《Discover Ecology》：Drone-based classification of peatland habitats in the Klinské ra?elinisko peatland (Slovakia) using Natural Numerical Networks
编辑推荐：
泥炭地是具有重要生态意义的湿地生态系统，为生物多样性提供关键支撑，并作为全球重要的碳库，然而其正日益受到退化与气候变化的威胁。本研究聚焦于斯洛伐克北部的Klinské ra?elinisko泥炭地，该区域近期开展的生态修复工作亟需通过遥感手段实现精确、详尽的栖
泥炭地是具有重要生态意义的湿地生态系统，为生物多样性提供关键支撑，并作为全球重要的碳库，然而其正日益受到退化与气候变化的威胁。本研究聚焦于斯洛伐克北部的Klinské ra?elinisko泥炭地，该区域近期开展的生态修复工作亟需通过遥感手段实现精确、详尽的栖息地监测。所提出的方法基于高分辨率无人机RGB影像，并结合由数字表面模型与数字地形模型导出的植被高度数据。为自动分类关键的Natura 2000栖息地类型，包括91D0泥炭沼泽林地、7120退化隆起泥炭沼泽、7230碱性富养沼泽以及KRO06泥炭沼泽柳灌丛，研究采用了自然数值网络（Natural Numerical Network, NatNet）算法。NatNet的训练与验证数据集基于野外验证的多边形构建，验证精度达到94%。由NatNet生成的相关性图在研究区域内实现了对目标泥炭地栖息地的精确区分。值得注意的是，在被测绘为退化的7120栖息地区域内检测到7230栖息地碎片，这一发现从修复角度具有重要意义，因为它识别出可能代表早期栖息地恢复阶段的高质量富养沼泽植被候选区域，因此值得后续的野外验证与长期监测。上述结果表明，所提出的无人机–NatNet框架在该泥炭地精细栖息地制图中的适用性。
一、研究背景与问题提出
泥炭地是一类地表自然积累泥炭层（良好状态下深度至少30厘米）的栖息地，属于有机质生产量超过分解量的湿地生态系统。泥炭层在近永久性水饱和及缺氧环境中，由部分分解的有机物质历经数千年缓慢形成。泥炭地虽仅覆盖地球表面3%–4%，却储存了全球高达30%的土壤碳库。然而近几十年来，泥炭地已成为欧洲最濒危的生态系统之一，对气候变化高度敏感。欧洲超过一半的泥炭地因高强度泥炭开采、改良工程及土地利用变化而消失，仅少数保持良好生态状况。欧盟2030年生物多样性战略及自然恢复法规均强调泥炭地的恢复与严格保护。
泥炭地表面大多不平整，植被组成随微地形特征（如沼泽池、洼地、丘状体、脊线和边缘带）呈现空间分异，这些微地形要素对应不同的湿度梯度并支撑着各具特色的植被群落。然而常用卫星影像的空间分辨率往往限制了对这些微地形的直接勾绘。斯洛伐克地处泥炭地分布区的南缘，其泥炭地自然规模极小、孤立且破碎化，面临气候变化与人为活动的双重压力。研究区Klinské ra?elinisko泥炭地位于斯洛伐克北部奥拉瓦地区，历史上曾受改良活动影响导致栖息地退化，近期正实施生态修复工程，因此精确掌握退化与良好状态栖息地的空间分布对评估修复进程至关重要。
二、研究内容与核心结论
本研究旨在开发并提供一个训练好的NatNet模型，用于自动分类目标泥炭地栖息地类型——91D0泥炭沼泽林地、7120退化隆起泥炭沼泽（仍具自然再生能力）、7230碱性富养沼泽及KRO06泥炭沼泽柳灌丛，并评估两种互补制图策略的效果：一种用于勾绘良好保护状态栖息地的保守策略，另一种用于识别退化栖息地中碱性富养沼泽小斑块的精细策略。研究结果表明，所提出的无人机–NatNet框架在目标泥炭地实现了94%以上的验证精度，能够有效区分所研究的栖息地类型。尤其值得关注的是，在测绘为退化7120栖息地的区域内检测到7230栖息地碎片，这些区域可能代表早期栖息地恢复阶段的高质量富养沼泽植被，为修复监测提供了重要的空间基线。
三、关键技术方法概述
研究人员采用的技术路线主要包括以下环节：利用DJI Phantom 4 Pro V2.0无人机于2024年8月获取覆盖约0.418 km2的高分辨率RGB影像（地面采样距离2.74 cm/像素），经Agisoft Metashape处理生成正射镶嵌图与数字表面模型（DSM）；结合全国机载激光扫描（2017–2019年）获取的数字地形模型（DTM），以DSM与DTM之差计算植被高度作为额外特征通道；基于野外植被社会学调查与GPS边界记录，经NaturaSat软件半自动分割生成训练与验证用栖息地多边形；采用自然数值网络（NatNet）算法，分别在11×11像素与21×21像素两种代表性方块尺度下进行训练，以RGB三通道均值与植被高度构成特征空间，生成相关性图实现栖息地分类。
四、研究结果
实验一（11×11像素训练方块）： 训练精度76%，参数为K?=400、K?=2800、δ=0.09。验证结果显示91D0与KRO06栖息地分类精度极高，F1分数分别达0.99和0.98；7120与7230之间存在主要分类混淆，7120的召回率为0.98、精确率为0.86，7230的精确率为0.97、召回率为0.84，F1分数为0.90，总体验证精度94.6%。
实验二（21×21像素训练方块）： 训练成功率100%，参数为K?=3700、K?=1700、δ=0.004。91D0栖息地实现零误差分类（精确率、召回率、F1分数均为1.00）；7120与7230之间的混淆减少，仅3例7230被误分为7120；但出现4例7120被分为KRO06及3例KRO06被分为7120的情况，总体验证精度94.0%。
相关性图分析： 基于11×11像素训练的模型能捕捉精细尺度植被结构，91D0多边形内部呈亮色但非均匀（受树间阴影影响），KRO06区域高亮且与分割多边形高度吻合，7120栖息地主导全区且高相关区域延伸至多边形边界之外，7230栖息地在黄色训练多边形及紫色验证多边形内均呈现高相关值，并在7120多边形内部检测到指示7230的亮色斑块。基于21×21像素训练的模型提供更均匀的栖息地分布表征，91D0与KRO06多边形内部呈更均匀白色，更适合森林栖息地识别，但KRO06在红色多边形内出现轻微高估，且无法识别退化区域内的小规模7230斑块。
五、讨论与结论
本研究的94%验证精度显著高于文献中报道的同类研究水平。已有研究显示，湿地生态系统类型分类的总体精度通常为79%–94%，植物群落级分类为77%–90%；基于Sentinel-2卫星数据的湿地类型分类精度很少超过65%–85%；多传感器（LiDAR、高光谱、热红外）机载数据结合机器学习对22个栖息地类别制图的精度为79%；无人机多光谱影像的物种级分类最佳精度仅69%；跨多个泥炭地的栖息地制图精度为72%–88%。本研究的精度优势部分归因于目标栖息地类别较少、单一地点验证以及RGB影像与植被高度特征的有效结合。
研究结论表明，将植被高度纳入特征空间有效提升了泥炭地栖息地的判别能力。基于11×11像素训练方块的模型适用于精细尺度的栖息地制图，能够识别退化区域内的7230小斑块，对修复监测具有重要价值；基于21×21像素训练方块的模型则更适合宏观栖息地分布制图。两种策略互为补充，所生成的栖息地地图为未来修复进展监测提供了空间基线。
