基于無人機遙感的高潛水位采煤沉陷濕地植被分類

肖 武 任 河 呂雪嬌 閆皓月 孫詩睿

(1.中國礦業大學(北京)土地復墾與生態重建研究所, 北京 100083； 2.浙江大學公共管理學院， 杭州 310058)

0 引言

中國90%的煤炭為井工開采[1]。井下煤炭資源的開采使得土地大面積沉陷，形成采煤沉陷區[2]。特別是在高潛水位礦區，大面積的沉陷加之較高的潛水位，使得沉陷區內存在大量的積水區域。豐富的地表水資源、植物、動物、微生物、土壤等要素使高潛水位采煤沉陷地具備了濕地生態系統的基本特征[3]。與常規的天然濕地及景觀濕地相比，高潛水位采煤沉陷濕地具有土地利用變化劇烈、物質能量轉化迅速、水陸植物演替頻繁等特點。開采導致的地面沉陷發生在幾個月至幾年不等，原有的陸地農作物與水生植物生長環境隨著地面沉降的動態變化而發生劇烈改變，因而其植被的演替與更新更為頻繁，掌握采煤沉陷區濕地植被的類別和分布，可以一定程度上反映沉陷區生態環境敏感程度，同時為采煤沉陷濕地生態治理和高潛水位地區生態修復提供參考[4]。

圖1 研究區地理位置及無人機影像Fig.1 Location and UAV images of study area

濕地植被是濕地生態系統中能量的固定者和有機營養物質的最初生產者，作為重要的營養級，它能綜合反映濕地的生境特征，并在濕地水分、物質、能量循環中起重要作用[5-6]。濕地植被的動態變化能夠反映濕地的生態環境變化，被認為是一個反映生態環境變化的敏感指示器，已成為研究熱點，其中植被分類是進行植被覆蓋狀況和動態變化規律研究的基礎[7]。針對濕地復雜環境下植被信息的提取，國內外學者進行了大量研究[8-12]。然而，衛星遙感影像分辨率低、尺度大、周期較長的問題依舊不能忽視，無人機的興起為這一問題提供了新的解決思路[13-15]。

目前對于濕地植被的研究多集中于天然濕地、城市濕地景觀等區域，而采煤沉陷區濕地作為人工濕地，其形成是一個動態過程[16]。調查采煤沉陷濕地植被類型對掌握其動態演變規律與過程至關重要，也是后期營造景觀生態、進行土地復墾與生態修復的重要基礎數據。探究高潛水位礦區開采沉陷后地面生態系統的動態轉變與轉化，不少學者進行了采煤沉陷地與作物的調查[17-18]。沉陷是一個復雜的演變過程，時域和空間尺度較大。常規的野外實測可以消除土壤對于植被作物的影響，并可以提高分類精度，但是難以刻畫這樣復雜的過程。近年來隨著無人機遙感技術的發展，使得大面積的植被覆蓋監測和動態研究變得更加客觀[19]。同時，針對高空間分辨率影像，面向對象分類可以更好地使用形狀和拓撲增強圖像空間信息[20-21]，相比基于像元的分類，具有更高的分類精度。為了探究采用無人機獲取高空間分辨率影像進行采煤沉陷濕地植被類型調查的方法，本文以山東省濟寧市東灘煤礦3304工作面為研究區，利用無人機多光譜影像對采煤沉陷濕地植被進行面向對象分類，結合地面實測采樣數據進行精度分析，并與傳統的監督分類方法進行比較，論證基于無人機影像采用面向對象方法進行采煤沉陷濕地植被分類的可行性。

1 研究區概況

以東灘煤礦3304工作面為研究區。東灘煤礦位于山東省濟寧市境內(圖1)，跨兗州、鄒城、曲阜三市(縣)，地理位置為116°50′49″～116°56′56″E，35°24′11″～35°31′25″N，南北向長約14 km，東西向長約10 km，屬于高潛水位礦區。地處魯中低山丘陵到平原洼地的過渡地帶，為第四系山前傾斜沖積-洪積平原，整體地勢由東北向西南逐漸降低，坡度極為平緩，地面標高42.46～54.48 m，潛水埋深為2 m左右。歷年平均降水量為715.54 mm，年平均氣溫14.4℃。礦區內主要河流有白馬河與泥河，向南流入南陽湖，均為季節性河流。

其中3304工作面位于三采區南部3號煤層，工作面走向長1 064～1 161 m,傾向寬約為260 m，地面標高為50.16～51.28 m，平均高度為50.72 m，開采標高為-519.1～-476.5 m，平均高度為-497.8 m。

2 數據資料與研究方法

2.1 高潛水位沉陷濕地概況

東灘煤礦作為東部典型的煤-糧復合產區，積水嚴重影響了作物的生長環境。自開采起3304工作面地表變化顯著，植被演替明顯(圖2)。煤炭的開采使地表產生積水，沉陷區內出現挺水植物。隨著開采的進行，水位逐漸上升，浮水植物、沉水植物逐漸豐富。豐富的水資源、動植物使得高潛水位采煤沉陷地具備了濕地生態系統的基本特征。自2014年開采至今工作面沉陷已經穩定，沉陷區內形成永久性積水濕地，平均水深3.2 m，水生植被類型豐富。考慮到濕地附近人類活動、水位和面積、地理位置等要素情況，研究區不適宜規劃發展為濕地公園、水產養殖、污水處理[22-23]等，應優先復墾為耕地。

圖2 高潛水位濕地演變和植被演替Fig.2 Wetland evolution in high phreatic sites and vegetation succession

圖3 濕地植被情況Fig.3 Wetland vegetation

2.2 沉陷濕地植被分類體系

結合研究區無人機影像和實地采樣結果構建植被分類體系(圖3)。采樣表明，研究區內水生植被類型豐富，隨著水深的增加，形成了不同的植被群落。主要包含挺水植物如蘆葦、莎草、荷花、紅蓼、香蒲、苔蘚等；沉水植物如菹草等；陸生植被包含雜草、玉米。考慮到研究區內玉米覆蓋面積較小并且存在大量死亡，雜草分布不均、受長勢不一的影響難以分辨，因此不作為本文的研究對象。水體污染物質雖然屬于非植被，但由于面積較大，因此也納入分類體系中。

2.3 數據獲取與處理

航飛試驗于2017年8月12日11:00—12:00在沉陷區上方開展，試驗過程中天氣晴朗，無風，視野良好。試驗采用matric 100型四旋翼無人機搭載瑞士parrot sequoia型多光譜相機(以下簡稱sequoia)和X3型數碼相機。sequoia相機包含綠(Green)、紅(Red)、紅邊(Red-edge)、近紅外(NIR)4個波段。試驗飛行高度為110 m，設定航速9 m/s，傳感器鏡頭視場角15，鏡頭垂直向下。航飛面積1.1 km2，獲得了覆蓋整個研究區的多光譜影像(分辨率12.8 cm)和全色數碼圖像(分辨率5 cm)。內業數據處理利用8個像控點進行影像校正，選擇pix4dmapper軟件對航拍圖像進行拼接和空三加密，形成點云數據(圖1)。

本研究利用南方銀河一號RTK在實地獲取采樣點322個。由于沉陷區內常年積水無法進入，故在積水邊緣0～0.5 m深處選擇采樣點，水體、水體污染物質、荷花的采樣選擇在水中乘船采樣。

2.4 研究方法

以無人機多光譜影像為基礎，采用面向對象分類的方法對采煤沉陷濕地植被進行提取。在篩選最優分割尺度的基礎上確定分類特征，構建分類決策樹并對研究區植被進行分類，結合野外實測數據進行精度驗證。技術流程如圖4所示。

圖5 監督分類分類圖和采樣點在監督分類下的分類結果Fig.5 Classification results of supervised classification and sampling points under supervised classification

圖4 研究技術路線圖Fig.4 Research technology roadmap

3 沉陷區濕地植被監督分類

監督分類(Supervised classification)又稱訓練分類法。它通過人工目視解譯確認不同類別的樣本，對樣本進行訓練得到判別函數，最后用訓練好的判別函數對其余像元進行對比，按照不同的規則將其歸化到最相似的樣本中。其中，最大似然分類也稱為貝葉斯(Bayes)分類，是基于圖像統計的監督分類法，被認為是應用最廣、分類精度最高的分類方法[24]。

以研究區無人機影像為基礎，根據濕地植被分類體系，對各地物進行采樣，保證每種地物樣本的數量在80左右。選取的樣本通過Jeffries-matusita距離和轉換分離度衡量樣本的可分離性[25]。當可分離性值大于1.9時，表示分離性較好；可分離性值小于1.8時，需要重新分類；可分離性值小于1時，考慮將兩類樣本合為一類。確定訓練樣本后，對圖像進行分類。分類后，合并、剔除圖像中的小斑塊，得到最終分類結果及野外采樣點在監督分類下的分類結果(圖5)。

4 沉陷區濕地植被面向對象分類

4.1 無人機影像分割尺度確定

在進行面向對象的分類方法過程中，對影像數據的良好分割是獲得高精度分類結果的前提[26]，分類對象的分割尺度和整體異質性因子的確定是獲得較好分割結果的關鍵。考慮到研究區面積較小,因此可以盡可能降低不同類別的“錯分”現象，減小影像分割尺度。本研究將分割過程分為2部分：①分割尺度對于分割效果有較為顯著的影響，因此首先在保持其他參數不變的情況下，比較不同分割尺度下的分割結果，篩選最優分割尺度。②在選擇最優分割尺度的前提下，先后改變形狀因子、緊湊度因子的權重，對比得到分割結果(圖6)，選擇最優參數。

圖6 不同分割尺度的結果對比Fig.6 Comparison of results of different segmentation scales

對比圖6a、6b、6c可知，當分割尺度為10時(圖6a)，同種植被被分割為多個小塊，影像分割較為破碎。在保持其他參數條件不變的情況下，增大分割尺度至30、60。當分割尺度為60時(圖6c)，水域和水體污染物被分割為同一區域，不能很好地與地物邊界吻合，而當分割尺度為30時(圖6b)，分割尺度較好，因此確定30為最優分割尺度。分割尺度確定后，首先在保持緊湊度因子不變的前提下改變形狀因子。由于研究區內植被在空間分布分散不規整，同時形狀因子的權重太高會導致光譜均質性的損失[27]，因此可以將形狀因子權重的初值設置為

0.1(圖6b)。保證其他參數不變的條件下，依次增大形狀因子權重至0.3(圖6d)、0.7(圖6f)，此時分割得到的影像對象不能與地物邊界吻合，對比形狀因子權重為0.1時的分割影像，水體和苔蘚有明顯的混淆，因此確定形狀因子權重為0.1。保持分割尺度和形狀因子權重不變的前提下，依次改變緊湊度因子的權重至0.3(圖6g)、0.5(圖6b)、0.7(圖6h)、0.9(圖6i)。分析發現，隨著緊湊度因子的權重逐漸降低，得到的植被對象逐漸接近于植被的實際輪廓。通過綜合分析分割尺度、形狀因子和緊湊度因子的影響，最終確定分割參數為30、0.1、0.3，得到分割圖像 (圖6g)。雖然此時某些地物仍存在過分割現象，但考慮到研究區面積較小，在一定程度上過分割的影響在可接受范圍內[28]。因此，以此參數對影像分割并進行后續研究。

4.2 濕地植被分類規則建立

結合分割后影像中不同地物在光譜、形狀、紋理表現出的差異，建立分類規則。在無人機影像中均勻選取30個區域對不同的地物進行采樣，統計典型地物(不考慮水體污染物質和雜草)像元在sequoia相機獲取的4個波段中的統計值(DN值)，包含最大值、最小值和平均值，統計結果見表1。考慮到植被的長勢差異，以像元平均值作為分析各地物在不同波段下總體差異的指標，繪制光譜特征曲線 (圖7)。

表1 典型地物光譜特征Tab.1 Statistics of spectral characteristics of typical ground objects

圖7 典型地物光譜曲線Fig.7 Spectral curves of typical terrain

結合表1和圖7可以發現：①在典型非植被地物中，水體在近紅波段與其他地物沒有重疊現象，像元值顯著低于其他地物；而裸地在綠光波段和紅光波段與其他地物存在明顯區別。②植被在紅光波段上數值范圍存在重疊，在40～60之間，僅利用紅光波段不易將它們區分，而在紅邊波段和近紅外波段(以紅蓼為例)各自存在不同的差異，因此綜合紅邊、近紅外波段易將其區分。③蘆葦、荷花、菹草、香蒲在綠光波段像元值突出，因此引入綠光波段會提高分類精度。④莎草在各波段下與其他地物的差異均不明顯，綜合4個波段會得到更好的效果。植被指數作為光譜數據的線性和非線性組合，可以有效地減小其他因素影響，從而增強感興趣地物信息[29]。結合sequoia多光譜傳感器的多通道優勢和現有研究成果，針對上述分析過程，確定了7個應用廣泛的植被指數 (表2)。

然而，根據上述光譜分析可知，蘆葦、香蒲、菹草、莎草、苔蘚光譜值在近紅外、紅邊波段有不同程度的重疊，同時考慮到植被因長勢不同所產生的光譜差異帶來的誤差，在此情況下僅依靠不同的植被指數組合很難加以區分。因此在考慮地物光譜特征的基礎上，結合紋理特征進行綜合分析能夠提高分類精度。灰度共生矩陣(Gray level co-occurence matrix,GLCM)作為當前公認的紋理分析方法，能夠有效地反映圖像灰度的綜合信息[30]。結合現有研究和研究區自身特征，選擇均值(Mean)、方差(Variance)、協同性(Homogeneity)、對比度(Contrast)、相異性(Dissimilarity) 、熵(Entropy)6類特征。針對于無人機多光譜影像的4個波段，考慮到工作量和植被在近紅波段強反射率的特性，對無人機影像近紅波段中上述地物分別選取20個訓練區，進行紋理特征分析(表3)。

表2 選用的植被指數公式Tab.2 Selected vegetation index formula

注:ρR、ρG、ρNIR、ρRed-edge分別為紅光、綠光、近紅外、紅邊波段反射率。

表3 不同地物的紋理分析Tab.3 Texture analysis of different features

由表3可知: ①裸地紋理結構單一，排列規則，對比度最小，數值范圍在0.16～0.44之間;菹草面積較小，呈小片分布，紋理溝紋深，對比度較大，數值范圍在6.44～11.2之間。②蘆葦分布較為分散，紋理不均勻，熵明顯高于其他地類。③苔蘚長勢均一，灰度變化小，方差變動范圍最小，為0.24～0.91。④香蒲因水勢差異導致長勢變化較大，協同性較差，數值范圍在0.16～0.40。綜合上述分析，可以在植被指數的基礎上利用紋理參數的閾值范圍加以區分。

4.3 濕地植被分類結果

對分割后的無人機影像結合不同地物表現出的光譜、紋理、形狀差異，建立分類規則。在第1層，由于水體在近紅波段(NIR)與其他地物的差異最大,因此NIR波段是提取水體的最佳參數。通過選取訓練樣本發現，當NIR在[0.05,0.15]時水體可以被有效提取。在第2層，歸一化植被指數(NDVI)是目前體現植被覆蓋度高度的最佳參數[31]，選取樣本結果表明當NDVI大于等于0.6時植被會被有效提取。第3層中，對于非植被來說，以紅光波段、綠光波段構建的歸一化差異綠度植被指數(NDGI)加以長寬比的限制可以很好地區分裸地與水體污染物質；考慮到植被在光譜、紋理上表現出的差異，根據上述分析運用多種植被指數及其組合、紋理特征限制進行區分。荷花形狀近似于圓形，在植被指數的基礎上利用形狀指數加以區分。確定不同特征的閾值，根據分類規則(圖8)得到分類結果以及驗證樣點的分類分布圖(圖9)。

圖8 分類決策樹Fig.8 Classification decision tree

圖9 面向對象分類圖和采樣點在面向對象分類下的分類結果Fig.9 Classification results of object-oriented classification and sampling points under object-oriented classification

4.4 精度分析

驗證樣本來源于研究區野外實地采樣點，采樣過程中利用南方銀河一號RTK進行采樣，考慮到積水較深等環境因素，因此在研究區周圍選擇采樣點共322個。以采樣點所代表的真實地物為基礎，對采樣點在兩種分類方式下的分類結果(圖5、9)采用混淆矩陣(Confusion matrix)進行分類精度評價。監督分類的總體分類精度較低，總體精度為44.3%,Kappa系數為0.4。面向對象的總體分類精度較高，總體精度為84.2%,Kappa系數為0.8。精度具體結果如表4所示。

對比圖5和圖9可以發現，監督分類結果中存在大量錯分現象。相比之下，面向對象分類結果具有更優的效果。在面向對象分類的結果中，水體污染物錯分現象降低，蘆葦、苔蘚、香蒲、菹草混淆現象減輕，小斑塊數量降低，地物邊界平滑。從監督分類結果中發現，由于水體、紅蓼、裸地、荷花、水體污染物質的光譜差異較大，因此分類精度能夠達到70%以上；但對于其他植被來說，僅依靠光譜信息很難對不同植被信息進行有效提取，分類精度普遍在20%左右。而面向對象分類充分利用了圖像的光譜、紋理、形狀等特征，獲得了較優的效果，除香蒲外，各類地物分類精度都在80%以上。通過對比總體精度與Kappa系數可以發現，面向對象分類的方式更加適用于研究區濕地植被提取。

表4 植被分類精度Tab.4 Vegetation classification accuracy

注:括號中的數字為正確分類的樣點數量。

5 結論

(1)利用無人機獲取東灘煤礦3304工作面的多光譜影像，針對無人機影像高分辨率的特點，充分利用了影像的光譜、紋理、形狀信息，對高潛水位采煤沉陷濕地的植被進行面向對象分類。研究結果表明：利用無人機影像進行植被分類是可行的，基于面向對象的分類能夠有效地提取濕地植被，提取精度可以達到84.2%，Kappa系數達到0.8。研究中以無人機影像為數據源能夠有效地解決衛星周期長、分辨率低、尺度大等問題。相比于監督分類的總體精度44.3%，基于面向對象的分類精度提高了約40個百分點， Kappa系數提高了0.4。面向對象分類充分發揮了無人機影像高分辨率的優勢，綜合了不同地物的光譜、紋理、形狀特征構建決策樹，提高了分類精度。相比于單一波段，利用植被指數能夠更好地突出光譜信息，增強不同植被間的光譜差異性。同時，近紅、紅邊波段是植被光譜信息的有效標志，借助于多光譜傳感器的優勢，以近紅、紅邊波段構建植被指數提取植被信息，相比于可見光植被指數，能夠在一定程度上提高分類精度。

(2)結合研究區的自身特征，研究中對影像采用了同一分割尺度，但是考慮到不同研究區的面積、地形地貌、植被空間分布的差異，本文的分割尺度不能完全適用于其他采煤沉陷研究區。根據礦區監測站資料統計，研究區平均水深達到3 m，在實際工作中難以保證采樣點在研究區內均勻分布，限于樣點的特殊情況，本文的分類精度仍有一定的提高空間。本研究通過改進不同的分割參數確定最優分割尺度，雖然獲得了相對較好的分割尺度，但是浪費了大量的時間。同時，對于敏感波段的植被指數選擇上考慮還不夠充分，進而對分類精度造成一定影響。此外，考慮到高潛水位采煤沉陷濕地生態系統的復雜性和植被演替迅速的特點，研究中實際采樣的植被種類數目不能夠完全包含濕地中實際的植被種類，這也是當前采煤沉陷濕地研究中的主要問題。