尺度空间图像分析用于草地生态系统斑点矢车菊遥感制图研究

《Applications in Plant Sciences》：Scale-space image analysis for mapping spotted knapweed in grassland ecosystems

　　

本研究探究了空间特征尺度空间表征在高分辨率多光谱影像识别与制图入侵植物中的应用价值。尺度空间表征将二维空间域与代表空间尺度的第三维度相结合，使得特征能够在空间维度与图像空间分辨率维度上同时被表征。研究人员构建高斯金字塔，在尺度空间内跨越五个图像分辨率层级（介于3至46 cm之间）创建特征表征。研究依托案例分析法，评估尺度空间内各特征对利用遥控飞机系统（remotely piloted aircraft system, RPAS）获取的多光谱影像在草地生态系统中识别与制图斑点矢车菊的重要性。分类过程采用随机森林（random forest）分类器完成，该分类器通过包含特征优化与超参数优化的流程构建。案例研究结果表明，仅由高空间分辨率特征构建的分类器，其分类性能优于仅由较低空间分辨率特征构建的分类器；然而，最佳分类效果是通过利用整个特征尺度空间中的特征实现的。上述研究发现表明，对特征计算所依据的空间尺度进行优化，能够显著改善遥感影像分析精度，并可能为RPAS飞行规划提供参考信息，以提升任务执行效率。

斑点矢车菊是加拿大不列颠哥伦比亚省南部内陆草地生态系统中一种恶性入侵植物，其通过大量产籽、释放化感物质抑制周边植被，对草地生态系统构成严重威胁。传统地面调查方法耗时费力、难以覆盖大范围区域，而遥感技术为大范围入侵物种监测提供了可能。然而，草地植物个体小、冠层稀疏、群落组成复杂，如何从混合背景中准确识别目标物种仍是遥感制图的主要挑战。遥控飞机系统（remotely piloted aircraft system, RPAS）获取的高分辨率多光谱影像为该问题提供了新的数据支撑，但影像空间分辨率对特征提取的影响尚未被系统量化。已有研究提出的元像素（metapixel）图像分析方法虽然在制图斑点矢车菊相对丰度方面取得了一定成效，但其依赖的灰度共生矩阵（gray-level co-occurrence matrix, GLCM）纹理统计量对空间分辨率高度敏感，单一分辨率数据难以同时捕捉多尺度空间特征。为此，研究人员引入尺度空间理论，旨在回答两个问题：是否存在可通过分类精度确定的最优空间分辨率；多分辨率特征是否优于单一分辨率特征。

研究人员在加拿大不列颠哥伦比亚省梅里特市附近的Laurie Guichon Memorial Grasslands Interpretive Site（LGMGIS）选取三个约1公顷的样地开展案例研究，于2018年7月4日、12日和19日利用搭载Parrot Sequoia多光谱传感器的Phantom 4四旋翼RPAS采集影像数据。地面参考数据来自93个随机分布的1 m2样方，经扩充后共获得217个元像素观测，按斑点矢车菊相对盖度划分为高、中、低三个类别。影像经Pix4D软件处理后生成绿、红、红边、近红外（near-infrared, NIR）四个波段的反射率正射镶嵌图，地面分辨距离为2.9 cm。研究人员将影像分割为与地面样方一致的1 m2元像素，对每个光谱波段及归一化差异植被指数（normalized difference vegetation index, NDVI）、绿波段NDVI（gNDVI）和红边NDVI（reNDVI）三个植被指数构建五层高斯金字塔（Gaussian pyramid, GP），实现从2.9 cm至46 cm递增的五个空间分辨率层级（L0至L4）。在此基础上，研究人员使用集成递归特征消除（recursive feature elimination with cross-validation, RFECV）方法进行特征选择，采用Pareto最优准则确定最优特征集大小，并通过网格搜索优化随机森林分类器的超参数。

结果部分首先介绍了训练与验证数据集的构建。训练集通过欠采样平衡为150个样本（每类50个），验证集则为7月4日样地3的31个样方，类别分布高度不平衡（高17个、中13个、低1个）。特征选择结果表明，单尺度模型中L0层级的最优特征数为6个，而尺度空间特征集的最优特征数为89个。NIR平均反射率是唯一被所有五个单尺度模型共同选中的特征，L3和L4模型甚至仅使用该单一特征；绿色波段平均熵则出现在L0、L1和L2三个模型中。尺度空间模型中同一特征在多个空间尺度重复出现，表明特征的重要性依赖于其计算所用的空间尺度。超参数优化后的模型验证显示，最佳单尺度分类器由最高空间分辨率（L0）特征构建，验证精度为67.7%，且分类精度随空间分辨率降低而递减（L1为64.5%、L2为48.4%、L3为35.5%、L4为41.9%）。相比之下，融合多尺度特征的尺度空间分类器验证精度达74.2%，较L0模型提升6.5%；宏平均F1分数由L0模型的0.60提升至尺度空间模型的0.83，分类增益主要来源于中等相对丰度类别的识别改善。尺度空间模型生成的空间分布图呈现出明显的空间结构特征，预测了样地西南和东北两个低丰度区域以及中部的高丰度条带，与影像中可见的植被冠层空间格局相符；而L0模型由于高分辨率噪声影响，产生的分类图存在明显的斑点噪声和零散分布。

讨论部分指出，特征的重要性随空间尺度而变化：部分GLCM统计量如角二阶矩（angular second moment, ASM）、熵（entropy, ENT）和相关性（correlation, COR）在较低金字塔层级不具描述力，直至空间尺度达到约6 cm时才成为有效预测因子，这一现象与GLCM邻域核的空间覆盖范围随分辨率变化直接相关。NIR和绿色波段反射率的重要性可能与斑点矢车菊在夏季干旱期保持活跃光合作用而本地植被减缓光合以保存水分的物候差异有关，因此二者在光谱上表现出可区分性。研究人员强调，尽管高分辨率数据仍然是分类的基础，但仅依赖单一高分辨率会损失大尺度空间结构信息；尺度空间模型通过高斯金字塔模拟多尺度影像采集，无需额外增加外业数据采集成本即可显著提升制图精度。空间分辨率特征的尺度依赖性可用于指导RPAS飞行规划：通过在样地尺度进行尺度空间分析确定最优空间分辨率，可据此推算区域调查任务的最大允许飞行高度，从而提升监测任务效率。研究结论认为，尺度空间表征能够有效融合多分辨率信息，改善入侵植物遥感制图的精度和空间连续性，该方法可推广至其他草地入侵植物（如旱雀麦）及其他生物气候区的监测应用。