鼠洞斑块密度是荒漠草原鼠害程度的重要指标。传统上鼠洞斑块是通过地面调查来统计的，这种方法劳动强度大，具有随机性且受地理条件限制。为了实现高效、大尺度的鼠洞斑块识别，充分了解鼠洞斑块密度与植被盖度之间的关系，需要开发一种高效的方法。

近年来无人机系统以影像分辨率高、实时性强、调查尺度大等优势逐渐被应用于生态研究^[1-2]和地物分类^[3-4]中。无人机系统产生的影像经过去噪、校正处理，可提取像素级别的光谱特征用于分类。相比于基于像素的分类方法，面向对象分析 (object-oriented image analysis, OBIA)可以获得同质化的对象信息，在高分辨率数据分析上应用越来越普遍^[5]。相关研究已经证明在土地覆盖制图^[6]、植被监测^[7]、城市分类^[8]等应用中，OBIA比传统基于像素的方法具有更优异的分类精度和景观特征^[9]。但是，OBIA方法中同质对象的扩展特征空间(光谱特征、纹理特征、形状特征)大大增加了影像分析的复杂性，降低了数据处理的实时性^[10-11]。

特征选择作为OBIA中的一个步骤，通过去除冗余信息来提高分类器的性能并降低计算的复杂度^[12]。张旷典等^[13]和张春莹等^[14]使用随机森林的方法计算特征重要性来实现特征选择；Laliberte和Rango ^[15]将决策树的分裂规则用于特征重要性的度量；而Ma等^[16]应用基于相关性的特征选择算法 (correlation-based feature selection, CFS) 进行分类前的特征降维，并指出CFS可能是最佳的特征选择算法。由此可见，特征选择已被广泛应用于遥感图像分类领域中。然而，上述特征选择大多基于卫星影像中土地覆盖研究，针对荒漠草原鼠洞斑块这一特定对象，因为OBIA方法中一些不确定性(如分割参数对同质化对象的影响)，仍存在两个疑问：不同分类算法对特征选择是否具有同样的响应，以及降低特征维度可在多大程度上改善分类精度，提高分类效率。

因此，以准确、高效识别荒漠草原鼠洞斑块为目的，本文分析特征选择对OBIA中各种分类方法的不确定性，研究在训练集大小相同的条件下，使用CFS算法对OBIA进行优化，构建基于无人机可见光影像的“OBIA-CFS”框架，以确定最优的荒漠草原鼠洞斑块识别方案，为荒漠草原鼠害防控提供高效、智能解决方案。

1.   材料与方法

1.1   研究区域

研究区域位于内蒙古自治区鄂尔多斯鄂托克旗(39°25′38.232″ N，107°58′55.358″ E，海拔1 241.2 m)。全旗冬长夏短，温差大，无霜期短，年平均气温9.6 ℃，近10年来年平均降水量为237.4 mm，年均蒸发量为2470 mm，全年较为干旱，属于典型的中温带季风性大陆性气候区。鄂托克旗内80%草地属于荒漠化草原^[17]，生态系统脆弱，更容易因人类活动和鼠虫害泛滥导致草地沙化，是内蒙古自治区鼠疫自然疫源区之一。

1.2   数据获取与预处理

采用大疆四旋翼M300无人机携带可见光传感器作为数据采集平台，分别于2020年4月和2021年4月共进行了5次飞行。为减少光线和云系对影像的影响，选择晴朗无云的正午12:00－14:00进行航拍作业。航高设置为20 m，航向和旁向重叠率分别设置为70%和80%，共采集600张图像，每张图像的大小为5 280像素 × 3 956像素，由红、绿、蓝3个波段构成。

为避免同一个鼠洞斑块在连续重叠图像中多次出现，对每次飞行中的125张图像使用Pix4D实施拼接和几何校正，生成正射影像 (digital orthophoto map, DOM)。拼接生成的数据文件非常大(约为1 G)，使用空间数据转换库 (geospatial data abstraction library, GDAL) 对其进行6 × 5裁剪，以达到提升数据处理速度和数据增强的效果。5次飞行共获得150个样本。对样本数据进行中值滤波和图像均衡化处理以去除噪声。

2.   研究方法

本文的技术路线如图1所示。首先利用Pix4D软件生成DOM，然后构建数据集，按照6 ꞉ 4比例将数据集划分为训练集和测试集。利用eCognition Developer 9.2结合尺度参数估计插件 (estimation of scale parameter 2, ESP2) 确定最佳分割参数并进行多尺度分割；提取每个分割对象的光谱、植被指数、纹理和几何特征，将上述特征导入文本文件并借助科学计算库(numerical python, Numpy) 实现特征选择。最后，执行CFS前、后的特征集分别与支持向量机(support vector machine, SVM)、随机森林 (random forest, RF)、 K-最近邻(K-nearest neighbor, KNN)搭建6种分类算法，比较不同算法分类精度和效率，分析CFS对不同分类器的影响，并确定荒漠草原地物分类的最佳算法。应用上述最佳算法在测试集上验证，获得鼠洞斑块分布的空间格局及其与植被盖度之间的关系。

图  1  基于OBIA-CFS数据处理流程

ESP2代表尺度参数估计插件，SVM、RF、KNN分别代表支持向量机、随机森林和K-最近邻算法，CFS + SVM、CFS + RF、CFS + KNN分别代表特征选择后的支持向量机、随机森林和K-最近邻算法。下同。

Figure  1.  Data processing based on OBIA-CFS

ESP2, estimation of scale parameter 2; SVM, RF, and KNN stand for support vector machine, random forest, and K-nearest neighbor algorithms, respectively; CFS + SVM, CFS + RF, and CFS + KNN refers to support vector machine, random forest, and K-nearest neighbor algorithms after correlation-based feature selection, respectively. This is applicable for the following figures and tables as well.

下载: 全尺寸图片 幻灯片

2.1   最佳分割参数的确定

图像分割是通过聚合像素将影像划分为空间或者光谱特征上的离散区域，是OBIA方法中最关键的步骤^[18]。最佳分割参数(尺度参数、形状参数和紧凑度参数)可减少影像的类内光谱差异，较少破碎率^[19]。本文中应用ESP2工具计算邻域3 × 3窗口中局部方差 (local variance, LV)，为无人机数据定义最佳分割参数。如图2所示，随着分割尺度的增加LV逐渐增加，直到与无人机影像中对象相匹配，LV的变化率 (rate of change, ROC) 与之相反。可以得出结论：不存在尺度参数小于40的感兴趣对象，ROC曲线中的局部峰值(45、93、107、153和173)表示影像中具有更多的同质性物体。为了找出便于识别鼠洞斑块的最佳尺度参数，通过目视解译，发现尺度参数107的影像图斑内部同质性较高且边缘分割较为准确。考虑到本文研究对象是荒漠草原鼠洞斑块，其形状轮廓较为规则，并参考相关研究中分割参数的设置^[20]，形状因子和紧凑度因子参数分别设置为0.3和0.1，最终分割结果如图3所示。

图  2  ESP2尺度参数估计

Figure  2.  ESP-estimation of scale parameters

下载: 全尺寸图片 幻灯片

图  3  最佳分割结果

Figure  3.  Optimal segmentation results

下载: 全尺寸图片 幻灯片

2.2   特征的提取及选择

2.2.1   特征提取

通过特征视图比较荒漠草原地物在可见光波段的像元值特征，发现不同地物在亮度均值、标准差等光谱特征中差异较小，尤其是鼠洞斑块和裸地在红波段光谱取值上具有较多重叠，在荒漠草原场景下，仅使用无人机红绿蓝光谱信息，很难实现鼠洞斑块的精确提取。

利用OBIA对高分辨率数据进行分析时，彭楚粤等^[20] 发现将几何特征与光谱特征融合可用于企鹅阴影像元的提取；Tang等^[21]在基于无人机影像的草地研究时，构建了超绿植被指数(vegetation indices of excess green index, EXG)，按照式(1) 进行不同波段间运算；黄邵东等^[22]借助高分一号(GF-1)进行茶园提取时，引入了纹理和空间特征。因此本文共选取了3大类，即为光谱、纹理、几何，共计35个特征用于荒漠草原鼠洞斑块的提取。

式中：R、G、B分别代表无人机影像中红、绿、蓝3个波段的亮度值。

2.2.2   特征选择算法

CFS算法使用基于相关性的启发式评估函数来评估一组特征的价值。Hall和Holmes^[23]声称特征的最优子集应该具有类间的高度不相关性，因此，可使用式(2)作为特征子集的评价标准。

式中：f 表示特征，c表示类别，$ \overline {{r_{cf}}} $表示类间特征相关性的均值，$ \overline {{r_{ff}}} $表示类内特征相关性的均值，k表示子集中特征的数量。本文中，采用前向搜索来探索特征空间，当评价标准出现连续3次下降时，搜索停止。算法的执行过程使用Numpy编程来实现，算法流程如图4所示。

图  4  基于CFS算法的特征选择流程图

F 表示全部特征集，S 表示最优特征子集。

Figure  4.  Flow chart of feature selection based on the CFS algorithm

F refers to the full feature set and S refers to the optimal feature subset.

下载: 全尺寸图片 幻灯片

基于CFS前向搜素选择特征的过程，经过循环迭代，获得本研究的最优特征子集S，其中包含EXG、灰度共生矩阵 (gray-level co-occurrence matrix, GLCM)、圆度 (roundness)等14个特征。

2.3   评价方法

考虑到鼠洞斑块识别在实际生产中对精度和实时性的双重要求，本研究中从精度和效率两个方面对6个算法进行评估。

使用ArcGIS10.5在训练集上生成2 550个验证点，通过目视解译确定每个点的类别，其中1 241个验证点为草地，1 053个验证点属于裸土，其余256个验证点是鼠洞斑块。利用ENVI5.3构建混淆矩阵进行精度验证，根据混淆矩阵可以计算总体精度 (overall accuracy, OA)、生产者精度 (producer accuracy，PA)、用户精度 (user accuracy, UA)和Kappa系数等指标。

使用测试集中样本分类所用时间的平均作为执行时间，评价6个算法的时间成本。试验环境为win7 64-bit；处理器Intel (R) Core (TM) i7-10510U CPU @ 1.80 GHz 2.30 GHz；eCognition Developer 64；ENV5.3；ArcGIS10.8.1；IDE为Pycharm 2022.2。

3.   结果与分析

3.1   不同算法精度对比

面向对象的SVM分类(图5a)产生了与原图(图3)相似的草地和土壤空间格局，其中部分区域的草地斑块出现了破碎化，且3号鼠洞斑块周围的裸地也被分类为鼠洞。RF分类获得了更完整的草地和裸土斑块，也能将鼠洞斑块与周围光谱特征相近的裸地分离开，具有理想的鼠洞斑块提取效果。而KNN分类在提取鼠洞斑块时有遗漏。

图  5  不同算法鼠洞斑块提取结果

Figure  5.  Extraction results for rodent hole patches using different schemes

下载: 全尺寸图片 幻灯片

基于最优特征子集的CFS + SVM算法除了光谱特征外，更多地考虑到纹理特征, 一部分具有与草地类似纹理特征的裸地也被归类为草地。CFS + RF的算法与特征优化前的RF分类结果大体相当，但是丢失了部分草地斑块的细节信息。CFS + KNN算法与前两种算法相比，有更多的裸地斑块被分类为鼠洞斑块，草地和裸土之间的误分较为严重。

为准确评估荒漠草原地物分类效果，使用验证点对6种算法进行精度验证，混淆矩阵如表1所列。SVM的OA和Kappa系数分别为83.31%和0.80。RF的OA和Kappa系数达到了91.23%和0.89，明显高于算法SVM。KNN的分类精度低于前两种算法，OA和Kappa系数只有80.00%和0.73。结果表明，RF方法相比SVM和KNN在荒漠草原地物分类上具有更高的精度，能够更精确地识别鼠洞斑块的大小和位置信息。CFS + SVM相比SVM在OA和Kappa系数上分别下降了1.10个百分点和0.02。SVM分类器使用8个特征可获得与全部特征相当的分类精度，当特征继续增加时将出现休斯效应，说明基于CFS的特征选择并不适用于SVM分类器。CFS + RF的分类性能与RF非常相似，OA小幅上升，Kappa系数保持不变，这可能得益于RF分类对样本量敏感，而本研究训练集较小。KNN算法在本研究中表现不佳，原因在于数据集的不均衡；其中特征选择后KNN的OA和Kappa系数比KNN下降了8.88个百分点和0.06。综上所述，RF在荒漠草原鼠洞斑块识别任务中表现最好，SVM次之。基于最优特征集的CFS + RF相比全部特征的RF在精度上略有上升，同时在鼠洞斑块提取上获得了更好的用户精度。

表  1  基于验证点精度评估

Table  1.  Verification point-based accuracy evaluation

地物类型 Ground object	算法 Algorithm
	SVM			RF			KNN			CFS + SVM			CFS + RF			CFS + KNN
	PA/%	UA%		PA/%	UA/%		PA/%	UA/%		PA/%	UA/%		PA/%	UA/%		PA/%	UA/%
草地 Grass	83.15	89.23		88.62	92.42		71.12	84.41		82.13	84.93		88.14	91.31		74.44	78.82
鼠洞 Rodent holes	79.74	80.62		82.33	87.93		74.54	69.68		77.33	78.82		81.26	88.13		53.74	67.13
裸地 Bare ground	82.17	84.31		88.12	91.14		80.86	82.13		81.26	85.62		83.83	88.71		66.21	75.33
OA/%	83.31			91.23			80.00			82.21			91.74			71.12
Kappa	0.80			0.89			0.73			0.78			0.89			0.67
PA表示生产者精度，UA表示用户精度，OA表示总体精度。 　PA refers to producer accuracy, UA refers to overall accuracy, OA refers to overall accuracy.

下载: 导出CSV 

| 显示表格

3.2   效率评估

统计6种分类算法在测试集上平均运行时间(average running time, ART)，特征优化后的运行时间远低于基于原特征集的运行时间。KNN运行过程需要计算待分类样本与已知样本在所有特征空间的距离，特征增多时计算量呈指数倍增加，时间复杂度最高，特征优化前后的ART分别为76.53和19.57 s。SVM在这一评价指标中表现最好，且特征选择前后ART变化最小，分别为21.12和11.48 s，部分原因在于SVM算法的时间复杂度取决于支持向量的数目，而不是样本数量。 RF的ART取决于决策树的数量和树的深度(特征数量)，CFS + RF的ART为14.05 s, 比RF运行时间减少了20.43 s，仅比CFS + SVM的运行时间多了2.97 s。

综合上述6种荒漠草原鼠洞斑块识别算法，CFS + RF的总精度比CFS + SVM高9.53%，两者在ART上差别较小，在实际生产中CFS + RF算法可作为鼠洞斑块识别的最佳算法。

3.3   鼠洞斑块面积与植被盖度之间的关系

应用CFS + RF算法提取鼠洞斑块，绘制鼠洞斑块面积与植被盖度关系如图6所示。由图6可知，单位面积内鼠洞斑块面积随植被盖度呈单峰变化，当植被盖度小于5%时，鼠洞斑块很少，这可能和潜在食物资源不充足有关；随着植被盖度逐渐增加，鼠洞斑块面积呈上升趋势，在20%～34%，单位面积内鼠洞斑块面积最大；植被盖度继续增加时，鼠洞斑块面积再次下降，可能的原因是密集的植被遮挡了啮齿类动物的视线，增加了被捕食的危险。单位面积内鼠洞斑块(y)与植被盖度(x)之间满足拟合关系$ {{y}} = - 1.981{x^2} + 1.104x - 0.416 $。同时统计不同植被盖度下鼠洞斑块面积的均值，发现随着植被盖度增加，斑块平均面积呈线性减少($ {{y}} = - 0{\text{.008 24}}x + 0.018 $)。这种情况可能和植被覆盖度提高、生物量增加、食物资源充足有关。

图  6  鼠洞斑块面积与植被盖度关系

Figure  6.  Relationship between the area of rodent hole patches and vegetation cover

下载: 全尺寸图片 幻灯片

本研究在低空遥感尺度上研究了荒漠草原植被盖度对鼠洞斑块面积的影响。当植被盖度从某个阈值增加或者减小时，鼠洞斑块面积就会减少。这种影响表明，当草原退化到一定程度时，草原鼠害才会爆发。之前的研究^[24]已经证明，化学方式很难从根本上治理鼠害的反复发生。在实际的草原治理中，增加植被盖度的生态控制技术是应对鼠害的首选。

4.   结论

本研究构建了一种用于识别荒漠草原鼠洞斑块的框架，用于实施准确、高效的斑块提取。该框架利用无人机采集可见光影像，将特征选择与面向对象技术相结合，构建6种荒漠草原地物分类算法，用于评估SVM、RF和KNN在鼠洞斑块提取上的性能，得到如下结论：

无人机影像的超高分辨率影像具有丰富的空间及纹理特征，与OBIA技术相结合，能够获得高精度鼠洞斑块信息，为大尺度鼠害监测提供了新的技术手段。

特征选择在提高影像处理速度的同时可以抑制冗余信息的干扰，提升算法的分类性能。基于最优特征集的CFS + RF在6种算法中表现优异，分类总精度高达91.74%。虽然该算法在执行时间上略高于CFS + SVM，考虑到RF模型泛化能力强，CFS + RF仍是基于无人机影像鼠洞斑块识别的最佳选择。

该框架可充分理解鼠洞与植被盖度的空间关系，获得荒漠草原鼠洞斑块面积与植被盖度间的二次函数关系。

无人机影像与面向对象技术相结合为荒漠草原鼠洞斑块识别提供了一个有潜力的框架。首次在低空遥感尺度上研究植被盖度与鼠洞斑块之间的空间分布，对于无人机技术在其他生态领域的应用也有一定启示意义。

参考文献