基于LiDAR和DOM數(shù)據(jù)的薇甘菊自動識別與分布預(yù)測

王瑞瑞 李怡燃 石 偉 段蕓杉 陳興旺

(1.北京林業(yè)大學(xué)林學(xué)院， 北京 100083； 2.北京林業(yè)大學(xué)精準林業(yè)北京市重點實驗室， 北京 100083；3.中國科學(xué)院地理科學(xué)與資源研究所, 北京 100083)

0 引言

世界各地區(qū)間的交流日益頻繁，外來物種入侵日益嚴重，給入侵地造成了重大的經(jīng)濟和生態(tài)損失[1-3]。其中，薇甘菊由于攀援能力強，生長速度驚人，破壞力大而被列入世界最具危害的熱帶和亞熱帶雜草之一[4]，受到研究者們的廣泛關(guān)注。

薇甘菊原產(chǎn)于南美洲熱帶地區(qū)[5]，20世紀80年代傳入我國南部，現(xiàn)已廣泛分布在我國廣東、廣西、云南、香港等地區(qū)。為有效控制薇甘菊的蔓延和擴散，需要對薇甘菊空間分布進行識別，對其動態(tài)變化進行監(jiān)控和預(yù)測。傳統(tǒng)的監(jiān)控和預(yù)測方式為人工實地調(diào)查，然而這種方式不但費時費力，時效性和精確性也得不到保證。這就需要運用遙感技術(shù)手段對薇甘菊的空間分布進行系統(tǒng)分析。近年來，國內(nèi)外學(xué)者對薇甘菊的基因特征[6]、生物學(xué)特性[7-9]、生物防治[4,10-11]、綜合防控技術(shù)[12-13]等方面進行了廣泛研究，大多采用RGB波段運算[14-17]、深度卷積神經(jīng)網(wǎng)絡(luò)[18]、BP神經(jīng)網(wǎng)絡(luò)[19-20]、面向?qū)ο蠓指頪21]等方法開展薇甘菊信息的精細提取，采用MaxEnt生態(tài)位模型[22]對薇甘菊適生區(qū)進行預(yù)測。研究區(qū)域基本位于薇甘菊入侵嚴重的地段，且多是盛花期薇甘菊的識別和預(yù)測。但衛(wèi)星遙感數(shù)據(jù)的分辨率不足以精確識別薇甘菊，再加上衛(wèi)星數(shù)據(jù)存在過境時間長和云層遮擋等問題，對小范圍薇甘菊的識別和預(yù)測更是難以實現(xiàn)。高時空分辨率的低空遙感技術(shù)為此提供了新的研究手段[23-25]。直升機獲取的機載激光雷達數(shù)據(jù)(LiDAR)和航攝多光譜數(shù)據(jù)(DOM)，精度可達厘米級，且不受云層遮擋的影響，可用作薇甘菊的精確識別和預(yù)測。

本研究以直升機多光譜數(shù)據(jù)(DOM)和機載激光雷達數(shù)據(jù)(LiDAR)為基礎(chǔ)，采用面向?qū)ο蠖喑叨确指罘椒▽备示毡l(fā)區(qū)域進行自動識別，并利用林場內(nèi)樹冠高度模型、植被蓋度、坡度、坡向等數(shù)據(jù)，采用Logistic回歸方法建立薇甘菊入侵分布概率的預(yù)測模型，為廣州市薇甘菊大范圍精確預(yù)測和管理提供數(shù)據(jù)支持和治理依據(jù)。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

我國南方地區(qū)深受薇甘菊入侵的危害，其中廣東省尤為嚴重。本文選擇廣東省廣州市增城林場作為研究區(qū)(23.292°～23.369°N，113.681°～113.815°E)，總面積約為2 777.55 hm2，屬于亞熱帶海洋性季風(fēng)氣候，全年溫暖多雨、光熱充足，年平均氣溫在20℃以上，年降水量約為1 720 mm，適宜植物生長。林場內(nèi)植被以喬木為主，主要樹種有桉樹(Eucalyptus)、杉木(Cunninghamialanceolata)、濕地松(Pinuselliottii)、黎蒴(Castanopsisfissa)、馬尾松(Pinusmassoniana)等。由于林場面積較大，本研究只選取其中一部分進行研究，面積為141.710 4 hm2。研究區(qū)地理位置及直升機真彩色影像如圖1所示。

1.2 數(shù)據(jù)來源

研究數(shù)據(jù)采集于2019年11月18—19日，為貝爾直升機航拍影像和機載激光雷達影像，飛行高度約500 m，飛行旁向重疊度約為40%。航攝多光譜影像有紅、綠、藍3個波段，地面分辨率為0.07 m。直升機搭載的激光傳感器為Galaxy Prime Sensor，具體參數(shù)如表1所示。定位定向系統(tǒng)包括：POS AVTMAP60 (OEM)、220信道雙頻GNSS接收器、帶銥濾波器的GNSS機載天線和高準確度AIMU (Type 57)。航攝時天氣晴朗無云，光線充足，基本無風(fēng)，適合直升機航拍作業(yè)。本研究將機載激光雷達數(shù)據(jù)與直升機拍攝影像結(jié)合，可精確識別影像上薇甘菊的分布，為其預(yù)測提供高精度的數(shù)據(jù)源。

表1 傳感器參數(shù)配置Tab.1 Sensor parameters configuration

2 研究方法

本研究針對目前薇甘菊在可見光下視覺辨識度低，受限于野外環(huán)境和數(shù)據(jù)提取精度較低等問題，以直升機多光譜數(shù)據(jù)和激光點云數(shù)據(jù)為基礎(chǔ)，根據(jù)薇甘菊紋理特征、光譜和形狀特征采用面向?qū)ο蠖喑叨确指罘椒▽ζ浔l(fā)區(qū)域進行自動識別；結(jié)合機載激光雷達數(shù)據(jù)和直升機航拍影像提取林區(qū)冠層高度、坡度、坡向、高程和郁閉度因子，對選取的影響因子進行相關(guān)性分析和似然比檢驗，剔除不符合要求的因子，利用Logistic回歸方法建立研究區(qū)薇甘菊爆發(fā)自動識別范圍與各因子之間的線性模型，進而得到研究區(qū)薇甘菊入侵分布概率的預(yù)測模型。研究技術(shù)路線圖如圖2所示。

2.1 薇甘菊爆發(fā)區(qū)域自動識別

薇甘菊生長分布集中，常連成一片出現(xiàn)。盛花期的薇甘菊在可見光波段內(nèi)反射率顯著高于其他植被[14]，且薇甘菊的氮磷含量顯著高于其背景植物，在影像上呈現(xiàn)泛白的顏色從而與其他植被區(qū)別開來[16]。未開花前的薇甘菊與其他植被的特性相差不大，藍綠差異指數(shù)(BGDI)、綠紅差異指數(shù)(GRDI)、歸一化綠紅指數(shù)(NGRDI)、過綠指數(shù)(EGI)、歸一化過綠指數(shù)(NEGI)以及植被色素比值指數(shù)(PPR)都無法將薇甘菊和其攀附植物直接分離開，但植被色素比值指數(shù)可為面向?qū)ο蟮亩喑叨确指钐峁﹨?shù)支持[21]。

鑒于此，本研究選取圖像光譜特征中G波段上的像素平均值、亮度、植被色素比值指數(shù)和高程數(shù)據(jù)作為特征指標，借助eCognition軟件選取薇甘菊分布訓(xùn)練樣本點，查看其特征參數(shù)值分布范圍，經(jīng)統(tǒng)計得到各個特征參數(shù)的最小值和最大值，進而對薇甘菊進行識別和標識，從而確定薇甘菊分類規(guī)則集，利用面向?qū)ο蟮亩喑叨确指罘椒▽备示毡l(fā)區(qū)域進行自動識別提取，建立薇甘菊分布識別范圍。像素平均值、亮度、植被色素比值指數(shù)的計算公式為

(1)

(2)

PPR=(G-B)/(G+B)

(3)

n——像素數(shù)m——影像圖層數(shù)量

CLi——第L圖層上第i個像素的值，也稱為圖層值

PPR——植被色素比值指數(shù)

R——紅波段像素值

G——綠波段像素值

B——藍波段像素值

多尺度分割算法(Multiresolution segmentation, MRS)包含影像各圖層及其權(quán)重、分割尺度和同質(zhì)性準則組合參數(shù)，其中分割尺度和同質(zhì)性準則組合參數(shù)最為重要[26]。本研究利用eCognition軟件中的最佳分割尺度評價工具ESP2計算不同分割尺度參數(shù)下影像對象同質(zhì)性局部方差(Local variance, LV)的變化率(Rates of change of LV，ROC-LV)，當(dāng)LV的變化率達到最大時，該點對應(yīng)的分割尺度就是最佳分割尺度。由于圖像信息的不同，計算得到的最優(yōu)分割尺度往往有多個值，經(jīng)不同分割參數(shù)組合進行對比分析，確定薇甘菊地物的最優(yōu)分割尺度及其同質(zhì)性準則參數(shù)。采用面向?qū)ο蠡谝?guī)則的分類方法從影像對象區(qū)塊中提取薇甘菊爆發(fā)入侵區(qū)域，得到薇甘菊分布識別范圍。

2.2 影響因子提取

參照薇甘菊入侵分布影響因子[19,27]的研究可知，地形特征以及土地利用方式是影響薇甘菊入侵分布的重要影響因子。因此，本研究選取海拔、坡度、坡向、冠層高度和郁閉度進行薇甘菊分布范圍預(yù)測的研究，但由于薇甘菊不僅可以攀援于樹冠上，也可以匍匐于灌叢上，本研究使用植被覆蓋度(Vegetation fractional coverage，VFC)代替郁閉度。

根據(jù)原始激光點云數(shù)據(jù)和多光譜數(shù)據(jù)生成數(shù)字高程模型數(shù)據(jù)(DEM)，利用ArcGIS 10.3空間分析工具生成相應(yīng)的坡度、坡向；將研究區(qū)的數(shù)字表面模型和數(shù)字高程模型進行差值運算，得到冠層高度。冠層高度計算公式為

CHM=DSM-DEM

(4)

式中CHM——冠層高度

DSM——數(shù)字表面高度

DEM——數(shù)字高程

由于研究中林場的影像數(shù)據(jù)只有可見光范圍內(nèi)的3個波段，因此選擇可見光波段差異性植被指數(shù)(VDVI)進行植被覆蓋度運算，并根據(jù)像元二分法得到植被覆蓋度。

VDVI=(2G-R-B)/(2G+R+B)

(5)

VFC=(VDVI-VDVIsoil)/(VDVIveg-VDVIsoil)

(6)

式中VDVIsoil——裸土或無植被覆蓋像元植被指數(shù)

VDVIveg——完全被植被覆蓋像元植被指數(shù)

植被覆蓋度中裸土的VDVI理論上接近0，但由于VDVI會受到大氣、地表粗糙程度等因素的影響，裸土的VDVI會在小范圍內(nèi)波動；VDVIveg則與季節(jié)、植被類型等密切相關(guān)[28]，因此，植被覆蓋度可表示為

VFC=(VDVI-VDVImin)/(VDVImax-VDVImin)

(7)

式中VDVImin——植被覆蓋像元植被指數(shù)的最小值

VDVImax——植被覆蓋像元植被指數(shù)的最大值

參照VDVImin和VDVImax取值問題的研究[29]可知，由于不可避免存在噪聲，VDVImin和VDVImax一般取在置信區(qū)間[5%,95%]獲得的最大值與最小值。

2.3 薇甘菊入侵概率模型創(chuàng)建

線性回歸模型是目前定量分析研究中常用的統(tǒng)計分析方法，然而在許多情況下，線性回歸會受到限制，特別是當(dāng)因變量是一個分類變量而不是一個連續(xù)變量時。Logistic回歸模型能很好地解決這一問題[30]，因此，本研究利用Logistic回歸方法建立研究區(qū)薇甘菊爆發(fā)自動識別范圍與各因子之間的線性模型，進而得到研究區(qū)薇甘菊入侵分布概率的預(yù)測模型。在構(gòu)建Logistic回歸模型之前，需分析提取的因子和薇甘菊入侵分布的相關(guān)性，得到因子與薇甘菊分布的Pearson系數(shù)表，然后對符合相關(guān)性分析的因子進行似然比檢驗，將不滿足似然比檢驗的因子變量剔除[31-33]，剩余因子變量利用Logistic回歸方法建立薇甘菊入侵概率模型，解釋影響薇甘菊入侵分布的因子與薇甘菊入侵爆發(fā)之間的聯(lián)系，進而預(yù)測薇甘菊入侵爆發(fā)的概率。概率計算式為

(8)

式中pi——薇甘菊入侵爆發(fā)概率

β0——常數(shù)項

βm——自變量xmi對應(yīng)的回歸系數(shù)

2.4 精度檢驗

為進一步分析薇甘菊入侵概率模型的效果，以林場提供的11月初實地調(diào)查獲取的52個薇甘菊分布樣區(qū)數(shù)據(jù)作為參考資料，將薇甘菊入侵概率參考圖與樣區(qū)數(shù)據(jù)進行對比，評價薇甘菊入侵概率模型的精度。

3 結(jié)果與分析

3.1 薇甘菊爆發(fā)區(qū)域自動識別結(jié)果及分析

參照文獻[34-35]，本研究設(shè)置初始分割尺度為50，逐步分割處理每次的增加步長為1，循環(huán)次數(shù)即執(zhí)行分割的次數(shù)為200，形狀參數(shù)和緊湊度參數(shù)設(shè)置為0.5，進行分割尺度遍歷，循環(huán)結(jié)束后，生成折線圖(圖3)。局部方差變化率的波峰表示此時尺度為待分割地物的最佳分割尺度[36]。由于影像信息的豐富性，遍歷計算得到的最優(yōu)尺度通常是多個[37]，本研究對得到的多個最優(yōu)尺度進行對比分析確定用于薇甘菊識別的分割尺度[38]。

從圖3可以看出，分割薇甘菊的最優(yōu)尺度有60、76、80、100、114、135、148、168、188、201、208、217、245。當(dāng)分割尺度為60、76、80時，薇甘菊被分割的較為破碎，出現(xiàn)了過分割現(xiàn)象；當(dāng)分割尺度為100時，薇甘菊分割較為清晰；當(dāng)分割尺度為114～201時，薇甘菊和其他植被合并越來越多，不能明確地分割出薇甘菊(圖4)。因此，在形狀參數(shù)和緊湊度參數(shù)都為0.5的情況下，分割尺度100是本研究薇甘菊自動識別提取的最優(yōu)尺度。

利用G波段上像素的平均值、亮度、植被色素比值指數(shù)和高程特征所包含的信息并借助eCognition軟件選取薇甘菊分布訓(xùn)練樣本點，查看其特征參數(shù)值分布范圍，經(jīng)統(tǒng)計得到各個特征參數(shù)的最小值和最大值，進而對薇甘菊進行識別和標識[39-40]，確定薇甘菊分類規(guī)則集：分割尺度為100，形狀參數(shù)為0.5，緊湊度為0.5，高程為29～329，亮度為190～220，綠波段均值大于175，植被色素比值指數(shù)為0.15～0.25，實現(xiàn)薇甘菊與攀附植物的分離，得到薇甘菊爆發(fā)區(qū)域自動識別范圍。雖然薇甘菊在開花季節(jié)的顏色和紋理異于其他植被，但由于其分布比較零散，與其他植被的特征較為相似，存在錯分情況。本研究薇甘菊自動識別區(qū)域729處，錯分區(qū)域34處，錯分率為4.66%，漏檢3處，漏檢率為0.41%，漏檢較少。錯分區(qū)域主要存在于影像中的高亮區(qū)域，該部分植被大多在薇甘菊爆發(fā)點附近，可手動進行糾正，得到準確的薇甘菊自動識別結(jié)果(圖5)。

3.2 影響因子提取結(jié)果及分析

本研究提取的研究區(qū)數(shù)字高程模型、數(shù)字表面模型、坡度、坡向、冠層高度模型如圖6所示。利用ENVI軟件統(tǒng)計VDVImin和VDVImax在累積概率為5%和95%時的值，并確定VDVImin和VDVImax分別為0.011 075和0.426 087，計算得到植被覆蓋度(圖6f)。

根據(jù)Pearson積差相關(guān)性分析得到因子與薇甘菊分布的Pearson系數(shù)(表2)。從表2可以看出，影響薇甘菊入侵分布的因子中，高程和冠層高度處于最重要位置，相關(guān)系數(shù)為負值，即表示這些因子對薇甘菊的分布具有負影響，高程和冠層高度越高則越不適合薇甘菊的入侵分布。處于第2影響位置的因子是坡度和植被覆蓋度，坡度越陡，植被覆蓋越密，越不適合薇甘菊的攀爬入侵。相比于高程和冠層高度，坡向?qū)τ谵备示杖肭址植嫉挠绊懖皇翘貏e大。這與薇甘菊在坡度較小、植被稀疏的低地區(qū)攀爬生長特性是一致的，表明Pearson積差相關(guān)系數(shù)的擬合效果較好，本研究選取的影響因子對薇甘菊入侵分布預(yù)測的解釋性較強。

表2 Pearson系數(shù)Tab.2 Pearson coefficient

3.3 薇甘菊入侵概率預(yù)測結(jié)果與分析

根據(jù)似然比檢驗結(jié)果(表3)可以看出，高程、冠層高度、坡度、植被覆蓋度都通過了檢驗，可作為變量參與建立薇甘菊分布預(yù)測模型，坡向因子沒有通過似然比檢驗被剔除。

表3 似然比檢驗結(jié)果Tab.3 Likelihood ratio test

通過檢驗的冠層高度、高程、坡度、植被覆蓋度因子設(shè)為變量x1、x2、x3、x4，經(jīng)逐步篩選法得到薇甘菊生長分布概率p，生成薇甘菊入侵概率圖(圖7)。根據(jù)計算出的預(yù)測概率并結(jié)合以往的研究成果[31,41]，初步判定p≥0.6為薇甘菊入侵范圍，而p<0.6為非入侵區(qū)域，即圖7中橘黃色區(qū)域和紅色區(qū)域為薇甘菊入侵范圍。薇甘菊匍匐生長，高坡度、高大密集林木區(qū)不利于薇甘菊的生長，而向陽、水分條件好的地區(qū)，比如林木邊緣區(qū)、水體周邊的半自然環(huán)境等區(qū)域，薇甘菊生長分布較多。從圖7可以看出，薇甘菊入侵分布概率大的區(qū)域多在人類活動明顯的道路兩旁、低矮稀疏林木邊緣和坡度低、地勢平緩區(qū)域。預(yù)測結(jié)果符合薇甘菊生長擴散機制，預(yù)測效果較好。薇甘菊生長分布概率p的計算公式為

3.4 精度驗證

為進一步驗證本文方法對薇甘菊分布預(yù)測的效果，以林場提供的11月初的薇甘菊調(diào)查范圍數(shù)據(jù)(圖8)作為參考資料，將薇甘菊分布圖與分布預(yù)測結(jié)果進行對比。調(diào)查結(jié)果有52個薇甘菊入侵樣本區(qū)域，其中46個樣本落在了薇甘菊入侵發(fā)生頻率高的地區(qū)，即黃色區(qū)域內(nèi),這些樣本均位于水體、林木邊緣和地勢低緩的向陽處，是薇甘菊生長的典型地形區(qū)域；6個樣本落在藍色區(qū)域，即薇甘菊生長的非典型地形區(qū)域，這些樣本處于研究區(qū)地理位置的邊緣，周圍存在雜草干擾，不太容易識別。綜上所述，本文方法預(yù)測薇甘菊入侵分布的準確率達88.46%，整體精度符合要求，具有較高的擬合效果。

4 結(jié)論

(1)面向?qū)ο蟮亩喑叨确指罘椒梢跃C合利用影像的多種信息用于地物識別分析，錯分率為4.66%，漏檢率為0.41%，漏檢錯分較少，總體精度較高。

(2)高程、冠層高度、坡度、植被覆蓋度是研究區(qū)內(nèi)影響薇甘菊入侵分布的重要因子，薇甘菊出現(xiàn)與否和周邊的地勢高度、坡度以及周圍樹木冠層高度顯著相關(guān)。薇甘菊分布范圍主要是人類活動明顯的道路兩旁，低矮稀疏林木邊緣以及坡度低、地勢平緩的區(qū)域。

(3)Logistic回歸模型具有較好的預(yù)測擬合效果，準確率達88.46%，可為大范圍薇甘菊自動識別和預(yù)測提供一定的理論指導(dǎo)，對廣州市薇甘菊綜合防治具有現(xiàn)實的指導(dǎo)意義。