EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 8: 1295 - 1306

DOI: https://doi.org/10.12082/dqxxkx.2019.180631

Object-Based Karst Wetland Vegetation Classification Method Using Unmanned Aerial Vehicle images and Random Forest Algorithm

  • GENG Renfang 1, 2 ,
  • FU Bolin , 1, * ,
  • CAI Jiangtao 1, 3 ,
  • CHEN Xiaoyu 4 ,
  • LAN Feiwu 1 ,
  • YU Hangming 1 ,
  • LI Qingxun 1
Expand
  • 1. College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541004, China
  • 2. School of Remote Sensing & Geomatics Engineering, Nanjing University of Information Science & Technology, Nanjing 210044, China;
  • 3. School of Geographic Information Science, Nanjing University of Information Science & Technology, Nanjing 210044, China;
  • 4. College of Civil Engineering and Architecture, Guilin University of Technology, Guilin 541004, China
* FU Bolin, E-mail:

Received date: 2018-12-05

  Request revised date: 2019-03-20

  Online published: 2019-08-25

Supported by

National Natural Science Foundation of China, No.41801071(41801071)

Guangxi Natural Science Foundation of China, No.2018GXNSFBA281015(2018GXNSFBA281015)

Guilin University of Technology research Foundation of China, No.GUTQDJJ2017096(GUTQDJJ2017096)

Guangxi Bagui Scholars" Foundation Support"()

Copyright

Copyright reserved © 2019.
Fold

Abstract

Wetlands are among the most important ecosystems on Earth. They play a key role in alleviating floods and filtering polluted water, and also provide habitats for many plants and animals. A unique wetland type, karst wetland, is widely distributed in southwest China, as influenced by the special soil and water structure of karst landforms. Currently, domestic and foreign scholars pay much less attention to karst wetland than other wetland types, and lack targeted research on high-precision vegetation identification of karst wetland using remote sensing technology. However, like other wetland types, karst wetland has seriously degraded, and many problems need to be solved urgently. Huixian National Wetland Park, located in Guilin, Guangxi province, is a typical karst wetland. In this paper, part of the core area of the Huixian National Wetland Park was selected as the study area, which is greatly affected by human activities and severely degraded. The aerial photography images from an unmanned aerial vehicle (UAV) were used as the data source, and the object-based random forest algorithm was used to realize the high-precision classification of karst wetland vegetation. In so doing, we explored the applicability of UAV RGB remote sensing image and object-based random forest algorithm in karst wetland vegetation recognition, and provided a technical reference for the research and protection of karst wetland by using UAV remote sensing technology. First, the multiscale iterative segmentation algorithm was used to segment the image layers in eCognition Developer 9.0. Then, the texture features calculated based on the grey level co-occurrence matrix (GLCM) and spectral features of the images, the vegetation indexes, geometric features, and the elevation information (DSM) derived from the UAV remote sensing data were fully considered in the feature selection. Finally, the tuning of random forest algorithm parameters, model construction, and classification were implemented in RStudio. Results showed that the object-based random forest algorithm had a high recognition ability for the Huixian wetland vegetation. The overall accuracy was 86.75% and the Kappa coefficient was 0.83 in the 95% confidence interval. In the identification accuracy of vegetation in a single typical karst wetland, the user accuracy of the vegetation cluster of Bermudagrass-Cogongrass-Ludwigia was above 90%, the producer accuracy was over 80%. And the producer accuracy of the Bamboo-Thorny Wingnic-Sweet Olive was higher than 80%, but its user accuracy was only 70.59%.

Key words： UAV remote sensing; object-based; random forest; multiscale iterative segmentation; feature selection; karst wetland; vegetation classification; Huixian National Wetland Park; located in Guilin; Guangxi province

Cite this article

GENG Renfang , FU Bolin , CAI Jiangtao , CHEN Xiaoyu , LAN Feiwu , YU Hangming , LI Qingxun . Object-Based Karst Wetland Vegetation Classification Method Using Unmanned Aerial Vehicle images and Random Forest Algorithm[J]. Journal of Geo-information Science, 2019 , 21(8) : 1295 -1306 . DOI: 10.12082/dqxxkx.2019.180631

1 引言

湿地是地球上最重要和最有价值的生态系统之一,被誉为“地球之肾”,有蓄洪防旱、净化水质、调节气候、维护生物多样性等重要的生态功能与服务价值[1,2,3]。中国西南地区受喀斯特地貌特殊水土结构的影响,广泛分布着一种独特的湿地类型-岩溶湿地,具有规模小、零散分布于岩溶峰丛洼地、峰林平原中,以岩溶湖泊水体为载体,受岩溶水系统动态变化的影响明显、稳定性差等区别于其他湿地类型的特点。岩溶湿地通常处于一个暂时稳定阶段,一旦所依托的水文地质等环境发生变化,原有湿地生态系统将会消失殆亡[4]。在湿地生态系统中,植被是湿地三要素之一,其群丛组成和结构特征对于维持湿地过程起着至关重要的作用。同时,湿地植被群丛时空分布的动态变化能够直接指示湿地生态环境质量的演变。但是,当前国内学者对岩溶湿地植被群丛的类型识别及其时空分布的演变特征缺乏针对性研究。因此,本文利用低空无人机遥感技术对岩溶湿地植被开展识别研究具有重要的科学和现实意义[5,6]。
由于湿地多处偏远且难以到达的区域,卫星遥感技术已被国内外学者应用于湿地类型识别、信息提取、动态变化监测及资源调查等方面的研究[7,8]。目前中等分辨率的遥感影像被广泛的应用于大尺度的湿地植被制图,如Landsat（TM）和Landsat（ETM+）多光谱遥感影像,但是在中小尺度的湿地制图中,中等分辨率的遥感影像不足以获得地物的足够的空间特征细节,无法满足湿地植被细致化分类的要求,因此,高空间分辨率和甚高空间分辨率的遥感影像在中小尺度的湿地植被分类中已成为主要的数据源,如IKONOS、QuickBird和航空摄影测量影像,并且面向对象的影像分析方法已成为高分辨率遥感影像解译的主要方法。但是,受制于中国西南地区多云、多雨和多雾的气候特征,岩溶湿地区的高空间分辨率和高质量的星载光学遥感数据较少,同时获取高时间与空间分辨率的微波遥感和航空遥感影像,成本较高[9],导致国内学者鲜有利用遥感影像进行小尺度和高精度的岩溶湿地及其植被空间分布信息提取的方法研究。
近年来,兴起的无人机遥感技术受起降场地和气象条件限制小,作业周期短,能提供多角度、高时间和空间分辨率的遥感影像,为开展湿地植被的高精度空间分布信息提取,掌握其扩散发展趋势,监测湿地生态环境系统的动态变化等应用研究,提供了极佳的遥感数据源[10,11,12,13]。井然等[14]利用无人机SfM数据并结合野外实测生物量进行人工湿地挺水植物生物量的反演,发现基于SfM数据建立的逐步线性回归模型（Stepwise Linear（SWL） Regression Model）具有较好的反演精度及估测能力;周在明等[15]采用NDVI植被指数的方法对无人机获取的ADC多光谱影像进行互花米草植被覆盖度监测,通过同期获取的普通光学影像进行精度验证发现,估算精度较好;Cao等[16]以无人机高光谱数据和数字地表模型（DSM）为数据源,利用面向对象的影像分析技术进行红树林湿地的植被识别;肖武等[17]以无人机多光谱数据（绿、红、红边、近红外）为数据源,分别采用面向对象的分类方法和基于像素的监督分类方法对采煤沉陷区人工湿地植被进行识别。但是,目前国内外学者较少综合利用无人机可见光影像和面向对象的影像分析方法研究岩溶湿地植被识别。
因此,本文以广西桂林会仙岩溶湿地公园的部分核心区域为研究区,以DJI大疆御Mavic Pro无人机航拍影像为数据源,分别运用Smart 3D、Pix4D Mapper、Drone2Map、One Button 4种专业级无人机图像软件在同一台服务器上进行数据处理,综合进行比较生成DOM、DSM、Point Cloud的运算效率、空三解算的精度以及DOM、DSM的数据质量,从中选取最优的DOM和DSM,利用分类精度高、泛化能力强的面向对象随机森林算法进行岩溶湿地植被分类。通过多尺度迭代分割算法进行遥感影像的分割,在特征选择时充分结合了影像的光谱和纹理特征、植被指数以及无人机遥感数据派的研究区高程信息（DSM）等,以期弥补无人机正射影像（RGB）光谱信息的不足,最终实现岩溶湿地植被类型的高精度信息提取,为无人机遥感技术应用于岩溶湿地的研究和保护提供技术参考。

2 研究区概况与数据源

2.1 研究区概况

会仙岩溶湿地是漓江流域最大的喀斯特地貌原生态湿地,位于广西桂林市境内,地理位置25°01'30″N-25°11'15″N、110°08'15″E-110°18'00″E,研究区的气候类型为亚热带季风气候,全年气候温暖湿润,全年平均气温16.5~20.5 ℃,该区雨量充沛,年平均降雨量为1890.4 mm,降雨平均持续130~140 d,主要集中在4-9月。会仙湿地涉及永久性淡水湖、永久性河流、喀斯特溶洞湿地、草本沼泽、运河、输水河和稻田等多个湿地类型,是目前中国乃至世界上的中低纬度、低海拔岩溶地区最具有代表性、面积最大的岩溶湿地（图1）。近40年以来,受到居民地蚕食围垦、开荒造田、围湖造塘等影响,会仙湿地面积急剧萎缩,枯水期湿地核心区面积不到6 km2,动植物多样性减少,岩溶湿地生态系统已遭受严重破坏,湿地中心部分地块被鱼塘、农田占据,大量的农业污水肆意进入湿地水系,同时水葫芦、福寿螺等外来入侵物种严重威胁到湿地内现仅存的少量野生水生植物群种[18,19]。
图1 研究区概况与数码相机拍摄的实地采样数据

Fig. 1 Location of the study area and sampled data using a digital camera

2.2 无人机影像获取与处理

原始航拍影像采集于2018年5月9日下午15:00-16:30,天气晴朗无云,采用DJI大疆御Mavic Pro无人机搭载的FC220相机进行航摄,镜头角度-90°、航向重叠率80%、旁向重叠率60%、飞行高度86m,飞行速度为7.8 m/s,飞行耗时15 min,主航线条数为15条,航线长度5634 m,飞行区域面积28.67 hm2,获得396张航拍影像。
在航拍影像的同时,研究区地面同步开展了湿地植被类型调查和数据采集,共获取326个样本观测数据,每个样本数据均利用数码相机拍摄了多角度照片（图1）,同时利用亚米级手持GPS记录其地理坐标。通过实地调查,发现此研究区内岩溶湿地退化比较严重,大部分自然湿地已经退化为水稻田（Oryza sativa）、柑橘（Citrus reticulata）种植区以及其他经济林地。草地植被主要有狗牙根（Cynodon dactylon）、白茅（Imperata cylindrica）和水龙（Ludwigia adscendens）等混杂分布且以狗牙根为主;灌木植被主要是竹子（Bambusoideae）和马甲子（Paliurus ramosissimus）;湿地内部原有自然乔木主要为菩提树（Ficus religiosa）,但现在大部分被人为改种成桂花树（Osmanthus fragrans）。因此,本文综合考虑了野外实地调查结果和无人机影像特征,确定分为狗牙根-白茅-水龙、柑橘、菩提树和水稻等7个类别,并利用ArcGIS地统计分析模块中的Subset Features工具将观测数据随机均分成训练样本和验证样本,具体如表1所示。
表1 研究区训练和验证样本数据
类型 岩溶河流-岩溶湖泊 狗牙根-白茅-水龙 水稻 竹子-马甲子-桂花 菩提树 柑橘 建设用地 总计
训练样本 26 36 34 23 20 7 14 160
验证样本 39 47 6 29 28 3 14 166
本文分别利用Smart 3D、Pix4D Mapper、Drone2Map、One Button 4款专业级无人机图像处理软件在同一台服务器上进行原始航拍影像处理。处理过程主要包括：① 原始航拍影像、经纬度坐标以及飞行姿态等POS数据的导入;② 影像质量检查,剔除航向重叠率小于70%,旁向重叠率小于60%的影像,保证进行空三解算和构建加密网的精度[20];③ 影像数据对自动匹配、空三解算和区域网平差,生成研究区密集点云数据;④ 利用密集点云数据构建研究区TIN三角网,得到研究区地表三维模型,生成DSM数据;⑤ 利用地表三维模型和空三解算参数、通过影像匀色、拼接和裁剪处理,得到研究区DOM数据,具体处理流程见图2。
图2 基于无人机遥感和面向对象随机森林算法的岩溶湿地植被识别技术路线

Fig. 2 Technological roadmap of karst wetland vegetation classification using UAV remote sensing imagery and object-based random forest algorithm

通过对比四款无人机处理软件,如表2所示,发现Drone2Map空三解算的精度最高,达到0.24个像元;在生成DOM、DSM和Point Cloud的时间效率上,可以看出,Smart 3D、One Button耗时较长,四款软件对硬件设备要求都比较高;在生成的DOM的质量上,Drone2Map生成的正射影像画质较细腻,颜色更接近真实情景,Smart 3D生成的正射影像“拉花”和“变形”严重,水面出现了空洞,4款软件生成的正射影像对岩溶湿地植被纹理的描绘都有不同程度的模糊,模糊度由大到小排序Smart 3D>Drone2Map>Pix4D Mapper>One Button。综合分析,One Button生成的DOM效果是最好的,虽然其整体色调没有Drone2Map的细腻,但对岩溶湿地植被以及人工地物细节部分的纹理特征描绘是最佳的,轮廓清晰完整;在生成的DSM质量上,One Button和Smart 3D生成的研究区DSM精度均高于Drone2Map和Pix4D Mapper,能够详细刻画地表三维起伏情况和植被冠层结构,特别是人工道路、均一的水体和草地的边缘轮廓都得到了清晰表征,细节信息详尽、丰富,局部对比分析见图3。综上所述,本文最终选取由One Button生成的DOM和DSM作为构建岩溶湿地植被遥感识别模型的影像数据,并利用2008年会仙湿地的航空摄影测量影像分别对选取的DOM和DSM相对配准。
表2 四款无人机影像处理软件的影像处理统计结果对比

Tab. 2 Comparison of image processing statistical results of four kinds of UAV image processing software (Smart 3D、Pix4D Mapper、Drone2Map、One Button)

处理时间 空三误差/像元
Smart 3D 5h:10m:8s 0.72
Pix4D Mapper 1h:20m:57s 0.43
Drone2Map 1h:31m:9s 0.24
One Button 3h:56m:58s -
图3 四款无人机数据处理软件提取的1：4000数字表面模型（DSM）对比

Fig. 3 Comparison of digital surface model (DSM) at the scale of 1:4000, extracted by four kinds of UAV processing software

3 研究方法

3.1 影像多尺度分割

3.1.1 多尺度分割原理
本研究在影像分割时采用湿地植被信息提取等研究领域应用最广泛的多尺度分割算法,它是一种通过自下而上的区域合并技术产生分割影像对象的方法。在多尺度分割算法中主要有3个重要参数：Scale Parameter(SP)、Shape和Compactness,其中SP是多尺度分割算法最为核心的参数,对分类精度影像较大。形状参数Shape定义了形状均匀性相对于光谱值的均匀性加权的百分比;紧度参数Compactness是形状的子参数,用于优化图像对象的紧度或平滑度;尺度参数SP用于控制得到的对象的内部异质性,因此与它们的平均大小相关,即,尺度值越大,内部异构性越高,这就增加了每个对象的像素数,反之亦然。由于尺度参数SP是多尺度分割最为关键的控制参数,因此,如何选择一个更客观的尺度值是面向对象分类研究的一个热点问题。
3.1.2 影像分割参数确定
在进行无人机影像多尺度分割时,Shape和Compactness参数的设置参考了Moffett等[21]图像分割的研究结果,分别将其设置为0.7、0.5,然后基于这2个参数并利用基于eCognition Developer二次开发的自动化分割参数选择工具ESP2[22]进行迭代分割,以选取多尺度分割最优的分割尺度参数SP。ESP2使用数据驱动的方法自动识别3种不同尺度的数据模式,从精细尺度（Level 1）到粗略尺度（Level 3）,该方法依赖于局部方差（LV）检测地理空间数据中的尺度转换的能力。利用多尺度分割算法进行分割,采用自底向上的方法,SP以用户定义的步长恒定增长。通过计算各层对象的平均LV,作为停止迭代的条件：当分割级别记录的LV值等于或小于上一层时,迭代结束,并保留上一分割级别分割的对象。经过100次的迭代分割运算,统计生成尺度-分割对象局部方差（LV）的二维曲线,由曲线的拐点确定研究区的分割尺度参数,具体参数设置如表3所示。参与分割的影像图层除了无人机正射影像之外,还包括由研究区无人机数据派生的DSM。
表3 影像分割参数优化训练初始值设定

Tab. 3 Initial parameter setting of image segmentation during optimization training

参数 精细尺度 中等尺度 大尺度
初始值 13 26 37
步长 10 30 50
迭代次数 100 100 100
Shape 0.7 0.7 0.7
Compactness 0.5 0.5 0.5
由曲线的拐点分别确定研究区最优的精细（120）和粗略（200）分割尺度参数。粗略尺度对大面积、均一的水稻田、湿地水体和草本湿地植被空间分布刻画效果比较好,精细尺度可以更为详细、准确表征孤立和细小的乔木和灌木植被,以及人工栈桥。鉴于岩溶湿地植被类型复杂,大面积、均一性的植被类型较少,因此最终确定无人机多源数据集最优的分割参数Scale Parameter、Shape和Compactness的数值分别为120、0.7和0.5,具体分割结果如图4所示。
图4 研究区无人机影像精细尺度分割结果

Fig. 4 Fine-scale segmentation results of the orthoimage in the study area

3.2 特征变量选择

面向对象分类的第二个重要步骤是特征选择,理想的特征应该使得分割的影响目标对象具有最高的可分离性,这意味着它们在类内相似度最高,而在类间相似度达到最低[23]。选择对象特征用于面向对象的分类可以是一个基于过去经验和用户知识的主观过程,也可以运用相应的特征选择算法进行选择,如特征递归消除法、随机森林算法等,而本文利用以往进行沼泽湿地植被分类研究的先有经验进行特征选择。
鉴于无人机RGB正射影像光谱分辨率较低,本文进一步提取了影像的纹理特征、几何特征及地表高程信息,计算了植被指数,综合利用以上特征信息进行岩溶湿地植被识别,最终确定的特征集合包括：
（1）光谱特征：DOM和DSM光谱特征的平均值（Mean）和标准差（Standard deviation）、亮度（Brightness）。
（2）纹理特征：通过灰度共生矩阵（GLCM）提取DOM和DSM的纹理特征,包括平均值（Mean）、方差（Variance）、信息熵（Entropy）、角二阶距（Angular Second Moment）、相关性（Correlation）、异质性（Dissimilarity）、对比性（Contrast）和同质性（Homogeneity）8个纹理参数。其中,由于DOM的红绿蓝3个波段纹理上具有高度的相似性,为了减少数据冗余,首先通过ENVI 5.3对DOM进行主成分分析（PCA）,只对DOM的第一主分量进行了纹理特征提取[24]。
（3）光学植被指数：为了消除不同辐照度对植被光谱特征的影响,更好地区分不同地物类型,提高岩溶湿地植被的识别精度,本文利用One Button生成的DOM分别计算归一化绿-红差值指数（NGRDI）和绿叶指数（GLI）,公式如下：
NGRDI = G - R / G + R
GLI = 2 G - R - B / 2 G + R + B
（4）几何特征：提取面积（Area）、宽（Width）、长宽比（Length/Width）、形状指数（Shape Index）、紧凑型（Compactness）、密度（Density）和不对称性（Asymmetry）等特征。

3.3 随机森林算法原理

随机森林算法由Breiman Leo与 Adele Cutler于2001年提出的一种机器学习算法[25],集成了决策树分类模型、Bootstrap aggregating（Bagging）[26]模型组合方法和特征随机选取思想等。随机森林分类器是运用一组分类回归树（Classification and Regression Tree, CART）进行预测的集成分类器,通过装袋的方法绘制一部分训练样本来创建这些决策树,采用 Bootstrap自助抽样技术随机抽取大约装在袋中（In-Bag samples）三分之二的样本作为训练样本子集,而未被抽中的三分之一称为袋外样本（Out-of-the Bag （OOB） Samples）,OOB数据可以通过内部交叉验证的方法估算每一棵决策树的泛化误差（Out-of-Bag （OOB） Error）,将随机森林中所有决策树的OOB误差估计取平均值即可获得整个随机森林的泛化误差估计。其中,每个决策树都是独立生成的,没有任何修剪,每个节点使用随机选择的用户定义数量的特征（mtry）进行分裂,通过将随机森林模型增长到用户定义的树木数量（ntree）,算法可以创建具有高方差和低偏差的树木,而最终的分类结果是由所有决策树投票来决定,得票最多的成员将会被选中[27]。

3.4 随机森林算法调试及影像分类

本文选取分类精度高,泛化能力强的随机森林算法用于构建岩溶湿地植被遥感识别模型,以最优尺度分割的通过特征选择的无人机多源遥感数据集为输入数据源,在Rstudio中利用训练样本进行算法参数调优。发现当决策树的数量（ntree）和参与节点分割的变量个数（mtry）分别为1500和16时,利用训练样本数据集构建的随机森林算法模型的分类能力趋于稳定,多源遥感数据集的Out of Bag （OOB）算法精度达到了80.59%。各植被类型在训练模型中的识别精度有明显的差异,其中,岩溶河流-岩溶湖泊和菩提树的分类精度超过了85%,明显高于其他植被类型;其次是狗牙根-白茅-水龙和竹子-马甲子-桂花,分类精度为70%~75%;再次是水稻和建设用地,分类精度为60%~70%;由于柑橘植被类型在研究区内面积较小,没有参与算法训练,具体参数调试结果如图5所示。因此,最终确定随机森林算法训练涉及到的2个重要参数：参与节点分割的变量个数（mtry）数值为16,决策树数量（ntree）数值为1500。
图5 随机森林算法基于训练样本参数调试结果（mtry=16和ntree=1500）

Fig. 5 Random forest algorithm training results based on the training samples

通过以最优尺度分割的通过特征选择的无人机多源遥感数据集为输入数据源,利用训练样本在RStudio中进行随机森林算法参数调优获得的参数,构建遥感识别模型,实现广西桂林会仙岩溶湿地植被类型的高精度信息提取,其影像分类结果如图6（b）所示。
图6 岩溶湿地面向对象随机森林算法植被识别结果与精度验证样本点分布

Fig. 6 Vegetation identification results using object-oriented random forest algorithm in karst wetland and distribution map of sample points for accuracy verification

4 结果分析与精度验证

4.1 结果分析

本研究采用多尺度分割算法对无人机影像进行图像分割,基于ESP2进行迭代分割运算选取了最优的尺度参数,粗尺度分割参数实现了对大面积、均一性的水稻田和岩溶河流-岩溶湖泊的边界轮廓进行精准勾勒,精细分割尺度对孤立和细小的菩提树和竹子-马甲子-桂花植被类型的空间分布形态也得到了很好的表征。在算法输入特征变量选择时,论文综合考虑了影像的光谱特征、纹理特征、几何特征和地表高程信息等共56个特征变量,随机森林算法对输入影像变量对于岩溶湿地植被分类的贡献率进行了定量评价,结果表明：影像光谱特征,纹理特征,特别是DSM的纹理特征,几何特征变量中的长宽比（Length/Width）、面积（Area）、形状指数（Shape Index）和不对称性（Asymmetry）的变量贡献率较大,NGRDI和GLI这2个植被指数的贡献率较小。
综合研究区岩溶湿地植被遥感识别的结果（图6（b）和空间分布统计信息（表4）,发现面向对象的随机森林算法模型对会仙湿地植被具有较高的识别能力,分类结果能够准确地提取保护区内湿地植被的空间分布信息。研究区总面积为28.67 hm2,狗牙根-白茅-水龙草本植被群丛空间分布范围最大,面积为12.84 hm2,占整体比重45%,均环绕分布在岩溶河流与岩溶湖泊周围,该区域坡降比较小,季节性淹水频率高,其中草本植被水龙和白茅主要分布在岩溶河流两侧,狗牙根主要环绕在岩溶湖泊周围;菩提树面积（3.74 hm2）占整体的13%,集中分布在试验区的东北部和岩溶湖泊周围,该区域地势较高,受湿地水文环境变化影响较小;竹子-马甲子-桂花面积为5.66 hm2,人为种植的桂花主要分布在菩提树的边缘地带,竹子和马甲子主要分布在岩溶湖泊的堤坝和古柳运河河堤上;研究区内水稻田面积较小（0.91 hm2）,仅占研究区总面积的3%,主要分布在岩溶河流附近,灌溉或排水便利。
表4 岩溶湿地各地物面积统计

Tab. 4 Area statistics of the various types of karst wetland

类别 面积/hm2 比重/%
水稻 0.91 3
柑橘 0.37 1
菩提树 3.74 13
建设用地 0.31 1
狗牙根-白茅-水龙 12.84 45
竹子-马甲子-桂花 5.66 20
岩溶河流-岩溶湖泊 4.84 17

4.2 精度验证

为了评估随机森林分类器分类结果的准确性,以及评估DJI大疆御Mavic Pro无人机航摄影像数据在岩溶湿地植被分类中的有效性,利用实地采集的166个验证样本（图6（a））对分类结果进行精度验证,建立混淆矩阵分别计算分类结果的总体精度、Kappa系数、各类别的用户精度、生产者精度,具体见表5、表6。
表5 岩溶湿地地物总体分类精度

Tab. 5 Overall classification accuracy of karst wetland vegetation

检验指标 精度评估 标准差 95%置信区间
总体精度/% 86.75 2.47 81.91 91.59
Kappa系数 0.83 0.03 0.77 0.90
表6 岩溶湿地各地物类型的分类精度

Tab. 6 Classification accuracy of the various types of karst wetland （%）

类别 用户精度 生产者精度
精度评估 标准差 95% 置信区间 精度评估 标准差 95% 置信区间
狗牙根-白茅-水龙 92.86 2.00 88.94 96.77 82.98 3.16 76.78 89.18
柑橘 100.00 0.00 100.00 100.00 100.00 0.00 100.00 100.00
竹子-马甲子-桂花 70.59 3.54 63.66 77.52 82.76 6.22 70.57 94.95
菩提树 79.31 3.14 73.15 85.47 82.14 7.46 67.52 96.76
岩溶河流-岩溶湖泊 94.87 1.71 91.52 98.23 94.87 4.02 87.00 102.74
水稻 100.00 0.00 100.00 100.00 100.00 0.00 100.00 100.00
建设用地 92.31 2.07 88.25 96.36 85.71 23.17 40.30 131.13
由表5可知,面向对象的随机森林算法对岩溶湿地产生了较高的总体分类精度,在95%的置信区间内总体分类精度为86.75%,Kappa系数为0.83。但结合表6发现,单一植被类型识别精度存在明显差异,在95%置信区间内,水稻、岩溶河流-岩溶湖泊和柑橘识别精度较高,其用户精度和生产者精度都在90%以上,并且柑橘和水稻分类的用户精度和生产者精度都达到了100%,论证了面向对象随机森林算法对纹理特征均一的植被或地物具有较高的识别能力;典型岩溶湿地植被群丛狗牙根-白茅-水龙识别精度也相对较高,在95%置信区间内,用户精度达到了92.86%,生产者精度为82.98%;受岩溶湿地水文环境变化影响较小且植被空间分布较为复杂的竹子-马甲子-桂花和菩提树分类精度较低,在95%的置信区间内,用户精度低于80%,特别是竹子-马甲子-桂花,用户精度仅为70.59%,远低于狗牙根-白茅-水龙和水稻等植被类型。进一步分析混淆矩阵（表7）可以发现：29个竹子-马甲子-桂花验证样本中,有4个样本被错分为菩提树,1个样本被错分为狗牙根-白茅-水龙。28个菩提树验证样本中,有4个错分为竹子-马甲子-桂花,1个错分为狗牙根-白茅-水龙。由此可以看出,构建的算法模型对菩提树和竹子-马甲子-桂花植被的识别和区分能力有待进一步提升。其中,造成岩溶湿地植被误分与漏分的原因主要有2个方面：① 岩溶湿地植被类型复杂,存在光谱特征和纹理结构特征的相似性,例如马甲子-桂花和菩提树、部分低矮的马甲子和水龙植被;② 岩溶湿地植被类型分布不均一,散碎斑块较多,竹子-马甲子-桂花、菩提树和狗牙根-白茅-水龙等湿地植被交错分布,影像分割初始化参数和步长参数设置还需要进一步细化和优化,采用不同分割尺度参数对岩溶湿地植被群丛进行继承性多层次分割。
表7 岩溶湿地地物类型的混淆矩阵

Tab. 7 Confusion matrix of different karst wetland vegetation types

类别 狗牙根-白茅-水龙 柑橘 竹子-马甲子-桂花 菩提树 岩溶河流-岩溶湖泊 水稻 建设用地 总计
狗牙根-白茅-水龙 39 0 1 1 1 0 0 42
柑橘 0 3 0 0 0 0 0 3
竹子-马甲子-桂花 5 0 24 4 0 0 1 34
菩提树 1 0 4 23 1 0 0 29
岩溶河流-岩溶湖泊 1 0 0 0 37 0 1 39
水稻 0 0 0 0 0 6 0 6
建设用地 1 0 0 0 0 0 12 13
总计 47 3 29 28 39 6 14 166

5 结论

本文以广西桂林会仙喀斯特国家湿地公园的部分核心区域为研究区,综合利用无人机航摄影像、野外实地调查数据、面向对象影像分析技术和随机森林算法进行了岩溶湿地植被信息提取。主要结论如下：
（1）综合比较了四款专业级无人机影像数据处理软件,论证了Drone2Map软件空三解算的精度最高,达到0.24个像元,Smart 3D软件空三解算耗时最长,One Button和Pix4D Mapper软件最终生成的岩溶湿地的DOM质量较好,对岩溶湿地植被细节部分的纹理特征描绘详尽,轮廓清晰完整,One Button和Smart 3D生成的DSM质量较好,详尽地刻画了岩溶湿地的三维立体结构特征。
（2）多尺度迭代分割算法确定的最优分割参数对无人机航摄影像进行图像分割,分割结果可以将沿岩溶河流呈线状分布的狗牙根-白茅-水龙植被群落和沿岩溶湖泊成环状分布的竹子-马甲子植被群落的空间分布形态精细地刻画。
（3）构建了岩溶湿地的面向对象随机森林遥感识别模型对光谱特征、纹理特征、光学植被指数和几何特征等56个输入特征变量进行重要性评价,论证了DOM的光谱特征、DSM的纹理特征以及几何特征变量中的长宽比（Length/Width）、面积（Area）、形状指数（Shape Index）等对岩溶湿地植被识别贡献率较大。
（4）面向对象的随机森林遥感识别模型实现了会仙岩溶湿地植被的高精度分类,在95%置信区间内总体分类精度达到了86.75%,标准差为2.47%,典型岩溶湿地植被狗牙根-白茅-水龙识别的用户精度达到92.86%,标准差为2%,验证了论文中的算法模型对于岩溶湿地植被群丛具有较高识别能力,形成了一套完整的基于无人机航摄影像进行岩溶湿地植被识别的方法。
本文研究区植被类型复杂,仅依靠单时相的无人机可见光影像很难实现精细化的分类,即将竹子、马甲子和桂花以及狗牙根、白茅和水龙等湿地植被详细的区分开来,后续研究将着重结合多时相、多视角和多高度的无人机影像以及三维点云数据进行高精度的精细化岩溶湿地植被群丛识别,为无人机遥感技术应用于岩溶湿地的研究和保护提供技术支撑和理论依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Guo M, Li J, Sheng C , et al. A review of wetland remote sensing[J]. Sensors, 2017,17(4):777.

[2]
Fickas K C, Cohen W B, Yang Z . Landsat-based monitoring of annual wetland change in the Willamette Valley of Oregon, USA from 1972 to 2012[J]. Wetlands Ecology and Management, 2016,24(1):73-92.

[3]
方朝阳, 邬浩, 陶长华 , 等. 鄱阳湖南矶湿地景观信息高分辨率遥感提取[J]. 地球信息科学学报, 2018,18(6):847-856.

[ Fang C Y, Wu H, Tao C H , et al. The wetland information extraction research of Nanji Wetland in Poyang Lake based on high resolution remote sensing image[J]. Journal of Geo-information Science, 2018,18(6):847-856. ]

[4]
马祖陆, 蔡德所, 蒋忠诚 . 岩溶湿地分类系统研究[J]. 广西师范大学学报·自然科学版, 2009,27(2):101-106.

[ Ma Z L, Cai D S, Jiang Z C . About karst wetland classification system[J]. Journal of Guangxi Normal University: Natural Science Edition, 2009,27(2):101-106. ]

[5]
王鹏, 万荣荣, 杨桂山 . 基于多源遥感数据的湿地植物分类和生物量反演研究进展[J]. 湿地科学, 2017,15(1):114-124.

[ Wang P, Wan R R, Yang G S . Advance in classification and biomass estimation of plants in wetlands based on multi-source remote sensing data[J]. Wetland Science, 2017,15(1):114-124. ]

[6]
付波霖, 李颖, 张柏 , 等. 基于多频率极化SAR影像的洪河国家级自然保护区植被信息提取研究[J]. 湿地科学, 2019,17(2):199-209.

[ Fu B L, Li Y, Zhang B , et al. Vegetation information extraction of Honghe National Nature Reserve using multi-frequency polarization SAR images[J]. Wetland Science, 2019,17(2):199-209. ]

[7]
张磊, 宫兆宁, 王启为 , 等. Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 遥感学报, 2019,23(2):313-326.

[ Zhang L, Gong Z N, Wang Q W , et al. Wetland mapping of Yellow River Delta wetlands based on multi-feature optimization of Sentinel-2 images[J]. Journal of Remote Sensing, 2019,23(2):313-326. ]

[8]
陈琳琳, 董雪梅, 詹佳琪 , 等. 基于面向对象的GF-1遥感影像采煤沉陷区湿地分类[J]. 农业工程学报, 2018,34(9):240-247.

[ Chen L L, Dong X M, Zhan J Q , et al. Classification of wetland based on object-oriented method in coal mining subsidence area using GF-1 remote sensing image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018,34(9):240-247. ]

[9]
Gu Z, Ju W, Li L , et al. Using vegetation indices and texture measures to estimate vegetation fractional coverage (VFC) of planted and natural forests in Nanjing city, China[J]. Advances in Space Research, 2013,51(7):1186-1194.

[10]
李德仁, 李明 . 无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报·信息科学版, 2014,39(5):505-513.

[ Li D R, Li M . Research advance and application prospect of unmanned aerial vehicle remote sensing system[J]. Geomatics and Information Science of Wuhan University, 2014,39(5):505-513. ]

[11]
Juliane B, Kang Y, Helge A , et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barely[J]. International Journal of Applied Earth Observation and Geoinformation, 2015,39:79-87.

[12]
晏磊, 廖小罕, 周成虎 , 等. 中国无人机遥感技术突破与产业发展综述[J]. 地球信息科学学报, 2019,21(4):476-495.

[ Yan L, Liao X H, Zhou C H , et al. The impact of UAV remote sensing technology on the industrial development of China: A review[J]. Journal of Geo-information Science, 2019,21(4):476-495. ]

[13]
宋晓阳, 黄耀欢, 董东林 , 等. 融合数字表面模型的无人机遥感影像城市土地利用分类[J]. 地球信息科学学报, 2018,20(5):703-711.

[ Song X Y, Huang Y H, Dong D L , et al. Urban land use classification from UAV remote sensing images based on digital surface model[J]. Journal of Geo-information Science, 2018,20(5):703-711. ]

[14]
井然, 宫兆宁, 赵文吉 , 等. 基于无人机SfM数据的挺水植物生物量反演[J].生态学报,2017,37(22):7698-7709.

DOI

[ Jing R,Gong Z N, Zhao W J , et al. Estimating biomass of emergent aquatic plants based on UAV SfM data[J].Acta Ecologica Sinica, 2017,37(22):7698-7709. ]

[15]
周在明, 杨燕明, 陈本清 . 基于无人机遥感监测滩涂湿地入侵种互花米草植被覆盖度[J]. 应用生态学报, 2016,27(12):3920-3926.

[ Zhou Z M, Yang Y M, Chen B Q . Fractional vegetation cover of invasive spartina alterniflora in coastal wetland using unmanned aerial vehicle (UAV) remote sensing[J]. Chinese Journal of Applied Ecology, 2016,27(12):3920-3926. ]

[16]
Cao J, Leng W, Liu K , et al. Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models[J]. Remote Sensing, 2018,10(1):89.

[17]
肖武, 任河, 吕雪娇 , 等. 基于无人机遥感的高潜水位采煤沉陷湿地植被分类[J]. 农业机械学报, 2019,50(2):177-186.

[ Xiao W, Ren H, Lu X J , et al. Vegetation classification based on UAV remote sensing in coal mining subsidence wetland with high ground-water level[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019,50(2):177-186. ]

[18]
邵亚, 蔡崇法, 赵悦 , 等. 桂林会仙湿地沉积物中磷形态及分布特征[J]. 环境工程学报, 2014,8(12):5311-5317.

[ Shao Y, Cai C F, Zhao Y , et al. Forms and distribution of phosphorus in sediments of Huixian Wetland in Guilin[J]. Chinese Journal of Environmental Engineering, 2014,8(12):5311-5317. ]

[19]
吴应科, 莫源富, 邹胜章 . 桂林会仙岩溶湿地的生态问题及其保护对策[J]. 中国岩溶, 2006,25(1):85-88.

[ Wu Y K, Mo Y F, Zou S Z . Ecologic problem and protection method of karst wetland in Huixian, Guilin[J]. Carsologica Sinica, 2006,25(1):85-88. ]

[20]
周晓敏, 赵力彬, 张新利 . 低空无人机影像处理技术及方法探讨[J]. 测绘与空间地理信息, 2012,35(2):182-184.

[ Zhou X M, Zhao L B, Zhang X L . Discussion on technique and method of low level UAV image processing[J]. Geomatics & Spatial Information Technology, 2012,35(2):182-184. ]

[21]
Moffett K B, Gorelick S M . Distinguishing wetland vegetation and channel features with object-based image segmentation[J]. International Journal of Remote Sensing, 2013,34(4):1332-1354.

[22]
Drăguţ L, Csillik O, Eisank C , et al. Automated parameterisation for multi-scale image segmentation on multiple layers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,88:119-127.

[23]
Duro D C, Franklin S E, Dubé M G . A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery[J]. Remote sensing of environment, 2012,118:259-272.

[24]
詹国旗, 杨国东, 王凤艳 , 等. 基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究[J]. 地球信息科学学报, 2018,20(10):1520-1528.

[ Zhan G Q, Yang G D, Wang F Y , et al. The random forest classification of wetland from GF-2 imagery based on the optimized feature space[J]. Journal of Geo-information Science, 2018,20(10):1520-1528. ]

[25]
Breiman L . Random forests[J]. Machine Learning, 2001,45(1):5-32.

DOI

[26]
Breiman L . Bagging predictors[J]. Machine Learning, 1996,24(2):123-140.

[27]
Gislason P O, Benediktsson J A, Sveinsson J R . Random forests for land cover classification[J]. Pattern Recognition Letters, 2006,27(4):294-300.

Options
Outlines

/

〈 〉