基于无人机的激光雷达与光学图像融合技术，用于湖泊岸边湿地中水生植物群落的精细分类

《Frontiers in Forests and Global Change》：UAV-based LiDAR and optical imagery fusion for fine-scale classification of aquatic plant associations in lakeshore wetlands

太湖东湖沿岸水生植被通过UAV-LiDAR融合技术实现协会级精细分类，结合PCHM模型与VDVI指数构建决策树模型，分类准确率达79.80%-97.40%，为湖泊生态管理提供高精度数据支持。

　　在湖泊生态系统中，水生植被的分布和变化对于维持水质、调节水文环境以及支持生物多样性具有至关重要的作用。水生植被的分类通常按照植被的层级结构进行，包括类、群系、联盟和关联（association）。其中，关联是植被分类的基本单位，具有独特的优势种，其形态特征和生态功能高度依赖于优势种及其生长环境。然而，传统方法在对水生植被进行关联级别分类时存在诸多局限，例如操作繁琐、成本高昂、精度不足等。因此，探索新的技术手段，如无人机（UAV）搭载的光探测和测距（LiDAR）系统，成为解决这些问题的重要方向。

本研究提出了一种基于无人机LiDAR和多光谱数据融合的水生植被关联级别分类方法。该方法通过构建点云冠层高度模型（PCHM）和可见光波段差异植被指数（VDVI），结合决策树分类模型，实现了对湖泊岸边水生植被的精细化分类。这种技术的引入，不仅提高了数据采集的效率，还显著提升了分类精度，为湖泊湿地的生态监测和管理提供了新的技术支持。

水生植被的分类不仅涉及形态特征，还包括其在生态系统中的功能和影响。例如，挺水植物如芦苇（Phragmites australis）通常分布在湖泊岸边，其密集生长可能对其他物种的生存空间造成侵占，从而降低生物多样性。同时，其大量生物质可能对水质产生负面影响，甚至加速湖泊沼泽化进程。而浮叶植物如芡实（Trapa natans）和黄浮萍（Nymphoides peltata）则因其形态相似，常常难以区分，且在水体中生长时可能对水体的光合作用和氧气供应产生干扰，进而影响水体生态健康。此外，沉水植物在富营养化湖泊中扮演着关键角色，它们能够改善水质，维持清澈水体状态，但其生长模式和繁殖特性多样，对生态环境的影响也复杂多变。

传统的水生植被调查主要依赖于人工采样，虽然具有较高的准确性，但其过程往往耗时费力，特别是在水位较高或泥泞复杂的环境中，设置样方进行调查极为困难。此外，许多水生植物关联在湖泊岸边以小型斑块形式分布，这些斑块的高空间异质性使得获取具有代表性的样本变得极具挑战性。因此，遥感技术因其大范围覆盖、低成本、快速数据获取和动态监测等优势，逐渐成为水生植被调查的重要工具。

尽管光学遥感技术已被广泛用于植被分类，如归一化植被指数（NDVI）和增强植被指数（EVI），这些指数能够有效区分挺水、浮叶、漂浮和沉水等不同植被类型。然而，对于同一植被类型内部的微小差异，如不同斑块在形态和光谱特征上的变化，光学遥感往往难以精准识别。相比之下，LiDAR技术因其强大的穿透能力和高精度，能够捕捉植被的垂直结构信息，如冠层高度和覆盖情况。随着无人机技术的快速发展，许多研究开始利用无人机搭载的LiDAR传感器进行植被的精细化分类，尤其是在森林植被的监测方面。例如，已有研究证明，无人机LiDAR数据能够准确测量树木高度和冠层结构，从而实现对森林类型的分类。

然而，在水生植被的研究中，LiDAR的应用相对滞后。尽管已有部分研究尝试利用无人机LiDAR数据进行芦苇床的分类，但其在水生植被中的应用仍处于探索阶段。本研究首次将无人机LiDAR与光学数据融合，实现了对湖泊岸边水生植被关联级别的精细分类。该方法不仅克服了传统方法的局限，还提升了分类精度，为水生植被的动态监测和生态管理提供了新的思路。

在本研究中，无人机LiDAR数据的采集与处理是关键步骤。通过同步进行地面样方调查，研究人员获取了111个1 m × 1 m的样方数据，包括植物种类组成、个体数量、高度、水深等信息。这些数据用于验证无人机LiDAR点云数据的准确性。无人机配备了L1 LiDAR传感器和RGB相机，能够获取高分辨率的点云数据和彩色图像。点云数据通过空中三角测量（AT）进行地理配准，从而生成精确的数字表面模型（DSM）和数字高程模型（DEM），用于计算PCHM。该模型通过点云数据与地面样方的对齐，提高了分类的可靠性，使研究人员能够更准确地识别和绘制植被类型。

VDVI作为一种基于可见光波段的植被指数，能够反映植被的光谱特性，但其仅能捕捉冠层的水平差异，无法区分垂直结构信息。因此，在分类过程中，结合PCHM和VDVI的优势，研究人员采用决策树模型进行多层条件筛选，以提高分类的准确性。例如，挺水植物由于其冠层高度显著高于水面，可以通过高度信息进行区分；而浮叶植物则主要依赖VDVI的光谱差异。通过这种方法，研究人员成功实现了对不同水生植被类型的精细分类，且分类精度在79.80%至97.40%之间，整体分类精度达到87.93%，Kappa系数为0.855，表明分类结果具有较高的可信度。

研究结果表明，较高冠层的植被关联分类精度更高，这可能与其形态特征和光谱差异的显著性有关。例如，芦苇（Phragmites australis）因其冠层高度较高，分类精度达到97.40%，而莲（Nelumbo nucifera）由于冠层高度较低，分类精度相对较低。同时，浮叶植物由于其形态相似，且冠层高度接近水面，分类难度较大，精度相对较低。此外，某些区域的水生植被由于生长模式的复杂性，如斑块状分布和混合像素的存在，导致光谱混淆，进一步降低了分类精度。

在实际应用中，精确的水生植被分类对于湖泊生态系统的管理和保护具有重要意义。例如，芦苇的过度生长可能导致生态位侵占，影响其他物种的生存；而浮叶植物的大量覆盖可能降低水体的透光性，进而影响水体的自净能力。因此，建立有效的分类方法，不仅有助于准确评估湖泊生态系统的健康状况，还能为湖泊生态修复和管理提供科学依据。

此外，本研究的方法还为未来水生植被的定量分析和动态监测提供了新的可能性。通过无人机LiDAR和多光谱数据的融合，研究人员可以获取高精度的冠层高度和光谱信息，从而实现对水生植被的高分辨率分类和地图绘制。这不仅能够支持湖泊生态系统的长期监测，还能为水体治理、生物多样性保护和可持续资源利用提供数据支持。

综上所述，本研究通过引入无人机LiDAR和光学数据融合技术，实现了对湖泊岸边水生植被关联级别的精细分类，为水生植被的研究和管理提供了新的方法和技术手段。该方法不仅克服了传统人工采样和光学遥感的局限，还提升了分类精度和效率，为湖泊湿地的生态评估和保护工作奠定了基础。未来，随着技术的进一步发展，这种方法有望在更大范围内推广，为全球湖泊生态系统的可持续发展提供支持。