董 光，狄 威，程武学

（四川师范大学 地理与资源科学学院，四川 成都 610101）

草地既是畜牧业生产的重要物质基础，又是重要的生态屏障.据统计，中国草原总面积约为4 亿公顷，并且每年草地生物量产量约为22.29 亿吨，天然草地的生态服务功能总价值约8 697.7 亿元，在国家粮食安全和生态安全等有着举足轻重的地位.据农业部《2016 年全国草原监测报告》［1］统计，2017年全国草原鼠害受害面积约为2.8 ×107hm2，约占全国草原面积的7.24%，比2016 年增长1.34%，对草原主要危害鼠种有黄鼠、田鼠、鼠兔、鼢鼠、沙鼠、旱獭等.近30 年来，草原鼠害的危害逐年加重，草原鼠害面积逐年增加，每年草原由于鼠害经济损失超过60 亿元［2］，因此有必要对草地鼠害进行全面监测.全面监测鼠害草地信息是治理鼠害任务的重要一步，可以通过准确的监测和判断鼠害程度制定有效的治理鼠害计划，综合利用多种治鼠技术，实现科学防治鼠害的任务［3］.

国外利用遥感与GIS 技术应用于鼠害监测时间较早，可以分为两个时间阶段：1950—1970 年，主要采用航空目测的方法，在地形图上画出鼠害发生区.随着科技的进步，逐渐将航空录像连接至全球定位系统，在航空录像的图像上记录经纬度坐标、海拔、飞行航速以及航向等信息，在鼠害动态监测方面取得了较好的成果.在1970 年后，随着美国的Landsat、法国SPOT等卫星的发射［4］，研究员可以在较短的时间快速获取到遥感影像，对鼠害监测的研究提供了巨大的支持.Addink 等［5］利用QuickBird遥感卫星，对哈萨克斯坦的鼠害进行监测，精度验证达到了80%以上.

我国从1950 年后，使用传统方法对草地鼠虫害进行研究.随着遥感技术的兴起，特别是在1980年以后，我国陆续开展了草地遥感技术应用研究与草地鼠害预测预报研究.李博［6］利用3S 系统技术建立了“中国北方草地畜牧业动态监测业务化运行系统”；阿力古恩［7］结合3S技术研究得到了阿拉善荒漠梭梭林中大沙鼠鼠害分布区域；黄建文等［8］利用阿拉善左旗地区的TM影像，通过对比天然梭梭林在大沙鼠鼠害防治前后的土壤调节植被指数，用以判断鼠害综合防治的效果.但是，现在多数研究主要是利用遥感技术对草原荒漠化的总面积实现动态监测，而使用遥感技术监测鼠害监仍处于起步阶段，所以提高草原鼠害遥感监测技术是具有重大的价值.

目前，利用传统的技术很难对鼠害进行有效的、实时的动态监测.随着遥感和GIS 的发展，可以得到大范围的草原鼠害的卫星影像，采集周期短.但是多数卫星受限于分辨率，对准确的鼠害信息很难获取到.近年来，小型无人机越来越多的投入到各个遥感领域，其超高的分辨率对草原鼠害信息的提取有巨大的帮助.

无人机具有遥感监测快速、高效、分辨率高、成本低和不同尺度等方面的优势.本文利用无人机对若尔盖草原的鼠害信息提取的有效方法进行研究，对比不同方法的提取结果，可以得到不同方法的优缺点，为使用低空遥感监测草原鼠害信息提供一定的理论和技术参考.

1 研究区域与数据来源

1.1 研究区域概况本次研究区域为若尔盖草原，位于四川、甘肃和青海3省交接处，如图1所示，总面积约为59 000 km2，区域内涉及的县级行政区包括四川省阿坝藏族羌族自治州的若尔盖县、红原县、阿坝县、松潘县，甘肃省甘南藏族自治州的玛曲县、碌曲县，青海省果洛藏族自治州的久治县［9］.

图1 研究区位置示意图Fig.1 A schematic diagram for the locations of the study areas

根据四川草原总站的实际统计，2018 年四川草原发生鼠害平均面积为2.84 ×106hm2，比去年增长约为4.7%，重度破坏面积约为1.82 ×106hm2，比去年增长约为10%，鼠害地发生已经严重影响草原畜牧业的可持续发展［10］.

1.2 数据来源及处理本研究采用国产的DJI 无人机进行高空作业，型号为DJI Phantom 4Pro，有接近12 档的动态范围，并搭载2 000 万像素的的传感器和GPS／GLONASS 双模卫星定位系统、IMU 和指南针双冗余传感器，无人机在飞行时能获得实时图像、深度、定位等信息.对于无人机的飞行高度，此次研究设定为200 m，航空摄影的航向重叠和旁向重叠分别设置为80%和60%，同时也满足具体的航拍的要求.飞行的区域为若尔盖县辖曼乡的牧场，由于受鼠害严重，所以选择它作为研究区.

这次的研究获取的各种影像信息使用无人机的处理软件技术进行处理，具体如图2 所示.

图2 无人机航摄数据处理流程Fig.2 Processing flow of the aerial photography data by UAV

本文在所选的地点在若尔盖草原的小牧场内，经过实地调查，选择一个15 m ×15 m 的样地作为研究鼢鼠鼠害信息提取的实验区域，具体位置如图3 所示.

图3 实验区预处理后的影像图Fig.3 The pre-processed image of the experimental area

2 研究方法

2.1 基于灰度的图像分割图像分割技术通常根据图像性质的原理进行分类和标记［11］.主要使用灰度阈值划分法，实际计算也相对简单，并且运算效率较高，在特定的细分中，属于应用比较多的方法.

确定阈值是这种分割算法的关键，阈值的准确性越高，分割出来的图像就越精确.

2.2 优选色彩纹理特征本研究采用无人机的正射影像只有3 种灰度信息，分别是红、绿、蓝，没有定量的多光谱信息.主要根据色彩的空间转换以及实际的纹理对地表的表鼠害区域图像进行分析，然后选择区分鼠害地物和背景地物的色彩和纹理指数，并将选择出来的色彩和纹理指数用于地表鼠害信息的提取.

对于JPG的图像进行实际的色彩空间以及二阶灰度共生矩阵进行实际的转换和纹理性的过滤，得到色度以及亮度和饱和度3 项指标，以及均值以及方差、协同性等一共24 个纹理［12］.本文用离散程度表示具体的色彩纹理特征的变异系数.

变异系数表示某一个特征数值的离散型程度，其中的变异系数与离散程度是相关的，变异系数越小，表示的离散程度也越小，因此根据此特征提取该类物.另外某一特征差异性越大，越容易进行区分两地的重物.因此，在进行实际的选择过程中，应该选择差异性大以及变异性小的色彩纹理进行研究.

2.3 基于规则的面向对象面向对象的分类方法有效地结合影像中多种对象特征，例如图像的光谱、纹理和几何形状，使用影像分割技术来查找对象，并将该对象作为处理单元进行影像分类［13］，主要包括4 个过程：影像分割、对象层次结构、分类规则和信息提取.

2.4 BP神经网络人工神经网络主要在20 世纪40年代被提出，经过这些年的不断发展，以其强抗干扰、并行分布式处理、自组织学习和分类精度高等特点而得到广泛应用.

BP反向传播网络使用梯度搜索理论，将输出层中的误差进行校正权重，从而使网络的实际输出与预期输出之间的误差最小.该方法是根据误差反向传播算法，从输出到输入的方向进行，需要一定数量的已知样本进行反复的学习和训练，确定与最小误差相对应的权值和阈值［14］.具体的神经网络图结构如图4 所示.

图4 BP神经网络结构Fig.4 BP neural network structure

3 结果与分析

3.1 春季鼢鼠土丘的地表信息提取

3.1.1灰度阈值分割 结合实地调查以及根据现有的影像进行分析，发现草类植被还处于萌发阶段时，绿色波段的区分度不大，鼢鼠土丘对于蓝色波段最为敏感.另外，土壤湿度对于鼢鼠土丘在图像上表达影响很大，土壤湿度越大，鼢鼠土丘越趋近于黑色，即灰度值越小；土壤湿度越小，灰度值越大，鼢鼠土丘与周围的裸土颜色越接近.构建出的灰度分割模型为：红色波段值小于174，绿色波段值小于145，蓝色波段值小于120.运用此模型进行影像分割处理，再对分割结果进行聚类和过滤处理，图5 是得到的分割结果.

图5 灰度阈值分割提取春季影像中鼢鼠土丘结果Fig.5 Extraction results of zokor mounds in spring images based on grayscale threshold segmentation

3.1.2优选色彩纹理特征 结合实际的调研情况进行影像分析，主要是有3 种地物信息，分别为鼢鼠土丘、草地以及裸土，另外需要对于影像进行HLS色彩转换，以及二阶灰度共生矩阵纹理滤波，得到色度、亮度以及饱和度3 种色彩特征和红、绿、蓝3 个波段的对比度、相异性等24 种纹理特征进行实际的了解和分析.

综合考虑相对差异和变异系的数值，本文选择了红色均值、蓝色均值和绿色均值3 个纹理特征来区分鼢鼠土丘和其他地物，优选的3 个纹理特征之间的差异性有了明显的提高.在实际的影像中，主要的3 种地物分别是鼢鼠土丘、裸土和草地，随机选取其训练样本各10 个，得到的分类结果如图6所示.

图6 基于优选纹理的春季影像中鼢鼠土丘提取结果Fig.6 Extraction results of zokor mounds in spring images based on optimized textures

3.1.3基于规则的面向对象 利用实际图像的分割技术来发现对象，Algorithm 选择为Edge，Scale Level为65.9.因为实际的阈值比较低，通过合并来优化分类的结果，本文设定合并强度为95.8.

使用半自动的方式确定规则和阈值，设定的光谱规则为：B1 的范围为130.34～171.19，B2 的范围为105.19～145.39，B3的范围为73.39～109.69，几何面积范围为0.022 5～1，基于规则的面向对象方法分类结果如图7.

图7 春季影像鼢鼠土丘面向对象方法的提取结果Fig.7 Extraction results of zokor mounds in spring images based on the object-oriented method

3.1.4 BP神经网络 使用DJI Phantom 4Pro拍摄的影像，经过处理后只有红、绿、蓝3 个波段，因此输入层的节点数为3.而输出层的节点数是由分类结果的数目决定的，由影像图可以看出，主要是由鼢鼠土丘、草地、裸土组成，所以输出层的节点数为3.本文隐层在数量上的选择为1 个，隐层节点数量可以通过输入节点数量来确定，一般是输入节点的2～3倍［15］.非线性方法比线性方法划分出来的结果准确率更高、合理，而且容错性较好［16］，所以函数选择对数型Sigmoid 激活函数.其分类结果如图8所示.

图8 春季影像中基于BP神经网络的鼢鼠土丘分割结果Fig.8 Zokor mound segmentation results based on BP neural network in spring images

3.1.5春季鼢鼠分类结果精度对比 混淆矩阵用于计算制图和用户精度的计算，以此得到总体精度和Kappa系数等，评估每种方法分类结果的优劣.春季影像的空间精度对比如表1 所示.

表1 春季影像的空间精度对比Tab.1 Comparison of the spatial accuracy in spring

因为无人机影像分辨率较高，影像的地物可以用肉眼分辨，所以将目视解译结果作为度量，以评估每种方法在目标地物的图斑在数量、面积和几何形状方面的定量精度.定量精度对比如表2 所示.

表2 春季影像的定量精度对比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灰度阈值分割 根据实际的调查，该季节的植被生长是一年中最好的，牧草分布比较广，裸土面积小，草色呈现出青绿色，该影像对于绿色的波段比较敏感，但土壤湿度差异很大，对影像分类结果有一定的影响.构建具体的分割模型为红色波段大于139，绿色波段大于135，蓝色波段大于113，分割结果如图9 所示.

图9 灰度阈值分割提取夏季影像中鼢鼠土丘结果Fig.9 Extraction results of zokor mounds in summer images based on gray-level threshold segmentation

3.2.2优选色彩纹理特征 结合实地调研情况，对夏季关键的地物信息进行分析，发现影像图上主要有两种地物，分别是鼢鼠土丘与背景地物草地.同样对实验影像进行HLS 色彩转换和二阶灰度共生矩阵纹理滤波，得到色度、亮度与饱和度3 项色彩特征，以及红、绿、蓝三个波段的对比度、相异性等24 种纹理特征进行分析，最后得到影像的特征统计.

综合考虑相对差异和变异系数，选择色度、饱和度和蓝色均值3 个特征区分鼢鼠土丘和其他地物，优选的3 个色彩、纹理特征之间的差异性有了明显的提高.基于优选纹理特征，对夏季实验影像的分类结果如图10.

图10 基于优选纹理的夏季影像中鼢鼠土丘分割结果Fig.10 The segmentation results of zokor mounds in summer images based on the optimal texture

3.2.3基于规则的面向对象 利用实际图像的分割技术来发现对象，Algorithm 选择为Edge，Scale Level为49.6.由于分割强度设置得较低，因此特征对象划分为多个部分，使用合并算法能一定程度上改善这个问题，将合并强度设置为98.3.

根据灰度、纹理和几何形态等多个要素对目标地物的规则集进行创建描述，使用半自动探测的方法确定其规则以及阈值，所以设定光谱特征B1 的范围为127～158，B2 的范围为110～140，几何面积范围为0.022 5～1，分类结果如图11.

图11 夏季影像中面向对象的鼢鼠土丘提取结果Fig.11 Extraction results of zokor mounds in summer images based on the Object-oriented method

3.2.4 BP神经网络 在进行实际的信息提取之前，需要构建一个BP网络的模型，进而确定网络模型的层数、节点以及一些激励函数等网络化的参数值，本次研究采用的是一个隐层的3 层BP 神经网络.

本研究的遥感影像数据来源是无人机，由于影像只有红、绿、蓝3 个波段，所以输入层的节点数为3.因为影像主要地物为鼠丘和草地，所以输出层节点数为2.具体的输出结果如图12 所示.

图12 基于BP神经网络的提取结果Fig.12 Extraction results based on the BP neural network

3.2.5夏季鼢鼠分类结果精度对比 用4 种分类方法提取鼢鼠的土丘行，并对分类结果进行精度评价，具体的空间精度对比如表3 所示.

表3 夏季影像的空间精度对比Tab.3 Comparison of the spatial accuracy in summer

因为无人机影像分辨率较高，夏季影像的地物可以肉眼分辨，所以将目视解译结果作为度量，以评估每种方法在目标地物的图斑在数量、面积和几何形状方面的定量精度.4 种方法的定量精度对比，如表4 所示.

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

4 结论与讨论

4.1 结论本研究以若尔盖县辖曼乡的一个小牧场为研究区域，该区域受鼠害比较严重.使用无人机获取辖曼乡的一个小牧场春季和夏季的影像图，通过无人机数据与航空影像处理软件对得到的影像图进行预处理，得到了2 幅鼢鼠鼠害影像图.通过实地观察以及相关资料的查阅，了解鼢鼠鼠害的地表特征，并使用4 种方法对春夏两季影像的地表进行分类，提取其特征信息，使用的方法分别是灰度阈值分割、优选色彩纹理、基于规则的面向对象和BP神经网络.再对这4 种分类结果提取到的特征信息进行空间精度和定量精度的评价，最后总结每种方法的优缺点，对比分析后分别得到在春季和夏季最优的鼢鼠鼠害信息提取方法.得出的结论如下：

1）对比春季和夏季鼢鼠鼠害的提取结果，若尔盖草原春季更有利于提取鼢鼠鼠害地物信息.在春季，由于鼢鼠的生活习性，其活动较为频繁，使得土丘具有明显的地表特征，在影像上可看出裸土对土丘的干扰比较小.夏季若尔盖草原雨天增多，雨水的冲刷使得松散的土丘冲散，从影像上提取地物特征信息难度增大.

2）在春季的影像中，从空间精度来看，灰度阈值分割方法相较于其他3 种方法，分类精度较低，像元的漏分和错分较高.在定量精度上，相较于其余3 种方法，基于规则的面向对象在各项指标中都是最优的，在分类结果的影像图上有着很好的效果，是在春季影像中提取鼢鼠鼠丘最准确的方法.

3）在夏季影像中，优选色彩纹理与BP神经网络方法，在空间精度上有着不错的分类效果，像元的漏分和错分较低.在定量精度上，BP 神经网络在数量精度、面积偏离度和形状偏离度均是最优的，其余指标与另3 种方法相比也属于较好的，是提取夏季影像鼢鼠土丘的最优方法.

4.2 讨论通过对若尔盖草原的实地考察发现，在草原上的牧草枯黄时节，裸露的土壤较多，地表鼠害信息与背景地物差异小，增加了鼠害信息的提取难度.若尔盖草原的雨季通常在6 月下旬至8 月上旬，由于鼢鼠的土丘较为松软，在雨水的冲刷下，使得土丘轮廓模糊不清，不易提取.所以，使用可见光的低空遥感对若尔盖草原鼠害数据的提取，最佳时间大约在每年的5 月上旬至6 月上旬.

本文使用的无人机续航时间短，最长时间只有30 min，并且传感器只有3 个波段，影像分辨率较低，对鼠害信息的提取还有许多的不足.随着无人机技术的发展，使用多光谱甚至高光谱的传感器，能更好地提取鼠害信息，为草原鼠害的防治工作提供更全面的监测信息.