利用无人机遥感技术估算恢复生态系统中季节性植被（绿色和枯死植被）的覆盖比例

《Ecological Informatics》：Estimating seasonal fractional green and dead vegetation cover in rehabilitated ecosystems using drone remote sensing

本研究利用无人机RGB影像和随机森林模型监测加拿大南部的三个复垦矿场，发现绿部覆盖精度达0.94-0.97，死部覆盖0.74-0.95，不同复垦阶段植被恢复差异显著。

　　本研究聚焦于利用无人机（UAV）获取的可见光影像与随机森林（Random Forest, RF）回归模型相结合，评估加拿大安大略省南部三个不同恢复阶段的露天矿场生态系统中，季节内植被覆盖的变化。这项工作旨在为生态恢复提供一种高效、经济且具有高分辨率的监测方法，克服传统方法在成本、空间分辨率和时间频率上的限制。研究团队包括Matthew Noonan、Yuhong He、Daniel Nelson、Haoxuan Ge、Ryan Siu和Tim P. Duval，他们来自多伦多大学密西沙加校区，致力于探索无人机技术在生态监测中的应用潜力。

在生态系统受到表层采矿影响后，有效的恢复评估和监测对于确保生态系统的健康和可持续性至关重要。传统的方法如实地调查和卫星遥感，虽然已被广泛应用，但在监测多个小型或破碎的场地时，往往受到成本高昂、空间分辨率不足以及时间频率有限的制约。例如，卫星遥感虽然能够提供大范围的覆盖，但由于其较低的空间分辨率和混合像素的问题，难以准确捕捉小范围的植被变化。此外，云层覆盖、有限的光谱敏感度以及较长的重访周期，也使得卫星遥感在检测季节内短期变化方面存在局限性。相比之下，无人机能够获取超高分辨率的影像数据，并支持灵活的时间间隔调整，从而在生态恢复的监测中展现出更高的适用性。

本研究选择使用RGB（红绿蓝）传感器而非多光谱传感器，主要考虑到RGB传感器的成本较低、操作简便且在多个生态研究中已显示出良好的应用潜力。虽然RGB数据缺乏近红外（NIR）波段，但结合适当的植被指数和机器学习方法，仍能有效识别植被的分布和状态。例如，研究发现RGB数据在滑坡后植被覆盖的映射中表现出与多光谱影像相当的准确性，尤其是在其细粒度的空间细节方面。此外，可见光波段的植被指数，如归一化绿-蓝指数（NDGBI）和绿-红植被指数（GRVI），在结合现场校准和验证数据后，已被成功用于监测植被变化。这些方法的结合，使得研究能够在有限的预算下实现对生态恢复的精细化监测。

研究采用的UAV系统为DJI Mavic 3 T，配备1200万像素的RGB相机，能够以21米左右的平均高度进行飞行，并根据场地的具体地形调整飞行高度，以确保影像质量的一致性。飞行任务计划为80%的前后重叠和70%的侧面重叠，从而支持高质量的影像拼接和正射影像图的生成。在每次飞行中，根据场地面积和分辨率要求，采集700至2000张影像，每像素的地面采样距离在0.3至0.9厘米之间。这种高分辨率的影像采集方式，使得研究能够更细致地捕捉植被覆盖的变化，尤其是在季节内的动态过程。

为了确保影像数据的准确性，研究团队在每个场地收集了地面反射数据，并使用这些数据对UAV影像进行经验线校正。具体而言，使用FieldSpec-3光谱辐射计在每个场地的多个采样点进行反射率测量，并基于这些数据建立校正模型。通过将地面反射率与UAV影像的数字数（DN）进行回归分析，研究团队能够将原始影像转换为表观反射率，从而减少光照条件变化对影像分析的影响。此外，对于阴影区域的反射率，研究团队也进行了剔除处理，以避免阴影对植被覆盖估算的干扰。

在植被覆盖估算方面，研究团队采用了随机森林回归模型，利用RGB影像的红、绿波段数据以及NDGBI和GRVI植被指数进行建模。这些模型在预测绿色植被覆盖（FGVC）和死亡植被覆盖（FDVC）方面表现出良好的性能，其中FGVC的预测准确度较高，R2值达到0.94–0.97，而FDVC的准确度则处于中等至较高的范围，R2值为0.74–0.95。这种差异可能源于FGVC和FDVC在光谱特性上的不同，以及现场环境对两种植被覆盖类型的影响程度不同。例如，在植被覆盖较为均匀的场地，如第三场地，FGVC的预测性能最佳，而在植被覆盖较为破碎的场地，如第二场地，FDVC的预测结果表现出更大的波动性。

研究结果表明，不同场地的植被覆盖模式存在显著差异。第三场地由于其靠近水体和土壤质量相对较好，植被恢复迅速且稳定，FGVC在研究期间保持在70%以上，而FDVC则维持在较低水平，表明该场地的生态系统处于较好的恢复状态。相比之下，第二场地尽管进行了较早的恢复工作（2006年），但其植被恢复效果不佳，FGVC仅为30–50%，而FDVC则高达60%以上，这可能与该场地的土壤条件较差、地形复杂以及恢复措施不足有关。第一场地（2017年恢复）表现出较强的季节性植被增长，FGVC从早期的30–50%增长至晚期的70%以上，FDVC则从较高的水平逐渐分散，表明该场地的植被恢复较为成功，但仍然存在一定的挑战。

本研究的发现强调了无人机技术在生态恢复监测中的重要价值。通过使用低成本的RGB影像和随机森林模型，研究团队能够以高精度和高频率的方式获取植被覆盖数据，从而支持生态恢复的动态评估。这种方法不仅适用于小型或破碎的场地，还能为长期生态监测提供可靠的数据支持。此外，研究还揭示了植被指数在模型构建中的作用，其中NDGBI在大多数模型中表现最为突出，而GRVI在某些情况下则显示出较低的预测能力，这表明在模型设计中需要综合考虑植被类型和场地特征，以优化预测效果。

研究团队还指出，尽管无人机技术在生态恢复监测中展现出诸多优势，但其对阴影的敏感性仍是一个显著的限制因素。阴影会导致某些区域的反射率异常，进而影响植被覆盖的准确估算。为了应对这一问题，未来的研究可以探索阴影校正技术，或结合近红外波段数据以提高光谱区分能力。此外，虽然RGB数据在某些情况下可能不如多光谱数据全面，但其低成本和高可操作性使其成为小规模或复杂地形生态恢复监测的有力工具。

本研究的成果对于推动生态恢复实践具有重要意义。通过结合无人机影像和随机森林模型，研究团队为生态恢复的动态监测提供了一种高效、经济且可扩展的方法。这种方法不仅能够帮助研究人员和政策制定者更准确地评估生态恢复的进展，还能为后续的生态管理提供数据支持。此外，研究还强调了植被覆盖指标在生态评估中的重要性，其中FDVC作为独立的监测指标，能够提供关于生态系统退化、分解过程以及恢复状态的关键信息，从而补充FGVC等常用指标，使生态评估更加全面。

在实际应用中，这种方法的推广将有助于优化生态恢复策略，尤其是在面临复杂地形和高成本挑战的区域。例如，在靠近农田或具有显著地形变化的场地，无人机监测可以提供更详细的植被信息，帮助识别需要重点干预的区域。同时，这种方法的灵活性和高分辨率，使得研究人员能够更及时地发现生态系统的异常变化，从而采取相应的管理措施，促进生态恢复的进程。此外，随着无人机技术和传感器的不断发展，未来的研究可以进一步探索多光谱或超光谱数据的结合，以提高对植被覆盖变化的识别能力，并拓展该方法在不同类型生态系统中的应用范围。

综上所述，本研究通过结合无人机可见光影像和随机森林回归模型，为生态恢复的监测提供了一种高效、经济且高分辨率的解决方案。这种方法不仅能够克服传统监测方法的局限性，还能为生态恢复的动态评估和管理决策提供可靠的数据支持。研究团队的成果表明，通过合理的设计和应用，无人机技术可以成为生态恢复监测的重要工具，有助于提升生态恢复的效率和效果，从而推动生态系统的可持续发展。