多年无人机影像在监测草地植被特征方面的潜在应用

《Ecological Indicators》：Potential use of multi-year UAV imagery for monitoring vegetation traits in grasslands

多光谱无人机影像与机器学习结合估算德国阿尔卑斯前地区草地植被特征。通过2019-2023年多时相地面实测数据与无人机影像，构建随机森林与XGBoost回归模型，发现单次观测数据训练模型效果最佳（R2=0.81-0.86），空间映射能精准捕捉管理强度差异导致的植被特征（干物质产量、氮含量、C/N比、物种丰富度、香农指数）时空变化。研究证实无人机影像结合多年度地面数据可有效支持可持续草地管理决策，但需注意辐射校正和采样时间一致性对模型精度的影响。

　　本研究旨在通过整合多年现场观测数据与无人机影像，对德国巴伐利亚州的草地植被特征进行准确估计，以支持草地管理决策和生态系统服务的可持续利用。草地作为农业生态系统的重要组成部分，其管理强度对生物多样性和生态系统服务具有深远影响。因此，对植被特征进行监测不仅有助于评估草地健康状况，还能为农民和决策者提供关键信息，以优化草地利用方式，减少环境足迹。

草地管理的强度差异显著影响其生态功能。在密集管理的草地上，植被的地上干生物量、植物种类丰富度、植被碳氮含量及碳氮比等指标是评估草地状态的关键参数。同时，这些指标也反映了草地在气候变化背景下的适应能力。因此，获取这些指标的高精度数据对于评估草地生态系统的变化趋势和优化管理策略至关重要。为了实现这一目标，本研究利用无人机影像和现场数据相结合的方法，探索了多种机器学习算法的应用效果，旨在建立一种有效的草地植被特征监测体系。

在研究方法上，本研究覆盖了多个草地监测点，包括Fendt、Rottenbuch和Bayreuth地区的多个地点。这些地点具有不同的海拔高度和气候条件，使得研究结果更具普遍性。无人机影像数据的采集时间为2019年至2023年，涵盖了草地的生长周期和季节变化。为确保数据的准确性和一致性，无人机影像经过反射率校正和处理，以消除由于光照条件、云层覆盖和传感器特性导致的偏差。同时，现场数据包括草地地上干生物量、植被高度、植物种类数量和Shannon多样性指数，为模型训练提供了丰富的参考信息。

在数据分析方面，研究团队采用了随机森林（Random Forest, RF）和极端梯度提升（Extreme Gradient Boosting, XGBoost）等经典机器学习算法，以及自动机器学习（AutoML）技术，以评估不同植被特征的预测能力。这些算法在不同时间段的数据上进行了测试，以确定哪种方法更适合预测植被特征。研究发现，使用整个时间序列数据进行建模时，模型的预测精度较低，而使用特定时间点的数据（如生长季高峰期或单次观测）则能获得更高的准确度。这一结果表明，特定时间点的影像数据在捕捉植被特征变化方面更为有效，尤其是在考虑季节性变化和光照条件差异的情况下。

此外，研究还发现，植被特征与无人机影像中的反射率波段和植被指数之间存在显著的相关性。例如，近红外（NIR）波段和红边（Red Edge）波段对地上干生物量的预测能力较强，而植被指数如NDVI、NDVI红边、SAVI、MSAVI、TSAVI和SR红边则在预测氮含量和碳氮比方面表现出较高的相关性。这些发现为植被特征的遥感监测提供了科学依据，并表明在不同植被管理强度下，特定的波段和植被指数可以更准确地反映草地的状态。

研究还强调了光照条件对植被特征预测精度的影响。不同时间段的影像数据由于光照条件的差异，可能会导致反射率数据的不一致性，从而影响模型的准确性。因此，研究建议在未来的草地监测工作中，尽量在相同光照条件下进行无人机影像采集，以提高数据的一致性和模型的预测能力。同时，通过使用特定时间点的数据进行建模，可以在一定程度上克服多时间序列数据带来的挑战，提高预测的可靠性。

本研究还通过空间和时间上的对比分析，揭示了草地植被特征的变化规律。例如，在密集管理的草地上，植被生物量和氮含量在生长季初期较高，但在收割后迅速下降，并在随后的生长周期中逐步恢复。而在低强度管理的草地上，植被生物量和氮含量的变化则更为缓慢，表现出较低的波动性。这种变化模式不仅反映了草地管理对植被生长的影响，也展示了不同管理方式对草地生态系统功能的潜在影响。

研究结果表明，使用机器学习算法结合无人机影像数据可以有效地预测植被特征，并提供高分辨率的空间和时间变化信息。这些信息对于草地的可持续管理具有重要意义，尤其是在气候变化日益加剧的背景下，能够帮助决策者制定更科学的管理策略。此外，研究还指出，尽管多时间序列数据在某些情况下具有局限性，但通过优化数据采集和处理方法，仍然可以提高预测的准确性和可靠性。

综上所述，本研究为草地植被特征的遥感监测提供了一种可行的方法，展示了机器学习算法在整合现场数据和无人机影像数据方面的潜力。研究结果不仅有助于理解草地管理对生态系统的影响，也为未来的草地监测和管理提供了重要的科学支持。通过进一步优化数据采集方法和模型选择，有望提高植被特征预测的精度，为草地生态系统的可持续发展做出贡献。