基于无人机多光谱影像与机器学习的大规模草地植被性状精准监测研究

《Ecological Indicators》：A generalizable deep learning framework for large-scale mapping of seagrass habitats

本研究针对集约化管理草地植被性状监测需求，整合多年实地观测与无人机多光谱数据，通过随机森林和XGBoost机器学习算法，实现了草地干生物量(AGBdry)、氮含量(N)、碳氮比(C:N)、物种丰富度和香农指数的精准估算（R2达0.77-0.86），为草地生态系统可持续管理提供了高分辨率时空动态监测方案。

　　

在气候变化与人类活动双重压力下，草地生态系统正面临前所未有的挑战。作为覆盖德国三分之一农业用地的重要生态系统，永久性草地不仅承载着畜牧业饲料供给功能，更在碳储存、生物多样性保护等方面发挥着关键作用。然而，集约化管理在提升草地生产力的同时，也引发了物种减少、水质污染、温室气体排放增加等一系列生态问题。传统监测方法难以满足大范围、高精度的植被性状动态监测需求，如何实现草地多维度性状的精准量化成为生态学研究的热点难题。

发表于《Ecological Indicators》的这项研究创新性地整合了2019-2023年间德国巴伐利亚州五个草地区的野外实测数据与无人机多光谱影像，通过机器学习算法构建了植被性状估算模型。研究团队采用固定翼无人机搭载Parrot Sequoia四波段传感器，获取厘米级分辨率的多光谱数据，并结合辐射定标和Pix4D软件处理确保数据质量。利用随机森林和XGBoost等算法，系统评估了不同训练数据子集（全时序、生长旺季、年内数据和单次观测）对模型性能的影响。

3.1 研究地点植被性状的野外测量

通过对芬特、罗滕布赫和拜罗伊特地区36个样地的多年监测，研究发现植被性状存在显著的时空变异。AGB_dry在刈割后最低值仅为0.5-13 g m^-2，而在收获前可达250-320 g m^-2。氮含量波动范围为1.2-5.9 wt%，碳含量为39.7-53.7 wt%。物种丰富度在2022年5月为19-52种，而2023年4月降至14-36种，表明管理强度和季节变化对生物多样性的显著影响。

3.2 基于回归模型的植被性状估算

3.2.1 UAV预测变量与植被性状的关系

近红外波段和红边波段与AGB_dry呈现最强相关性（R²=0.4-0.63）。研究发现单次观测数据训练的模型性能最优，而全时序数据因光照条件不一致导致模型精度下降。辐射定标后的辐照度数据显示，不同地点和时间的照明差异最高达46%，这是影响多时相数据整合的主要限制因素。

3.2.2 植被性状预测的回归模型测试案例

模型测试表明，使用单次观测数据训练的模型精度最高（R²=0.55-0.89），而跨站点预测实验中，从芬特到罗滕布赫的模型迁移效果较差（R²=0.15-0.21），但从古比茨穆斯到舍伯茨贝格的预测效果良好（R²=0.61-0.71），证实了在相似光照条件下模型具有良好的泛化能力。

3.2.3 植被性状的空间制图

最终模型在独立验证集上表现出色：AGB_dry的R²为0.81，氮含量为0.77，碳氮比为0.81，物种丰富度为0.84，香农指数为0.86。研究生成了高分辨率植被性状分布图，清晰展示了管理强度对植被空间格局的影响。例如，芬特地区7月15日的AGB_dry分布图显示，频繁刈割区域生物量显著低于管理较弱区域。

3.3 地块尺度植被性状的时间变化比较

基于刈割事件的对比分析揭示了管理强度的生态效应。集约化管理地块AGB_dry在生长季呈现快速波动模式，刈割后迅速恢复；而粗放管理地块则表现为缓慢积累。氮含量在集约化管理地块波动剧烈（0.5-4.5 wt%），粗放管理地块相对稳定。碳氮比在两类管理方式下也呈现显著差异，反映了不同的养分循环速率。

研究通过自动化机器学习技术验证了随机森林和XGBoost在植被性状估算中的优越性。讨论部分强调，尽管辐射定标在一定程度上缓解了多时相数据的不一致性问题，但采集条件的标准化仍是提高模型精度的关键。该研究建立的监测框架为草地生态系统可持续管理提供了技术支撑，特别是为评估管理强度对生态系统服务的影响提供了量化工具。未来研究可进一步探索深度学习等先进算法在复杂生态环境监测中的应用潜力。