《Environmental Challenges》：Determination of drainage status at varied grassland peat soil sites using a combination of multi-sensor UAV technology and on-the-ground measurements
编辑推荐：
在有机土壤上拥有大面积已排水农业草地的国家，通常需要针对管理变更以减少国家温室气体排放清单中土地利用、土地利用变化和林业（LULUCF）部门报告的排放。在这些清单中，排放估算基于泥炭土上草地的面积、养分状态和排水状态（由平均年水位深度（WTD）决定）。本研究聚
在有机土壤上拥有大面积已排水农业草地的国家，通常需要针对管理变更以减少国家温室气体排放清单中土地利用、土地利用变化和林业（LULUCF）部门报告的排放。在这些清单中，排放估算基于泥炭土上草地的面积、养分状态和排水状态（由平均年水位深度（WTD）决定）。本研究聚焦于“排水状态”，旨在空间建模和绘制田块尺度的排水状态，定义为浅排（平均年WTD ≤ 30 cm）或深排（> 30 cm），研究对象为爱尔兰中部两个选定的草地农场。研究工作将无人驾驶飞行器（UAV）获取的数据与地面测量（例如，WTD、泥炭深度、开放排水网络、植被）相结合，并使用随机森林机器学习算法预测WTD并分配排水状态。结果表明，UAV数据与地面测量的组合在夏季和冬季均能预测两个场地的WTD，袋外预测性能得分范围为0.66至0.84。泥炭深度始终是WTD的首要预测因子，而其他变量（包括地形、植被指数和距开放排水沟的临近度）的影响在不同场地和调查时期之间存在显著差异。两个场地均被建模为主要深排（占总面积93.9%–100%），仅有一个场地表现出轻微的浅排成分（6.0%），这归因于泥炭土壤类型和开放排水沟功能不良。该方法在进一步应用于其他被分类为沼泽和凸起泥炭地的泥炭草地方面显示出前景。对该方法的优势、劣势、机会和威胁分析突出了其在农场尺度上的高精度，同时指出了在区域或国家尺度实施的后勤和数据处理局限性。
本研究围绕草地泥炭土排水状态的空间化判定展开，旨在解决国家温室气体排放清单中因排水状态分类不准导致的排放估算误差问题。研究在爱尔兰中部两个商业化草地农场（Clara场，约97公顷，改良草地，高密度奶牛场；Tumbeagh场，约27公顷，未改良草地，曾用于泥炭 extraction）开展，分别代表凸起泥炭沼泽和过渡沼泽类型。研究人员结合无人机（UAV）多传感器数据（LiDAR、多光谱、热像）与地面测量（水位深度WTD、泥炭深度、开放排水网络、植被覆盖），利用随机森林（Random Forest）回归算法预测WTD，并按IPCC（2014）阈值将田块划分为浅排（平均年WTD≤30 cm）和深排（>30 cm）。结果表明，模型在夏季和冬季的袋外（OOB）预测性能为0.66–0.84；泥炭深度是WTD的最稳定预测因子，其他变量（地形、植被指数、排水沟距离）的影响随场地和季节变化。Tumbeagh场全部为深排（100%），Clara场93.92%深排、6.08%浅排。该方法在农场尺度精度较高，但受限于UAV续航、法规和数据处理，难以直接推广至区域或国家尺度。研究意义在于提供了一种田块级排水状态制图方法，可支持更精确的温室气体排放估算及针对性水资源管理措施，并为未来结合卫星影像扩展至更大尺度提供基础。
### 1. 研究背景与问题
减少温室气体（GHG）排放是国际气候协议的核心要求，爱尔兰设定了2030年较2005年减排42%的法定目标。农业是爱尔兰最大排放源之一，2023年占国家总排放约37%，其中有机土壤草地排水导致土壤碳释放是重要排放来源。国家排放清单依据泥炭土（土壤有机碳SOC>20%且深度>30 cm）上草地面积、养分状态和排水状态估算排放，排水状态由平均年水位深度（WTD）决定：IPCC定义浅排为平均年WTD≤30 cm，深排为>30 cm。目前爱尔兰清单中草地泥炭土面积为339,130 ha，其中约141,000 ha为深排，但空间分布信息不足。传统WTD测量依赖点状传感器（如dipwells和数据记录器），成本高、覆盖有限，难以捕捉空间变异性。遥感卫星数据受限于约10 m分辨率且多云地区可用性差，无法满足田块级精细制图需求。因此，亟需开发一种结合高分辨率UAV多传感器数据与地面测量、可推广的排水状态空间判定方法。
### 2. 研究内容与结论
研究人员在夏季和冬季分别对两个场地进行UAV调查（搭载MicaSense Altum-PT多光谱/热像传感器和DJI Zenmuse L2 LiDAR），同时开展地面测量，包括泥炭深度（网格探测）、WTD（dipwell内压力传感器，15分钟间隔记录）、植被调查和开放排水沟测绘。从UAV数据生成15个解释变量，包括光谱波段（蓝、绿、红、红边、近红外）、热像指数、植被指数（EVI2、NDWI、NDVI、MSAVI2）、地形变量（DTM、坡度、地形湿度指数TWI）和距排水沟距离，结合泥炭深度建立随机森林回归模型预测WTD，并评估变量重要性。模型OOB分数为0.66–0.84，泥炭深度在夏季是最重要变量（TB约0.30，CR约0.23），冬季表面相关变量（如DTM、地表温度）权重上升。预测的平均年WTD表明，Tumbeagh场全部为深排（>30 cm），而Clara场6.08%面积浅排（≤30 cm），其余为深排。该结果与Pierce等人基于连续12个月WTD监测的分类一致，验证了夏季和冬季两次UAV调查的可行性。SWOT分析显示该方法在农场尺度精度高，但存在电池寿命、法规限制和数据处理复杂度等制约，难以直接用于国家尺度，但可与卫星影像结合进一步扩展。
### 3. 关键方法
本研究采用的主要技术方法包括：①UAV多传感器数据采集（LiDAR生成数字地形模型DTM、多光谱生成反射率影像、热像生成地表温度），处理中采用Structure-from-Motion（SfM）摄影测量生成正射镶嵌图，LiDAR点云分类生成裸地高程模型；②地面测量，包括泥炭深度网格探测（每15 m×15 m），WTD用dipwell内压力传感器以15分钟间隔记录，以及植被覆盖和排水沟功能评估；③随机森林回归模型，以2 m×2 m像元均值作为输入，采用袋外（OOB）分数评估性能，变量重要性通过平均杂质减少计算；④按IPCC（2014）阈值对平均年WTD分类以确定排水状态；⑤SWOT分析评估方法推广性。两个场地分别位于爱尔兰Offaly郡，样本包括TB（n=12）和CR（n=16）新增dipwells，并整合了各场地10个历史dipwells数据。
### 4. 研究结果
#### 4.1 降雨与实测WTD
UAV飞行前15天累积降雨量在夏季较低（TB为7.4 mm，CR为10.0 mm），冬季显著升高（TB为65.4 mm，CR为82.8 mm）。实测WTD显示多数dipwell的水位低于地表，夏季水位普遍更深，冬季变浅，与降雨季节模式一致。部分矿物土壤dipwell（如TB1A*、TB2A*、CR14*）记录到最深水位（夏季可达200–275 cm），而CR场11号湿草地dipwells在冬季出现地表以上水位（负值）。
#### 4.2 建模结果
随机森林回归模型OOB分数在TB夏季为0.69、冬季为0.66，CR夏季为0.84、冬季为0.72。变量重要性显示泥炭深度在夏季为主导变量，而冬季DTM、MSAVI2、地表温度等表面相关变量重要性上升，表明不同季节影响WTD预测的核心因子存在差异。
#### 4.3 模拟的夏季、冬季和平均年WTD
空间化WTD预测显示TB夏季大部分田块水位于60–90 cm（70.54%），冬季69.53%面积≤30 cm，平均年WTD全部为30–60 cm（91.34%），无浅排区域。CR夏季水位于60–120 cm为主（74.55%），冬季42.35%面积≤30 cm，平均年WTD呈空间梯度，其中6.08%面积≤30 cm（浅排），涉及2.06 ha，其余深排（93.92%）。基于模拟的排水状态分类与实测平均年WTD分类在浅排区一致，但模拟模型覆盖了无dipwell的田块，提供更高的空间完整性。
### 5. 讨论与结论
讨论部分强调了泥炭深度作为WTD预测因子的稳定性，尤其是在夏季，这与深泥炭区域通常对应更浅水位（如TB7A、CR12A）的观测一致；冬季表面变量的重要性上升可能反映低温期地表特征对水位空间分布的补充作用。这种季节变化提示单一时期影像训练的模型可能难以迁移至其他时期，需采用多时相数据。绘制的WTD和排水状态图可用于识别田间尺度排水“热点”，支持低强度管理转型或湿地恢复规划，并可作为Tier 3清单方法的输入数据。SWOT分析指出当前UAV方法的局限：受电池寿命、视线距离法规和飞行高度限制，无法覆盖大到区域范围；但高分辨率（5 cm）能捕捉微地形和小型排水沟，优于卫星数据。未来可探索结合卫星影像（如Sentinel）和深度学习方法，以扩展到区域/国家尺度，并需针对不同泥炭地类型（fen、raised bog、blanket bog）分别建模。
研究结论指出，通过UAV多传感器数据与地面测量结合，利用随机森林回归在爱尔兰中部两种草地泥炭土（过渡沼泽和凸起泥炭沼泽）上实现了田块尺度WTD预测和排水状态分类，OOB分数0.66–0.84。泥炭深度是稳定的主导预测因子，而其他变量的作用具有场地和季节依赖性。该方法为高分辨率排水状态制图提供了有效途径，有助于改进国家温室气体排放清单中草地泥炭土排放估算的准确性。
