结合无人机激光雷达（UAV LiDAR）、高光谱数据以及ZY-1 02E卫星搭载的2.5米分辨率融合高光谱数据的湿地植被生物量多模型估算方法：以中国七里海湿地为例

《International Journal of Applied Earth Observation and Geoinformation》：Multi-model estimation of wetland vegetation biomass combining UAV LiDAR, hyperspectral, and ZY-1 02E spaceborne 2.5m-fused multispectral data: A case study of Qilihai Wetland, China

湿地植被地上生物量估算方法研究：本文提出融合无人机LiDAR、高光谱影像与2.5米分辨率卫星影像的两步建模框架，通过比较SVM、XGBoost、GBM、RF和CNN模型，发现RF在无人机数据建模中R2达0.922，CNN在卫星数据建模中R2达0.806，显著优于传统方法。关键技术创新包括无人机多源数据融合、植被指数特征筛选（mRESR、CH、NDVI等）、空间异质性分析与生态恢复指导。

　　湿地生态系统中植物生物量的估算对于评估碳汇潜力、湿地保护、管理和研究具有重要意义。随着气候变化和人类活动的影响，如冻土融化、干旱引发的盐碱化、排水、野火、土地利用变化和海岸填埋，湿地正面临加速消失的风险，并可能从碳汇转变为碳源。因此，保护和恢复湿地已成为重要的科学议题。植物生物量的准确估算对于应对气候变化、实现碳中和目标以及湿地保护与恢复具有关键作用。本研究旨在通过融合无人机（UAV）高光谱数据、LiDAR点云数据和高分辨率卫星影像，结合机器学习（ML）和深度学习（DL）方法，提升对湿地植物地上生物量（AGB）的估算精度。

本研究采用了一个两步框架，首先利用UAV数据对七个区域进行生物量估算，比较支持向量机（SVM）、极端梯度提升（XGBoost）、梯度提升机（GBM）和随机森林（RF）模型，以识别最优的估算方法。结果表明，RF模型的预测精度最高（R2 = 0.922），其中冠层高度、植被类型和几个窄波段指数被确认为关键预测因子，而SVM模型的预测精度最低（R2 = 0.616）。第二步中，将UAV获得的生物量数据应用于卫星影像，比较了五种模型（SVM、XGBoost、GBM、RF和卷积神经网络（CNN））的性能。CNN模型表现最佳（R2 = 0.806），其预测精度优于RF（R2 = 0.721），并显著高于直接的地面-卫星建模（R2 = 0.434）。高分辨率的AGB地图揭示了明显的空间异质性，显示混合区的Phragmites australis和Typha orientalis以及靠近水源的植被群落生物量更高。通过将CNN的预测能力与RF的可解释性相结合，这一两步框架显著提高了生物量估算的稳健性和生态相关性。研究结果强调了多源数据融合在提升湿地AGB估算精度中的关键作用。此外，高分辨率的生物量分布图也为Qilihai湿地的保护、恢复规划和管理决策提供了重要依据。

Qilihai湿地因其复杂的环境和地面采样与生物量采样的限制，对生物量监测提出了挑战。本研究旨在通过整合UAV高光谱、LiDAR数据和高分辨率卫星影像，结合ML和DL方法，提高湿地AGB的估算精度。具体而言，我们首先比较了四种模型（SVM、XGBoost、GBM和RF），以识别UAV数据的最佳估算方法，并扩展样本数据集。随后，由于卫星影像分辨率是影响湿地AGB估算的关键因素，我们使用大量UAV衍生的样本和融合后的ZY-1 02E卫星影像（分辨率为2.5米）构建了五种模型（SVM、XGBoost、GBM、RF和CNN）。通过评估模型精度，我们选择了表现最佳的模型，以生成Qilihai湿地的高分辨率生物量分布图。该地图可作为湿地生态保护、恢复规划和管理决策的参考。

本研究的区域是天津最大的自然湿地——Qilihai湿地，位于北纬39°16′37″-39°18′54″和东经117°27′26″-117°38′11″之间。Qilihai湿地是一个淡水沼泽，也是中国唯一一个古代海岸与湿地共存的国家级自然保护区。潮白河将其划分为东Qilihai（EQLH）和西Qilihai（WQLH）。Qilihai湿地位于温带季风气候区，受海洋气候显著影响，呈现出明显的季节特征，冬季寒冷干燥，夏季炎热多雨。年平均气温约为12°C，夏季气温超过30°C，冬季气温约为-5°C。年降水量在500至600毫米之间。Qilihai湿地的植被类型以草本植物为主，其中主要的植被群落是Phragmites australis（Cav.）Trin. ex Steud和Typha orientalis C. Presl，为迁徙鸟类提供了丰富的食物来源和栖息地。此外，湿地植被在生物多样性保护、空气净化和碳储存与循环中也发挥着重要作用。

为了捕捉植被结构和水文条件的空间异质性，我们使用搭载传感器的UAV在WQLH区域采集了四块地的影像数据，在EQLH区域采集了三块地的影像数据。每块区域（约15公顷）都分布在代表性植被群落和水文区域中，以确保广泛的生态覆盖。这些UAV衍生的数据集构成了高分辨率生物量估算和模型校准的基础。LiDAR点云数据通过安装在DJI UAV上的Zenmuse L1激光雷达采集。飞行高度为100米，测距精度为3厘米，平均点密度为500点/平方米。随后，使用LiDAR360处理软件对点云数据进行降噪处理，并将所有点分为地面和非地面点。通过反距离权重插值法，分别获得地面和非地面点的数字高程模型（DEM）和数字表面模型（DSM），分辨率均为1×1米，并据此建立了冠层高度模型（CHM），以获取湿地植被的冠层高度。

为了获取七块样本区域的高光谱图像，我们使用UAV搭载的ZK-VNIR-FPG480轻型高光谱成像仪进行采集。高光谱影像具有300个波段，光谱范围为400至1000纳米，光谱分辨率为2.8纳米。UAV飞行高度为100米，飞行速度为7.5米/秒，空间分辨率为0.15米。我们提取了标准板和导航数据，完成了飞行带数据的反射率计算，并进行了校正。通过ENVI 5.3将高光谱数据与CHM数据进行地理配准，并将空间分辨率调整为1×1米。随后，使用Savitzky–Golay滤波器对图像光谱进行平滑处理，以获得最终的高光谱数据。

基于原始高光谱曲线和一阶导数曲线的特征，我们对高光谱影像进行了降维处理。首先，选择一阶导数中零点和峰值对应的波段，这些波段通常反映植被的生物化学特征。随后，对P. australis和T. orientalis的一阶导数光谱与实测AGB进行波段间相关性分析，提取出与生物量关系最密切的几个波段。最后，我们确定了20个关键的光谱波段，用于构建植被指数以估算生物量。通过这种方式，我们能够更有效地利用高光谱数据，提取对生物量估算具有重要意义的变量。

在估算湿地AGB的过程中，我们采用最大似然法（MLM）对UAV影像进行分类，以生成详细的湿地植被分布。UAV分类结果作为RF分类卫星影像的标签，从而实现对湿地植被的精确识别。在UAV数据基础上，我们对SVM、XGBoost、GBM和RF模型进行了比较，以选择最优的AGB估算方法。通过将UAV生物量样本作为输入变量，构建了基于卫星影像的生物量估算模型，并对ML和CNN模型的精度进行了评估。结果表明，CNN模型的精度显著优于RF模型，并且在多个方面表现更优。这说明CNN在利用高分辨率卫星影像进行生物量估算时，能够更有效地捕捉复杂的非线性关系。

为了提高模型的稳健性和准确性，我们对所有模型的特征参数进行了优化，并使用粒子群算法进行优化。每个模型运行了10次以确保结果的可靠性。模型的训练集与验证集的比例为7:3，并使用R2和RMSE（均方根误差）评估模型的精度。最终，我们选择了精度最高的模型，用于生成UAV生物量样本的高分辨率地图。通过比较不同输入组合的模型精度，我们发现，仅使用植被指数（VIs）作为输入变量的模型精度最低，而使用植被指数、冠层高度（CH）和植被类型（VT）组合的模型精度最高。这一结果表明，植被指数、冠层高度和植被类型是影响湿地AGB估算精度的重要因素。

通过将UAV获得的生物量数据与卫星影像结合，我们发现CNN模型在估算湿地AGB时具有更高的精度。CNN模型能够自动从影像数据中提取空间和光谱信息，从而实现对生物量的准确预测。与传统的ML模型相比，CNN模型在处理复杂的湿地环境和多源遥感数据时表现出更强的适应性和预测能力。通过结合CNN的高精度预测能力和RF的特征重要性分析，我们不仅提高了生物量估算的稳健性，还能够识别出关键的驱动因素，如植被高度、红边指数和植被类型。这些结果为湿地生态管理提供了重要的科学依据。

此外，我们还分析了不同模型在估算湿地AGB时的精度差异。通过比较SVM、XGBoost、GBM和RF模型的精度，我们发现RF模型在所有ML模型中表现最佳，其R2值为0.922，而SVM模型的R2值最低（0.616）。这表明，RF模型在处理复杂、非线性关系方面具有显著优势。然而，当仅使用地面样本和卫星数据时，RF模型的精度较低（R2 = 0.11），这表明卫星数据在估算湿地AGB时存在一定的局限性。通过将UAV数据与卫星影像结合，RF模型的精度显著提高，达到R2 = 0.721。这说明，UAV数据在提升模型精度方面发挥了关键作用。CNN模型在使用UAV数据进行估算时表现最佳，其R2值为0.806，显著高于其他ML模型。这表明，CNN在处理高分辨率遥感数据时，能够更有效地捕捉生物量与遥感特征之间的复杂关系。

通过比较RF和CNN模型在Qilihai湿地的AGB估算结果，我们发现RF模型在某些区域存在一定的偏差。例如，在西部WQLH区域，RF模型对P. australis的估算结果显著高于实际值，而在东部WQLH区域，RF模型对T. orientalis的估算结果则低于实际值。这种偏差可能与RF模型在处理复杂植被混合区域时的局限性有关。相比之下，CNN模型在处理这些区域时表现更为稳定，能够更准确地捕捉植被的空间分布特征。这表明，CNN模型在处理高分辨率遥感数据时，具有更强的适应性和预测能力。

通过UAV数据和卫星影像的结合，我们能够更全面地分析湿地植被的AGB分布。研究结果表明，靠近水源的植被群落具有更高的生物量，这反映了水体对植物生长的重要影响。同时，混合植被区域的生物量通常高于单一植被区域，这可能与物种多样性带来的资源互补和生态位分化有关。因此，优化水体分布和维持物种多样性是提升湿地生物量的关键策略。这些发现为湿地保护和恢复提供了科学依据，并支持了生态管理中加强水文连通性和促进多物种种植的实践。

本研究通过多源数据融合、特征选择和两步建模框架，显著提高了湿地AGB估算的精度。通过结合UAV数据和卫星影像，我们能够更有效地捕捉植被的空间异质性和生物量变化。这些结果不仅有助于提升对湿地生态系统功能和碳循环的理解，也为湿地的保护、管理和恢复提供了重要的科学支持。未来的研究可以进一步探索不同湿地类型中多源数据融合的应用，以及在不同环境条件下模型性能的优化。此外，可以结合更多的环境变量，如土壤类型、气候条件和人为干扰，以提升生物量估算的全面性和准确性。通过这些努力，我们可以更有效地支持全球湿地保护和可持续管理的目标。