利用无人机遥感绘制公路沿线多叶羽扇豆密度与分布图

《Applications in Plant Sciences》：Mapping Lupinus polyphyllus density and distribution along road verges using unmanned aerial vehicle (UAV)–based remote sensing

　　

摘要翻译：
前提：公路边坡作为半自然物种的庇护所，但也可能促进多叶羽扇豆（Lupinus polyphyllus）等非本地植物的扩散。基于无人机（UAV）的遥感是绘制这些物种分布图的有前景工具，然而其在路边环境中的应用仍有限。
方法：研究人员开发并评估了一种基于无人机的工作流程，用于检测和绘制路边羽扇豆的存在与密度。将红-绿-蓝（RGB）影像处理为正射影像镶嵌图，并采用基于对象和基于像素的方法，结合支持向量机与随机森林算法，在多种分类方案下进行分类。
结果：使用基于像素的随机森林分类和简化方案获得了最高精度（88.8%）。开花的紫色羽扇豆表现出较强的分类性能（F1分数=96.3%），而早期绿色的个体较难检测（74.5%）。空间热力图比较显示过估率（1.79%）和低估率（1.47%）均较低。
讨论：在最佳物候条件下，基于无人机的测绘为基础设施区域内多叶羽扇豆的管理提供了一种可扩展且成本效益高的地面调查补充手段。

论文解读

研究背景与问题：
外来入侵物种（IAS）是全球生物多样性丧失的主要原因之一，它们通过改变种间竞争关系破坏本地生态系统，并造成巨大的管理与控制成本。多叶羽扇豆（Lupinus polyphyllus Lindl.）原产于北美西部，已广泛入侵欧洲多种生境，包括林区、草地和公路边坡。公路边坡作为半自然物种的重要庇护所，同时其连通性也促进了入侵物种的扩散。目前瑞典对羽扇豆的监测主要采用基于汽车的道路巡查方法（TRIEKOL/TRIIAS项目），该方法依赖目视估算覆盖度，存在主观性强、观测者偏差大、效率低等问题，尤其在主要道路上成本高昂且需要安全车辆保障。因此，需要一种更高效、客观、可扩展的监测方法。无人机（UAV）遥感具有灵活、高分辨率、低成本等优势，已在多种入侵植物监测中得到应用，但在复杂路边环境中的适用性仍需验证。本研究旨在开发和评估一种基于UAV的工作流程，用于沿道路绘制羽扇豆的发生和密度，作为传统地面调查的补充或替代手段。

主要技术方法：
研究在瑞典韦姆兰省选取了一段250米长的代表性砂石路路边区域（59.458972°N, 13.139500°E），该区域包含多种花色的羽扇豆及其不同物候阶段。使用大疆Phantom 4 Pro无人机搭载RGB相机（1英寸CMOS传感器，2000万像素），在35米高度、80%航向重叠和75%旁向重叠下采集影像（采集日期为2022年7月11日）。影像在Agisoft Metashape Professional中生成空间分辨率8.25 mm/像素的正射镶嵌图。验证数据通过在正射镶嵌图上手动标注11,133个羽扇豆花序中心点构建，分为紫色、粉色和绿色三类，并另设植被、荫蔽植被、干植被等类别。分类方法包括基于像素分类（PBC）和基于对象图像分析（OBIA），使用支持向量机（SVM）和随机森林（RF）两种分类器，并测试三种分类方案（含道路类、去除道路类、去除道路类和树枝类）。通过混淆矩阵计算总体精度（OA）、精确率、召回率和F1分数，并采用多数滤波以去噪。空间密度分析采用核密度工具生成热力图，并计算分类结果与验证数据的差异。

研究结果：
- 图像分割：通过调整均值漂移分割参数，在避免过于泛化的分割块和过小碎片之间取得平衡，选择高光谱细节以保留羽扇豆与周围植被的差异。
- 分类结果：对12种分类模型进行对比，发现去除道路类和树枝类显著提高精度。基于像素的分类优于基于对象的分类，性能最佳的模型为去除道路和树枝方案下的PBC-RF，总体精度达88.8%。紫色羽扇豆F1分数最高（96.3%），粉色次之（87.9%），绿色羽扇豆最低（74.5%）。绿色羽扇豆的主要误报来源是与紫色羽扇豆的混淆，原因在于花序同时存在花朵和种子荚导致光谱重叠。多数滤波工具进一步提升精度并减少噪声。
- 热力图：基于11,179个验证点与11,198个分类点生成的核密度热力图比较显示，分类结果相对于验证数据在1.79%的区域内过估，在1.47%的区域内低估。低估源于栅格转矢量过程中多个相邻花序合并为一个多边形，导致点数减少；过估则源于误分类。
- 羽扇豆面积：基于最佳模型统计，研究区正射镶嵌覆盖2.25公顷，分类羽扇豆总面积75.1 m2；基于单个花序面积（按直径约6 cm圆形估算）乘以验证点数量得31.53 m2，与基于分类点的估算值（31.65 m2）接近，差异源于非完全垂直拍摄角度导致实际面积被低估。

讨论与结论：
研究表明，在优化物候期的条件下，基于UAV的RGB遥感工作流程能够以较高精度（OA=88.8%）绘制路边羽扇豆的发生与密度。与Wijesingha等（2020）在相对均质半自然草地中获得的97.2%精度相比，本研究的精度较低，主要归因于路边环境的高异质性（树影、路面光谱变化等），这增加了类间光谱混淆。基于像素方法优于基于对象方法的原因可能在于OBIA需要精细的分割参数优化，且过度分割会导致小物体丢失。手动掩膜排除误分类高发区域（如无羽扇豆的道路和树冠）可有效减少系统性过估。紫色羽扇豆检测效果最好，因其花色与背景对比鲜明；绿色羽扇豆与周围植被光谱相似，检测难度最大。该工作流程无需复杂传感器或高级遥感专业知识，数据采集效率高（飞行高度35 m，仅用RGB影像），是传统地面调查的廉价互补手段，可为控制措施的后续监测提供可比较的定量数据。研究结论指出：假设最佳物候条件，UAV-based mapping为基础设施区域内多叶羽扇豆的管理提供了可扩展且经济高效的地面调查补充方案。未来研究可考虑低成本开源软件（如QGIS和OpenDroneMap）、纳入冠层高度模型或红边/近红外波段以扩大数据采集窗口，以及开发变化检测方法以实现长期监测。