基于无人机多光谱影像与U-Net卷积神经网络的半干旱生态系统植被覆盖度精准制图研究

本研究针对半干旱地区生态系统健康评估中植被覆盖度(FVC)监测的挑战，创新性地结合厘米级分辨率无人机(UAS)多光谱影像与U-Net卷积神经网络(CNN)语义分割技术，开发了适用于稀疏植被场景的FVC五分类模型(BE/NPV/PV/SI/WI)。研究在澳大利亚三个典型植被梯度样地验证显示，低/中密度植被分类总体精度(OA)达89.56%/88.11%，通过空间分块交叉验证和蒙特卡洛Dropout不确定性分析，为高分辨率生态监测提供了可推广的技术框架。

　　

在全球气候变化加剧土地退化的背景下，半干旱草原占地球陆地面积的45%，其植被覆盖动态直接关系碳储量评估和放牧管理。传统地面调查方法耗时费力，而中分辨率卫星影像(如30米Landsat)难以捕捉稀疏植被的细微结构。尤其非光合植被(NPV)与裸地(BE)、阴影(SI)的光谱混淆问题长期困扰遥感监测，这促使研究者寻求新的技术突破。

澳大利亚塔斯马尼亚大学(University of Tasmania)地理与空间科学学院的Laura N. Sotomayor团队在《Landscape Ecology》发表研究，创新性地将5厘米分辨率无人机多光谱影像(RedEdge-MX传感器)与U-Net卷积神经网络结合，开发了适用于澳大利亚半干旱区的FVC自动制图框架。研究选取Calperum Station三种典型植被梯度样地(低密度蓝灌木林、中密度桉树林、高密度黑箱树林)，通过改进土壤调节植被指数(MSAVI)半自动提取裸地，结合Efficient-SAM辅助人工标注构建五类参考数据集。采用空间分块交叉验证和Focal Loss函数解决类别不平衡问题，并引入蒙特卡洛Dropout量化模型不确定性。

关键技术包括：(1)无人机同步获取RGB(1厘米)与五波段多光谱影像(5厘米上采样至1厘米)；(2)基于K-means的空间分块三折交叉验证策略；(3)U-Net架构含5层编码器-解码器结构，输入5通道光谱特征；(4)50次蒙特卡洛Dropout推断生成不确定性图谱；(5)通过排除空间受限水体类别和几何/辐射增强实验验证模型泛化能力。

模型性能验证

低密度植被站点测试集总体精度(OA)达89.56%，BE/PV/NPV的F1-score均超0.83，证明在简单结构场景的可靠性。中密度站点PV分类优异(F1=0.904)，但NPV因与SI光谱重叠导致F1降至0.601。高密度站点受复杂冠层结构影响，OA降至68.52%，NPV完全未被识别(F1=0)，水体(WI)因空间局限性出现严重过拟合。

不确定性分析

蒙特卡洛Dropout显示NPV预测不确定性最高(低密度站点0.009±0.017)，而PV在各类植被条件下均保持稳定(<0.015)。空间不确定性图谱成功标识出阴影-植被混合区等分类模糊区域。

泛化能力测试

跨站点通用模型表现不佳(OA=28.48%)，但通过排除水体类别可使高密度站点OA提升至82.65%。数据增强策略使SI分类F1提高11.6%，证实几何/辐射变换对改善模型鲁棒性的价值。

该研究首次系统验证了U-Net在无人机多光谱FVC制图中的适用性，其厘米级分辨率显著优于传统30米卫星产品。创新提出的MSAVI-BE半自动标注方法节省80%人工标注成本，空间分块验证策略有效缓解空间自相关导致的性能高估。尽管在复杂植被结构场景存在局限，但研究建立的标准化流程(代码开源于GitHub)为发展可迁移的生态系统监测模型奠定基础。未来结合高光谱短波红外(SWIR)和激光雷达(LiDAR)数据，有望进一步提升NPV等困难类别的识别精度。