无人机RGB影像植被分类方法研究——以福建省三明市尤溪县为例

本研究以三明尤溪某地作为研究区,以DJI Phantom 4 Pro V2.0无人机航测影像为数据源,采用面向对象分类方法进行植被分类。经测试,取尺度参数100、形状参数0.3和紧致度参数0.5分割效果最好。利用光谱、纹理、形状等信息创建规则进行分类,将地物细分为芦苇、芒萁、杉木、马尾松、竹林、水田、百香果、柑橘、茶树、草地和3种农作物等13种植被类型,房屋、道路、水体、裸地等4种非植被类型,总体精度达到85.2%,Kappa系数为0.84。

基于无人机可见光影像的华山松人工林计测参数提取

针对无人机在森林资源监测中的便携性特点,利用无人机RGB三波段影像进行森林计测参数(株数、树高及蓄积量)的提取及精度验证。以华山松人工林为研究对象,以无人机RGB影像为主要信息源,在前期进行5块0.08hm2华山松人工林标准地单木定位的基础上,采用冠层高度模型(CHM)最大值法和点云分割方法,提取华山松人工林计测参数,建立无人机RGB影像的华山松人工林单木二元材积模型。研究结果表明:1)采用CHM最大值分割法较点云分割方法精度高,单木株数分割精度分别为87.17%和80.79%;提取得到的树高与其地面实测所得树高的R2相比较,使用CHM方法,R2为0.71;而使用点云算法,R2为0.69。2)基于CHM最大值法提取的单株冠幅和树高所建立的二元材积模型,其决定系数(R2)为0.94,均方根误差(RMSE)为0.0338m3;与基于云南省华山松人工林二元材积表的标准地实测蓄积量调查结果相比,基于无人机RGB数据的5块标准地蓄积量监测精度分别为79.72%,81.64%,83.57%,82.49%,80.28%,平均精度达81.54%。基于无人机RGB影像的华山松人工林在森林计测参数提取中,CHM最大值分割法优于点云分割,所建立的树高和冠幅二元材积模型,可为华山松单层人工林无人机遥感监测提供参考。

CNN影像输入尺寸和分辨率对川西针叶林植被分类精度的影响

川西亚高山针叶林位于中国西南地区,受多云、多雨、多雾的影响,难以通过卫星影像进行植被分类的研究。为了解决这一难题,本研究选取川西亚高山针叶林的典型区域王朗自然保护区作为研究区,使用多旋翼无人机获取研究区域北部高分辨率RGB影像,结合卷积神经网络进行植被分类;为进一步挖掘卷积神经网络在无人机遥感影像上的潜力,选择语义分割方法(U-Net)进行分类,并根据不同分辨率的无人机影像和不同尺寸下的样本集构建植被分类模型,建立森林指纹库。结果表明:(1)结合无人机可见光影像和CNN模型进行分类能够获得高精度分类结果。在空间分辨率为5 cm,尺寸为256×256像素的情况下达到最优,总体精度为93.21%,Kappa系数为0.90;(2)选择合适的尺寸大小能够提高模型的分类精度。在5 cm的空间分辨率下,尺寸为128×128像素的模型总体精度为82.30%,Kappa系数为0.76;尺寸为256×256像素的模型总体精度为93.21%,Kappa系数为0.90;(3)超高空间分辨率的升高对模型精度的提升是有限的。当空间分辨率从10 cm升到5 cm时,模型的总体精度提高了0.02,Kappa系数提高了0.03,模型的分类精度并没有明显提升。(4)对于区域内代表性不足的植被类型来说,受空间分辨率和尺寸大小的影响要远高于区域内优势树种,特别是空间分辨率的影响最大。在20 cm的空间分辨率下落叶灌木的生产者精度和用户精度均低于70%。综上,利用无人机高分辨率RGB影像结合CNN模型对川西亚高山针叶林的植被分类能够取得高精度分类结果,本研究可为该区域植被分类提供一种自动、准确的方法。