為普遍的統計方式，此方式具有效率高、成本低等優勢，但同時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計。而對于小面積、精度要求較高的綠地提取，無人機遙感相比之下具有巨大潛力。

學者主要采取像元分割[10]與面向對象分割[11]兩種方式對無人機影像進行預處理， 基于無人機影像的光譜特征[10～14]構建各種可見光植被指數用于量化提取植被信息，并結合該區域空間特征[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，不同地區空間特征與紋理特征也不具有相似性，因此有必要對其做進一步研究。本文選取北川縣城區作為研究區，基于影像的光譜特征，根據VDVI、NGRDI、NGBOI分別進行植被信息提取，并隨機生成檢測點，建立混淆矩陣分別從生產精度、用戶精度與總體精度探究3種不同可見光植被指數在城市綠地提取應用中的優劣性。在上述結果的基礎上，通過目視解譯對提取結果進行局部修改，提取出符合精度要求的城市綠地信息，并據此計算出北川縣建成區的城市綠地覆蓋率。

1 研究區概況與數據獲取

1.1 研究區概況

北川縣地處四川盆地與青藏高原交接的龍門山區，地理坐標31°35′～31°38′02″N，104°26′15″～104°29′10″E。本文選取北川縣新建區城區(永昌鎮)作為研究區。研究區位于北川縣東南部，地處安昌鎮與黃土鎮之間，距綿陽市 35 km，屬亞熱帶季風氣候，年均氣溫15.6 ℃，年均降水量 1 400 mm，地勢中間較平坦，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。目前應用于北川新縣城的園林綠化樹種137種，常見樹種78種，主要包括銀杏、桂花、木芙蓉、香椿等[15]；綠地類型包括公園綠地、防護綠地、廣場綠地、附屬綠地與區域綠地[16]。地理示意圖如圖1。

圖1 北川縣地理示意圖

1.2 數據獲取

本文采用大疆四旋翼無人機Phantom 4 Pro V2.0，重量為 1 368 g，搭載 2 000萬像素CMOS傳感器，設計飛行高度為500 m，航向重疊度為70%，旁向重疊度為60%，設計航線4條，航飛總面積約5.98 km2，影像拍攝時間為2018年10月25日15:30分—17:30，天氣狀況為晴朗微風，空氣能見度較高。最終獲取影像342張，影像具有紅、綠、藍 3個波段，空間分辨率為0.15 m，內業選用Pix4D軟件生成研究區正射影像，數據處理流程如圖2所示。

圖2 數據處理流程圖

2 主要研究方法

2.1 可見光植被指數

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

(1)

(2)

(3)

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

圖3 各植被指數計算結果

2.2 面向對象分類

面向對象多尺度信息提取技術是一種基于高分辨率影像的光譜、紋理、形狀等特征，以對象為基本單元，通過模糊邏輯的統計系統進行高精度分割提取的分類方式。本文采用ENVI軟件對影像進行多尺度分割提取。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與草地，不同植被類型具有不同的光譜特征。為更好地統計不同植被指數所能反映城市綠地的差異，本文在不同植被指數的基礎上，通過目視解譯不同植被區共選取100個樣本點并分別統計其像元值(見表1)，并采用單因素方差分析探究3種植被指數之間的差異性(見表2)。從表1與表2綜合分析可知：單因子(3種植被指數)單變量(植被反射率)的F檢驗值為0.506，其中P-value=0.603>0.05，F檢驗不顯著，說明3種植被指數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，標準差越小表示綠地光譜信息越集中，NGRDI與VDVI分別均值與標準差相對占優，分類效果相對較好，這點在后文中得到驗證。

表1 VDVI、NGRDI、NGBDI統計特征值

Tab.1 Statistical eigenvalues of VDVI, NGRDI and NGBDI

植被指數均值標準差均值的95%置信區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

面向對象提取需要對影像進行分割，影像分割的好壞與否同樣關系最終分類結果，分割尺度太小會造成影像破碎，引起椒鹽現象，尺度太大易造成不同地物歸為一類，引起錯分漏分。本文采用多尺度分割，通過反復實驗與觀察，設定分割閾值為35，合并閾值為90，使得最后分割結果基本保持原有地物特征(見圖4)。

圖4 多尺度分割結果

影像分割后結果可直接用于目標地物提取，基于植被光譜、紋理、空間特征可設定不同規則進行分類。由于本文旨在比較3種可見光植被指數差異，因此僅設定光譜特征規則，具體為設定合適的閾值，將大于該閾值的對象歸為城市綠地，小于該閾值的對象歸為非城市綠地。本文選用5%經驗模型[19]，即統計累計像元數最接近5%的像元值設為閾值，并添加規則標準差大于0.02以剔除部分與植被光譜特征相似的非植被信息。各植被指數提取城市綠地結果如圖5所示。

圖5 各植被指數提取結果

2.3 精度評價

通過目視解譯對比，發現3種植被指數均能提取出大多數城市綠地信息，但仍存在部分錯分漏分現象。為使提取結果能夠量化比較，在3種植被指數提取結果基礎上分別隨機生成200個樣本點進行校驗精度。由于無人機影像分辨率較高，可直接根據正射影像目視判別植被信息與非植被信息，判別結果生成混淆矩陣，用于城市綠地信息提取結果的精度評價。

表3 3種植被指數精度評價結果

Tab.3 Accuracy evaluation results of three vegetation indices

參考數據生產精度用戶精度總體精度Kappa系數VDVI92.478689.50.8099NGRDI91.6688860.7543NGBDI83.178483.50.7167

混淆矩陣常用于遙感影像分類結果的精度驗證，提供了4項指標，分別為生產精度、用戶精度、總體精度以及kappa系數，前3項指標值域為0～100,kappa系數值域為-1～1，且4項指標均屬于正向指標，即值越大代表影像分類精度越高。

由表2可看出，3種植被指數提取精度均較高。首先從生產精度來看，該數值用于觀察影像的錯分誤差，從表中可看出VDVI與NGRDI生產精度均超過90%，說明上述指數中對于植被的錯分現象較少，從采樣結果中看出錯分現象主要為與城市綠地光譜特征相似的建筑或道路，如操場、淺綠色的屋頂等；而NGBOI錯分現象相對較多，主要是因為該指數對于水體與綠地的區分能力較小，導致許多水體被歸為城市綠地。從用戶精度來看，該數值用于觀察影像的漏分誤差，從表中可看出3種植被指數差別較小，說明均存在一定的漏分現象。通過樣本觀察，原因一是由于一些植被(如紫葉李)光譜特征異于一般植被；原因二是因為部分草地剛被修剪以至于植被特征不明顯；原因三是影像中的陰影區給影像分類帶來噪聲影響。從總體精度來看，該數值代表影像總體分類效果，3種植被指數提取精度均在83%以上，若在影像自動提取的基礎上進行少量的人工目視校正，其結果可滿足城市綠地統計要求。從kappa系數來看，VDVI一致性較高，說明分類可靠性較強；而其余兩個植被指數一致性較差，可靠性相對較弱。

3 分類后處理

由于分類后的結果尚存在一些錯分漏分現象，如學校的塑膠操場，光譜和紋理特征都與植被極其近似，導致被錯誤歸類到城市綠地。以及存在一些分類正確但面積太小且與周圍地物不一致的對象，如草坪中受外界影響導致草類長勢不好的區域，形態上近似裸地，但這小片區域并不能真實反映這塊區域的土地覆被類型，因此應將其重新歸類。

3.1 目視解譯修改

對于塑膠操場和個別建筑與構筑物這類面積較大但數量較小且難以通過光譜、紋理特征剔除的錯分對象，采用對照影像進行目視解譯的方法進行局部修改。選用分類總體精度最高的VDVI分類結果為基礎，利用ENVI Class軟件通過目視解譯將錯分漏分區域進行更正。

3.2 小斑塊去除

對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、聚類處理(Clump)和過濾處理(Sieve)[20]。3者區別在于Majority/Minority分析是通過類似于卷積濾波的方法將一定區域內占主要/次要地位的像元類別來代替中心像元的類別；聚類處理通過腐蝕或膨脹將臨近的類似分類區域聚類以平滑影像中的斑點或洞；過濾處理通過斑點分組的方法來解決影像中的孤島問題。由于3種方法的功能各有側重，本文綜合運用3種方法使分類結果更加精確：首先采用Majority分析工具去除影像中大部分斑點噪聲，再使用聚類處理中膨脹工具使影像更加平滑，最后利用過濾處理工具處理仍存在的孤島像元并進行重新歸類。

3.3 城市綠化覆蓋度計算

在更正結果基礎上隨機生成100個采樣點驗證其精度，當滿足連續3次驗證結果總體分類精度均大于95%時，將其進行矢量化以統計面積。統計得出研究區內城市綠地面積為2.3948 km2，已知研究區面積為5.9764 km2，依據公式(4)[16]可得到研究區城市綠化覆蓋率為40.04%。將最終分類結果疊加原始影像輸出最終結果為圖6。

圖6 研究區城市綠地分布圖

(4)

式中，G為城市綠化覆蓋率，P為城市內5大類綠地面積總和，A為城市用地面積。

4 結論

相比傳統的城市綠地信息提取，無人機遙感具有提取精度高、數據獲取靈活方便、成本較低等優勢，對于小范圍內的高精度綠地信息提取具有十分大的發展潛力。本文基于高分辨率無人機影像，通過多尺度分割，構建3種不同的可見光植被指數，選取合適閾值建立光譜規則，提取得到北川縣城市綠地分布概況結果，并通過對比分析，得出以下結論：

(1)基于高分辨率無人機影像的面向對象分類技術適用于城市綠地提取統計。本文所采用的3種植被指數均能較好地區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,提取總體精度達到89.5%，證明無人機遙感在城市綠地信息獲取方面的可行性。

(2)依據植被指數提取結果，通過分類后處理校正，最終統計得到北川縣城建成區綠化覆蓋度為40.04%。對比2017年四川省統計年鑒所公布的數據中，北川縣建成區綠化覆蓋度為44%，分類結果比該值略低，經過分析是由于季節差異，自然環境變化，統計方式等帶來的誤差，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勢在于能夠有效提取狹小綠地，如行道樹、花壇等，但也造成部分綠地圖斑破碎，封閉綠地中存在細小的洞、斑點現象。

(2)本文僅通過構建可見光植被指數的方法進行綠地提取，因此僅考慮到影像的光譜特征，而對于部分富營養化的水體以及近似植被光譜特征的非植被區域區分效果較差，部分植被覆蓋度較低或顏色特殊的綠地被遺漏，自動提取結果存在錯分、漏分現象。

(3)由于影像分辨率高，數據量大，導致計算機處理速度較慢，且目前無人機在續航能力方面的技術還不成熟，因此該方法暫不適用于空間尺度太大的區域。