利用无人机系统对共发生入侵物种进行物候期制图：高效检测棒头草、刺果毛茛和俄罗斯蓟

《Remote Sensing Applications: Society and Environment》：Phenological Mapping of Co-occurring Invasive Species with Unoccupied Aerial Systems (UAS): Efficient Detection of Cheatgrass, Bur Buttercup, and Russian Thistle

　　

摘要：入侵植物物种是对生态系统完整性的全球性威胁。这些物种的快速蔓延以及早期检测的需求凸显了基于遥感监测的价值。利用不同物种独特的物候时序特征的遥感方法已被用于检测和绘制入侵物种的分布图。无人航空系统（UAS）在细尺度上监测物种特异性物候方面展现出了强大的潜力，特别是用于入侵物种的早期检测。然而，此类应用仍局限于特定物种和地理位置。此外，目前尚不清楚哪些物候期能提供有用信息，以及减少UAS时间序列采集是否能够实现与具有完整密集时间采集的UAS相当的检测精度。为了克服这些局限性，我们研究地点位于美国爱达荷州莫里-尼尔森蛇河猛禽国家保护区（NCA）——一个半干旱系统——进行了重复多光谱UAS飞行。我们在与目标物种物候相匹配的选定日期收集了三种植入侵物种的地面验证数据： Cheatgrass（Bromus tectorum）、Bur Buttercup（Ceratocephala testiculata）和 Russian Thistle（Salsola tragus）。我们在2021年3月至9月间使用搭载了10波段多光谱传感器的UAS进行了12次飞行。为了进行物种分类，我们评估了集成模型及其组成部分模型：随机森林（RF）、K近邻（KNN）、多层感知机和采用多项式、线性和径向基函数（RBF）核的支持向量机（SVM）。集成模型取得了最高的性能，总体精度（OA）达到94.3%，Macro F1达到95.9%。基于归一化植被指数（NDVI）时间序列曲线，每个物种均展现出独特的可区分物候模式，这有助于模型有效地区分它们。RF变量重要性分析显示，某些日期（5月11日、4月23日、6月23日）对模型性能比其他日期更重要。使用全部12个日期训练的模型与仅使用基于RF变量重要性的前3个日期训练的模型之间，OA差异在不同分类器之间为1.1到15.9个百分点。最小下降（1.1个百分点）出现在RF模型中（87.5%对比86.4%），这表明减少时间序列数据仍可实现良好性能，但应根据所使用的分类模型谨慎实施。本研究展示了利用物种特异性物候差异在UAS数据中有效分类入侵物种，并证明了密集时间数据并非始终必需。这些信息可以指导未来工作，高效地应用遥感影像检测和管控更大尺度景观中的入侵物种。

引言：在全球范围内，入侵物种对人类健康、全球经济和本土生物多样性构成威胁（Py?ek等，2012；Ricciardi，2012；Dubovik等，2021；Fachinello等，2022）。这些物种被有意或无意地引入新的地点，并在其自然分布范围之外大量繁殖和存续。这些物种被描述为非本地种，并可能成为入侵种，具有侵略性扩张和造成重大环境影响的特性（Reaser等，2020）。它们可以通过改变地貌过程和水文形态来改变生态系统的物理特征，影响范围从侵蚀和沉积变化到重大景观转化（Fei等，2014），最终可能损害周围环境。由于这些顾虑，入侵物种代表了一个主要的管理和保护挑战。

美国西部包含一个广阔的干旱至半干旱区域，其特点是拥有大片盐碱荒漠、蒿属（Artemisia spp.）和单叶松-杜松（Pinus monophylla, Juniperus osteosperma, and J. occidentalis）生态系统，这些区域目前面临许多挑战，其中就包括入侵物种（Chambers & Wisdom, 2009）。研究已记录了入侵一年生草本植物的出苗时间效应，包括Cheatgrass（Bromus tectorum），其中较早的出苗增强了其相对于较晚出苗的竞争力（Blackshaw, 1993）。本研究的关注入侵物种为Cheatgrass（Bromus tectorum）、Bur Buttercup（Ceratocephala testiculata）和Russian Thistle（Salsola tragus）。这些入侵物种可以产生生态系统范围的影响；例如，Cheatgrass增加了火灾风险（Bradley等，2018）。Bur Buttercup可以形成大片的毯状植被（Young等，1992），并且含有对牲畜有害的毒性物质ranunculin（Olsen等，1983）。Russian Thistle增加了可燃物负荷，并可能通过阻塞道路和围栏造成安全风险（Bernau & Eldredge, 2018; Hawkes等，1975）。除草剂控制被发现能有效降低Russian Thistle的覆盖度（Rao等，2022），一般来说，陆生植物控制方法包括生物、化学和机械控制（Simberloff，2010）。

早期检测和快速响应（EDRR）是入侵物种管理中的一种常见方法，侧重于识别和根除早期入侵以控制蔓延（Westbrooks，2004）。EDRR越来越被公认为有效控制入侵物种的有效、经济策略的首要原则（Reaser等，2020）。遥感可以实现EDRR的第一步——检测入侵物种——因为这种方法可以生成大空间范围的高分辨率地图。各种来源的遥感影像已被用于绘制入侵植物物种分布图，包括卫星、航空和无人航空系统（UAS）影像。卫星影像可以具有米级分辨率（例如30米），而UAS影像可以具有厘米级分辨率（例如5厘米），具体取决于飞行高度和传感器（Jenerowicz等，2017）。UAS更精细的厘米级分辨率可用于捕捉使用卫星影像难以识别的物种，特别是当物种未形成大片或均匀斑块时。UAS影像可以以相对较低的成本按需获取（Müllerová等，2017），使其非常适合采集密集时间序列数据。然而，由于不同物种之间通常光谱特征相似，仅使用某一时间点的谱数据可能不足以区分物种。当物种在关键物候事件（如返绿和枯黄）的时间上存在差异时，遥感数据的时间序列可用于基于这些独特的物候模式进行区分。

物候为遥感时间序列数据中检测入侵物种提供了有用的信号（Bradley，2014）。许多研究使用物候信号来检测入侵物种，无论是使用卫星（例如Peterson，2005；Singh & Glenn，2009）还是UAS（Weisberg等，2021）。入侵物种可以表现出独特的季节性生长模式，提供有用的物候分化，可以通过遥感时间序列数据捕获。例如，Cheatgrass在相对温暖和干燥的怀俄明州大蒿群落中种子萌发生长和/或繁殖似乎处于最佳状态（Chambers等，2014），最佳萌发温度范围为10到20°C，具体取决于种子年龄（Hulbert，1955）。Bur Buttercup的最佳萌发发生在恒定或交替的2/2、5/5和5/10°C条件下，以及与这些温度交替至高20°C的条件下；高于30°C的温度大大抑制或阻止萌发（Young等，1992），这意味着Bur Buttercup在通常适合冬季或早春条件的低温下萌发。Russian Thistle的最佳田间出苗据报道发生在夜间温度为0-5°C与白天温度12–25°C交替的条件下（Evans & Young，1972）。这些季节生长和发育的差异产生了独特的物候信息，提供了根据各自时间特征区分共存入侵物种的机会。先前的研究已经展示了基于物候的方法区分入侵物种的潜力；然而，有效绘制入侵物种所需的时间数据密度仍不确定。通过评估入侵物种绘制的减少时间采样策略，本研究评估了基于物候信息性采集日期的时间采样投入与分类性能之间的权衡。这些信息可以帮助土地管理者将时间和资源分配给其他管理活动，而不是收集对信息增加很少或没有新信息的密集影像。

本研究的目的是证明多光谱UAS时间序列可用于检测和区分共存的入侵物种（Bur Buttercup、Cheatgrass和Russian Thistle），并评估在干旱环境中减少时间采样策略是否能在保持性能的同时有效绘制这些物种。具体而言，我们回答以下问题：
（1）UAS多光谱影像时间序列能否有效区分物种？
（2）能否使用UAS多光谱时间序列影像解析若干关键入侵物种（Bur Buttercup、Cheatgrass和Russian Thistle）的物种特异性物候？
（3）减少时间序列数据量如何影响入侵物种分类性能？

最终，这种方法将支持土地管理者在需要物种分布空间明确知识的入侵物种管理中更加高效。

材料与方法：我们的工作流程始于多光谱UAS时间序列数据集，以及从2021年3月至9月收集的用于精度评估的验证点。我们将时间序列数据进行堆叠，并将其输入多个分类器进行模型比较，使我们能够获得入侵物种分类图并评估每个分类器的性能。然后我们使用包含前3个日期和前1个日期（而非全部12个日期）的减少时间数据集重复了相同的工作流程。

UAS多光谱影像时间序列能否有效区分物种？
我们评估的所有分类器模型精度都很高，OA范围为87.50%至94.3%（图3）。集成模型达到了94.32%的OA和95.85%的Macro F1。其余模型中，KNN达到93.18% OA和93.53% Macro F1，SVM线性达到92.05% OA和93.60% Macro F1，SVM多项式达到92.05% OA和91.16% Macro F1，SVM径向达到90.91% OA和90.73% Macro F1，多层感知机达到89.77% OA和89.21% Macro F1，RF达到87.50% OA和85.75% Macro F1（表S3）。

能否使用UAS多光谱时间序列影像解析若干关键入侵物种的物种特异性物候？
NDVI时间序列有效地……

讨论：我们的研究展示了多光谱UAS时间序列影像在半干旱系统中绘制三种入侵物种的有效性，并提供了有效绘制这些入侵物种所需时间采样频率的信息。这些结果为土地管理者平衡时间采样投入与分类性能提供了相关信息，在可以接受适度性能下降的情况下，这可能降低调查成本、实地投入和资源使用。

CRediT作者贡献声明：Peter J Olsoy：可视化、验证、监督、软件、方法论、调查、形式分析、数据整理、概念化。Teuku Zaldiansyah：撰写——初稿、可视化、验证、软件、方法论、形式分析、数据整理、概念化。Jodi Brandt：撰写——审阅与编辑、监督。Trevor Caughlin：撰写——审阅与编辑、监督。Geubrina R Fajria：撰写——审阅与编辑。Josh Enterkine：撰写——审阅与编辑。

未引用参考文献：Bureau of Land Management, ; Chávez等, 2016; Level III and IV Ecoregions of the Continental United States, 2024.

声明：人类和动物权利 ? 作者声明，本工作描述未涉及对人类的实验或动物实验。

数据可用性：数据将通过DOI在Dryad等数据仓库中公开。

利益冲突声明 ? 作者声明以下财务利益/个人关系，可能被视为潜在的利益冲突：Megan Cattau报告设备、药物或物资由美国国家科学基金会提供。Peter Olsoy报告财务支持由美国国家科学基金会提供。Anna Roser报告财务支持由美国国家科学基金会提供。如有其他作者，他们声明没有已知的竞争财务利益。

Teuku Zaldiansyah | Peter J. Olsoy | Trevor Caughlin | Jodi Brandt | Sky Gennette | Anna Roser | Fiona C. Noonan | Josh Enterkine | Geubrina R. Fajria | Nancy F. Glenn | Megan E. Cattau，人类环境系统，博伊西州立大学，美国爱达荷州博伊西市，University Dr 1910, ID, 83725, USA