无人机多光谱影像与深度学习协同的南极地衣智能检测与制图研究

南极地衣因空间分布精细且光谱对比度低，传统监测方法面临巨大挑战。本研究创新性地结合无人机多光谱(MS)影像与深度学习(DL)技术，开发了基于植被指数(VI)半自动标注的工作流程，通过U-Net模型实现地衣物种（Usnea spp.、Umbilicaria和Pseudephebe）的精准分类，最高交并比(IoU)达86%。该研究为极地生态系统监测提供了厘米级精度的新范式，对气候变化背景下的生物多样性保护具有重要意义。

　　

南极大陆的极端环境中，地衣作为主要植被类群，在土壤稳定和养分循环中扮演着关键角色。然而，这些生物体微米级的空间分布特征和微弱的光谱差异，使得传统卫星遥感技术难以实现精准监测。当前极地植被研究多聚焦于苔藓，针对地衣的自动化监测技术存在明显空白，而气候变化正加速极地生态系统的演变，亟需建立高精度、可扩展的监测方法。

澳大利亚研究理事会资助的跨机构团队在2023年1月于南极风车群岛的Robinson Ridge开展创新研究。通过搭载MicaSense Altum多光谱(MS)相机的定制化无人机(UAV)采集厘米级分辨率数据，结合深度学习(DL)算法，首次系统评估了半自动标注和模型集成技术在南极地衣制图中的应用潜力。这项突破性成果发表于《International Journal of Applied Earth Observation and Geoinformation》。

研究采用多技术融合方案：1) 使用BMR3.9RTK无人机获取5个光谱波段（475-842nm）的2.93cm/像素影像；2) 开发基于28种植被指数(VI)的半自动标注流程，优选MSAVI和GNDVI实现像素级分类；3) 对比评估FCN、U-Net和Deeplabv3+三种深度学习架构；4) 创新性尝试XGBoost与U-Net的集成学习方法；5) 通过GNSS-RTK地面控制点和25×25cm样方验证模型精度。

材料与方法
研究区域选定南极洲东部风车群岛的Robinson Ridge（66°22′5.66″S），面积5.15公顷。数据采集期间环境温度-2至1°C，采用特制无人机搭载3.2MP多光谱相机，飞行高度70米获得2,814张影像。通过Agisoft Metashape生成正射影像，提取196×186像素的感兴趣区域(ROI)，并划分训练集(75%)和验证集(25%)。

数据处理
创新性地开发双轨标注系统：人工标注采用地面实况点引导的精确多边形绘制；半自动标注通过光谱分析实现，筛选出MSAVI（0.035-0.103）和GNDVI（0.594-0.820）作为地衣识别的关键阈值指标。

模型架构
研究对比三种DL模型：1) FCN采用编码器-解码器结构；2) U-Net引入跳跃连接保留空间细节；3) Deeplabv3+集成ASPP模块捕捉多尺度特征。集成学习方法中，XGBoost的预测结果作为U-Net的输入特征。

结果验证
3.1 独立模型性能
U-Net在五植被指数(VI)特征集上表现最优：Usnea spp. IoU 84%（精度92%），黑地衣IoU 86%，显著优于Deeplabv3+(IoU 57%)和FCN(IoU 48%)。十折交叉验证显示模型稳定（准确率83.07±1.17%）。

3.2 集成方法对比
XGBoost-U-Net组合的IoU指标较低（Usnea spp. 71%），揭示特征传递过程中的信息损失问题。空间分布分析显示，集成方法高估非植被面积达59.9%，而独立U-Net预测更接近实地调查结果。

3.4 实地验证
卡方检验证实模型预测与样方数据无显著差异（p=0.9896）。在RB10样方中，DL对黑地衣的覆盖率估计误差仅2.3%，证明方法在复杂场景的可靠性。

这项研究确立了无人机多光谱影像与深度学习协同的南极地衣监测新标准。U-Net模型展现的84% IoU证明DL在极地微植被识别的优越性，而半自动标注技术将标注效率提升300%。尽管集成学习方法当前表现欠佳，但提出的技术框架为全球极端环境生态监测提供了可扩展方案。随着气候变化加剧，该成果对建立极地生物基准数据库、量化生态系统响应具有重要价值，未来可通过引入高光谱(HS)数据进一步提升分类精度。

研究同时揭示了当前技术瓶颈：1) 多光谱带宽限制对苔藓与地衣的区分度影响；2) 模型在moribund（濒死）植被识别中的局限性。这些发现为下一代极地遥感装备研发指明了方向，建议后续研究结合LiDAR三维信息与多时相分析以提升监测维度。