基于UAV-RGB的礦區(qū)植物分類及其葉綠素含量時空變化分析

陳 凱 雷少剛 楊星晨 史運喜 陳樹召

(1.國家能源集團包頭能源李家壕煤礦,內(nèi)蒙古 鄂爾多斯 017000;2.中國礦業(yè)大學礦山生態(tài)修復(fù)教育部工程研究中心,江蘇 徐州 221116)

礦山開采方式包括露天開采和地下開采。地下開采通過構(gòu)建井筒和巷道等方式進行地下作業(yè),往往會對其周邊原本穩(wěn)定的巖土結(jié)構(gòu)造成巨大影響,繼而引發(fā)地表形變[1]。研究表明,地表形變會造成井工礦區(qū)植被退化[2]。植被退化成為了礦山生態(tài)環(huán)境質(zhì)量下降的主要方面。因此,及時地進行植被調(diào)查對礦區(qū)生態(tài)修復(fù)工作具有重要意義。

植物物種調(diào)查是植被調(diào)查工作的基礎(chǔ)。由于其高效、準確的優(yōu)點,利用遙感的方式進行植物物種識別得到了廣泛的應(yīng)用。例如,Lucas等[3]利用機載高光譜影像對美國密西西比州Horn島進行了植物種類識別;Hakkenberg等[4]綜合高分影像、機載高光譜影像和激光雷達在森林地區(qū)實現(xiàn)了物種分類并完成了植物多樣性制圖。但是,現(xiàn)有研究大多基于高光譜遙感數(shù)據(jù),有些甚至需要融合激光雷達數(shù)據(jù)。而這些數(shù)據(jù)(高光譜、激光雷達)成本高,數(shù)據(jù)源少。尤其是在偏遠的礦區(qū),更是難以獲取合適的影像數(shù)據(jù),因此難以普及。將RGB相機搭載于無人機(Unmanned Aerial Vehicle,UAV),不僅成本低廉,而且操作簡單,因此便于在礦區(qū)推廣應(yīng)用。但是,目前基于UAV-RGB進行植物分類的研究較少,發(fā)展新的植物分類技術(shù)具有較好的應(yīng)用前景。

將機器學習技術(shù)應(yīng)用于遙感圖像分類,是目前研究的熱點。例如,黃雨菲等[5]利用U-net深度學習方法識別不同濱海濕地植物種類的精度可達95.67%,總體精度較其他分類方法提高6.67%～13.67%;杜保佳[6]利用隨機森林、卷積神經(jīng)網(wǎng)絡(luò)和支持向量機3種方法對植物群落分類,同樣取得了較好的效果。但是,將機器學習方法應(yīng)用于RGB影像的研究尚不多見,尤其是針對礦區(qū)植被類型。

另外,對植被生理參數(shù)進行分析也是植被調(diào)查工作的重要內(nèi)容。以往研究表明,葉綠素含量是早期識別和評價植被健康狀況的關(guān)鍵診斷指標,可較好地反映植被退化程度[7]。因此,基于遙感技術(shù),分析地表沉陷對植物葉綠素含量的時空擾動規(guī)律,可及時發(fā)現(xiàn)生態(tài)質(zhì)量退化區(qū),有效地指導(dǎo)礦山生態(tài)修復(fù)工作。

綜合現(xiàn)有研究的不足以及實際需求,本文以內(nèi)蒙古李家壕礦為例,使用機器學習技術(shù),提出了一種基于RGB相機的礦區(qū)典型植物分類方法。隨后,在多期分類結(jié)果的基礎(chǔ)上,分析了2種典型植物的葉綠素含量的時空變化規(guī)律,以期為礦山生態(tài)環(huán)境的精準修復(fù)提供指導(dǎo)。

1 研究區(qū)概況和數(shù)據(jù)來源

1.1 研究區(qū)概況

以內(nèi)蒙古鄂爾多斯市的李家壕礦為研究區(qū),該礦的開采方式為井下開采。礦區(qū)屬于干旱-半干旱氣候,降水量小但蒸發(fā)量大。年均降雨量為348.3 mm,然而年均蒸發(fā)量為2 506.3 mm。礦區(qū)內(nèi)原生植被稀疏,以草地為主,其中大部分為針茅。喬灌類植被較少,多為人工種植的檸條、樟子松、楊樹等。研究區(qū)生態(tài)環(huán)境脆弱,原有的生態(tài)系統(tǒng)在礦山開采過程中受到影響和破壞,目前部分區(qū)域已開展生態(tài)修復(fù)工作。

1.2 數(shù)據(jù)來源

1.2.1 無人機數(shù)據(jù)

選擇晴朗無云的天氣獲取無人機影像,影像獲取時間、相片數(shù)量、航高、空間分辨率和影像重疊度如表1所示。無人機型號是大疆公司生產(chǎn)的PHANTOM4 RTK,包含紅綠藍3個波段。根據(jù)地形條件、開采進度和精度要求,設(shè)計無人機飛行航線,包括飛行范圍、飛行高度和重疊度。在11∶00到13∶00之間獲取數(shù)據(jù),以盡量減少來自大氣的干擾和太陽高度角的變化。利用Pix4Dmapper軟件對影像進行預(yù)處理,生成正射影像圖。為了提高影像空間位置的精度,我們在研究區(qū)均勻布設(shè)了20個像控點,以完成影像的精配準工作。

表1 無人機影像參數(shù)Table 1 UAV image parameters

1.2.2 植被數(shù)據(jù)

為了對植物分類結(jié)果進行驗證,我們分別對各類地物類型選取一定數(shù)量的樣本,樣本選取過程中盡可能地避免混入其他地物像元,以保證統(tǒng)計結(jié)果的準確性。共選取楊樹樣本39個,樟子松樣本38個,檸條樣本40個,針茅樣本40個,裸地樣本36個。我們對選擇的樣本進行定位,定位設(shè)備為華測公司生產(chǎn)的X5工程型RTK產(chǎn)品。

2 研究方法

研究區(qū)的主要植物種類有針茅、檸條、楊樹、樟子松等。因此將地物類型分為6類,包括檸條、針茅、楊樹、樟子松、裸地以及其他。

由于無人機數(shù)據(jù)僅包含紅、綠、藍3個波段的反射率信息,僅憑光譜信息難以實現(xiàn)植被種類的區(qū)分。因此,為了充分挖掘RGB影像中的潛在信息,本文提出將影像的紋理特征以及密集匹配點云計算的幾何特征引入到分類工作中。綜合光譜信息、紋理信息和幾何特征,借助機器學習算法,實現(xiàn)植物種類的識別。

2.1 紋理特征

無人機RGB影像具有高空間分辨率,其紋理信息比較豐富,因此可以借助不同地物間的紋理差異來提高分類的精度。圖像的紋理特征提取方法已經(jīng)十分成熟,各種理論方法層出不窮[8]。本文選取了著名的灰度共生矩陣[9]。其定義為灰度圖像中特定方向θ上間距為d的2個灰度值同時出現(xiàn)的聯(lián)合概率分布。實驗中采用ENVI5.3軟件對RGB影像進行處理,分別獲得紅、綠、藍3個波段的4個紋理特征,包括方差、相異性、信息熵和二階矩。其中,濾波窗口大小設(shè)為5×5,空間相關(guān)性矩陣X和Y的變化值設(shè)為1,灰度化級別按照默認設(shè)置。

2.2 幾何特征

點云的3D特征體現(xiàn)點云的分布結(jié)構(gòu),同時也反映了植被的三維結(jié)構(gòu)特征。本文采用軟件Cloud-Compare2.12.4提取了包括高斯曲率以及特征值相關(guān)特征在內(nèi)的共計5個點云幾何特征。特征值相關(guān)特征是基于鄰域內(nèi)所有點的協(xié)方差矩陣所求的3個特征值計算所得,3個特征值分別記作L1、L2、L3,并且L1＞L2＞L3。具體包括各向同性、曲面變化率、球體指數(shù)和垂直度等4個特征。

2.3 特征選擇

選取變異系數(shù)[10]來反映各樣本的上述20種特征的離散程度。地物樣本的某一特征的變異系數(shù)越小,則表示此特征對于該類地物的代表性越強。但能否有效地將該類地物與其他地物類型區(qū)分開來,僅統(tǒng)計各特征的變異系數(shù)并不夠。針對某一特征,還要統(tǒng)計各地物類型之間的差異性。因此選取差異系數(shù)[11]來反映各地物類型在某一特征的差異程度,差異系數(shù)越大,表示該特征用于區(qū)分地物的效果越好。變異系數(shù)和差異系數(shù)的計算:

式中,V為變異系數(shù);S為標準差;M為均值;DW為類間差異系數(shù);M1為第一類地物的均值;M2為第二類地物的均值。

2.4 分類模型

本文選取了神經(jīng)網(wǎng)絡(luò)、支持向量機以及隨機森林3種機器學習方法。神經(jīng)網(wǎng)絡(luò)是用計算機模擬人腦的結(jié)構(gòu),用大量的處理單元模擬人腦神經(jīng)元[12]。神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱藏層和輸出層構(gòu)成,通過損失函數(shù)和梯度下降法不斷調(diào)整參數(shù),最終確定分類模型。支持向量機[13]是一種基于統(tǒng)計學習的分類方法,其核心思想是通過非線性映射將原始空間轉(zhuǎn)換到一個高維特征空間,將原始空間中的非線性可分問題變成高維特征空間中的線性可分問題,從而在高維特征空間中尋找最優(yōu)的分類面。隨機森林[14]本質(zhì)上屬于機器學習中的集成學習,它的基本單元是決策樹,每棵決策樹都是一個分類器,其核心思想是將所有樹的分類結(jié)果進行投票輸出。

2.5 葉綠素含量植被指數(shù)

高空間分辨率的無人機影像中包含大量與植被冠層相關(guān)的信息,所以可以利用遙感植被指數(shù)來表征植被冠層的葉綠素含量。本文影像數(shù)據(jù)僅包含紅、綠、藍3個波段,故選用與RGB相關(guān)的植被指數(shù)。前人研究表明,紅波段和藍波段與葉綠素含量密切相關(guān),已有一些植被指數(shù)被證明是切實可行的,如BRRI[15]和Ikaw[16]。經(jīng)過對比,我們最終選擇了BRRI指數(shù):

式中,B為藍光波段的反射率;R為紅光波段的反射率。BRRI的值位于0、1之間,值越大代表冠層葉綠素含量越高。

3 結(jié)果與討論

3.1 特征選擇

根據(jù)植被類型的地面調(diào)查結(jié)果,在影像中提取針茅、檸條、樟子松、楊樹、裸地的光譜特征、紋理特征以及幾何特征,計算各特征的變異系數(shù)以及不同地類間的差異系數(shù)。以檸條為例,表2為檸條20種特征的變異系數(shù)以及檸條與其他地類間的差異系數(shù)?？梢钥闯?檸條各類特征的變異系數(shù)大小不一,其中高斯曲率的變異系數(shù)最大,為103.85%,綠波段信息熵的變異系數(shù)最小,為2.09%。此外,檸條與樟子松的綠波段二階矩差異系數(shù)最大,為1 104.93%,檸條與針茅的綠波段相異性差異系數(shù)最小,為0.08%。綜合了所有地類各特征的變異系數(shù)以及每一地類與其他地類各特征的類間差異系數(shù)后,最終選定紅、綠、藍3波段的二階矩以及點云幾何特征中的高斯曲率、各向同性、曲面變化率和球體指數(shù)7個特征。加上紅綠藍3個光譜波段,共計10個特征。

表2 檸條各特征的變異系數(shù)以及檸條與其他地類各特征的類間差異系數(shù)Table 2 The coefficient of variation of various characteristics of Caragana korshinskii and the coefficient of inter class differences between Caragana korshinskii and other land types %

3.2 植物分類

選取最佳的特征后,我們采用3種機器學習的方法(神經(jīng)網(wǎng)絡(luò)、支持向量機、隨機森林)對植物類型進行分類。本研究綜合了RGB相機的光譜信息、紋理信息和點云的3D特征(即植被的結(jié)構(gòu)信息)。首先僅采用光譜特征進行分類,然后采用光譜+紋理特征的方式,最后采用光譜+紋理+3D幾何特征的方式,分類結(jié)果如圖1所示(以7月13日的影像為例)。隨后我們使用總體分類精度和Kappa系數(shù)對分類結(jié)果進行評價(表3)。總體而言,支持向量機是3種分類方法中效果最好的。同時,結(jié)果也表明,采用多特征融合的方法確實能夠獲得更好的分類結(jié)果。以支持向量機為例,僅使用光譜特征,其總體分類精度為80.57%,當在光譜特征中加入紋理特征和3D幾何特征后,總體分類精度提高了9.45%,達到90.02%。由于無人機數(shù)據(jù)易于獲得,未來可以利用多期遙感影像提取植物的物候信息。將物候信息融合到現(xiàn)有方法中,或許可以進一步提高物種分類精度。另外,可以嘗試更多的機器學習算法,將遙感分類與人工智能更好地結(jié)合。

圖1 分類結(jié)果Fig.1 Classification results

表3 精度評價Table 3 Accuracy evaluation

3.3 葉綠素含量的時空變化分析

采用多特征融合的手段,使用支持向量機對獲取的全部9期無人機影像進行分類,并計算BRRI指數(shù)。在研究區(qū)選取一條垂直于開采方向的樣線(圖2),結(jié)合分類結(jié)果,提取了樣線上針茅和檸條2種植物的BRRI指數(shù)。根據(jù)開采沉陷情況,分別統(tǒng)計了中性區(qū)、壓縮區(qū)、拉伸區(qū)和自然區(qū)域的BRRI指數(shù),并計算退化系數(shù),以反映植被的退化程度:

圖2 樣線以及中性區(qū)、壓縮區(qū)、拉伸區(qū)Fig.2 Transect and neutral zone,compression zone and stretching zone

退化系數(shù)的值越低,代表植物受到的脅迫越嚴重。BRRI和退化系數(shù)的時空變化如圖3所示。在調(diào)查初期,退化系數(shù)的值在1附近,說明自然區(qū)和沉陷區(qū)的植被葉綠素含量基本一致,此時植物尚未受到擾動。根據(jù)井下開采數(shù)據(jù),該工作面在6月15日掘進至樣線所在的位置。但是從圖3可知,在6月15日之前,植物就出現(xiàn)了退化的趨勢,這是開采的超前影響所致。對于同一區(qū)域,針茅的退化系數(shù)均低于檸條,說明灌木比草本更能抵抗開采帶來的脅迫。對于同一物種,中性區(qū)的退化系數(shù)最高,其次是壓縮區(qū),拉伸區(qū)的退化系數(shù)最低。這說明拉伸區(qū)的植被退化最嚴重,應(yīng)該作為生態(tài)修復(fù)的重點區(qū)域。圖中顯示,一段時間后退化系數(shù)會逐漸上升。這說明植被正在逐漸恢復(fù),但是其退化系數(shù)仍然小于1,即開采區(qū)植物的葉綠素含量仍然低于自然區(qū)。

圖3 BRRI指數(shù)和退化系數(shù)的時空變化Fig.3 Temporal and spatial variations of BRRI index and degradation coefficient

通過分析礦區(qū)典型植物的葉綠素含量的時空變化,發(fā)現(xiàn)位于拉伸區(qū)的植物受到的脅迫最嚴重。這可能是由于地表形變的原因,拉伸區(qū)更容易產(chǎn)生地裂縫,而地裂縫會造成土壤含水量的缺失[17]。該研究區(qū)屬于干旱半干旱地區(qū),水分是影響植物生長的限制性因素,缺水更容易導(dǎo)致植被的退化,直觀的表現(xiàn)則為葉綠素含量的下降。因此,地裂縫應(yīng)作為礦區(qū)生態(tài)治理的重點對象,而拉伸區(qū)則為生態(tài)修復(fù)的重點區(qū)域。研究發(fā)現(xiàn),相比于檸條,在同樣的環(huán)境下針茅受到的脅迫更大。這可能是因為檸條的根系更為發(fā)達,即使生長于裂縫區(qū),也不易斷裂(圖4(a))。而針茅在地表形變劇烈的地區(qū)更容易發(fā)生根系斷裂,進而死亡(圖4(b))。本文結(jié)果表明,在工作面未開采到植被樣線所在的位置時,植被葉綠素含量已經(jīng)出現(xiàn)了下降。這說明開采引起的超前影響就足以導(dǎo)致植被的退化。采后40 d時,掘進面已經(jīng)超過植被樣線約320 m(開采速度約為8 m/d)。此時植被葉綠素含量雖然有所升高,但是依然低于自然區(qū)域的水平。這說明不論是在時間維還是空間維,礦山開采對植被的影響都是存在的,需要采取相應(yīng)的保護與修復(fù)措施。從7月10日開始,該工作面采取了一系列生態(tài)修復(fù)措施,如治理裂縫,給植被澆水等?？梢钥吹?7月13日的退化系數(shù)得到了明顯的回升,說明這些生態(tài)修復(fù)措施起到了較好的效果,應(yīng)繼續(xù)堅持。

圖4 地裂縫對植被根系的損傷Fig.4 Damage of vegetation roots caused by ground fissures

4 結(jié) 論

考慮到經(jīng)濟成本以及數(shù)據(jù)源的可獲取性,將RGB相機搭載于無人機上,是一種在礦區(qū)進行植被遙感調(diào)查的有效手段。由于其操作簡單且成本低廉,因此易于在礦區(qū)得到大范圍推廣。基于無人機獲取的RGB影像,本文提出了一種針對礦區(qū)典型植物的遙感分類方法。該方法融合了影像的光譜信息、紋理信息和點云的3D特征,使用3種機器學習分類算法,實現(xiàn)了礦區(qū)典型植物的分類。研究發(fā)現(xiàn),多特征融合可以顯著提高分類的精度,最佳的機器學習算法為支持向量機,其總體分類精度可達90%,基本可以滿足礦區(qū)植物調(diào)查的需求。通過對植物葉綠素含量的時空變化進行分析,發(fā)現(xiàn)沉陷拉伸區(qū)的植被更容易出現(xiàn)退化,其次是壓縮區(qū)和中性區(qū)。相比于針茅,檸條更能抵抗地下開采帶來的擾動,適合作為礦區(qū)生態(tài)修復(fù)的先鋒物種。