基于形态学的校正方法提高了在密集盐沼植被冠层中，利用无人机拍摄的RGB光栅扫描（SfM）照片进行植物高度估算的准确性

《Remote Sensing Applications: Society and Environment》：Morphology-based correction improves plant height estimation from drone RGB SfM photogrammetry in dense salt marsh canopy

本研究通过无人机多高度航拍获取数字表面模型（DSM），评估盐沼植被高度估计的准确性。发现DSM高度约为实测值的60%，提出形态学校正方法以提高精度，并确定60米以下航高结合适当处理参数可实现厘米级误差。

　　这项研究聚焦于如何提高无人机获取的数字表面模型（DSM）在估算盐沼植物冠层高度方面的准确性。盐沼植被的高度是评估生态健康、监测盐沼修复进展以及评估沿海防护能力的重要生物物理特征。研究团队通过分析不同飞行高度下的无人机图像数据，发现这些数据对应的地面采样距离（GSD）从1毫米/像素到34毫米/像素不等。通过在0.5米×0.5米的网格中估算平均冠层高度，并与现场的实时动态全球导航卫星系统（RTK-GNSS）测量进行比对，研究发现当飞行高度低于或等于60米（GSD ≤17毫米/像素）时，DSM的高程估算误差小于5厘米，表现出较高的精度。

研究还发现，通过改变图像比例和点密度设置来增加点云密度，并未显著改善DSM的精度。这表明，尽管更高的点云密度可能有助于捕捉更详细的地表结构，但在某些情况下，这种做法并不一定能提升冠层高度的估算效果。进一步的分析表明，从DSM估算的冠层高度平均仅为现场测量的60%，这提示SfM重建方法可能捕捉的是冠层的中层位置，而非植物顶部的尖端。因此，该研究提出了一种基于形态学的修正方法，用于将DSM估算的冠层高度转换为现场测量值，从而提高估算的准确性。

研究团队在实验过程中采用了多种方法来提高数据的可靠性。首先，他们收集了大量现场的植物尖端测量数据，每0.5米×0.5米的网格中获取50个测量点，以确保数据的统计显著性。其次，他们通过在不同飞行高度下采集图像数据，分析图像分辨率对冠层高度估算的影响。第三，他们测试了增加点云密度是否能提高DSM重建的精度。研究发现，尽管点云密度增加，但并未在所有情况下都带来显著的改善，尤其是在不同飞行高度或图像分辨率的条件下。最后，他们对现有的无人机冠层高度模型进行了优化，通过分析植物形态的垂直剖面，建立了基于形态学的修正因子。

研究的地点选在了美国马萨诸塞州的Waquoit湾国家河口研究保护区（WBNERR），这是一个受风力限制的沿海区域，当地生成的波浪在风速为20米/秒时能达到最大高度0.3米。研究团队在此地进行了现场观测，采集了低风条件下的植物冠层高度数据。低盐沼区域主要由单一种植的Spartina alterniflora组成，而高盐沼区域则支持多种植被，包括Spartina patens等。通过这些数据，研究团队能够更全面地评估不同植被类型在不同条件下的冠层高度估算效果。

在植物高度的估算方法上，研究团队对比了使用卷尺和RTK-GNSS测量两种方式。他们发现，大多数情况下，卷尺测量的植物高度标准差在均值的15%至22%之间，而Kolmogorov-Smirnov（K-S）检验的结果显示，RTK-GNSS测量与卷尺测量之间没有显著差异。这表明，尽管两种方法存在差异，但在大多数情况下，它们能够提供相似的植物高度数据。此外，研究还发现，风力对植物姿态的影响可能降低冠层高度的估算效果，因此在实验过程中选择了风力较小的天气条件，以减少风力对数据的影响。

研究团队在实验过程中采用了多种方法来提高数据的可靠性。首先，他们收集了大量现场的植物尖端测量数据，每0.5米×0.5米的网格中获取50个测量点，以确保数据的统计显著性。其次，他们通过在不同飞行高度下采集图像数据，分析图像分辨率对冠层高度估算的影响。第三，他们测试了增加点云密度是否能提高DSM重建的精度。研究发现，尽管点云密度增加，但并未在所有情况下都带来显著的改善，尤其是在不同飞行高度或图像分辨率的条件下。最后，他们对现有的无人机冠层高度模型进行了优化，通过分析植物形态的垂直剖面，建立了基于形态学的修正因子。

研究的结论表明，无人机获取的DSM在估算盐沼植物冠层高度方面具有一定的准确性，但仍然存在系统性低估的问题。通过现场测量和数据分析，研究团队发现，DSM估算的冠层高度平均仅为现场测量的60%。这提示，SfM重建方法可能捕捉的是冠层的中层位置，而非植物顶部的尖端。因此，研究团队提出了一种基于形态学的修正方法，用于将DSM估算的冠层高度转换为现场测量值，从而提高估算的准确性。此外，研究还发现，无人机飞行高度和图像重叠率对冠层高度估算的精度有显著影响。较低的飞行高度和较高的图像重叠率能够提高冠层高度的估算效果，尤其是在高密度植被覆盖的区域。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

总的来说，这项研究为利用无人机获取的DSM估算植物冠层高度提供了一个系统性的框架。研究团队通过现场测量和数据分析，发现无人机获取的DSM在估算冠层高度时存在一定的系统性误差，但通过基于形态学的修正方法，可以显著提高估算的准确性。此外，研究还发现，无人机飞行高度和图像重叠率对冠层高度估算的精度有显著影响，较低的飞行高度和较高的图像重叠率能够提高冠层高度的估算效果。因此，研究团队建议在进行冠层高度估算时，应选择合适的飞行高度和图像重叠率，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场测量可能受到观测角度的影响，导致对植物高度的低估。此外，现场测量通常依赖于稀疏的采样点，这可能影响冠层高度估算的准确性。因此，研究团队建议在进行冠层高度估算时，应采用高密度的现场测量数据，并结合多种分析方法，以提高估算的准确性。

这项研究的成果不仅适用于盐沼植物，还可以推广到其他类型的植被。例如，SfM重建方法已被广泛应用于估算不同作物和植物的冠层高度，包括玉米、小麦、大麦、稻田等。这些应用表明，SfM重建方法在估算冠层高度方面具有一定的潜力，尤其是在传统现场测量难以实施的情况下。然而，不同植被类型对SfM重建方法的响应可能存在差异，因此需要针对不同植被类型进行专门的调整和优化。

研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些技术性挑战。例如，SfM重建方法可能无法穿透高密度植被，从而影响对地面高程的估算。这可能导致冠层高度的低估，因为如果地面高程被高估，那么估算的冠层高度就会相应减少。因此，研究团队建议采用改进的地面点识别方法，以及结合机器学习技术的图像处理方法，以提高冠层高度估算的准确性。

此外，研究团队还发现，无人机获取的DSM在估算冠层高度时，存在一些系统性误差。这些误差可能源于多个因素，包括SfM重建方法对冠层表面结构的捕捉能力不足，以及现场测量方法的局限性。例如，现场