利用多尺度无人机影像在样方和地块尺度上估算草地冠层覆盖度

《Science of Remote Sensing》：Estimation of grassland canopy cover at quadrat and plot scales using multi-scale UAV imagery

草原植被覆盖度多尺度无人机影像深度学习估算研究。通过语义分割模型（UNet++、DeepLabv3+、SegFormer）提取四分位植被覆盖数据，结合Swin Transformer回归网络实现地块尺度覆盖度估算。结果表明，UNet++在四分位尺度（MIoU=0.81）显著优于Canopeo（0.64）和RF（0.46），Swin Transformer在地块尺度（R2=0.90，RMSE=5.48%）超越所有传统机器学习模型。研究提出无人机影像多尺度协同分析框架，为草原生态监测提供高效解决方案。

　　草甸植被覆盖度是衡量草甸生态系统健康状况和生态功能的重要指标。传统的草甸植被覆盖度评估方法主要依赖地面调查和视觉估算，但这些方法在数据一致性方面存在较大问题，因为其受到调查技术差异和人员经验水平的影响。相比之下，无人机（UAV）能够提供稳定且可靠的数据，覆盖多尺度的草甸植被信息。因此，有效利用多尺度无人机影像可以显著提高植被覆盖度估算的效率和精度。本研究通过高分辨率无人机影像进行语义分割，以获得精确的样方级植被覆盖度作为地面真值。随后，使用无人机正射影像开发了深度回归网络，用于估算样方级的植被覆盖度。研究结果表明，基于深度学习的语义分割模型在样方级植被分割和覆盖度估算中表现出色，其中UNet++模型性能最佳，其平均交并比（MIoU）达到0.81，F1分数为0.88。由UNet++分割得到的植被覆盖度结果表现出较高的准确性，其决定系数（R2）为0.98，均方根误差（RMSE）低于3.6%，优于传统方法如Canopeo和随机森林（RF）。在样方级，基于卷积神经网络（CNN）和视觉Transformer（ViT）架构的模型在预测植被覆盖度方面展现出更强的能力，其中基于Swin Transformer的模型取得了最高的准确性（R2 = 0.90，RMSE = 5.48%）。在草甸、典型和荒漠草原中，基于Swin Transformer的模型均能提供高精度的植被覆盖度估算。本研究突出了将多尺度无人机影像与先进深度学习技术结合在草甸植被监测中的潜力。未来的研究应着重于优化模型性能，拓展其在不同生态系统中的应用，并结合更多数据源以提高模型的鲁棒性和精确度。

草甸生态系统在中国分布最广，对维持生态平衡、支持经济发展和保护文化遗产具有重要作用。这些生态系统提供了诸如气候调节、碳封存、土壤保护和生物多样性维护等关键生态服务，因此对于区域生态安全至关重要。然而，长期的人类活动和自然因素，尤其是气候变化，已经降低了草甸的生态承载能力（如放牧潜力），并削弱了其对自然灾害的抵抗力。研究表明，在2000年前，中国约有22%的草甸出现了退化现象，且某些地区仍在持续恶化，这对区域生态安全和可持续社会经济发展构成了直接威胁。草甸植被覆盖度，即地面被活体绿色植被（包括草和灌木）覆盖的比例，是反映植被动态和生态系统变化的重要指标。它能够体现植被密度、群落动态和区域生态状况，是评估草甸资源和监测草甸退化的重要指标。

草甸植被覆盖度的测量主要依赖于实地调查和遥感估算。传统的实地方法包括主观的视觉估算和客观的标准化采样方法，如网格和点计数采样。然而，这些方法的准确性因依赖于观测者的经验和采样技术而存在较大差异。随着数字图像质量的提升，数字图像分析逐渐成为一种替代方法。这种方法利用高分辨率的实地图像提取植被覆盖度，相比视觉估算减少了主观性并提高了准确性。它已被广泛应用于草甸植被调查中。然而，基于数字图像的方法受到空间范围有限、大量人力需求和显著时间消耗的制约。此外，常见的图像分类方法，如绿色度指数、基于对象的分类和机器学习方法，对阈值或特征设置高度敏感，导致在不同地区植被覆盖度估算的不确定性较大。

卫星遥感作为一种大规模和长期的草甸植被覆盖度估算工具，能够提供区域评估所需的图像数据。常用的方法包括经验模型、像素解混技术、物理方法和机器学习算法。无论采用何种方法，都需要与基于地面的植被覆盖度数据进行校准和验证。然而，传统实地调查需要大量的现场采样，这不仅劳动密集，还可能对草甸植被造成踩踏损害。此外，测量还受到自然异质性、恶劣环境条件和方法学限制的制约。这些困难进一步被小面积实地样方与卫星图像较粗像素分辨率之间的显著尺度差异所加剧。因此，迫切需要一种高效、无损的实地调查方法，以支持灵活的草甸植被覆盖度调查，并确保与卫星遥感图像的空间兼容性。

无人机作为一种补充工具，连接了基于地面的监测和卫星遥感，具有成本效益、操作灵活和易于部署等优势。它已被广泛应用于生态系统监测中。近年来，无人机控制系统、定位精度和高分辨率载荷技术的进步，为基于无人机的生态监测提供了坚实的技术基础。在草甸生态系统中，无人机的应用包括植被物种识别、植被参数提取、牧草质量评估和生物多样性调查。对于草甸植被覆盖度估算，无人机影像通常与实地测量数据结合，用于训练机器学习模型，以实现整个图像范围内的植被覆盖度预测。然而，传统的实地调查需要大量的人力和资源，使其难以应用于大规模、快速或适应性评估。无人机通过其机动性和非侵入性调查能力，缓解了这些限制。传统的像素分类机器学习方法依赖于手动设计的特征，表现出有限的泛化能力和对设计者先验知识和任务特定专业知识的严重依赖，通常无法捕捉复杂的图像模式，这通常导致植被覆盖度估算的准确性降低。

基于深度学习的图像分析，特别是使用卷积神经网络（CNNs）和视觉Transformer（ViTs）的方法，在消除手动特征工程和实现端到端训练方面优于传统方法。CNNs，如UNet和DeepLab，能够捕捉层次化的空间特征，使其在复杂景观中的植被分割任务中表现出色。ViTs，如SegFormer，通过建模多样纹理中的长距离依赖关系，提高了性能。相比之下，传统的机器学习方法如随机森林（RF）通常难以捕捉复杂的空间模式，导致在高分辨率图像中的准确性较低。以往的研究表明，CNNs和ViTs在植被分割和覆盖度估算方面取得了成功。然而，尽管这些方法在作物和森林的分割和覆盖度估算中表现出色，但其在草甸植被覆盖度估算中的应用仍较为有限。由于缺乏高质量、标注良好的草甸数据集，以及从航空影像中准确估算植被覆盖度的难度，仍然存在重大挑战。此外，模型在草甸生态系统中仍难以准确估算植被密度，因为像素级分割可能无法完全捕捉草覆盖的复杂空间变化。

鉴于这些挑战，本研究旨在通过构建一个高分辨率的草甸植被覆盖度数据集，提高草甸植被覆盖度估算的精度和效率。该数据集结合了近地面无人机影像在样方尺度和无人机正射影像在样方尺度的数据。通过基于深度学习的语义分割模型，我们处理了高分辨率的近地面无人机影像，以界定草甸植被。由近地面影像得出的植被覆盖度数据将作为真值，并与无人机正射影像结合，开发一个深度回归网络，用于估算样方尺度的植被覆盖度。通过充分利用高分辨率无人机影像在样方和样方尺度上的数据，本研究旨在提升草甸植被覆盖度估算的精度和效率。

本研究的数据收集和预处理工作于2022年至2024年7月至8月间进行，主要采集地点位于内蒙古的锡林郭勒、呼伦贝尔和鄂尔多斯，涵盖三种主要的草甸类型：草甸草原、典型草原和荒漠草原。总共选择了58个采样点，这些采样点主要位于自然草甸中。详细信息可在附录表1中找到。数据采集使用了DJI Matrice 300 RTK无人机，该无人机支持实时动态定位（RTK）和厘米级的地理参考精度，确保了影像空间对齐的最高精度。无人机配备了Yusense AQ600多光谱相机，以其轻便设计、易于安装和用户友好操作而著称，适用于多种无人机型号。该相机配置包括五个3.2百万像素的多光谱波段和一个12.3百万像素的RGB通道。

在样方尺度的植被覆盖度估算中，使用了基于深度学习的语义分割模型，包括UNet++、DeepLabv3+和SegFormer。这些模型在植被分割和覆盖度估算中表现出色，其性能显著优于传统的阈值分类工具Canopeo和机器学习方法RF。UNet++模型在样方尺度的植被分割和覆盖度估算中表现最佳，其MIoU达到0.81，F1分数为0.88，这可能归因于其嵌套跳连结构，能够有效整合多尺度特征，减少语义差距，提高复杂植被边界的界定能力。相比之下，Canopeo依赖于颜色阈值分割，对光照变化和植被颜色异质性较为敏感，容易将暗色植被误分为背景。RF模型由于依赖于手动设计的特征，难以从高分辨率图像中提取深层空间信息，导致分割输出中出现明显的盐粒噪声。

在样方尺度的植被覆盖度估算中，基于Swin Transformer的模型表现出色，其R2值为0.90，RMSE为5.48%。该模型在不同草甸类型中均能提供高精度的植被覆盖度估算，特别是在草甸草原和典型草原中。这可能归因于Transformer的自注意力机制，能够更准确地捕捉植被覆盖度的空间分布。相比之下，基于CNN的模型，如UNet和DeepLabv3，在样方尺度的植被覆盖度估算中表现较弱。传统的机器学习方法，如RF、XGBoost、SVM和MLP，由于依赖于手动设计的特征，难以适应中等高度图像中的复杂纹理和光谱变化，导致在不同数据集中的准确性下降。尽管这些方法在草甸参数估算和地上生物量预测方面已有广泛的应用和良好的表现，但它们的计算效率和可解释性仍然受到限制。

为了提高模型的性能和泛化能力，本研究采用了多种数据增强技术，如随机裁剪、翻转和旋转。这些技术有助于减少模型对特定训练数据的依赖，提高其在不同环境下的适应性。此外，我们还引入了VegAnn和EWS两个相关数据集，以丰富样本量并提升模型的泛化能力。通过这些努力，模型在不同草甸类型中的性能得到了显著提升。然而，数据标注的成本仍然是限制语义分割技术广泛应用的重要因素。因此，未来的研究可以探索弱监督或半监督方法，以减轻标注负担，促进技术的推广。

在样方尺度的植被覆盖度估算中，我们采用基于Swin Transformer的模型，其性能在多种评估指标中均优于其他模型。该模型能够有效捕捉不同草甸类型中的细节特征，例如公路和围栏放牧区的植被覆盖度降低区域。此外，它还成功识别了稀疏分布的灌木和高覆盖度的低洼区域，显示出在不同草甸环境中的强大泛化能力。通过结合近地面和中等高度的无人机正射影像，我们能够更准确地估算整个样方的植被覆盖度。然而，模型在不同草甸类型中的性能存在差异，特别是在植被稀疏或异质性较高的区域，其准确性有所下降。这表明，未来的研究需要进一步评估模型在不同植被密度和空间模式下的可靠性，以提高其在复杂环境中的适应性。

本研究的结果表明，基于深度学习的语义分割模型在样方尺度的植被覆盖度估算中具有显著优势。UNet++模型在近地面无人机影像中表现出色，其分割结果为后续的样方尺度回归模型提供了可靠的地面真值。基于Swin Transformer的模型在样方尺度的植被覆盖度估算中表现最佳，其性能在多种评估指标中均优于其他模型。这些模型能够有效减少对人工特征工程的依赖，提高植被覆盖度估算的精度和效率。然而，模型在不同草甸类型中的性能仍然存在差异，特别是在植被稀疏或异质性较高的区域。因此，未来的研究应着重于提高模型在不同植被密度和空间模式下的适应性，以实现更广泛的应用。

本研究的结论表明，基于多尺度无人机影像的草甸植被覆盖度估算框架具有重要的应用潜力。该框架结合了基于深度学习的语义分割和回归网络，能够实现从高分辨率近地面无人机影像中提取样方尺度的植被覆盖度，并利用无人机正射影像进行样方尺度的估算。这种方法有效克服了传统实地调查的局限性，提高了无人机在植被覆盖度评估中的应用范围和效率。未来的研究应进一步优化模型性能，验证其在不同环境条件下的适应性，并结合更多数据源以提高估算的准确性和稳定性。