基于LiDAR和DOM數據的薇甘菊自動識別與分布預測

王瑞瑞 李怡燃 石 偉 段蕓杉 陳興旺

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

薇甘菊原產于南美洲熱帶地區(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)控和預測。傳統(tǒng)的監(jiān)控和預測方式為人工實地調查，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手段對薇甘菊的空間分布進行系統(tǒng)分析。近年來，國內外學者對薇甘菊的基因特征[6]、生物學特性[7-9]、生物防治[4,10-11]、綜合防控技術[12-13]等方面進行了廣泛研究，大多采用RGB波段運算[14-17]、深度卷積神經網絡[18]、BP神經網絡[19-20]、面向對象分割[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測。但衛(wèi)星遙感數據的分辨率不足以精確識別薇甘菊，再加上衛(wèi)星數據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測更是難以實現(xiàn)。高時空分辨率的低空遙感技術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據(LiDAR)和航攝多光譜數據(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測。

本研究以直升機多光譜數據(DOM)和機載激光雷達數據(LiDAR)為基礎，采用面向對象多尺度分割方法對薇甘菊爆發(fā)區(qū)域進行自動識別，并利用林場內樹冠高度模型、植被蓋度、坡度、坡向等數據，采用Logistic回歸方法建立薇甘菊入侵分布概率的預測模型，為廣州市薇甘菊大范圍精確預測和管理提供數據支持和治理依據。

1 研究區(qū)概況與數據來源

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 數據來源

研究數據采集于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，適合直升機航拍作業(yè)。本研究將機載激光雷達數據與直升機拍攝影像結合，可精確識別影像上薇甘菊的分布，為其預測提供高精度的數據源。

表1 傳感器參數配置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)境和數據提取精度較低等問題，以直升機多光譜數據和激光點云數據為基礎，根據薇甘菊紋理特征、光譜和形狀特征采用面向對象多尺度分割方法對其爆發(fā)區(qū)域進行自動識別；結合機載激光雷達數據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測模型。研究技術路線圖如圖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(BGDI)、綠紅差異指數(GRDI)、歸一化綠紅指數(NGRDI)、過綠指數(EGI)、歸一化過綠指數(NEGI)以及植被色素比值指數(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可為面向對象的多尺度分割提供參數支持[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、植被色素比值指數和高程數據作為特征指標，借助eCognition軟件選取薇甘菊分布訓練樣本點，查看其特征參數值分布范圍，經統(tǒng)計得到各個特征參數的最小值和最大值，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，利用面向對象的多尺度分割方法對薇甘菊爆發(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、植被色素比值指數的計算公式為

(1)

(2)

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

(3)

n——像素數m——影像圖層數量

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

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重、分割尺度和同質性準則組合參數，其中分割尺度和同質性準則組合參數最為重要[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下影像對象同質性局部方差(Local variance, LV)的變化率(Rates of change of LV，ROC-LV)，當LV的變化率達到最大時，該點對應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，經不同分割參數組合進行對比分析，確定薇甘菊地物的最優(yōu)分割尺度及其同質性準則參數。采用面向對象基于規(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。

根據原始激光點云數據和多光譜數據生成數字高程模型數據(DEM)，利用ArcGIS 10.3空間分析工具生成相應的坡度、坡向；將研究區(qū)的數字表面模型和數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——數字表面高度

DEM——數字高程

由于研究中林場的影像數據只有可見光范圍內的3個波段，因此選擇可見光波段差異性植被指數(VDVI)進行植被覆蓋度運算，并根據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

VDVIveg——完全被植被覆蓋像元植被指數

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會在小范圍內波動；VDVIveg則與季節(jié)、植被類型等密切相關[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的最小值

VDVImax——植被覆蓋像元植被指數的最大值

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測模型。在構建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性，得到因子與薇甘菊分布的Pearson系數表，然后對符合相關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——常數項

βm——自變量xmi對應的回歸系數

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月初實地調查獲取的52個薇甘菊分布樣區(qū)數據作為參考資料，將薇甘菊入侵概率參考圖與樣區(qū)數據進行對比，評價薇甘菊入侵概率模型的精度。

3 結果與分析

3.1 薇甘菊爆發(fā)區(qū)域自動識別結果及分析

參照文獻[34-35]，本研究設置初始分割尺度為50，逐步分割處理每次的增加步長為1，循環(huán)次數即執(zhí)行分割的次數為200，形狀參數和緊湊度參數設置為0.5，進行分割尺度遍歷，循環(huán)結束后，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；當分割尺度為100時，薇甘菊分割較為清晰；當分割尺度為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，在形狀參數和緊湊度參數都為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練樣本點，查看其特征參數值分布范圍，經統(tǒng)計得到各個特征參數的最小值和最大值，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果(圖5)。

3.2 影響因子提取結果及分析

本研究提取的研究區(qū)數字高程模型、數字表面模型、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Pearson積差相關性分析得到因子與薇甘菊分布的Pearson系數(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，相關系數為負值，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，坡向對于薇甘菊入侵分布的影響不是特別大。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積差相關系數的擬合效果較好，本研究選取的影響因子對薇甘菊入侵分布預測的解釋性較強。

表2 Pearson系數Tab.2 Pearson coefficient

3.3 薇甘菊入侵概率預測結果與分析

根據似然比檢驗結果(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、植被覆蓋度因子設為變量x1、x2、x3、x4，經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)。根據計算出的預測概率并結合以往的研究成果[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。預測結果符合薇甘菊生長擴散機制，預測效果較好。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測的效果，以林場提供的11月初的薇甘菊調查范圍數據(圖8)作為參考資料，將薇甘菊分布圖與分布預測結果進行對比。調查結果有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,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 結論

(1)面向對象的多尺度分割方法可以綜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。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測提供一定的理論指導，對廣州市薇甘菊綜合防治具有現(xiàn)實的指導意義。