《Rangeland Ecology & Management》:Biodiversity Takes Flight: Mapping Plant Species in Western Rangelands With Unoccupied Aerial Vehicles
编辑推荐:
在牧场生态系统中,于管理相关尺度上监测植物物种组成一直是一项持续存在的挑战。无人航空器(UAV)的高分辨率影像提供了一种有前景的解决方案,但传感器成本高、需要大量野外训练数据以及难以覆盖大面积区域等问题阻碍了其广泛应用。研究人员在美国北部大盆地14个大叶蒿(A
在牧场生态系统中,于管理相关尺度上监测植物物种组成一直是一项持续存在的挑战。无人航空器(UAV)的高分辨率影像提供了一种有前景的解决方案,但传感器成本高、需要大量野外训练数据以及难以覆盖大面积区域等问题阻碍了其广泛应用。研究人员在美国北部大盆地14个大叶蒿(Artemisia tridentata L.)草原景观中,评估了基于UAV的机器学习模型对植物物种分类的性能及其向无训练数据站点的可迁移性。研究人员针对包括灌木、低蒿(Artemisia arbuscula Nutt.)和橡胶兔 brush(Ericameria nauseosa)以及多年生丛草蓝丛小麦草(Pseudoroegneria spicata)等18种常见上层植物物种进行了测试。利用结构运动摄影测量(Structure-from-Motion, SfM)和堆叠集成学习方法,研究人员获得了92.1%(95% CI,90.9–93.2%)的平均分类准确率和91.5%(95% CI,90.2–92.8%)的加权F1分数,表明尽管数据集高度不平衡且由少数常见物种主导,性能依然强劲。使用低成本红绿蓝(RGB)影像训练的模型与使用多光谱数据的模型表现几乎相当,F1分数仅差约1%。然而,模型可迁移性有限:在物种组成与训练数据不同的站点,分类准确率急剧下降,各测试站点的F1分数介于<0.09至>0.90之间。这些结果表明,尽管低成本UAV能够生成准确且可扩展的物种分布图,但在多样化牧场中可靠应用仍需策略性野外采样或共享训练数据集。研究人员的发现为寻求将UAV技术纳入生物多样性监测、恢复规划和入侵物种管理的研究人员及土地管理者提供了实用指导。
研究背景方面,牧场生物多样性保护、威胁识别与恢复机会评估需要在景观尺度获取植物物种丰度数据。传统野外样方监测成本高昂且与生态过程尺度不匹配;卫星遥感虽覆盖广,但中等空间分辨率(如30 m像元)和分类学分辨率通常只能区分植物功能群而非物种。厘米级UAV影像可在旱地生态系统中以超过85%的准确率实现单株物种分类,但传感器成本、训练数据需求与飞行覆盖限制制约了普及。多光谱与高光谱传感器价格昂贵、处理复杂,而RGB传感器轻便廉价,其性能是否足以替代多光谱尚待验证。同时,跨站点模型迁移面临物种反射率随亚种、基因型、物候和环境变化的挑战。美国大盆地蒿草原正经历栖息地退化,原生植物多样性对放牧韧性、野生动物(如大蒿松鸡Centrocercus urophasianus)栖息地和恢复实践至关重要,因此评估UAV物种分类的最低数据需求具有明确管理意义。
关键技术方法上,研究人员在爱达荷南部与俄勒冈东南部的14个蒿草原景观(857–1514 m海拔,火后7–26年时序,含烧/未烧配对区)各飞行约2 ha,获取<2 cm地面采样距离的RGB(DJI Mavic 2 Pro)与多光谱(DJI Phantom 4 Pro或Matrice 210配MicaSense RedEdge-P)影像。野外在每个站点布设≥20个圆形样圆,用RTK-GPS(±2 cm)定位高>25 cm的可见植株并鉴定到种。影像经SfM生成正射 mosaic 和数字表面模型,再用面向对象图像分析(OBIA)分割树冠,提取光谱(均值/标准差)、结构(树高均值/最大值/标准差)和二维几何(面积/周长)特征。分类采用支持向量机(SVM)、随机森林(RF)和梯度提升分类器(GBC)为基学习器、逻辑回归为元学习器的堆叠集成模型,保留自然类不平衡,以75/25分层划分和留一站点交叉验证评估。
研究结果部分,数据摘要显示初标10234个树冠,过滤后8362个涵盖18种,灌木尤其大叶蒿(ARTR)占绝对优势,ARAR仅现2站,类分布极不平衡。物种分类模型性能中,堆叠集成总体准确率92.1%(95% CI 90.9–93.2%)、加权F1 91.5%(95% CI 90.2–92.8%),单模型准确率均>90%;功能群上灌木F1 0.94、草类0.61、杂类草0.47、枯死物0.48,优势灌木种F1≥0.94。RGB与多光谱数据对比表明,加入多光谱带仅使F1提升约1%,准确率不变,RGB加SfM结构变量已捕获大部分判别信息。模型跨景观可迁移性上,留一站点验证F1从≤0.09到>0.92不等,7站≥0.72,3站0.32–0.44,4站极低;站点级差异评估发现ARTR多度解释60%的站点F1变异(R2=0.60),ARTR占比≥80%站点表现最好,<50%者普遍较差。
讨论与结论部分,研究人员指出UAV遥感能以>90%站内准确率分类18种上层植物,但跨生态相异站点迁移有限,这一高值应理解为站内性能。RGB单独使用近乎匹敌多光谱,证明低价消费级无人机可支撑物种制图,降低硬件门槛;但训练数据成本难降,物种组成偏离训练域的新站点仍须针对性采样或依赖共享标注库。研究通过单株GPS点(非样方)关联树冠、烧/未烧配对增异质性、SfM三维重建结合OBIA、堆叠集成四项设计取得高性能。草类与杂类草因25 cm高度阈值和样本稀少而表现弱,未来需增加下层物种采样与中间过采样策略。多时相RGB可能比多光谱更增益。作者建议建立地理参考的标注树冠-UAV影像公共库以提升迁移性,并展望预训练卷积神经网络(CNN)与迁移学习潜力。该文发表于《Rangeland Ecology》,其管理启示为:低成本RGB-UAV流程已可支持例行生物多样性监测、入侵种早期探测和干扰后恢复评估,但跨站点可靠部署仍依赖战略采样与协作数据基础设施。
研究结论翻译:UAV基遥感可通过高分辨率影像提供可扩展的牧场植物物种组成估算,从而变革生物多样性监测。研究人员在蒿草原以>90%准确率分类18种上层物种,但该高值属站内性能;留一站点验证显示外推至未采样景观存在不确定性。仅用RGB影像的模型近乎匹敌多光谱,表明廉价现货无人机亦可生成物种分类图,工作流可兼容GUI软件从而降低管理者门槛。多光谱传感器虽具生态细节,本次仅带来约1% F1增益且大幅增加成本与处理负担;多时相RGB可能比多光谱更有价值。跨站点可迁移性受限于物种组成差异,模型在ARTR主导站点迁移最佳,生态相异站点仍需新野外数据。综上,UAV技术民主化访问的同时,战略野外采样仍是多样牧场可靠分类的必要前提。