《Remote Sensing Applications: Society and Environment》：Integration of ultrahigh-resolution RGB imagery and ecological expertise advances mapping of threatened grassland communities
编辑推荐：
在生物多样性丧失日益严重以及全球自然保护倡议兴起的背景下，景观管理需要关于植被状况和范围的准确且最新的信息。通过将生态知识与遥感专业知识相结合，本研究表明，超高分辨率RGB影像（ultrahigh-resolution RGB imagery, 2.15 cm
在生物多样性丧失日益严重以及全球自然保护倡议兴起的背景下，景观管理需要关于植被状况和范围的准确且最新的信息。通过将生态知识与遥感专业知识相结合，本研究表明，超高分辨率RGB影像（ultrahigh-resolution RGB imagery, 2.15 cm）能够详细地绘制受威胁草地群落，以支持受威胁生态系统的长期管理和保护。生态专业知识通过基于与当地目标相关的分类方案的桌面评估得到利用，并用于生成10至25公顷（ha）尺度的训练和验证数据。本研究证明，可以从超高分辨率RGB影像中提取具有生态相关性的特征，并克服RGB数据的光谱局限性。通过将植被指数（vegetation indices）、纹理测度（texture measures）和数字表面模型（digital surface model, DSM）纳入基于对象的图像分析（object-based image analysis, OBIA）工作流程，研究人员实现了高精度分类复杂群落。对于草地群落，仅使用RGB的分类总体精度为71-74%，加入生态意义丰富的图像衍生特征后提高到约81%。均质群落响应更佳，分别从81%提高到90%。本方法表明，图像衍生特征提供了关于植被结构和组成的生态相关信息，从而提高了多种植被群落的分类精度。
在全球生物多样性持续下降的背景下，草地生态系统作为物种丰富且碳储存重要的栖息地，其面积自工业时代以来已减少40%。然而，现有监测方法存在尺度缺口：卫星影像空间分辨率不足，难以满足局部保护目标；而地面调查受限于空间范围且耗时费力。因此，亟需一种可填补这一缺口的方法，以支持受威胁草地群落的长期管理和保护。研究人员在澳大利亚塔斯马尼亚的Vale of Belvoir保护区（476公顷）开展研究，通过整合生态专业知识与遥感技术，利用超高分辨率RGB影像（ultrahigh-resolution RGB imagery, 分辨率2.15 cm）对复杂草地群落进行制图。研究结论表明，通过引入生态意义丰富的影像衍生特征，分类精度显著提升，整体精度超过80%，均质群落达90%。该研究发表在《Remote Sensing Applications: Society and Environment》上，提出了一种可重复的工作流程，强调生态专业知识与遥感技术的协同作用，对生物多样性保护具有重要实践意义。
为开展研究，研究人员主要采用了以下关键技术方法：首先，利用超高分辨率RGB影像（2.15 cm）及数字表面模型（Digital Surface Model, DSM, 4.29 cm），将数据重采样至10 cm以降低计算负担。其次，通过生态学家的桌面评估，基于与当地保护目标相关的分类方案（包括十种植被群落类型），在三个研究区（10至25公顷）生成训练和验证数据。第三，采用基于对象的图像分析（Object-Based Image Analysis, OBIA）工作流程，结合支持向量机（Support Vector Machine, SVM）算法进行分类。第四，计算六种RGB植被指数（如ExG、RGBVI等）和四种灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）纹理测度，并将其与DSM逐步纳入分类。样本来源为Vale of Belvoir保护区，由生态学家根据影像解译和地面监测数据标注。
**3.1. 总体分类精度**
通过逐步引入影像衍生特征，研究人员发现，仅使用RGB光谱波段时，分类精度最低：异质草地群落研究区（Area 1和Area 2）的总体精度分别为71.62%和74.68%，而均质群落研究区（Area 3）为81.36%。加入任何特征组合（除植被指数在Area 2中无改善外）均能持续提升精度。
**3.2. 特征对分类和总体精度的影响**
在三个研究区中，表现最佳的特征组合为“RGB + 纹理 + DSM”和“RGB + 所有特征”。对于Area 1，RGB + 纹理 + DSM组合获得最高总体精度（81.08%）和Kappa统计量（0.7466）；Area 2中所有特征组合精度最高（82.28%，Kappa=0.7499）；Area 3中两种组合均达到90.68%的总体精度。纹理测度一致性地提升精度3-8%，而DSM对结构复杂或与高程相关的群落（如桉树林）影响最大。
**3.3. 用户精度和生产者精度**
RGB分类通常返回最低的用户精度和生产者精度。不同植被群落对特征响应各异：草地群落中，高寒Poa草地（Highland Poa grassland）的用户精度在加入植被指数和纹理后分别提升13%和13%；湿地群落（如Baloskion australe wetland）对纹理响应积极；DSM对桉树林（Eucalyptus gunnii woodland）和灌木类群的精度提升最显著。均质群落（如东部纽扣草沼泽）在加入纹理后用户精度和生产者精度大幅提高。
讨论部分指出，本研究验证了超高分辨率RGB影像结合生态相关影像分割和衍生特征，可有效且准确地绘制受威胁草地群落，支持保护目标。影像衍生特征（如纹理和DSM）提供了群落水平的光谱、空间和结构信息，克服了RGB数据的光谱局限性。纹理测度通过捕捉物种组成和像素空间关系，最大程度提升了分类精度。植被指数在减少草地群落间混淆方面效果显著，但总体精度提升有限。DSM对结构复杂群落（如林地和灌木）影响最大。研究还强调了工作流程的可访问性和可重复性，利用常见软件（ArcGIS Pro）和开放工具，适用于长期监测。然而，未校准的RGB数字值（digital numbers, DN）在时间序列应用中存在挑战，需保持传感器和采集条件一致。生态专业知识与遥感技术的整合是保护生物多样性的关键，本研究为利用无人机或轻型飞机获取的超高分辨率影像提供了可推广的方法。
结论部分翻译如下：本研究结果支持应用超高分辨率RGB影像及其衍生特征，进行群落级别的保护价值监测和管理。本文概述的工作流程代表了生态学家和遥感专家的协作方法，成功绘制了复杂异质草地群落，总体精度超过80%，均质植被的最佳分类精度达到约90%。在476公顷的Vale of Belvoir保护区全面实施该方法需要更多训练样本和更大计算能力，但本研究中子集区域和方法可转移至适合无人机平台尺度的长期监测站点。本研究结果进一步证实，遥感技术（尤其是从航空平台和无人机获取的超高分辨率RGB数据）是在生态学家指导下为保护目标提供信息的补充技术。因此，这些平台的遥感技术不会取代地面方法，而是提供另一种增强保护工作和生物多样性保护的强大工具。
