利用无人机多光谱影像与深度学习模型对固沙植被进行精细分类

《Remote Sensing Applications: Society and Environment》：Fine-Scale Classification of Sand-Fixing Vegetation Using UAV Multispectral Imagery and Deep Learning Models

　　摘要：对固沙植被进行精确分类对于防治沙漠化及开展生态监测至关重要。然而，在沙漠环境中进行高精度植被分类仍面临诸多挑战，原因包括物种间的光谱相似性较高、沙地背景复杂以及植被冠层形态差异显著。本研究利用厘米级无人机影像，对内蒙古翁牛特旗东部沙地的典型固沙植被进行了调查。通过手动勾绘植被冠层，构建了高质量的像素级标注数据集。最终得到了2,181组空间上相互独立的无人机影像块及其对应的像素级标注块，并通过数据增强技术提升了数据集的多样性，以用于模型训练与评估。基于该数据集，研究提出了一种轻量级语义分割网络RPB-UNet，可用于七类土地覆盖类型的细粒度分类。该模型引入了包含SE注意力机制的RPBlock，旨在提升多尺度特征表达能力，增强植被特征定位精度，并抑制背景干扰。通过大量实验，包括消融实验以及与主流语义分割模型的对比，验证了所提框架的有效性。实验结果表明，RPB-UNet具有出色的分类性能，整体准确率为88.61%，平均交并比为73.49%，加权F1分数为88.86%，且模型参数量仅为1.06百万。该模型能够有效捕捉精细的冠层结构及多尺度时空光谱信息，从而在保持计算效率的同时，提高那些光谱响应和空间特征相似的固沙植被物种的区分度。总体而言，RPB-UNET为基于无人机的固沙植被细粒度测绘提供了精准且高效的解决方案，可在沙漠生态系统监测与恢复评估中发挥重要作用。

引言：由气候变化和不可持续的人类活动引发的沙漠化正在全球范围内加速破坏陆地生态系统（Huang等，2020）。这一过程带来了严重的环境和社会经济后果，例如非洲萨赫勒地区的粮食危机和人口流离失所问题（Eboreime等，2025），以及中国北方引发的跨区域沙尘暴（Zhang等，2023）。为应对沙漠化，世界各地广泛实施了生态工程措施，主要是通过恢复固沙植被来减少风蚀，改善区域生态环境（Zhou等，2023）。固沙植被依靠发达的根系将沙粒物理固定，从而稳定流动的沙层（Zhang等，2021）；同时，其茂密的冠层可增加表面粗糙度，降低近地面风速，并拦截风带来的沉积物（An等，2025）。不过，由于不同物种在根系结构和冠层形态上的差异，各类植被的固沙效果存在显著差别（Yu等，2024）。这些结构差异进一步导致了不同物种在空间纹理和光谱响应上的区别，为基于遥感的技术进行物种识别提供了理论依据（Liu等，2023）。然而，仅依靠野外观测很难全面了解这类具有特定生态功能且空间分布不均的植被，尤其是在面积较大且结构复杂的沙漠化区域（Havrilla和Villarreal，2024）。因此，对不同类型固沙植被进行大规模、高精度的监测，对于理解沙漠化地区的生态恢复进程以及制定针对性的生态治理策略具有重要意义（Xu等，2023）。为满足这一需求，结合无人机影像、激光雷达数据以及云端地理空间平台的多源遥感集成技术，实现了高精度的植被监测（Tysi?c等，2025）。尤其是无人机多光谱遥感技术，具备厘米级空间分辨率、丰富的光谱信息以及灵活的采集能力（Dainelli等，2021；Hartling、Sagan和Maimaitijiang 2021），已被广泛应用于环境制图（Diamanti等，2025）、物种级植被分类（Egli和H?pke，2020）、群落结构分析（Zhang等，2025）以及生态恢复监测（Lyu等，2022）。尽管取得了这些进展，但目前大多数研究仍集中在植被演替模式分析（Kattenborn等，2019；Zangerl等，2022）、森林物种分类（Cai等，2025）、具有经济价值的作物监测（M?yr?等，2021）以及优势物种的生物量估算（Gr?nzig等，2021）等方面。针对干旱地区固沙植被的细粒度分类研究相对较少，大多仅限于单一物种的识别（Retallack等，2022），且受到样本数据匮乏（Liu等，2024）、图像分辨率不足（Chen等，2020）以及物种间光谱差异微小（Fassnacht等，2022）等限制。随着无人机遥感影像空间分辨率的不断提高，人们能够更清晰地捕捉到固沙植被的空间异质性和多尺度特征（Ma等，2025），这也就对分类模型在像素级识别能力和空间上下文建模方面提出了更高要求（Wambugu等，2025）。深度学习方法可通过端到端的学习自动提取高级语义特征，减少对人工设计特征的依赖，从而在复杂的植被识别任务中实现更高的分类精度（Moritake等，2024）。与传统机器学习方法相比，这类方法减少了对手工特征工程的依赖，提升了模型在复杂环境中的泛化能力（Liu等，2025）。虽然像“任意物体分割模型”这样的基础模型在环境制图领域展现出一定潜力，但其较高的资源消耗和有限的特征精度使其难以用于细粒度分类（Janowski和Wróblewski，2024）。目前大多数研究仍采用AlexNet、VGG-16和ResNet-50等卷积神经网络架构，主要用于城市树木物种的图像级分类。这类模型的设计初衷是实现整体语义识别（Zhang等，2021），因此难以生成像素级输出，进而限制了其在细粒度植被分类中的应用。U-Net模型通过其编码器-解码器架构实现了多尺度特征提取和空间信息重建，已被广泛用于语义分割任务中（Zaheeruddin和Suganthi，2025）。在编码路径中，通过逐级下采样提取不同分辨率的特征；而在解码路径中，特征会经过上采样，并通过跳跃连接与高级语义信息及低级细节相结合，从而实现像素级分类（Huang等，2024）。不过，传统U-Net依赖于固定大小的卷积核，这限制了其多尺度特征表示能力（Ignacio等，2025）；同时，其编码器-解码器结构也可能导致分辨率下降和预测结果模糊（Li等，2021）。对于固沙植被而言，不同类型的植被在个体大小、冠层形态及空间分布上存在显著差异，从零星的矮灌木到大片连片的植被都有。固定尺度的特征提取方法难以同时捕捉小尺度的局部纹理和大尺度的斑块结构特征，往往会导致矮灌木被遗漏或不同植被类型之间的特征混淆（Shi等，2023）。这一局限影响了模型对固沙植被形态多样性的刻画能力，也制约了分类精度的提升。为解决这些问题，本研究提出通过以保留分辨率的方式引入多尺度并行卷积核，对传统U-Net架构进行改进。已有研究表明，类似的自适应多分支卷积设计能够有效从同一输入中提取多尺度特征，同时减少重复下采样带来的信息损失，从而提升复杂图像分析任务中的分类性能（Tek等，2021）。不过，尽管这类方法已显示出良好效果，但在干旱生态系统中基于无人机数据进行固沙植被细粒度分类的应用仍然较为有限。基于此，本研究提出了一种残差金字塔块U-Net（RPB-UNet）模型，该模型利用无人机多光谱遥感数据，适用于复杂沙漠环境中的固沙植被细粒度分类。本研究的主要贡献如下：（1）构建了用于固沙植被细粒度分类的无人机多光谱数据集；（2）通过将残差金字塔块（RPBlock）整合到U-Net框架中，设计了RPB-UNet模型，以提升多尺度特征表达能力；（3）将该模型与常用的深度学习方法进行对比测试，证明了其在复杂沙漠环境中的分类性能更优。

研究区域：本研究区域位于中国内蒙古自治区东北部的翁牛特旗，处于科尔沁沙地西侧，地理坐标为东经117°49′至120°46′，北纬42°27′至43°26′。该地区属于东北平原与内蒙古高原的过渡地带，海拔在180米至650米之间。根据中国的气候区划（ZHENG等，2010），此处属于温带半干旱大陆性气候。

方法：本研究的方法体系包括四个关键步骤（见图3）：（1）构建固沙植被样本数据集；（2）训练RPB-UNet模型并优化其参数；（3）通过消融实验探讨RPBlock和SE注意力机制的效果；（4）将RPB-UNet与主流深度学习分割模型进行性能对比。

RPB-UNet的训练与动态评估：RPB-UNet模型的训练过程如图7所示。训练损失值和mIoU值的变化曲线（图7(a)）呈现出双周期收敛特征，这与预定的学习率调整策略十分吻合。在第一个周期（第0至100轮训练）中，训练损失从2.0215迅速降至0.6787，而mIoU值则从0.1015大幅上升至0.8793，表明模型的特征学习效率很高。在第101轮时，学习率从1.25×10-6调整为1.00×10-3。

用于固沙植被分类的编码器-解码器网络：研究表明，编码器-解码器架构非常适合利用无人机多光谱影像对固沙植被进行细粒度分类。在消融实验中作为基线的轻量级U-Net模型以及所提出的RPB-UNet模型都取得了较高的分类精度，这充分体现了编码器-解码器架构在提取具有区分度的固沙植被特征方面的有效性。此外，采用批量归一化的标准U-Net模型也表现出了良好的性能。

结论：本研究基于无人机多光谱影像，提出了一种适用于复杂沙地环境中的固沙植被细粒度分类框架。所提出的RPB-UNet模型引入了包含SE注意力机制的RPBlock，旨在提升多尺度特征提取能力并抑制背景干扰，同时还保持了轻量级的编码器-解码器架构。实验结果表明，该模型具有出色的分割性能，整体准确率为88.61%，……

CRediT作者贡献说明：张雅茹：撰写——初稿、方法论、研究实施、数据整理。王俊芳：研究实施。丁浩东：研究实施。邓伟：研究实施。徐端阳：撰写——审阅与编辑、方法论、研究实施。孟杰：撰写——审阅与编辑、研究实施。

未引用参考文献：Ma等，2026；Zhang等，2017。

利益冲突声明：作者们声明不存在任何潜在的利益冲突。

利益冲突声明? 作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：徐端阳指出其研究获得了中国国家重点研发计划的资金支持。其他作者则声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：本研究得到了中国国家重点研发计划（2024YFF1308105、2024YFF1306301）的共同支持。

张雅茹|王俊芳|孟杰|丁浩东|邓伟|徐端阳
中国科学院地理科学与资源研究所，北京100101，中华人民共和国