基于無人機遙感影像的鹽堿地信息的精準提取方法

徐存東，李洪飛，谷豐佑，張 鵬，高德坤

（1.華北水利水電大學水利學院，河南鄭州450046；2.水資源高效利用與保障工程河南省系統創新中心，河南鄭州450046；3.河南省水工結構安全工程技術研究中心，河南鄭州450046）

0 引 言

無人機遙感屬于低空遙感技術，其在影像數據采集過程中具備機動靈活、成本低、高分辨率以及受氣象干擾影響小等傳統衛星遙感所不能比擬的優勢。目前對無人機遙感的研究主要集中在其飛行系統的研制、遙感影像處理方法、森林資源清查、農作物監測和地物分類等方面［1］。相關研究中，提出了強化無人機飛行系統的穩定性、獲取遙感影像的精確性以及數據傳輸和高精度的圖像后處理等關鍵技術［2］；結合地理信息系統技術和無人機遙感影像后處理技術，構建了專業森林資源調查與管理系統［3］；基于無人機遙感獲取的可見光影像，提出了優選特征訓練分類模型［4］；將無人機遙感技術在熱帶農業中進行應用，對歸一化植被指數與物理土壤質量和香蕉果實生產數據的空間格局進行比較［5］；利用植被紋理及顏色對不同植被類型進行分類［6］。雖然在無人機遙感定量監測方面國內外研究取得了豐碩的成果，但目前基于低空無人機遙感影像的鹽堿地識別和監測的研究較少。

我國西北干旱荒漠區通過大力建設提水調水工程，發展人工綠洲是改善當地居民生產生活條件和重新構建區域小生態的重要措施，但是，由于大量的外調水灌溉和獨特的高蒸發低降雨氣候條件，致使該區域耕地次生鹽堿化問題也越來越突出［7，8］。因此，鹽堿地信息的快速獲取和精確解譯是改善農業生態的前提和基礎。而在以往的研究中，主要是采用傳統的航空航天遙感影像對鹽堿地信息進行提取，存在數據波段多且相關性大、大量冗余數據和較易受天氣影響等問題，給鹽堿地的精準解譯和分類帶來了一定的技術難度和復雜度。因此，研究基于無人機遙感技術的鹽堿地信息精確提取方法則顯得尤為重要，本文選取景泰川電力提灌灌區（以下稱“景電灌區”）為研究區，選取兩個典型感興趣區域，分別采用監督分類中的五類分類器執行分類，通過對比分類結果尋求提取該區域內鹽堿地信息的最優方法，以期為研究區內鹽堿地解譯提供技術支撐。

1 材料與方法

1.1 研究區概況

景電灌區地處我國西北干旱荒漠區，該區域位于東經103°20'～104°04'，北緯37°26'～38°41'之間，北依騰格里沙漠，南靠祁連山脈東端，東臨黃河，是連接甘、寧、蒙三省的交界地帶［9］。灌區建成于20 世紀70年代處，分兩期建成，一期建成于1971年，二期于1987年投入使用，其地理位置見圖1。灌區屬典型的溫帶大陸性氣候，多年平均降雨量185.6 mm，多年平均蒸發量2 365.92 mm，干旱少雨，晝夜溫差大，蒸發強烈，日照時間長，春季多風，夏季炎熱且無霜期較長。干旱的氣候條件、低平封閉的地形、土壤母質含鹽量較高以及不合理的耕作、灌溉和施肥等原因，誘發了該區域大面積的土壤鹽堿化。隨著鹽堿化程度的不斷加劇，使得大量土地被棄耕，土壤鹽漬化已成為制約灌區土地資源利用的主要障礙，嚴重制約當地農業生產的可持續發展。

圖1 灌區地理位置Fig.1 Geographical location of irrigation area

1.2 數據獲取與整理

在景電灌區于2017年5月25日進行航空影像采集，采用彈射起飛方式，高度500 m；搭載2 400 萬像素的SONY ILCE-5100相機，并配備影像傳感器。起飛前先進行研究區飛行架次劃分，飛機按“蛇”字航線在每個架次內連續垂直航拍，完整覆蓋整個區域，采集精度15 cm。無人機每個架次內拍攝200～350張分辨率6 000×4 000的照片。

航空影像采用UASMaster 進行快速拼接，首先通過POS 進行數據定向及點云提取，然后通過地面控制點GCP 數據進行點云數據的地理信息配準，最終建立立體模型、賦予紋理，獲取符合拼接結果的真彩色圖像見圖2（a），在目視分析原始影像和地面調查的結果的基礎上，通過無人機采集土壤鹽漬化較為嚴重區域的圖像。感興趣區域見圖2（b）和圖2（c），圖像分辨率為0.15 m，圖像儲存為紅綠藍3種色彩的灰度信息［10］。

圖2 感興趣區域選擇Fig.2 Region of interest selection

1.3 研究方法

在對原始影像數據進行預處理的基礎上，采用低通濾波做增強處理。根據分類的復雜度、精度需求等選擇分類器執行監督分類，本試驗分別采用平行六面體、最小距離、最大似然、神經網絡、支持向量機5種分類器對影像執行監督分類［11-13］，分類器的說明如表1所示。

表1 5種監督分類器說明Tab.1 Description of five supervised classifiers

通過對無人機遙感影像基本判讀，借助研究區地物自然屬性以及野外調研結果，最終建立了研究區內耕地、荒地、樹木和鹽堿地等地物的遙感解譯標志，如表2所示。區域1、區域2 各選取訓練樣本100 個和90 個，并在無人機航拍的區域1、區域2的范圍內隨機的選取1 m×1 m的樣方各90個和80個，通過目視解譯確定該樣方地物類型，對最后分類結果進行驗證。采用5種分類器執行監督分類，同時采用聚類（Clump）統計，對分類結果進行小斑點處理，以提高分類精度，并對分類結果進行驗證。最后應用混淆矩陣對5種方法的分類精度進行評價。

表2 遙感影像解譯標志Tab.2 Interpretation mark of remote sensing image

2 結果與分析

2.1 分類結果檢驗

本研究應用遙感圖像處理軟件ENVI5.3對兩個區域按上述5種監督分類器進行分類，其分類結果如圖3、4所示。

區域1 分類結果如圖3所示，區域2 分類結果如圖4所示，從平行六面體到支持向量機各地物間分離度逐漸增高。在兩個區域平行六面體的分類結果中，出現較多空白區域，即像元未參與分類；在最小距離分類結果中，區域1、區域2 中出現較多錯分像元，輕度鹽漬區中混入大量重度鹽漬區的部分，已耕地塊與未耕地塊被錯分為荒地；神經網絡的分類結果較平行六面體與最小距離各地物的區分度較高，分類結果與實際地物有較好的吻合性，但依然存在少量錯分的像元，尤其在地物交叉區域，未耕地塊的部分像元被錯分為荒地；最大似然與支持向量機分類結果中僅出現零星差異，最大似然分類結果中僅出現個別像元被錯分，輕度鹽漬區中部分被劃分為未耕地塊；支持向量機分類精度明顯提高，各地物間分離度最高。

圖3 區域1分類結果Fig.3 Area 1 classification results

圖4 區域2分類結果Fig.4 Area 2 classification results

平行六面體分類是首先在各軸上假設大量的分割點，將多維特征劃分為互不重疊且與不同類別一一對應的分類方法，這種方法為了構成特征子空間需要以較高的精度設定每個分類器的光譜特征上限值和下限值，對于某個未知像元如果落入所有的特征子空間中，則屬于未知類型；最小距離分類法雖然計算快，但只考慮每一類樣本的均值，計算每個像元到各類樣本中心的距離，并沒有考慮類別內部方差與類別間協方差，故分類精度不高；神經網絡分類過度依賴于網格訓練樣本的選取，其在形式上只是大腦的簡單粗略模仿；最大似然分類方法要求已知不同地物類型分布的先驗規律而且假定其樣本數據符合某一固定的概率模型，本試驗的地物分布規律并沒有事先確定，在沒有達到模型假定條件情況下，容易出現較多錯誤分類像元；支持向量機最終分類函數只由支持向量所確定，支持向量的數目決定計算的復雜度，而非樣本空間的維數，在某種程度上避免了維數所造成的分類誤差，且具有良好的魯棒性。

兩區域中重度鹽漬區、輕度鹽漬區，未耕地塊分布較為集中，中度鹽漬區分布較為分散，且大部分分布在輕度鹽漬區與已耕地塊的邊緣部分，荒地則主要分布在未耕地塊間或兩地物的交界地帶，兩區域均處于封閉型水文地質單元，受干旱氣候、低洼封閉的地勢條件以及人為灌溉因素的影響，積鹽現象較明顯。

2.2 精度評價

本實驗分別對兩區域的分類結果應用90、80個驗證樣本進行驗證，采用混淆矩陣對分類結果進行評價，選取混淆矩陣中的總精度、Kappa系數、生產者精度和使用者精度作為參考的評價指標，評價結果如表3、4所示。

表3 區域1遙感影像分類精度%Tab.3 Classification accuracy of region 1 remote sensing image

表4 區域2遙感影像分類精度%Tab.4 Classification accuracy of region 2 remote sensing image

總精度指被正確分類的像元與總像元數的比值，Kappa 系數是反映不同模型或分析方法在預測結果上與實際結果是否具有一致性的指標，其值越大則代表該模型或方法分類精度越高。兩區域精度評價中從平行六面體到支持向量機總精度和Kappa 系數逐漸升高，總精度最高達96.55%，Kappa 系數最高達到0.957 3，區域1 中總精度提升了3.51%～27.7%，Kappa 系數提升了0.041 9～0.311 5；區域2 中總精度提升了5.4%～42.88%，Kappa系數提升了0.063 1～0.495 2。其中以耕地分類精度最高，其次是輕度鹽漬區、未耕地塊、重度鹽漬區、重度鹽漬區，荒地的分類精度最低。

2.3 鹽堿地提取

使用ArcGIS 軟件對上圖中區域1、區域2 不同分類結果下每類地物的面積及占比進行提取，如表5、6所示。

應用分類精度最高的支持向量機法對區域1 和區域2 的各地物信息進行提取，結果如圖5所示。

圖5 區域1、區域2支持向量機法分類結果Fig.5 Classification results of region 1 and region 2 support vector machine

由表5、6 和圖5可知，應用支持向量機法對兩區域中各地物的面積占比隨著分類精度的提高逐漸趨于穩定，區域1 中重度鹽漬區占比在9.1%左右，面積為27 555 m2；中度鹽漬區占比在18.8%左右，面積為56 714 m2；輕度鹽漬區占比15.6%左右，面積為46 914 m2；區域2 中重度鹽漬區占比約為5.6%，面積為8 736 m2；中度鹽漬區面積占比8.4%左右，約占面積13 019 m2；輕度鹽漬區面積約為22.1%，面積約34 471 m2；區域1 中鹽漬區占比約43.5%，區域2 約36.1%。區域1 鹽漬區中中度鹽漬區較為顯著，區域2中輕度鹽漬區占比最大。

表5 區域1各分類結果面積占比Tab.5 Area ratio of each classification result in area 1

3 討 論

當前傳統航空航天遙感影像仍然是鹽堿地信息獲取和監測的主要手段，但存在采樣周期長、空間分辨率和易受大氣影響等問題，精確性和實時性均受限制，并不能及時地對鹽堿地信息進行監測［14］。隨著低空無人機和高分辨率傳感器技術的發展，其擁有靈活性高、空間分辨率高和受氣象影像小等特點，彌補了傳統遙感的不足，這些優勢使得無人機遙感技術在小區域應用方面的前景越來越廣泛［15］。我國西北干旱荒漠區受人為因素和氣象因素的影響，鹽堿地分布范圍廣且類型復雜［16］，將無人機遙感技術應用于鹽堿地信息的精確提取已成為當前研究的熱點。在目前的遙感分類方法中，常用的仍是如最大似然法、最小距離法和平行六面體法等傳統的模式識別分類方法，其分類結果受遙感影像空間分辨率的高低和“異物同譜”或“同物異譜”等現象的影響，而容易出現較多的漏分或錯分現象，影響地物分類的準確性［17-18］。近年來隨著人工智能技術的發展，涌現出了一些新理論新方法，如神經網絡法、支持向量機法等，其分類效果較傳統的分類方法更加理想，主要由于在處理模式分類問題時，神經網絡和支持向量機法不在基于某個假設的概率分布，而是在對訓練樣本學習的基礎上，獲得分類的權值，形成不同分類器，從而具有更高的容錯性，能更好地處理遙感影像中的“異物同譜”或“同物異譜”問題，從而提高分類精度［19］。

但大量研究表明針對不同的研究區或研究對象其最優分類方法也是多變的，雖然本文支持向量機分類方法在鹽堿地信息提取上效果最佳，無論是總精度或Kappa 系數均優于其他分類方法，其在地物邊界和鹽堿化程度分類上也比其他方法效果好，但由于真實地表地物的繁雜多變，會直接影響遙感影像本身采集的地物信息，進而導致分類效果差，所以在無人機遙感影像采集和精度校準技術中仍有許多問題值得我們探討。

4 結 論

（1）利用研究區真彩色遙感影像，結合平行六面體、最小距離、神經網絡、最大似然、支持向量機五種分類方法對影像內地物進行分類，通過混淆矩陣進行分類精度評價；結果表明，兩區域地物分類中從平行六面體到支持向量機，支持向量機總體分類精度和Kappa系數均優于其他方法，各地物間分離度最高，具有較好的魯棒性。

（2）通過ArcGIS 軟件對區域1、2 不同分類結果下每類地物的面積及占比進行提取，兩區域不同地物的面積占比隨著分類精度的提高逐漸趨于穩定，同時表明支持向量機在分類較復雜的地物類型時具有較好的應用價值；從解譯結果來看，兩區域中重度和輕度鹽漬區分布較為集中，中度鹽漬區分布較為分散，由于灌區持續的不合理灌溉，鹽漬化程度有進一步加重的趨勢。

（3）采用監督分類對鹽堿地信息進行提取，此類方法對樣本有較大的依賴性，訓練樣本和驗證樣本的選取不同，可能會影響最終的分類結果和精度評價。□