基于UAV-RGB的矿区植物分类及其叶绿素含量时空变化分析.pdf
《基于UAV-RGB的矿区植物分类及其叶绿素含量时空变化分析.pdf》由会员分享,可在线阅读,更多相关《基于UAV-RGB的矿区植物分类及其叶绿素含量时空变化分析.pdf(7页珍藏版)》请在咨信网上搜索。
1、Series No.570December 2023 金 属 矿 山METAL MINE 总 第570 期2023 年第 12 期收稿日期 2023-06-05基金项目 国家重点研发计划项目(编号:2016YFC0501107);神华包头能源有限责任公司科技项目(编号:CEZB200204913);鄂尔多斯科技合作重大专项(编号:2021EEDSCXQDFZ010)。作者简介 陈 凯(1985),男,高级工程师。通信作者 雷少刚(1981),男,教授,博士,博士研究生导师。基于 UAV-RGB 的矿区植物分类及其叶绿素含量时空变化分析陈 凯1 雷少刚2 杨星晨2 史运喜2 陈树召2(1.国家能
2、源集团包头能源李家壕煤矿,内蒙古 鄂尔多斯 017000;2.中国矿业大学矿山生态修复教育部工程研究中心,江苏 徐州 221116)摘 要 相比于高光谱遥感和多光谱遥感,在无人机上搭载 RGB 相机,不仅操作简单,而且成本低廉。但是,目前基于无人机 RGB 相机进行矿区典型植物分类的研究较少。另外,开采沉陷对地表植物叶绿素含量的时空扰动规律尚不清楚。为解决上述问题,本研究融合 RGB 影像的光谱信息、纹理信息和点云的 3D 特征,使用神经网络、支持向量机、随机森林 3 种机器学习分类算法,实现了对采煤沉陷区典型植被的分类。基于多期影像的分类结果和植被指数,分析开采沉陷对典型植物叶绿素含量的时空
3、扰动规律。研究表明,最佳的分类算法为支持向量机。多特征融合可以显著提高分类精度,相比于只用光谱特征,多特征融合后的总体分类精度提高了 9.45%。总体分类精度可达 90%,Kappa 系数为 0.906,可满足矿区植被调查的需要。通过分析针茅和柠条叶绿素含量的时空变化,发现采煤对拉伸区植被的影响最大,其次是压缩区和中性区。拉伸区应作为生态修复的重点区域。地裂缝是生态修复的重点对象。与针茅相比,柠条能更好地适应采煤引起的干扰,可作为生态恢复的先锋物种。关键词 RGB 影像 矿区 机器学习 遥感分类 叶绿素含量 中图分类号P237 文献标志码A 文章编号1001-1250(2023)-12-227
4、-07DOI 10.19614/ki.jsks.202312034Plant Classification and Analysis of Chlorophyll Content Temporal and Spatial Changes in Mining Areas Based on UAV-RGBCHEN Kai1 LEI Shaogang2 YANG Xingchen2 SHI Yunxi2 CHEN Shuzhao2(1.National Energy Group Baotou Energy Lijiahao Coal Mine,Ordos 017000,China;2.Ministr
5、y of Education Engineering Research Center for Mine Ecological Restoration,China University of Mining and Technology,Xuzhou 221116,China)Abstract Compared with hyperspectral remote sensing and multispectral remote sensing,it is not only easy to operate,but also low cost to carry an RGB camera on the
6、 Unmanned Aerial Vehicle(UAV).However,there are few researches on the classification of typical plants in mining areas based on UAV-RGB cameras.In addition,the temporal and spatial disturbance of mining subsidence on chlorophyll content of surface plants is still unclear.In order to solve the above
7、problems,this paper com-bines spectral information and texture information of RGB images and 3D characteristics of point cloud,and uses three machine learning classification algorithms,namely,neural network,support vector machine,and random forest,to achieve the classifica-tion of typical vegetation
8、 in mining subsidence areas.Based on the classification results of multi-period images and vegetation index(Blue-red ratio vegetation index,BRRI),the temporal and spatial disturbance regularity of mining subsidence on chloro-phyll content of typical plants was analyzed.Research has shown that the be
9、st classification algorithm is support vector ma-chine.Multi feature fusion can significantly improve classification accuracy,with an overall classification accuracy improvement of 9.45%compared to using only spectral features.The overall classification accuracy can reach 90%,and Kappa coefficient i
10、s 0.906,which can meet the needs of vegetation investigation in mining area.Analyzing the spatiotemporal changes in chlorophyll content of Stipa and Caragana,it was found that coal mining had the greatest impact on vegetation in the stretching zone,fol-lowed by the compression zone and neutral zone.
11、The stretching zone should be regarded as the key area of ecological restora-tion.Ground fissure is the key object of ecological restoration.Compared with Stipa,Caragana can better adapt to the disturb-722ance caused by coal mining and can be considered as a pioneer species for ecological restoratio
12、n.Keywords RGB image,mining area,machine learning,remote sensing classification,chlorophyll content 矿山开采方式包括露天开采和地下开采。地下开采通过构建井筒和巷道等方式进行地下作业,往往会对其周边原本稳定的岩土结构造成巨大影响,继而引发地表形变1。研究表明,地表形变会造成井工矿区植被退化2。植被退化成为了矿山生态环境质量下降的主要方面。因此,及时地进行植被调查对矿区生态修复工作具有重要意义。植物物种调查是植被调查工作的基础。由于其高效、准确的优点,利用遥感的方式进行植物物种识别得到了广泛的应用。
13、例如,Lucas 等3利用机载高光谱影像对美国密西西比州 Horn 岛进行了植物种类识别;Hakkenberg 等4综合高分影像、机载高光谱影像和激光雷达在森林地区实现了物种分类并完成了植物多样性制图。但是,现有研究大多基于高光谱遥感数据,有些甚至需要融合激光雷达数据。而这些数据(高光谱、激光雷达)成本高,数据源少。尤其是在偏远的矿区,更是难以获取合适的影像数据,因此难以普及。将 RGB 相机搭载于无人机(Unmanned Ae-rial Vehicle,UAV),不仅成本低廉,而且操作简单,因此便于在矿区推广应用。但是,目前基于 UAV-RGB进行植物分类的研究较少,发展新的植物分类技术具有
14、较好的应用前景。将机器学习技术应用于遥感图像分类,是目前研究的热点。例如,黄雨菲等5利用 U-net 深度学习方法识别不同滨海湿地植物种类的精度可达 95.67%,总体精度较其他分类方法提高 6.67%13.67%;杜保佳6利用随机森林、卷积神经网络和支持向量机 3种方法对植物群落分类,同样取得了较好的效果。但是,将机器学习方法应用于 RGB 影像的研究尚不多见,尤其是针对矿区植被类型。另外,对植被生理参数进行分析也是植被调查工作的重要内容。以往研究表明,叶绿素含量是早期识别和评价植被健康状况的关键诊断指标,可较好地反映植被退化程度7。因此,基于遥感技术,分析地表沉陷对植物叶绿素含量的时空扰动
15、规律,可及时发现生态质量退化区,有效地指导矿山生态修复工作。综合现有研究的不足以及实际需求,本文以内蒙古李家壕矿为例,使用机器学习技术,提出了一种基于 RGB 相机的矿区典型植物分类方法。随后,在多期分类结果的基础上,分析了 2 种典型植物的叶绿素含量的时空变化规律,以期为矿山生态环境的精准修复提供指导。1 研究区概况和数据来源1.1 研究区概况以内蒙古鄂尔多斯市的李家壕矿为研究区,该矿的开采方式为井下开采。矿区属于干旱半干旱气候,降水量小但蒸发量大。年均降雨量为 348.3 mm,然而年均蒸发量为 2 506.3 mm。矿区内原生植被稀疏,以草地为主,其中大部分为针茅。乔灌类植被较少,多为人
16、工种植的柠条、樟子松、杨树等。研究区生态环境脆弱,原有的生态系统在矿山开采过程中受到影响和破坏,目前部分区域已开展生态修复工作。1.2 数据来源1.2.1 无人机数据选择晴朗无云的天气获取无人机影像,影像获取时间、相片数量、航高、空间分辨率和影像重叠度如表1 所示。无人机型号是大疆公司生产的 PHANTOM4 RTK,包含红绿蓝 3 个波段。根据地形条件、开采进度和精度要求,设计无人机飞行航线,包括飞行范围、飞行高度和重叠度。在 11 00 到 13 00 之间获取数据,以尽量减少来自大气的干扰和太阳高度角的变化。利用 Pix4Dmapper 软件对影像进行预处理,生成正射影像图。为了提高影像
17、空间位置的精度,我们在研究区均匀布设了 20 个像控点,以完成影像的精配准工作。表 1 无人机影像参数Table 1 UAV image parameters采集日期照片数量/张 航高/m分辨率/cm重叠度2021-05-303 171601.644航向 80%旁向 70%2021-06-073 066601.644航向 80%旁向 70%2021-06-112 493601.644航向 80%旁向 70%2021-06-202 817601.644航向 80%旁向 70%2021-07-013 584601.644航向 80%旁向 70%2021-07-032 5391804.932航向 8
18、0%旁向 70%2021-07-132 890601.644航向 80%旁向 70%2021-07-192 699601.644航向 80%旁向 70%2021-07-253 777601.644航向 80%旁向 70%1.2.2 植被数据为了对植物分类结果进行验证,我们分别对各类地物类型选取一定数量的样本,样本选取过程中尽可能地避免混入其他地物像元,以保证统计结果的准确性。共选取杨树样本 39 个,樟子松样本 38 个,柠条样本 40 个,针茅样本 40 个,裸地样本 36 个。我们对选择的样本进行定位,定位设备为华测公司生产的822总第 570 期 金 属 矿 山 2023 年第 12 期
19、X5 工程型 RTK 产品。2 研究方法研究区的主要植物种类有针茅、柠条、杨树、樟子松等。因此将地物类型分为 6 类,包括柠条、针茅、杨树、樟子松、裸地以及其他。由于无人机数据仅包含红、绿、蓝 3 个波段的反射率信息,仅凭光谱信息难以实现植被种类的区分。因此,为了充分挖掘 RGB 影像中的潜在信息,本文提出将影像的纹理特征以及密集匹配点云计算的几何特征引入到分类工作中。综合光谱信息、纹理信息和几何特征,借助机器学习算法,实现植物种类的识别。2.1 纹理特征无人机 RGB 影像具有高空间分辨率,其纹理信息比较丰富,因此可以借助不同地物间的纹理差异来提高分类的精度。图像的纹理特征提取方法已经十分成
20、熟,各种理论方法层出不穷8。本文选取了著名的灰度共生矩阵9。其定义为灰度图像中特定方向 上间距为 d 的 2 个灰度值同时出现的联合概率分布。实验中采用 ENVI5.3 软件对 RGB 影像进行处理,分别获得红、绿、蓝 3 个波段的 4 个纹理特征,包括方差、相异性、信息熵和二阶矩。其中,滤波窗口大小设为 55,空间相关性矩阵 X 和 Y 的变化值设为 1,灰度化级别按照默认设置。2.2 几何特征点云的 3D 特征体现点云的分布结构,同时也反映了植被的三维结构特征。本文采用软件 Cloud-Compare2.12.4 提取了包括高斯曲率以及特征值相关特征在内的共计 5 个点云几何特征。特征值相
21、关特征是基于邻域内所有点的协方差矩阵所求的 3 个特征值计算所得,3 个特征值分别记作 L1、L2、L3,并且 L1L2L3。具体包括各向同性、曲面变化率、球体指数和垂直度等 4 个特征。2.3 特征选择选取变异系数10来反映各样本的上述 20 种特征的离散程度。地物样本的某一特征的变异系数越小,则表示此特征对于该类地物的代表性越强。但能否有效地将该类地物与其他地物类型区分开来,仅统计各特征的变异系数并不够。针对某一特征,还要统计各地物类型之间的差异性。因此选取差异系数11来反映各地物类型在某一特征的差异程度,差异系数越大,表示该特征用于区分地物的效果越好。变异系数和差异系数的计算:V=SM
22、100%,(1)DW=M1-M2M2 100%,(2)式中,V 为变异系数;S 为标准差;M 为均值;DW为类间差异系数;M1为第一类地物的均值;M2为第二类地物的均值。2.4 分类模型本文选取了神经网络、支持向量机以及随机森林3 种机器学习方法。神经网络是用计算机模拟人脑的结构,用大量的处理单元模拟人脑神经元12。神经网络通常由输入层、隐藏层和输出层构成,通过损失函数和梯度下降法不断调整参数,最终确定分类模型。支持向量机13是一种基于统计学习的分类方法,其核心思想是通过非线性映射将原始空间转换到一个高维特征空间,将原始空间中的非线性可分问题变成高维特征空间中的线性可分问题,从而在高维特征空间
23、中寻找最优的分类面。随机森林14本质上属于机器学习中的集成学习,它的基本单元是决策树,每棵决策树都是一个分类器,其核心思想是将所有树的分类结果进行投票输出。2.5 叶绿素含量植被指数高空间分辨率的无人机影像中包含大量与植被冠层相关的信息,所以可以利用遥感植被指数来表征植被冠层的叶绿素含量。本文影像数据仅包含红、绿、蓝 3 个波段,故选用与 RGB 相关的植被指数。前人研究表明,红波段和蓝波段与叶绿素含量密切相关,已有一些植被指数被证明是切实可行的,如BRRI15和 Ikaw16。经过对比,我们最终选择了BRRI 指数:BRRI=BR,(3)式中,B 为蓝光波段的反射率;R 为红光波段的反射率。
24、BRRI 的值位于 0、1 之间,值越大代表冠层叶绿素含量越高。3 结果与讨论3.1 特征选择根据植被类型的地面调查结果,在影像中提取针茅、柠条、樟子松、杨树、裸地的光谱特征、纹理特征以及几何特征,计算各特征的变异系数以及不同地类间的差异系数。以柠条为例,表 2 为柠条 20 种特征的变异系数以及柠条与其他地类间的差异系数。可以看出,柠条各类特征的变异系数大小不一,其中高斯曲率的变异系数最大,为 103.85%,绿波段信息熵的变异系数最小,为 2.09%。此外,柠条与樟子松的绿波段二阶矩差异系数最大,为 1 104.93%,柠条与针茅的绿波段相异性差异系数最小,为 0.08%。综合922 陈
25、凯等:基于 UAV-RGB 的矿区植物分类及其叶绿素含量时空变化分析 2023 年第 12 期了所有地类各特征的变异系数以及每一地类与其他地类各特征的类间差异系数后,最终选定红、绿、蓝 3波段的二阶矩以及点云几何特征中的高斯曲率、各向同性、曲面变化率和球体指数 7 个特征。加上红绿蓝3 个光谱波段,共计 10 个特征。表 2 柠条各特征的变异系数以及柠条与其他地类各特征的类间差异系数Table 2 The coefficient of variation of various characteristics of Caragana korshinskii and the coefficient
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 UAV RGB 矿区 植物 分类 及其 叶绿素 含量 时空 变化 分析
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。