无人机植被监测模型：气候变化下的精度与局限

研究人员为测试 UAV 植被模型在不同降水条件下的适用性，发现其极端降水时精度下降，为生态监测提供参考。

　　

在全球气候变化的大背景下，降水模式正发生着显著改变，极端干旱和暴雨天气频繁出现。这对干旱地区生态系统产生了巨大影响，尤其是植被的组成和结构。以往的植被监测多依赖实地考察，不仅耗时费力，而且难以覆盖大面积区域。卫星遥感虽能进行大规模观测，但对于物种丰富度、植物高度等精细尺度的植被特征，却难以精准捕捉。

无人机（Unoccupied Aerial Vehicles，UAV）的出现为植被监测带来了新的可能。它能以合理成本获取高分辨率数据，从多种传感器收集光谱和结构信息，进而量化植被的详细特征。然而，目前尚不清楚基于 UAV 构建的预测植被变化的模型，在极端降水条件下是否依然可靠。为了解决这一问题，来自美国多个研究机构的研究人员开展了一项研究，相关成果发表在《Landscape Ecology》上。

研究人员利用美国亚利桑那州北部沿海拔梯度设置的长期降水操纵实验场地，该场地包含 5 个不同海拔的站点，涵盖了从沙漠灌丛到混合针叶林草地等多种生态系统类型。从 2016 年开始，实验设置了三种降水处理：环境降水（对照）、极端干旱（减少 53 ± 3% 降水）和增水（增加 32 ± 3% 降水）。在每个站点的处理小区内设置多个样方，用于测量植被的物种覆盖度、丰富度、最大高度和净初级生产力（Net Primary Productivity，NPP）等特征。

2022 年 9 月中旬至 10 月中旬，研究人员使用配备多光谱传感器的 DJI Phantom 4 Multispectral UAV 对研究区域进行观测。通过处理 UAV 图像，生成正射镶嵌图和点云数据，并从中提取 21 个光谱指数和多种结构特征变量。利用这些数据，结合随机森林回归算法构建模型，预测不同降水条件下的植被特征。同时，采用交叉验证评估模型性能，并通过比较不同模型的误差指标，分析模型在不同降水条件下的原位精度和转移能力。

研究结果显示，在当前气候条件下，UAV 模型在预测植被覆盖、草本植物覆盖、物种丰富度、最大高度和 NPP 等方面表现良好，但对禾本科植物和亚灌木覆盖的预测准确性较低。不同处理类型的模型拟合度存在差异，这表明气候变化导致的极端降水变化可能影响植被特征的建模能力。

具体来看，在原位模型中，只有最大高度的误差指标在不同降水处理间存在显著差异，干旱处理下的模型预测最大高度的平均绝对误差（MAE）显著高于对照模型。这可能是因为干旱降低了植被高度和密度，增加了裸地反射率，影响了点云变量的准确性，同时也限制了基于结构光运动（Structure-from-Motion，SFM）技术对植被高度的描述能力。而对于其他植被特征，原位模型在不同降水制度下的表现相似，且偏差较小。

在模型转移方面，与对照模型相比，许多植被特征在模型转移时误差率更高。干旱转移模型中，由于植被组成从禾本科植物主导转变为草本植物主导，且总 NPP 和禾本科植物 NPP 降低，导致模型在预测禾本科植物覆盖和 NPP 时出现高估，预测草本植物覆盖时出现低估。同时，最大高度和植被覆盖的标准差在对照训练数据和干旱测试数据间存在差异，进一步增加了模型转移时的误差。增水转移模型同样出现了性能下降，总植被覆盖和禾本科植物覆盖增加，使得对照模型在预测这些特征时出现低估，对 NPP 的预测也存在低估趋势。

综合研究结论和讨论部分，UAV 在当前多种气候条件下的植被监测中具有重要价值，能够有效捕捉植被群落的当前状态。然而，当气候条件发生极端变化，如降水模式改变导致植被特征的均值和方差发生变化时，基于当前气候条件构建的 UAV 植被模型的适用性会受到挑战。

这一研究成果为生态监测和模型改进提供了重要参考。一方面，研究人员建议持续更新实地数据，以适应气候变化带来的影响；另一方面，可探索如最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）回归、卷积神经网络（Convolutional Neural Networks，CNNs）等其他建模技术，提高模型在不同条件下的预测能力。此外，未来研究还可考虑开展特定地点的建模方法，结合卫星图像，扩大监测范围，提高对植被特征的监测精度，为生态系统保护和管理提供更有力的支持。