基于無人機遙感的村莊地理空間景觀格局分析研究

于學廣 李芳芳

（1.河北翔通信息技術有限公司北京分公司，北京 海淀 100088；2.中科遙感科技集團有限公司，天津 濱海新區 300384）

1 引言

原始定居點是古代人類社會的基本地理單位，是根據特定的社會經濟條件建立的。景觀的空間格局被視為原始定居點的結構，它的形成與意識形態、精神信仰以及人與自然的關系密不可分，正確地保護和研究遺產景觀至關重要[1]。

分析原始定居點的空間格局，現有研究主要基于風水學理論和地理環境要素，分析傳統村莊的空間形態，這些特征是定性的，會簡化景觀的空間關系；而勘測和GPS 測量雖能獲取詳細的空間信息，但無法獲取景觀其他信息。近年來，城市化正快速侵蝕和重塑傳統環境，破壞并改變了傳統村莊的結構，迫切需要一種實時、客觀、有效的數據采集手段以及可以擴展信息量的方法，分析原始定居點的地理空間格局。

本文提出將無人機獲取的多光譜圖像與分層景觀識別方法相結合，用于原始村莊的地理空間格局分析。

2 研究區域概述

河北某古村落最初是在明朝（1368—1644 年）由駐軍建造的，遵循“內部八字形”布局。該布局以祖堂為中心，形成一個近似圓的閉合環。灌溉系統發達，在包括水壩和運河在內的古代建筑中采用了一種分水機制，從而通過重力為大量農田灌溉。整個灌溉系統完好無損，得到了良好的保護。

然而，在城市化的推動下，近年來該村狀況越來越糟。自然和人為因素使得大部分景觀遭受侵蝕和破壞。村莊北部的演習場被完全摧毀。更多景觀尤其是古代建筑，已被現代人工建筑取代，景觀要素發生巨大變化。同時用于記錄和描述此類更改的數據完全丟失。因此，急需用于遺產保護的實時、準確和量化數據。

研究對基于村莊的擴展區域進行了調查，以完整記錄與該古老村莊相關的目標景觀。研究區域地理位置如圖1 所示，其中，白色多邊形包括該古村落的范圍，黃色多邊形包括周圍的六座山脈，藍色多邊形包含了該村莊的主要水道。研究區面積4.02 平方公里，地形條件復雜。在村莊內部，古建筑和新建筑交叉分布，導致某些地方的建筑間隔很小。古代建筑形狀各異，而新建筑的顏色和質地則各不相同。

3 無人機影像獲取及數據預處理

3.1 無人機影像獲取

研究選用六旋翼無人機，搭載多光譜數據采集系統和測量級GPS，獲取村莊航空影像并對數據進行空間定位。多光譜數據采集系統（如圖2 所示）包含4個光學傳感器，所有傳感器均具有35 毫米固定光譜透鏡和23.2 個光學傳感器[2]。

圖2 無人機多光譜數據采集系統

2019 年8 月18 日至20 日完成數據采集，考慮到陽光強度和光角度，選擇上午9:00 至11:00 采集數據。最終共獲取1574 幅航拍圖像，通過內置GPS 產生的三維位置信息（包括X、Y 和高度）對其進行了地理標記。

使用FieldSpec 4 Standard-Res 分光光度計實地測量了村莊內景觀反射率。隨機抽取了河流、道路、農田和建筑物等被測對象，采用350 ～1000 nm 的光譜范圍、光譜間隔為1.4 nm，對地物進行光譜測量，用以對機載光譜儀獲取的光譜數據進行真實性檢驗。此外，在基于大地GPS 的測量區域平均部署了地面控制點（GCP），以提高無人機影像幾何校正精度。

3.2 無人機影像數據預處理

首先基于MATLAB 完成幾何校正和多波段配準，然后基于Pix4D 軟件進行圖像鑲嵌。在幾何定標過程中，使用獲得的內部方位角元素消除切向和徑向變形，再基于Pix4D 軟件平臺進行圖像拼接[3]。最后，通過特征識別和特征匹配創建稀疏點云，并將其用于TIN 三角網的構建。

輸出數據包括經過校準的正射影像（DOM）和數字表面模型（DSM）。正射影像包含六個自定義通道（紅色、綠色、藍色、600 nm、701 nm 和760 nm），代表目標景觀的光譜特征，空間分辨率為3.56 cm，確保可以在后續分析中使用精細的幾何和紋理特征。此外，DSM包含景觀的空間信息，可提供景觀頂部的高程值。

4 研究方法

4.1 面向對象的分析技術

本文使用面向對象的圖像分析技術（OBIA），可基于多維特征數據獲取信息，已用于基于高分辨率航空遙感的地質災害監測、城市變化監測、瀕危物種監測、土地覆蓋制圖和農業管理等。

OB IA 的工作流程主要有片段生成和多維特征分類兩個獨立模塊。片段生成模塊首先定義特征空間度量，然后通過使用光譜、幾何和紋理特征從基于像素的圖像中形成圖像對象。根據分割特征量的預設閾值確定對象大小。通過圖像分割，創建基于對象的圖層。同時，建立父對象、子對象和相鄰對象間的關系，該關系包含上下文信息并有助于避免錯誤產生。子對象的屬性從父對象繼承。在多維分類模塊中，語義信息分配給相應的片段。最后，獲得不同類型景觀的分類結果[4]。

4.2 在遺產保護范圍內定義景觀的結構規則

研究分類規則是提取感興趣對象（受保護的遺產景觀或對遺產遺址有潛在影響的景觀）的標準，還有助于景觀分類。圖3 給出了三級分類規則，分為自然景觀和人工景觀。根據父類，區分第二級的六個子類。自然景觀包括河流、山脈和植被，而人工景觀則包括農用地、建筑和道路，第三級中的兩個子類都在建筑范圍內進一步分類（父類），包括古建筑和現代建筑。

圖3 研究中使用的景觀分類規則

4.3 遺產景觀提取的分層方案

基于構建景觀的結構規律設計了一種四級分類方案，將其用于研究區域中的目標物提取（如圖4 所示）。該方案由五個獨立的細分和分類模塊組成。子類別的分類基于高層和相應特征產生的分類對象執行（如表1 所示）。在第一個分割和分類模塊中，最初使用NDVI 指數（701 nm 被用作NIR）對植被覆蓋區域和非植被區域進行分類。在第二個模塊中，通過在DSM 灰度值上設置閾值提取山脈。另一方面，NDWI（750 nm被用作NIR）被用作對第三模塊中包括河流和人工建筑區域在內的非植被區域進行分類。通過在第四類中使用DSM 值和形狀指數（SI）進一步區分道路和建筑物。在第五分類中基于灰度共生矩陣（GLCM）、藍帶和600 nm 帶，基于熵和同質性識別古建筑和新建筑[5]。

表1 中：NIR 代表紅外波段；紅色和綠色分別代表紅色和綠色波段。P（i，j）是在GLCM 矩陣中定義的灰度等級（i，j）的概率；N 和M 是GLCM 每個維度的最大值。A 和e 分別表示圖像段的面積和比值計。

圖4 用于景觀提取的分層方案

表1 用于目標景觀識別的功能和索引

該方案中的每個獨立模塊還遵循一個程序實現，其中包含遞歸分割和分類（如圖4 所示）。分割和分類都使用多光譜圖像（僅適用于第一個模塊）或圖像對象（適用于其余模塊）作為輸入數據。在工作流中，首先檢查輸入數據的最小分析單位以匹配分類特征。如果輸入數據可以在下一個分類中使用，則直接將其用作分類過程的輸入數據。否則，將執行遞歸分割，直到將其用作下一階段的輸入數據為止。

5 基于GIS 的景觀格局分析

5.1 文化遺產景觀提取模型

基于eCognition 對五種分類進行評估，將0.08平方公里區域用作模型評估區域，其中包含從第一次分割生成的3069 個對象，這些物體的平均大小為27 m2， 表2 顯示了對象樣本的分配詳細信息。子類中的標記對象根據超類對象獲得，這些超類對象遵循層次結構方案中所示的關系。例如，古建筑的對象從小到大都屬于建筑，而非人造建筑和非植被區域等。在每個分類級別中將屬于不同類別的對象隨機分為十個樣本集，然后將這些樣本集按9∶1 比例（無重復）進一步隨機分為十組訓練和測試數據集。每個構造的分類器分別用相應的訓練和測試集進行十次訓練和測試。

總體精度和Kappa 指數被用作定量描述構建方案性能的指標，兩者都是基于誤差矩陣計算的。通過交叉驗證，平均值被用來代表最終的驗證結果。通過將分類結果與測試數據集進行比較來獲得矩陣，這些指標用于定量描述分類器的性能。如表2 所示，目標景觀的總體分類精度是可變的，范圍從0.843 到0.961，平均值為0.913。Kappa 指數也有一定程度的波動，最佳表現達到0.915，最差表現為0.763。通過手動設置基于知識的閾值以提取山峰輪廓來進行第二次分類。

表2 評估結果

5.2 有針對性的景觀提取結果

圖5 顯示了整個測量區域的提取結果，包含四個目標景觀元素和新建筑物。通過將評估模型應用于預處理的多功能數據來生成結果。在此過程中，由于龐大的數據量，根據空間XY 坐標將整個區域平均分為六個子集（每個子集0.72 平方公里）。通過訓練的模型對所有六個區域進行了分析，并將分析的區域縫合在一起以形成顯示的結果。

圖5 目標景觀元素的提取結果

由于準確的建筑物提取直接影響進一步的空間分析，因此通過計算模型提取結果和人工解釋結果中擬合的像素數來定量研究提取精度。評估結果是通過隨機采樣20 個目標景觀檢查對象獲得的。古建筑和道路的精確度分別達到0.792 和0.803，河流和植被的精確度分別為0.852 和0.904。

5.3 目標景觀分布的地理統計分析

本文研究進行了空間分析，以調查自然景觀要素（河流和山脈）與人工景觀要素（古建筑和新建筑）之間的關系。這些自然因素是古村落的基本框架，在村落的形成和發展中起著關鍵作用，也與人類活動直接相關。

區域統計數據描述了目標景觀的數量，該數量通過空間X、Y 坐標計算得出，如表3 所示。主要景觀要素包括建筑物、植被、河流、道路和山脈。建筑面積包括古代建筑和現代建筑的總面積。根據建筑物與行政區劃間的空間位置關系對這兩種建筑物類型進一步分類。

表3 研究地點目標景觀的面積統計（單位：公頃）

利用歐幾里得距離定量描述了景觀之間的相對空間分布，該距離是根據空間坐標計算得到的，古村落及其古老建筑遵循一定的分布模式。古村落分布不均勻，主要分布在沿河，五面山環抱。超過50%的古建筑（70.8%）分布在距河149 ～236 m 的距離內，而距離河不到93 m 的建筑很少。此外，大多數古建筑距離六座山至少有100 m 距離。在村子里，古建筑和祠堂的空間布局遵循一定規則，在113 座古建筑中，有86座（占76.1%）集中在距祠堂40 ～148 米的地方。

6 結論

研究將低空多光譜遙感技術應用于古村落的空間格局監測與分析，在數據采集中部署了具有定制多光譜傳感器的無人機系統。然后，設計了分級分類方案，將整個區域分為五個主要景觀要素。為提取景觀元素，構建了帶有機器學習分類器的面向對象分類模型，并使用交叉驗證進行評估。利用地理空間數據進行定量分析，揭示了目標景觀的空間格局特征和分布差異，有助于進一步研究古村落的選址和建筑功能的變化。