董 光，狄 威，程武學(xué)

（四川師范大學(xué) 地理與資源科學(xué)學(xué)院，四川 成都 610101）

草地既是畜牧業(yè)生產(chǎn)的重要物質(zhì)基礎(chǔ)，又是重要的生態(tài)屏障.據(jù)統(tǒng)計，中國草原總面積約為4 億公頃，并且每年草地生物量產(chǎn)量約為22.29 億噸，天然草地的生態(tài)服務(wù)功能總價值約8 697.7 億元，在國家糧食安全和生態(tài)安全等有著舉足輕重的地位.據(jù)農(nóng)業(yè)部《2016 年全國草原監(jiān)測報告》［1］統(tǒng)計，2017年全國草原鼠害受害面積約為2.8 ×107hm2，約占全國草原面積的7.24%，比2016 年增長1.34%，對草原主要危害鼠種有黃鼠、田鼠、鼠兔、鼢鼠、沙鼠、旱獺等.近30 年來，草原鼠害的危害逐年加重，草原鼠害面積逐年增加，每年草原由于鼠害經(jīng)濟(jì)損失超過60 億元［2］，因此有必要對草地鼠害進(jìn)行全面監(jiān)測.全面監(jiān)測鼠害草地信息是治理鼠害任務(wù)的重要一步，可以通過準(zhǔn)確的監(jiān)測和判斷鼠害程度制定有效的治理鼠害計劃，綜合利用多種治鼠技術(shù)，實(shí)現(xiàn)科學(xué)防治鼠害的任務(wù)［3］.

國外利用遙感與GIS 技術(shù)應(yīng)用于鼠害監(jiān)測時間較早，可以分為兩個時間階段：1950—1970 年，主要采用航空目測的方法，在地形圖上畫出鼠害發(fā)生區(qū).隨著科技的進(jìn)步，逐漸將航空錄像連接至全球定位系統(tǒng)，在航空錄像的圖像上記錄經(jīng)緯度坐標(biāo)、海拔、飛行航速以及航向等信息，在鼠害動態(tài)監(jiān)測方面取得了較好的成果.在1970 年后，隨著美國的Landsat、法國SPOT等衛(wèi)星的發(fā)射［4］，研究員可以在較短的時間快速獲取到遙感影像，對鼠害監(jiān)測的研究提供了巨大的支持.Addink 等［5］利用QuickBird遙感衛(wèi)星，對哈薩克斯坦的鼠害進(jìn)行監(jiān)測，精度驗證達(dá)到了80%以上.

我國從1950 年后，使用傳統(tǒng)方法對草地鼠蟲害進(jìn)行研究.隨著遙感技術(shù)的興起，特別是在1980年以后，我國陸續(xù)開展了草地遙感技術(shù)應(yīng)用研究與草地鼠害預(yù)測預(yù)報研究.李博［6］利用3S 系統(tǒng)技術(shù)建立了“中國北方草地畜牧業(yè)動態(tài)監(jiān)測業(yè)務(wù)化運(yùn)行系統(tǒng)”；阿力古恩［7］結(jié)合3S技術(shù)研究得到了阿拉善荒漠梭梭林中大沙鼠鼠害分布區(qū)域；黃建文等［8］利用阿拉善左旗地區(qū)的TM影像，通過對比天然梭梭林在大沙鼠鼠害防治前后的土壤調(diào)節(jié)植被指數(shù)，用以判斷鼠害綜合防治的效果.但是，現(xiàn)在多數(shù)研究主要是利用遙感技術(shù)對草原荒漠化的總面積實(shí)現(xiàn)動態(tài)監(jiān)測，而使用遙感技術(shù)監(jiān)測鼠害監(jiān)仍處于起步階段，所以提高草原鼠害遙感監(jiān)測技術(shù)是具有重大的價值.

目前，利用傳統(tǒng)的技術(shù)很難對鼠害進(jìn)行有效的、實(shí)時的動態(tài)監(jiān)測.隨著遙感和GIS 的發(fā)展，可以得到大范圍的草原鼠害的衛(wèi)星影像，采集周期短.但是多數(shù)衛(wèi)星受限于分辨率，對準(zhǔn)確的鼠害信息很難獲取到.近年來，小型無人機(jī)越來越多的投入到各個遙感領(lǐng)域，其超高的分辨率對草原鼠害信息的提取有巨大的幫助.

無人機(jī)具有遙感監(jiān)測快速、高效、分辨率高、成本低和不同尺度等方面的優(yōu)勢.本文利用無人機(jī)對若爾蓋草原的鼠害信息提取的有效方法進(jìn)行研究，對比不同方法的提取結(jié)果，可以得到不同方法的優(yōu)缺點(diǎn)，為使用低空遙感監(jiān)測草原鼠害信息提供一定的理論和技術(shù)參考.

1 研究區(qū)域與數(shù)據(jù)來源

1.1 研究區(qū)域概況本次研究區(qū)域為若爾蓋草原，位于四川、甘肅和青海3省交接處，如圖1所示，總面積約為59 000 km2，區(qū)域內(nèi)涉及的縣級行政區(qū)包括四川省阿壩藏族羌族自治州的若爾蓋縣、紅原縣、阿壩縣、松潘縣，甘肅省甘南藏族自治州的瑪曲縣、碌曲縣，青海省果洛藏族自治州的久治縣［9］.

圖1 研究區(qū)位置示意圖Fig.1 A schematic diagram for the locations of the study areas

根據(jù)四川草原總站的實(shí)際統(tǒng)計，2018 年四川草原發(fā)生鼠害平均面積為2.84 ×106hm2，比去年增長約為4.7%，重度破壞面積約為1.82 ×106hm2，比去年增長約為10%，鼠害地發(fā)生已經(jīng)嚴(yán)重影響草原畜牧業(yè)的可持續(xù)發(fā)展［10］.

1.2 數(shù)據(jù)來源及處理本研究采用國產(chǎn)的DJI 無人機(jī)進(jìn)行高空作業(yè)，型號為DJI Phantom 4Pro，有接近12 檔的動態(tài)范圍，并搭載2 000 萬像素的的傳感器和GPS／GLONASS 雙模衛(wèi)星定位系統(tǒng)、IMU 和指南針雙冗余傳感器，無人機(jī)在飛行時能獲得實(shí)時圖像、深度、定位等信息.對于無人機(jī)的飛行高度，此次研究設(shè)定為200 m，航空攝影的航向重疊和旁向重疊分別設(shè)置為80%和60%，同時也滿足具體的航拍的要求.飛行的區(qū)域為若爾蓋縣轄曼鄉(xiāng)的牧場，由于受鼠害嚴(yán)重，所以選擇它作為研究區(qū).

這次的研究獲取的各種影像信息使用無人機(jī)的處理軟件技術(shù)進(jìn)行處理，具體如圖2 所示.

圖2 無人機(jī)航攝數(shù)據(jù)處理流程Fig.2 Processing flow of the aerial photography data by UAV

本文在所選的地點(diǎn)在若爾蓋草原的小牧場內(nèi)，經(jīng)過實(shí)地調(diào)查，選擇一個15 m ×15 m 的樣地作為研究鼢鼠鼠害信息提取的實(shí)驗區(qū)域，具體位置如圖3 所示.

圖3 實(shí)驗區(qū)預(yù)處理后的影像圖Fig.3 The pre-processed image of the experimental area

2 研究方法

2.1 基于灰度的圖像分割圖像分割技術(shù)通常根據(jù)圖像性質(zhì)的原理進(jìn)行分類和標(biāo)記［11］.主要使用灰度閾值劃分法，實(shí)際計算也相對簡單，并且運(yùn)算效率較高，在特定的細(xì)分中，屬于應(yīng)用比較多的方法.

確定閾值是這種分割算法的關(guān)鍵，閾值的準(zhǔn)確性越高，分割出來的圖像就越精確.

2.2 優(yōu)選色彩紋理特征本研究采用無人機(jī)的正射影像只有3 種灰度信息，分別是紅、綠、藍(lán)，沒有定量的多光譜信息.主要根據(jù)色彩的空間轉(zhuǎn)換以及實(shí)際的紋理對地表的表鼠害區(qū)域圖像進(jìn)行分析，然后選擇區(qū)分鼠害地物和背景地物的色彩和紋理指數(shù)，并將選擇出來的色彩和紋理指數(shù)用于地表鼠害信息的提取.

對于JPG的圖像進(jìn)行實(shí)際的色彩空間以及二階灰度共生矩陣進(jìn)行實(shí)際的轉(zhuǎn)換和紋理性的過濾，得到色度以及亮度和飽和度3 項指標(biāo)，以及均值以及方差、協(xié)同性等一共24 個紋理［12］.本文用離散程度表示具體的色彩紋理特征的變異系數(shù).

變異系數(shù)表示某一個特征數(shù)值的離散型程度，其中的變異系數(shù)與離散程度是相關(guān)的，變異系數(shù)越小，表示的離散程度也越小，因此根據(jù)此特征提取該類物.另外某一特征差異性越大，越容易進(jìn)行區(qū)分兩地的重物.因此，在進(jìn)行實(shí)際的選擇過程中，應(yīng)該選擇差異性大以及變異性小的色彩紋理進(jìn)行研究.

2.3 基于規(guī)則的面向?qū)ο竺嫦驅(qū)ο蟮姆诸惙椒ㄓ行У亟Y(jié)合影像中多種對象特征，例如圖像的光譜、紋理和幾何形狀，使用影像分割技術(shù)來查找對象，并將該對象作為處理單元進(jìn)行影像分類［13］，主要包括4 個過程：影像分割、對象層次結(jié)構(gòu)、分類規(guī)則和信息提取.

2.4 BP神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)主要在20 世紀(jì)40年代被提出，經(jīng)過這些年的不斷發(fā)展，以其強(qiáng)抗干擾、并行分布式處理、自組織學(xué)習(xí)和分類精度高等特點(diǎn)而得到廣泛應(yīng)用.

BP反向傳播網(wǎng)絡(luò)使用梯度搜索理論，將輸出層中的誤差進(jìn)行校正權(quán)重，從而使網(wǎng)絡(luò)的實(shí)際輸出與預(yù)期輸出之間的誤差最小.該方法是根據(jù)誤差反向傳播算法，從輸出到輸入的方向進(jìn)行，需要一定數(shù)量的已知樣本進(jìn)行反復(fù)的學(xué)習(xí)和訓(xùn)練，確定與最小誤差相對應(yīng)的權(quán)值和閾值［14］.具體的神經(jīng)網(wǎng)絡(luò)圖結(jié)構(gòu)如圖4 所示.

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 BP neural network structure

3 結(jié)果與分析

3.1 春季鼢鼠土丘的地表信息提取

3.1.1灰度閾值分割 結(jié)合實(shí)地調(diào)查以及根據(jù)現(xiàn)有的影像進(jìn)行分析，發(fā)現(xiàn)草類植被還處于萌發(fā)階段時，綠色波段的區(qū)分度不大，鼢鼠土丘對于藍(lán)色波段最為敏感.另外，土壤濕度對于鼢鼠土丘在圖像上表達(dá)影響很大，土壤濕度越大，鼢鼠土丘越趨近于黑色，即灰度值越?。煌寥罎穸仍叫?，灰度值越大，鼢鼠土丘與周圍的裸土顏色越接近.構(gòu)建出的灰度分割模型為：紅色波段值小于174，綠色波段值小于145，藍(lán)色波段值小于120.運(yùn)用此模型進(jìn)行影像分割處理，再對分割結(jié)果進(jìn)行聚類和過濾處理，圖5 是得到的分割結(jié)果.

圖5 灰度閾值分割提取春季影像中鼢鼠土丘結(jié)果Fig.5 Extraction results of zokor mounds in spring images based on grayscale threshold segmentation

3.1.2優(yōu)選色彩紋理特征 結(jié)合實(shí)際的調(diào)研情況進(jìn)行影像分析，主要是有3 種地物信息，分別為鼢鼠土丘、草地以及裸土，另外需要對于影像進(jìn)行HLS色彩轉(zhuǎn)換，以及二階灰度共生矩陣紋理濾波，得到色度、亮度以及飽和度3 種色彩特征和紅、綠、藍(lán)3 個波段的對比度、相異性等24 種紋理特征進(jìn)行實(shí)際的了解和分析.

綜合考慮相對差異和變異系的數(shù)值，本文選擇了紅色均值、藍(lán)色均值和綠色均值3 個紋理特征來區(qū)分鼢鼠土丘和其他地物，優(yōu)選的3 個紋理特征之間的差異性有了明顯的提高.在實(shí)際的影像中，主要的3 種地物分別是鼢鼠土丘、裸土和草地，隨機(jī)選取其訓(xùn)練樣本各10 個，得到的分類結(jié)果如圖6所示.

圖6 基于優(yōu)選紋理的春季影像中鼢鼠土丘提取結(jié)果Fig.6 Extraction results of zokor mounds in spring images based on optimized textures

3.1.3基于規(guī)則的面向?qū)ο?利用實(shí)際圖像的分割技術(shù)來發(fā)現(xiàn)對象，Algorithm 選擇為Edge，Scale Level為65.9.因為實(shí)際的閾值比較低，通過合并來優(yōu)化分類的結(jié)果，本文設(shè)定合并強(qiáng)度為95.8.

使用半自動的方式確定規(guī)則和閾值，設(shè)定的光譜規(guī)則為：B1 的范圍為130.34～171.19，B2 的范圍為105.19～145.39，B3的范圍為73.39～109.69，幾何面積范圍為0.022 5～1，基于規(guī)則的面向?qū)ο蠓椒ǚ诸惤Y(jié)果如圖7.

圖7 春季影像鼢鼠土丘面向?qū)ο蠓椒ǖ奶崛〗Y(jié)果Fig.7 Extraction results of zokor mounds in spring images based on the object-oriented method

3.1.4 BP神經(jīng)網(wǎng)絡(luò) 使用DJI Phantom 4Pro拍攝的影像，經(jīng)過處理后只有紅、綠、藍(lán)3 個波段，因此輸入層的節(jié)點(diǎn)數(shù)為3.而輸出層的節(jié)點(diǎn)數(shù)是由分類結(jié)果的數(shù)目決定的，由影像圖可以看出，主要是由鼢鼠土丘、草地、裸土組成，所以輸出層的節(jié)點(diǎn)數(shù)為3.本文隱層在數(shù)量上的選擇為1 個，隱層節(jié)點(diǎn)數(shù)量可以通過輸入節(jié)點(diǎn)數(shù)量來確定，一般是輸入節(jié)點(diǎn)的2～3倍［15］.非線性方法比線性方法劃分出來的結(jié)果準(zhǔn)確率更高、合理，而且容錯性較好［16］，所以函數(shù)選擇對數(shù)型Sigmoid 激活函數(shù).其分類結(jié)果如圖8所示.

圖8 春季影像中基于BP神經(jīng)網(wǎng)絡(luò)的鼢鼠土丘分割結(jié)果Fig.8 Zokor mound segmentation results based on BP neural network in spring images

3.1.5春季鼢鼠分類結(jié)果精度對比 混淆矩陣用于計算制圖和用戶精度的計算，以此得到總體精度和Kappa系數(shù)等，評估每種方法分類結(jié)果的優(yōu)劣.春季影像的空間精度對比如表1 所示.

表1 春季影像的空間精度對比Tab.1 Comparison of the spatial accuracy in spring

因為無人機(jī)影像分辨率較高，影像的地物可以用肉眼分辨，所以將目視解譯結(jié)果作為度量，以評估每種方法在目標(biāo)地物的圖斑在數(shù)量、面積和幾何形狀方面的定量精度.定量精度對比如表2 所示.

表2 春季影像的定量精度對比Tab.2 Comparison of the quantitative accuracy in spring

3.2 夏季鼢鼠土丘的地表信息提取

3.2.1灰度閾值分割 根據(jù)實(shí)際的調(diào)查，該季節(jié)的植被生長是一年中最好的，牧草分布比較廣，裸土面積小，草色呈現(xiàn)出青綠色，該影像對于綠色的波段比較敏感，但土壤濕度差異很大，對影像分類結(jié)果有一定的影響.構(gòu)建具體的分割模型為紅色波段大于139，綠色波段大于135，藍(lán)色波段大于113，分割結(jié)果如圖9 所示.

圖9 灰度閾值分割提取夏季影像中鼢鼠土丘結(jié)果Fig.9 Extraction results of zokor mounds in summer images based on gray-level threshold segmentation

3.2.2優(yōu)選色彩紋理特征 結(jié)合實(shí)地調(diào)研情況，對夏季關(guān)鍵的地物信息進(jìn)行分析，發(fā)現(xiàn)影像圖上主要有兩種地物，分別是鼢鼠土丘與背景地物草地.同樣對實(shí)驗影像進(jìn)行HLS 色彩轉(zhuǎn)換和二階灰度共生矩陣紋理濾波，得到色度、亮度與飽和度3 項色彩特征，以及紅、綠、藍(lán)三個波段的對比度、相異性等24 種紋理特征進(jìn)行分析，最后得到影像的特征統(tǒng)計.

綜合考慮相對差異和變異系數(shù)，選擇色度、飽和度和藍(lán)色均值3 個特征區(qū)分鼢鼠土丘和其他地物，優(yōu)選的3 個色彩、紋理特征之間的差異性有了明顯的提高.基于優(yōu)選紋理特征，對夏季實(shí)驗影像的分類結(jié)果如圖10.

圖10 基于優(yōu)選紋理的夏季影像中鼢鼠土丘分割結(jié)果Fig.10 The segmentation results of zokor mounds in summer images based on the optimal texture

3.2.3基于規(guī)則的面向?qū)ο?利用實(shí)際圖像的分割技術(shù)來發(fā)現(xiàn)對象，Algorithm 選擇為Edge，Scale Level為49.6.由于分割強(qiáng)度設(shè)置得較低，因此特征對象劃分為多個部分，使用合并算法能一定程度上改善這個問題，將合并強(qiáng)度設(shè)置為98.3.

根據(jù)灰度、紋理和幾何形態(tài)等多個要素對目標(biāo)地物的規(guī)則集進(jìn)行創(chuàng)建描述，使用半自動探測的方法確定其規(guī)則以及閾值，所以設(shè)定光譜特征B1 的范圍為127～158，B2 的范圍為110～140，幾何面積范圍為0.022 5～1，分類結(jié)果如圖11.

圖11 夏季影像中面向?qū)ο蟮镊魇笸燎鹛崛〗Y(jié)果Fig.11 Extraction results of zokor mounds in summer images based on the Object-oriented method

3.2.4 BP神經(jīng)網(wǎng)絡(luò) 在進(jìn)行實(shí)際的信息提取之前，需要構(gòu)建一個BP網(wǎng)絡(luò)的模型，進(jìn)而確定網(wǎng)絡(luò)模型的層數(shù)、節(jié)點(diǎn)以及一些激勵函數(shù)等網(wǎng)絡(luò)化的參數(shù)值，本次研究采用的是一個隱層的3 層BP 神經(jīng)網(wǎng)絡(luò).

本研究的遙感影像數(shù)據(jù)來源是無人機(jī)，由于影像只有紅、綠、藍(lán)3 個波段，所以輸入層的節(jié)點(diǎn)數(shù)為3.因為影像主要地物為鼠丘和草地，所以輸出層節(jié)點(diǎn)數(shù)為2.具體的輸出結(jié)果如圖12 所示.

圖12 基于BP神經(jīng)網(wǎng)絡(luò)的提取結(jié)果Fig.12 Extraction results based on the BP neural network

3.2.5夏季鼢鼠分類結(jié)果精度對比 用4 種分類方法提取鼢鼠的土丘行，并對分類結(jié)果進(jìn)行精度評價，具體的空間精度對比如表3 所示.

表3 夏季影像的空間精度對比Tab.3 Comparison of the spatial accuracy in summer

因為無人機(jī)影像分辨率較高，夏季影像的地物可以肉眼分辨，所以將目視解譯結(jié)果作為度量，以評估每種方法在目標(biāo)地物的圖斑在數(shù)量、面積和幾何形狀方面的定量精度.4 種方法的定量精度對比，如表4 所示.

表4 夏季影像的定量精度對比Tab.4 Comparison of quantitative accuracy in summer

4 結(jié)論與討論

4.1 結(jié)論本研究以若爾蓋縣轄曼鄉(xiāng)的一個小牧場為研究區(qū)域，該區(qū)域受鼠害比較嚴(yán)重.使用無人機(jī)獲取轄曼鄉(xiāng)的一個小牧場春季和夏季的影像圖，通過無人機(jī)數(shù)據(jù)與航空影像處理軟件對得到的影像圖進(jìn)行預(yù)處理，得到了2 幅鼢鼠鼠害影像圖.通過實(shí)地觀察以及相關(guān)資料的查閱，了解鼢鼠鼠害的地表特征，并使用4 種方法對春夏兩季影像的地表進(jìn)行分類，提取其特征信息，使用的方法分別是灰度閾值分割、優(yōu)選色彩紋理、基于規(guī)則的面向?qū)ο蠛虰P神經(jīng)網(wǎng)絡(luò).再對這4 種分類結(jié)果提取到的特征信息進(jìn)行空間精度和定量精度的評價，最后總結(jié)每種方法的優(yōu)缺點(diǎn)，對比分析后分別得到在春季和夏季最優(yōu)的鼢鼠鼠害信息提取方法.得出的結(jié)論如下：

1）對比春季和夏季鼢鼠鼠害的提取結(jié)果，若爾蓋草原春季更有利于提取鼢鼠鼠害地物信息.在春季，由于鼢鼠的生活習(xí)性，其活動較為頻繁，使得土丘具有明顯的地表特征，在影像上可看出裸土對土丘的干擾比較小.夏季若爾蓋草原雨天增多，雨水的沖刷使得松散的土丘沖散，從影像上提取地物特征信息難度增大.

2）在春季的影像中，從空間精度來看，灰度閾值分割方法相較于其他3 種方法，分類精度較低，像元的漏分和錯分較高.在定量精度上，相較于其余3 種方法，基于規(guī)則的面向?qū)ο笤诟黜椫笜?biāo)中都是最優(yōu)的，在分類結(jié)果的影像圖上有著很好的效果，是在春季影像中提取鼢鼠鼠丘最準(zhǔn)確的方法.

3）在夏季影像中，優(yōu)選色彩紋理與BP神經(jīng)網(wǎng)絡(luò)方法，在空間精度上有著不錯的分類效果，像元的漏分和錯分較低.在定量精度上，BP 神經(jīng)網(wǎng)絡(luò)在數(shù)量精度、面積偏離度和形狀偏離度均是最優(yōu)的，其余指標(biāo)與另3 種方法相比也屬于較好的，是提取夏季影像鼢鼠土丘的最優(yōu)方法.

4.2 討論通過對若爾蓋草原的實(shí)地考察發(fā)現(xiàn)，在草原上的牧草枯黃時節(jié)，裸露的土壤較多，地表鼠害信息與背景地物差異小，增加了鼠害信息的提取難度.若爾蓋草原的雨季通常在6 月下旬至8 月上旬，由于鼢鼠的土丘較為松軟，在雨水的沖刷下，使得土丘輪廓模糊不清，不易提取.所以，使用可見光的低空遙感對若爾蓋草原鼠害數(shù)據(jù)的提取，最佳時間大約在每年的5 月上旬至6 月上旬.

本文使用的無人機(jī)續(xù)航時間短，最長時間只有30 min，并且傳感器只有3 個波段，影像分辨率較低，對鼠害信息的提取還有許多的不足.隨著無人機(jī)技術(shù)的發(fā)展，使用多光譜甚至高光譜的傳感器，能更好地提取鼠害信息，為草原鼠害的防治工作提供更全面的監(jiān)測信息.