使用无人机与地面数据半自动绘制和分类寒带滨海湿地植物群落的方法

摘要

该方案包含四个相互关联的阶段：无人机（UAV）调查、地面实况数据采集、植被指数计算，以及基于人工智能的沿海湿地植物群落分类与制图。最终生成一个多层级的地理空间数据集，可用于生态学、环境监测以及沿海湿地生境保护与管理的决策支持。

摘要

半自动化的植物群落制图弥合了传统生态调查与现代人工智能辅助生态系统监测之间的差距，能够以前所未有的规模和速度开展野外调查与监测。以低矮草本植物为主的滨海湿地，需要基于无人机（无人驾驶航空器，UAV）的摄影测量调查，以实现更高的空间分辨率和更灵活的时间安排。本方案包含四个阶段：基于无人机的航空摄影、地面真实数据采集与地理配准、植被指数计算，以及在 R 语言中使用随机森林（RF）算法进行监督分类（即基于机器学习分类的人工智能辅助、半自动化植物群落分布制图）。所使用的关键 R 语言程序包包括 terra、sp、sf、rgdal、raster、rsample、MLmetrics 和 randomForest。第二阶段的重点是传统的生态调查方法——分层样方地面取样。 地面取样作为实地验证手段，提供实证依据，以确保最终制图产品的准确性和可靠性。本研究测试了两种广泛使用的无人机搭载传感器类型：多光谱传感器和 RGB 相机，分别生成了 19 个多光谱指数和 27 个基于 RGB 的指数，以及一个由 RGB 数据生成的数字表面模型（DSM）。研究在中国台湾一处波罗的海滨海湿地的案例区域开展了植物群落制图，获得的算法性能结果如下：使用多光谱数据集时，模型整体精度达到 92.3%，袋外（OOB）误差为 7.75%；相比之下，使用 RGB 数据集时，精度超过 98%，袋外误差为 1.14%。这些结果进一步证明了两种传感器类型的适用性。该方案的每个阶段均生成地理配准的数据集。这些数据集可整合为一个包含生物物理野外观测数据的多层地理信息系统（GIS）项目，为复杂的生态系统研究（如用于预测影响与变化的生态建模）提供基础。在实际应用中，该 GIS 项目可作为土地覆盖的历史记录，支持管理决策、生态环境修复规划及长期监测工作。

引言

本实验方案的目的是提供一种实用的、逐步操作的工作流程，该流程结合基于无人机（即无人驾驶航空器 [UAV]）的摄影测量调查与现场生物物理观测数据作为地面真实数据，以生成滨海湿地植物群落分布图。最终输出结果为土地覆盖图，通过半自动化的机器学习过程（随机森林 [RF] 算法）生成¹。

植物群落图是湿地生态建模中的关键数据集，因为它将复杂的植被格局转化为具有明确空间位置的、基于像素的生境结构表征。该基础数据集可支持对整个景观范围内的生态过程（如生物量分布、物种相互作用、生态水文响应、养分循环）进行建模^2,3,4。

除了植物群落图之外，按照本方案的步骤还可获得一系列地理空间数据。这些数据可保存为地理信息系统（GIS）项目，能够被整合到GIS中，用于共享，并支持进一步的生态系统分析和决策，以辅助管理规划和环境监测。

本方法中，无人机（UAV）调查可生成一幅几何精确的RGB（即红、绿、蓝三原色）和/或多光谱正射镶嵌图，以及数字表面模型（DSM），这些数据均作为基础数据^5,6。利用正射镶嵌图作为地理信息系统（GIS）软件计算器的输入数据，可计算植被指数（VIs）。为生成最终输出图，将植被指数作为随机森林（RF）分类的逐像元预测变量，将正射镶嵌图的原始光谱信息转化为结构化分类输入^7,8。由于植被指数是光谱波段的数学组合，能够突出植物反射的植被特性与光信号⁷，因此可在生态学中作为独立数据用于监测生境质量与生物多样性，并支持生态建模^8,9。因此，植被指数以栅格图形式保存，并纳入GIS项目中。

在人工智能辅助的环境中对植物群落进行分类和制图时，必须将遥感数据集（例如无人机航测图、数字表面模型DSM和植被指数VIs）与地理配准的实地生物物理观测数据相结合，以确保生态学上的可靠性、可重复性及有意义的解释¹⁰。此类实地数据可作为随机森林（RF）算法的“地面真值”，用于对植被指数中的生境-植被覆盖像元数据进行分类，并预测研究区域内植物群落的分布情况（例如生成植物群落分布图）¹¹。除了作为机器学习的地面真值数据集外，地理配准的观测数据还提供了将生物物理观测结果锚定于地理信息系统（GIS）中的手段。通过这种方式，生态数据集可作为属性表使用，并进一步作为生态系统建模的环境变量^12,13。实地数据对于验证生境的生态状况具有重要价值，因其直接采集于所研究的真实环境中，能够对特定条件提供真实且即时的评估¹⁴。

滨海湿地是位于受庇护的海岸区域的低能量生境。除南极洲外，湿地生态系统分布在六大洲的沿海地带，在全球范围内发挥着重要的生态作用，但在 极端极地地区的冰盖景观除外¹⁵。全球人口增长与工业化、海岸防护工程以及农业活动的加剧，对滨海湿地产生了显著影响，导致其破碎化和退化^16,17。这些压力使得滨海生态系统成为全球生态修复与保护的优先对象¹⁸。

对沿海生境的环境监测和生态系统建模有助于评估生态系统健康状况、识别时间变化趋势以及评价生态恢复效果¹⁹。然而，由于这些生态系统的动态性、可达性受限，以及在复杂且常为偏远的潮间带区域进行数据采集的成本高昂，有效的监测工作可能受到阻碍¹⁸。在动态且难以进入的生境中，植被通常提供了最清晰、最稳定的生态变化信号。

由于植被是生境形成的基础，对植物群落进行分类并绘制其分布图，为生态评估和生境过程建模提供了关键基础^20,21,22。滨海湿地是高度异质性的系统，在短距离内，其高程、盐度、植被结构、水文和沉积物特征均表现出显著变化。由于这种复杂性，本方案采用分层样方 取样法²³（每种植物群落至少采集十个1 m × 1 m的样方样本），这不仅有益，而且在方法学上对于生成具有代表性的生态系统模型和土地覆盖图至关重要^24,25。

为说明该方法，本研究在波罗的海爱沙尼亚西部群岛的希乌马岛上一处微潮盐沼开展了案例研究（图1）。波罗的海的海岸景观，包括群岛中超过10万个岛屿上沉积物积聚区的沼泽，正以不同强度的水平进行管理²⁶. 为生物多样性保护与恢复，波罗的海北方滨海湿地被维护为半自然草地^27,28此类湿地草原因其区域景观遗产价值而备受重视，其中一些区域（包括本研究案例地点）属于“Natura 2000”保护区网络的一部分。在这些地区，为维持低矮植被的生长，以支持更高的生物多样性并为涉禽等野生动物提供栖息地²⁹沿海草甸通常进行大规模放牧和（或）季节性刈割，以维持开阔的草地环境，并防止其被扩张性物种占据，例如 Phragmites australis³⁰. 在寒带沿海地区，采取保护措施管理的湿地通常包含四种关键植物群落：开放先锋群落（OP）、下部岸带群落（LS）、上部岸带群落（US）和高草群落（TG）³¹四种均出现在所选的案例研究地点。维管植物物种在沿海湿地草甸中占主导地位。OP指示物种为嗜盐植物： Salicornia europaea （最常见高度范围为3–30 cm）和 Suaeda maritima （10–50 厘米）. LS 主要由 Glaux maritima （3–25 厘米）和 Juncus geradii （25–75 厘米）。美国指示物种为 Festuca rubra （15–90 厘米）和 Leontodon autumnalis （10–80 厘米），且以优势草本植物确定为 TG： 小糠草 （30–120 cm）， Elytrigia repens （30–120 厘米），以及 Molinia caerulea （50–180 厘米）。此外，该气候区典型的滨海湿地植物包括： Spergularia marina （5–30 厘米）， Plantago maritima (10–30 厘米)， Triglochin maritima （15–70 厘米），以及 匍匐翦股颖 （15–30 厘米），在不同群落中均有出现。

滨海湿地的特征是地势低平的景观，具有微小的微地形变化，例如洼地和土丘，这些变化会影响植物群落的分布。这些地貌特征通常通过洪水、风暴潮和潮汐流期间的沉积物沉积等自然过程形成³²。这些地貌特征往往缺乏可通过粗分辨率航空影像检测到的明显特征，但物种组成会表现出特定的光谱响应，这些响应可以被记录并分类³³。通常，卫星和飞机航空测绘可提供支持生态系统监测与评估所需的大量地理空间数据，用于生态系统的调查与建模^34,35。然而，低空无人机航空测绘对于有效调查滨海草原至关重要。该方法可提供高分辨率数据，并对地貌特征进行更详细的摄影测量记录，包括植被分布模式以及由数字地表模型（DSM）生成的植被高度模型，从而提高分类精度³。

与替代方法相比，无人机（UAV）工作流程能够灵活安排飞行时间以匹配物候阶段，最大限度减少云层干扰，并获取卫星无法提供的结构细节^36,37。结合机器学习方法（例如随机森林），无人机数据可支持自动化的模式识别、对象分类，并从人类难以处理的复杂数据集中提取有价值的信息³⁸。然而，现场地面采样对于监督学习仍然不可或缺， 因为它为模型的训练和评估提供了经过验证的标签，确保模型学习到正确的模式，且其性能具有稳健性和可靠性^11,39,40。

本方案适用于可进行现场采样的低矮植被群落的低起伏生态系统。工作流程分为四个明确阶段（图2）：（1）基于无人机的航空调查，（2）地面实况数据采集与地理配准，（3）植被指数计算，以及（4）在开源统计计算环境R中使用随机森林进行监督分类。本方案在RStudio中实施，使用了以下关键软件包：terra、sp、sf、rgdal、raster、rsample、MLmetrics和randomForest。

方案

注意：以下步骤描述了绘制和分类滨海湿地植物群落的详细工作流程（见图3中的示意图）。本方案可使用搭载于无人机的多光谱传感器或RGB相机进行复制。完成本方案需要数天时间，因此该方法分为四个阶段，各阶段之间可选择性地安排间歇。建议按照指定顺序执行，因为前一阶段的结果将支持下一阶段的实施。前三个阶段生成的数据集将作为最终阶段的输入。

1. 基于无人机的航空勘测

1. 获取并查阅无人机操作人员的基本安全注意事项、当地法规以及无人机硬件和软件的使用手册。
   1. 确保飞行员安全、合法且专业地操作；持有飞行区域所需的所有认证或执照；并接受过特定无人机型号、搭载传感器/相机使用及任务工作流程的全面培训。请查阅所在州或地区的监管框架，以获取无人机保险相关要求。
   2. 确定任务区域的空域分类并取得所需的授权。遵守高度限制、禁飞区规定以及机场、基础设施和人口密集区周围的临近限制。出于环境与野生动物保护考虑，应遵守季节性限制（例如繁殖期），并遵守针对受保护景观区、湿地、Natura 2000 地区及其他保护区的环境法规。
   3. 必要时通知当地社区成员或相关利益方，以获得批准并避免误解。明确数据保护规定，说明航拍图像可能捕捉到人员、私人财产或车辆的情况，确保各方理解无人机飞行旨在为研究目的绘制植物群落分布图，且任何受数据保护法规约束的额外数据将严格保密。
      注意：当国家或地区法规要求无人机操作前需进行预先通报时，通常需要提交通知。
   4. 遵循无人机及安装传感器的所有制造商在组装、维护和操作方面的指导说明；遵守这些规定可确保安全操作并保护设备完整性。应遵守最大风速限制（包括阵风，最高9 m/s）和温度范围（最低0 °C） °C；最大值 35 °C）以及有效载荷能力来选择传感器/相机。电池的存放和运输应遵循制造商说明及航空安全法规。
2. 设计无人机飞行任务。
   ​注意：本方案采用配备多光谱传感器、RGB传感器及飞行管理软件的eBee X固定翼无人机系统。使用无人机时，务必参考制造商提供的操作手册。
   1. 在笔记本电脑上打开预装的飞行管理软件。在欢迎页面下方 新任务 选项卡，选择要使用的相机（此处为：Sequoia），输入任务描述性标题（例如：研究地点名称），并选择 创建任务。该 使命 面板将自动打开，主视图中将显示卫星地图。
   2. 在卫星地图上，使用光标缩放、平移并导航至研究地点的大致位置。在 工作区域 标签，选择 放置工作区域 将光标移至研究区域中心附近，然后点击。此时会出现一个代表工作区域的圆形，通过增加或减少半径来调整其大小。
   3. 在任务面板上，单击 起飞与着陆 标签，然后单击 添加新起点，将光标移至卫星地图上的期望起飞位置，单击以设定新的起点。之后，单击 添加新主页，选择 线性着陆在地图上将光标导航至所需的无人机降落/返航点，然后单击以设定。
      注意：规划任务时，应使用软件中的卫星地图和测量工具来确定最佳起降区域，因为需要无障碍的起降跑道。一些固定翼无人机不具备垂直起降能力，起飞时需逐渐爬升至目标高度，降落时需逐渐下降。此类无人机需要长度为200–300米、宽度为75米的起降跑道。
   4. 在 使命 面板，选择 任务模块 标签。单击 添加任务模块，然后选择 水平定位. 从 相机 下拉菜单，选择 红杉，以及从 计划如上，选择 高程数据 - EAD. 预设菜单将显示带有可调节数值选项卡： 分辨率 10 厘米/像素， 侧向重叠 75%，以及 纵向重叠 80%，从而确定飞行高度为106.1 m/AED（该无人机调查选择了这些自动设定值）。
   5. 将光标置于卫星地图视图上，通过左键单击在调查区域周围添加可调节的角点，绘制出研究区域的多边形。完成时，右键单击以在地图上显示无人机的潜在飞行路径。
      ​注意：为实施本方案，估计调查区域面积为 40 公顷，飞行时间为 32 分钟。
   6. 仍在进行中 使命 面板，在该 安全措施 标签，确保已选择以下操作。对于 返回首页：如果检测到强风、相机报告故障、光线不足（或镜头盖未取下）、续航电量低、GNSS 定位精度下降、地面调制解调器链路中断达 300 秒（可调整），以及 攀爬：如果检测到接近地面, 应选择。
   7. 时间至关重要：应将测绘任务安排在尽可能接近实地验证（生物物理采样日期）的时间点。这一点极为关键，因为这能确保无人机影像与野外数据反映的是相同环境条件和物候状态下的生态系统，从而显著提高地图的科学精确性和可解释性。
   8. 选择低潮时段（或在非潮汐海岸选择“低水位”条件），以最大限度暴露栖息地并减少水面反光；在安排航空调查时间时，还需考虑对野生动物的干扰，尽量避免繁殖季节。
3. 执行飞行前检查和飞行任务。
   1. 现场评估环境条件。确认当前海水水位较低；避免干扰野生动物；确保起飞和降落区域稳固、干燥，并足够高于水面。检查飞行任务区域的空域，包括起降区域，是否存在空中障碍物。
   2. 监测天气预报以确定最佳飞行条件：风速（最大9 m/s）、能见度（无雾）、湿度（低于75%）和降水（最大预测40%）。
   3. 组装无人机系统：无人机硬件、传感器/相机、天线和飞行管理软件。连接无人机电池。检查无人机硬件，包括传感器/相机状态；确保镜头清洁；并确认传感器/相机已正确连接至无人机。
   4. 打开野外工作计算机，启动飞行管理软件（eMotion），并点击 加载 使命 来自 浏览 文件。
      1. 将USB天线连接到笔记本电脑，点击“连接”，右侧将出现飞行控制栏。
      2. 在 相机 选项卡，确认有足够内存用于存储所有测绘图像（空的SD卡，最小32 GB），并确认列出了正确的相机（Sequoia）。开启计算机声音以接收软件通知。
   5. 确认固件和软件已更新（通过自动软件通知），并在需要时校准指南针。
   6. 确保预设任务已正确加载（即主视图中可见飞行路径、起飞和降落轨迹）。确保已正确选择安全操作（如步骤1.2.6中所列）。
   7. 校准多光谱传感器。将校准板放置在地面上，然后将无人机悬停在校准板上方，使传感器/相机镜头对准校准板。
      1. 在软件中，访问飞行控制栏并打开 相机 标签，然后按 校准.
      2. 等待声音信号提示拍照，直到文本 辐射度校准完成 出现此现象。如果仅使用RGB传感器，则无需此步骤。
   8. 任务开始前，检查风向。取少量轻质的干草、沙子或干枯树叶，从齐眼高度释放；草叶飘动的方向即为风的行进方向。
   9. 然后，在软件的主界面（卫星地图）中，通过拖动方向控制柄调整无人机飞行路径的朝向，使飞行航线与风向垂直。确保飞行路径覆盖整个调查区域：通过拖动多边形的角点来调整各顶点位置。
   10. 调整着陆轨迹方向，确保着陆路径方向逆风。
   11. 确保在完成所有调整后，飞行路径、起飞和降落区域均位于工作区域内。如有必要，可通过增大工作区域圆圈的半径数值来扩展工作区域 工作区域 标签
   12. 按照预设飞行路径启动无人机自动飞行任务（案例研究的调查区域：40.5 公顷）。记录飞行开始时间。
       1. 飞行过程中，请保持飞行管理软件开启，并确保无人机天线始终连接。
       2. 在任务期间，注意监听和观察软件提供的电池电量更新、传感器性能以及无人机的警报信号（例如，风速增加、障碍物检测）。
       3. 始终保持目视可视无人机（VLOS），在执行任务期间不得脱离视线，除非获得特别批准。避免一切干扰，随时准备响应提示或执行紧急降落。记录飞行结束时间。
          ​注意：最佳实践（根据地区不同，可能为法律要求）是安排两名操作员进行调查：一名保持目视视距（VLOS），另一名监控飞行管理软件。若发生无人机事故，应立即暂停飞行作业，封锁现场，记录事件情况，通知相关主管部门，并启动保险程序。
4. 执行飞行后程序。
   1. 从无人机搭载的传感器或相机中提取所有航拍图像，并将包括飞行日志在内的全部勘测数据备份至计算机和/或云端。
      注意：随着时间推移，设备可能损坏，SD卡可能出现数据损坏，数据丢失的风险随之增加。
   2. 验证图像的清晰度、曝光度和覆盖范围，检查图像序列中是否存在因传感器错误或眩光、阴影或潮汐淹没导致的间隙。根据需要重新安排并重新进行航拍，确保无人机飞行与地面实况调查在时间上尽可能接近。
   3. 从国家土地测绘服务等公共档案库下载并保存与飞行日期和时间对应的接收机独立交换格式（RINEX）文件。
   4. 在外部硬盘驱动器（250 GB–1 TB）上为研究案例创建一个文件夹（建议标题：日期_地点） [避免使用空格和特殊字符]。该文件夹将作为后续步骤中数据存储与访问的主文件夹，并用于创建和保存地理数据库图层。
   5. 要执行空中测绘图像的地理标记，在飞行管理软件中打开 飞行后 标签。如果使用同一台计算机进行飞行操作，则 日历，选择航班日期。否则，选择 无.
   6. 浏览并上传备份文件中的飞行日志。在外接存储驱动器上为该案例研究创建一个项目文件夹（按屏幕提示命名项目）。点击 下一步.
   7. 浏览并上传飞行期间使用的SD卡中的飞行日志，可通过飞行编号进行识别，或从备份文件上传。等待飞行路径在软件主界面中显示。确认其为正确的区域/飞行日志。点击 下一步.
   8. 从下拉菜单中选择 后期处理 选项，选择 PPK：处理无人机的GNSS原始数据. 在 基站日志 选择 Rinex，浏览并找到已保存的 RINEX 文件。点击 下一步，然后等待计算完成。确保 PPK 固定 > 地理标签发布 处理完成后显示为 100%，然后单击 下一步.
   9. 在 加载图像 下拉菜单，选择以下选项之一：从 SD卡 或 浏览 找到与飞行日志相对应的航拍图像文件夹。点击 下一步. 等待直到 图像匹配成功 出现，然后单击 下一步 开始将地理标记图像导入项目文件夹。这些图像将作为摄影测量过程的输入数据。
      注意：每次飞行日志均需单独进行图像地理标记（重复步骤 1.4.4–1.4.8）。例如，在更换无人机电池后，后续的航空测绘将生成新的飞行日志。
5. 处理摄影测量数据（即利用航空测绘图像生成地图产品）。
   1. 在工作站上，连接包含地理标记无人机航拍图像的外置硬盘，并打开预装的摄影测量软件。
      1. 创建一个新项目，并将其保存至外接硬盘（推荐格式：前缀 MS 或 RGB + 地点 + 日期）。
      2. 添加图像，注意多光谱和RGB数据集必须在不同的项目中进行处理；因此，多光谱影像使用MS前缀，RGB影像使用RGB前缀。
         ​注意：使用了PIX4Dmapper；但也可采用其他摄影测量软件重现本方案。
   2. 确保在 图像属性 弹出屏幕中列出/选择以下内容： WGS 84 作为坐标系，正确的数量 地理定位图像，以及 选定的相机型号 波段列表（红杉、绿、红、红边、近红外波段，或RGB）
      1. 按压 下一步，然后选择处理模板： 银多光谱 用于多光谱，但 RGB Ag 用于RGB图像。 完成，主视图中将显示带有图像位置的卫星地图。
         注意：对于多光谱项目，务必添加包含校准板的校准图像（在步骤1.3.7中创建，并随所有调查数据自动保存）。在本案例研究中，共计有2,320张多光谱图像和577张RGB图像完成了地理定位。
   3. 打开 处理选项 窗口，单击 1. 初始处理 此处下方 关键点 图像比例尺，选择 在质量报告中生成完整正射镶嵌图预览，然后点击 2. 点云与网格 > 点云 在此标签页中，选择 1/2（半幅图像尺寸，默认） 并选择 点云分类.
   4. 点击 3. DSM、正射影像镶嵌图和指数 > 索引计算器 标签选择 GeoTIFF 和 合并图像块 以及生成所有可用的指数 (图4).
      1. 对于多光谱项目，确保在 放射性测量处理与校准，每条条带的 校准类型 设定为 相机、太阳辐照度与太阳高度角.
      2. 点击 DSM 和 正射影像图 在……下方 光栅数字表面模型 选择 GeoTIFF 与合并瓦片，以及以下 正射影像图 选择 GeoTIFF 与瓦片合并. 点击 好的 并开始处理。
         注意：处理多光谱图像时，校准类型会根据飞行前现场拍摄的校准图像自动设置（步骤 1.3.7），但也可通过单击手动重新校准 校准然后浏览以找到校准板的图像（带有相应的波段名称），并输入从校准板上读取的反射率因子值。
   5. 摄影测量处理在多光谱项目文件夹中生成并保存反射率图（无人机航测图）：绿光、红光、红边、近红外（NIR），以及RGB波段：红、绿、蓝、灰度、正射影像和DSM（数字表面模型）。需确保所有指数、正射影像和DSM的GeoTIFF文件已合并，并检查项目报告是否存在错误；若发现问题，应重新执行处理流程。

2. 采集真实数据并执行地理配准

1. 准备野外工作。
   1. 提前访问研究地点，实地考察以确定感兴趣的潜在植物群落，从而获得对该地点的直观认识。确定哪些生物物理观测指标在实地可获取，并且是描述所选研究地点植物群落组成所必需的。
      注意：为了说明本方案，重点研究了植被的物种、结构和组成，以划分出4种代表波罗的海博雷亚尔沿海草甸生境的植物群落：先锋开阔群落（OP）、低岸群落（LS）、高岸群落（US）和高草群落（TG）。
   2. 准备并打印一份视觉化的植物物种鉴定指南，列出所要绘制的特定生境中代表性植物群落的物种。该指南可在电子设备失效时，加快并辅助现场物种鉴定。
   3. 准备一份用于记录野外观察数据的工作表，内容包括指示物种清单，以及研究区域及其周边环境中常见物种，同时列出需要记录的其他生物物理野外观测项目（例如：调查日期、植被高度、生物量重量）。
2. 采用分层抽样方法，利用样方收集地面实况数据。
   1. 根据经验性的野外知识，通过视觉识别植物群落。
   2. 在所采样的植物群落具有代表性的区域放置样方框，避免选择受明显干扰的区域。对于北方滨海湿地，使用1 m × 1 m的样方即可。该样方将作为生物物理观测和生物量采样的样本地块。
   3. 记录调查日期、调查人员姓名、植物群落类型/分类以及每个样方的编号。
      注意：建议按以下顺序建立编号代码：研究领域代码 + 植物群落代码 + 样方记录的样方序列号。这些编号代码将生物物理野外观测数据与地理空间数据集及坐标信息关联起来。
   4. 使用GNSS/RTK系统和测绘软件，通过输入与样方编号相对应的数字代码并保存坐标，记录样方每个角点的坐标。
      注意：使用可提供高精度（厘米级）定位数据的GNSS接收器；有关设备及其配套软件的操作说明，请参阅用户手册。
   5. 至于生物物理观测，在样方内记录每种观测到的植物物种的估计盖度百分比，以及其它可能具有指示意义的变量的盖度，包括裸地、植物残落物、苔藓和藻类（确保总和在95%至105%之间，这是植物社会学调查中可接受的范围）。使用卷尺随机测量五次植被高度，以确定样方的平均植被高度。
   6. 使用同一采样样方，可选收集生物物理观测数据：例如土壤含水量百分比，通过在土壤表面切割植被获取样方内植物生物量，将采集的生物量装入纸袋，并使用电池供电且调平的电子秤称重（精度 ± 1 g)。为获得真实的生物量重量，需从总重量中减去纸袋的重量。记录所有重量数据以供后续参考。
3. 在每种植物群落类型（即 OP、US、LS、TG）内，至少重复执行此前步骤（2.2.1–2.2.6）中所述的分层样方取样程序10次。
   ​注意：避免将样方设置得过于密集。必须在研究区域范围内进行一致且全面的取样，以确保所记录的样方数据能够准确反映生境状况。由于植物群落常在滨海湿地中呈镶嵌分布，应在研究区域内不同位置对同一植物群落进行取样。
4. 完成所有野外观测后，将样方抽样记录数字化。
   1. 将所有野外工作笔记转录到电子表格软件中，通过将数据整理为带有标题行的表格格式来创建用于分析的数据集，标题行应标注每个变量；然后相应地输入所有数值。
   2. 保存文件并将其导出为逗号分隔值（CSV）文件。
5. 通过地理配准生物物理观测数据创建真实值数据集。
   1. 从野外使用的GNSS/RTK系统中下载样方角点位置的所有记录坐标，保存为CSV文件。
   2. 在地理信息系统（GIS）软件中创建一个新项目（本方案使用 QGIS 实现），并将项目保存为 1.4.3 步骤中创建的文件夹内的 .qgz 文件。该文件夹及 .qgz 文件将包含后续所有步骤中的地理空间数据集。
   3. 在 GIS 工作区中，将包含样方角点坐标的 CSV 文件作为分隔文本图层导入。导入这些坐标后，它们将显示为点状图形。
   4. 连接每个样方角点的坐标 作为面文件（多边形）保存为shapefile。
   5. 通过关联两个文件的编号代码，将多边形矢量文件与数字化田间数据集的 CSV 文件（在步骤 2.4 中创建）进行连接。
   6. 将新创建的地面实况数据集保存为 GeoPackage (.gpkg) 文件，存储至外接硬盘上创建的文件夹中（步骤 1.4.4）. 保存以更新GIS项目。

3. 计算植被指数（VIs）

1. 为可见光（Vis）准备基于无人机（UAV）的测绘地图。
   1. 在GIS软件工作区中（使用步骤2.5.2中创建并在步骤2.5.6中更新的同一.qgz文件），导入在本方案第一阶段（步骤1.5）通过无人机调查生成的所有反射率镶嵌图（地图产品）。
   2. 通过“裁剪”去除不必要的数据以减小地图尺寸。根据样方分布情况，并结合对研究区域范围的经验判断，创建一个包围研究区域的多边形边界，并将地图裁剪至该多边形范围（图5）。这将减小文件大小并提高处理速度。
      ​注：裁剪后的调查地图（多光谱绿波段、红波段、红边波段、近红外波段，以及RGB红、绿、蓝波段GeoTIFF文件，以及步骤2.5.6中创建的ground_truth.gpkg文件）可通过链接 https://doi.org/10.5281/zenodo.20075625 从Zenodo知识库下载，仅供教育用途，用于练习复现以下步骤。
2. 使用栅格计算器工具进行计算；植被指数（VI）公式列于补充文件1^{34,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71}。
   1. 计算多光谱植被指数（VI）时，使用红波段（RED）、绿波段（GREEN）、近红外波段（NIR）和红边波段（Red-edge）GeoTIFF文件作为输入值（参见图6，GIS栅格计算器，以一个植被指数公式的输入为例）。
   2. 对于基于RGB的植被指数计算，首先需对红、绿、蓝指数（步骤1.5生成的地图产品）进行归一化处理。仅在完成归一化过程后，再计算新的RGB植被指数（归一化RGB指数的公式可在补充文件1中RGB植被指数列表部分找到）。
   3. 将新生成的植被指数保存为GeoTIFF格式（例如栅格文件），分别存入不同文件夹，并按规则命名（例如前缀（MS或RGB）+指数名称），存储位置为外接硬盘上创建的GIS项目文件夹（步骤1.4.4）。
   4. 将步骤3.1.2中生成或裁剪得到的数字表面模型（DSM）及其他自动提取的植被指数（如灰度图）添加至RGB植被指数文件夹中。这些包含植被指数的文件夹，结合步骤2.5.6中创建的地面实况文件（ground truth file），将作为随机森林算法分类地图植物群落的基础数据集。保存更新后的项目，以在GIS项目中建立指向各植被指数栅格文件的链接。

4. 使用随机森林在 R 中进行有监督分类

注意：执行此阶段时，需在 RStudio 中打开 R 的统计计算环境，然后依次点击 文件 > 打开文件，并选择 补充文件 2 中提供的脚本。该脚本可直接使用，结构清晰，旨在确保结果可重复，并便于在其他研究地点进行调整。脚本可通过两种方式运行：（1）一次性运行整个脚本：点击 源文件（Source） 或按下 Ctrl + Shift + Enter，确保已更新文件夹路径和 GeoPackage 文件路径；或（2）逐行或逐块运行：将光标置于某一行或选中一个代码块，然后按下 Ctrl + Enter。推荐使用此方式，因其更便于排查问题。

1. 准备 R 环境。
   1. 安装并加载所需的软件包（即 terra、sp、sf、raster、rsample、MLmetrics、randomForest、rgdal）⁷². 
      注意： 如果 rgdal 与最新版本的 R 不兼容，可分别使用 rast() 和 st_read() 替代函数 stack() 和 readOGR()。
   2. 设置工作目录。
2. 执行栅格预处理。
   1. 从位于特定工作目录中的调查区域加载所有栅格文件。
   2. 确保输入栅格之间的投影、分辨率和范围一致。如果检测到不一致，请使用该函数 重采样() 在 R 中（例如， terra::resample() 或 raster::resample()) 以将栅格数据对齐到一个共同的参考文件（通常选择空间分辨率最粗糙的文件，以避免人为的上采样）（参见 Hijmans 等人的文章）⁷³).
3. 执行数据提取：
   1. 从GeoPackage（在步骤2.5.6中创建）导入真实数据。
   2. 使用 terra::extract() 将栅格值与样本多边形进行关联的功能。
   3. 将包含提取值的数据框与植物群落代码进行合并，确保这些代码为因子类型。
4. 使用分层抽样方法将数据集划分为训练集和验证集，以保持类别平衡。可根据样本数量或实际需求，调整训练样本与验证样本之间的比例。
   注意：较小的数据集通常需要按 80/20 划分，以提供足够的训练数据；较大的数据集采用 70/30 划分已足够，并可获得更强大的验证集或测试集（参见 Mohammed 和 Alsunosi 的发表文章）⁷⁴).
5. 进行模型调优。
   1. 定义参数网格以探索 mtry 和 ntree 的不同组合。
      注意：mtry 是指在随机森林（RF）中构建决策树时，每次分裂随机采样的变量（预测变量）数量。默认值通常在分类问题中为预测变量总数的平方根，在回归问题中为三分之一。而 ntree 是指森林中构建的决策树总数。树的数量越多，模型性能通常越好，但计算时间也相应增加；误差率通常在树的数量达到一定值后趋于稳定。
   2. 遍历网格（即网格搜索，系统地测试不同超参数值的组合，以找到模型的最佳性能组合），并评估每种组合的准确率。
   3. 选择准确率最高的组合。
      ​注：参见 Belgiu 和 Drăguţ⁷⁵，也见Bergstra等人⁷⁶，以便更好地理解此步骤的相关性及替代方法。
6. 使用最优参数组合拟合随机森林模型。该脚本记录袋外（OOB）误差和变量重要性。
7. 进行预测及准确率评估。
   1. 预测栅格堆栈和验证数据集中所有像元的植物群落类型。将分类图以 GeoTIFF 格式导出（参见 图7，显示了一个包含最终输出结果图表可视化的 R 控制台截图； 图 7A 显示使用多光谱植被指数输入数据集时生成的植物群落分布图产品，以及 图7B 显示使用RGB+DSM数据集生成的植物群落图产品。
   2. 在验证集上计算混淆矩阵、准确率、F1分数、精确率和召回率（参见 图8，显示了展示变量重要性（VI）性能排名的 R 软件截图； 图8A 显示使用多光谱植被指数作为输入数据集时 R 控制台及绘图的截图，以及 图8B 显示使用 RGB+DSM 数据集时的截图； 图8A, B 视图包括名为变量重要性图的图表 "最终随机森林"）。有关这些指标的更多详细信息，请参阅 Naidu 等人的文章。⁷⁷.
8. 重新打开QGIS项目（在步骤2.5.2中创建，并在2.5.6和3.2.3中更新），添加植物群落分类图（GeoTIFF格式）。保存QGIS项目以更新GIS项目。
   1. 要共享和备份所有地理空间数据集（无人机航测地图、地面实况数据、植被指数、植物群落分类地图，作为一个GIS项目），请进入该研究站点的文件夹，右键单击，然后选择 发送至 > 压缩（zip）文件夹.
      注意：完整的 GIS 项目文件夹可能构成一个庞大的数据集 （这 40 公顷案例 研究数据集 超出 140 GB）。如有必要，仅传输最终结果和真实数据集以减小文件大小。

结果

用于绘制和分类植物群落的半自动化方法旨在为沿海湿地生成准确的土地覆盖信息，这类湿地以异质性高、低矮的草本植物为主，并具有微地形特征；图1中的照片展示了此类生境的一个示例。本研究以爱沙尼亚希乌马岛的波罗的海北方沿海湿地为案例开展。在野外，共采集了四种植物群落样本用于训练分类模型：开放先锋群落（OP）、低岸带（LS）、高岸带（US）和高草群落（TG）。图2简要概述了该方法所包含的四个独立阶段。相比之下，图3提供了一个详细的图解指南，通过箭头连接编号的可操作步骤，表示数据流向，从而整合了整个实验方案各步骤与阶段的方法流程。该方法最终利用多光谱传感器和RGB传感器生成基于多光谱和RGB数据的植物群落分布图，这些地图作为图层与所有中间数据集一同存储于地理信息系统（GIS）项目中。每个阶段完成后均对地理空间数据集的质量进行评估，因为后续阶段的结果质量依赖于前一阶段成果的质量，直至最终阶段，其输入内容汇集了之前所有步骤的成果。

以下总结了该方案四个阶段各自的实验结果：

在第一阶段，无人机航测在120米高度进行，获得约10厘米/像素的地面采样距离（GSD）。航测获取了多光谱和RGB图像。经过后处理动态（PPK）校正后，对每张无人机图像进行了地理标记校正，并使用专业摄影测量软件将图像拼接生成航测地图。多光谱航拍图像的摄影测量处理生成了红光（RED）、绿光（GREEN）、近红外（NIR）和红边（Red-edge）波段的反射率栅格文件。

由于多光谱图像与RGB航拍图像的分辨率本身存在差异，因此需将其作为独立项目进行处理。参见图4中RGB图像拼接设置。图4A：通过选择合并后的图块并生成无缝、统一的输出地图来设置处理选项。图4B：从RGB相机图像中选择自动指数计算，生成四幅栅格地图：每个波段各一幅（红、绿、蓝），以及数字表面模型（DSM）。图4C：展示在初始处理阶段，通过生成自动连接点以匹配重叠图像中相同像素的过程。结合3个RGB（红、绿、蓝）波段和DSM，摄影测量软件还生成了一幅由软件自动生成的灰度栅格图像：一种单通道的单色表示形式，对不同波段（如红、绿、蓝）进行缩放与组合，像素值较低处呈现黑色，较高处呈现白色。该灰度指数的具体算法因软件而异，在不同摄影测量平台之间并无统一标准。

摄影测量软件生成了质量报告，描述了多光谱和RGB两组航拍图像拼接项目的处理结果。这些报告提供了用于验证精度的关键指标。高质量结果的指标包括低重投影误差：越接近0越好（通常认为低于1.0即可接受）。例如，密集的“匹配线”表示大多数图像之间具有较强的匹配性。输出的地图经过目视评估，未发现空洞或其他视觉异常。视觉异常可能表明存在反射率误差、拼接错误以及潜在的地理配准网格问题。结合摄影测量报告、特定软件手册及培训资源，可识别问题、找到解决方案并重新处理航拍图像。

无人机航测地图作为基础数据集，用于将复杂的光谱信息重新计算为标准化的基于像素的指数（即在第三阶段生成的植被指数VIs），从而使其能够作为机器学习分类的结构化输入（在方案的最后阶段）。

现场生物物理观测数据被收集作为真实数据集。在案例研究地点（波罗的海博雷亚沿海湿地），确定并采样了四种关键的维管植物群落：开放先锋群落（OP）、低岸带群落（LS）、高岸带群落（US）和高草群落（TG）。采用本方案第二阶段中规定的分层样方取样法，通过指示物种的存在来识别OP植物群落： Salicornia europaea 和 盐角草 下层植被以高比例的海滨珍珠菜（Glaux maritima）和矮生灯心草（Juncus gerardii）为特征；上层植被以其指示物种为特征： Festuca rubra 和 Leontodon autumnalis；而TG则以大量高大草本植物为特征： 小糠草、偃麦草，以及 Molinia caerulea 每个植物群落至少采集10个样方样本。每个样方样本包括以下生物物理观测指标：植物物种组成（%）、土壤湿度（%）、植被高度（厘米）以及样方坐标的精确位置。这些变量被数字化为表格数据集，导入GIS项目中，添加至样方GNSS数据的矢量文件，并保存为GeoPackage（.gpkg）格式。这种平台无关的文件包含湿地植物群落的生物物理观测数据和精确的样本坐标信息，具有双重用途：用于进一步的环境与生态系统评估及建模。尤为重要的是，在本方案的成功实施中，该GeoPackage文件在第4阶段所描述的机器学习过程中用作模型训练与验证数据。植物群落编码：OP、LS、US、TG；在机器学习过程中被用作训练标签。准确性（高保真标签、人工审核、格式一致）和结构（整洁、矩形格式（行/列））对于生成高质量的地面真实数据集至关重要。地面真实标签必须接近零错误率（如拼写错误），以确保标签规范的一致性。例如，若“OP”为地面真实标签，则必须确保其不会以其他任何形式（如“op”、“O.P.”）被标注，以避免重复。

为了执行该方案的第三阶段，利用第一阶段航空调查所获得的数据集，将原始航空调查数据重新计算为植被指数（VIs）。首先，为了减小数据集的大小并简化计算过程，对摄影测量输出结果进行“裁剪”，以剔除研究区域边界外无关或低质量的像素数据（参见图5，以了解在GIS软件中执行操作的示意图）。

然后，利用红光（RED）、绿光（GREEN）、近红外（NIR）和红边（Red-edge）反射率图计算了19种多光谱植被指数。以下多光谱植被指数栅格文件被生成并包含在GIS项目中：Datt指数4（Datt4）⁴¹、增强型植被指数（EVI）⁴²、绿光叶绿素指数（GCI）⁴³、绿色度差异指数（GDI）⁴⁴、广义差异植被指数（GDVI）⁴⁵、绿光红外百分比植被指数（GIPVI）⁴⁶、绿光归一化差异植被指数（GNDVI）⁴⁷、绿-红差异指数（GRDI）⁴⁴、绿-红植被指数（GRVI）⁴⁵、修正归一化差异植被指数（mNDVI）⁴⁸、修正土壤调节植被指数⁴⁹（MSAVI：见图6，GIS软件中输入MSAVI公式的栅格计算器截图）、修正简单比值红边指数（MSRred_edge）⁵⁰、归一化差异水分指数（NDWI）⁵¹、归一化差异植被指数（NDVI）⁵²、红边归一化差异植被指数（NDVIre）⁴⁷、红边三角植被指数（RTVIcore）⁵⁰、土壤调节植被指数（SAVI）^53,54、简单比值（SR）⁵⁵、红边简单比值（SRre）⁴⁷。

此外，共计算了23种基于RGB的植被指数，并将其保存为GIS项目中的栅格文件，以供进一步的空间分析：蓝绿比值指数（BGRI）⁵⁷亮度指数（BI）⁵⁸蓝光宽动态范围植被指数（BRVI）⁵⁹, 植被颜色指数（CIVE）⁶⁰增强型绿色视域植被指数（EGVI）⁶¹, 增强型植被指数（ERVI）⁶²，超绿指数 ExG 和 ExGI⁶³，组合指数（COM）⁶⁴绿色色度坐标（GCC）^34,65绿色叶指数（GLI）⁶⁶绿-红植被指数（GRVI）⁶⁷, 修正绿红植被指数（MGRVI）⁶⁸归一化绿蓝差值指数（NGBDI）⁶⁹, 归一化绿-红差异指数（NGRDI）⁶⁹，红-绿-蓝比值指数和红-绿-蓝植被指数（RGBRI）⁷⁰ 以及 RGBVI⁶⁸），红绿比指数（RGRI）⁵⁷可见光土壤调节植被指数（SAVI）⁵³，三角绿度指数（TGI）⁶⁹可见光大气抗阻指数（VARI）⁴⁷，植被指数（VEG）⁷¹，沃贝克指数（WI）⁶³.

最终输出包括两幅独立的多光谱与RGB植物群落分类图，均以GeoTIFF格式保存于GIS项目中，并包含所有前期地理空间数据。19种植被指数（多光谱VI）及实地验证数据集被用作机器学习工作流程（如RF算法）中的像元级预测变量，用于分类寒带滨海植物群落（OP、LS、US、TG）并生成多光谱植物群落图；基于RGB的预测变量（25种RGB植被指数、灰度指数和归一化⁵⁶ 红、蓝、绿波段指数和数字表面模型（DSM），结合真实数据集，对植被群落进行分类并生成基于RGB的植物群落分布图（参见 图7最终输出结果在 R 控制台中绘制； 图7A 表示 多光谱，以及 图7B 表示基于RGB的植物群落图。

为了生成最终结果，使用R环境（方案的第4阶段）编写并执行机器学习工作流程（例如RF算法），从而实现对中间结果的可视化，如植被指数（VI）性能排序（图8）。在绘制和分类植物群落时，R控制台提供实时的错误信息与解释，有助于排查问题，确保各步骤顺利推进。

本研究评估了两种用于植物群落分类制图的随机森林（RF）算法模型。第一种RF模型以多光谱植被指数（VIs）作为输入数据集，在验证数据集中达到了92.34%的准确率，F1得分为0.915。该结果是有效的，因为F1得分的取值范围为0（最差）到1（完美），得分越高表示性能越优。在RF模型中，F1得分代表精确率与召回率的调和平均数。该指标能够有效平衡假阳性与假阴性，即不会使某一类错误掩盖另一类错误，这对于不平衡数据集尤为重要，通常在各类别间进行平均或按类别分别报告，以评估模型的整体性能^78,79。该多光谱模型的袋外（OOB）误差率为7.75%，表明存在中等程度的误分类风险。在验证数据集中，各类别的F1得分范围从TG植物群落的0.845到OP植物群落的0.984，表明不同群落间的模型性能存在中等程度的差异。

第二个评估的随机森林模型基于RGB航拍调查获得的植被指数（VIs）和数字表面模型（DSM）构建，准确率达到98.89%，总体F1得分为0.987。其袋外（OOB）错误率仅为1.14%，反映出极高的可靠性。各类别的F1得分均保持在较高水平（0.986–0.993），表明对所有群落的分类均具有良好的稳健性。

R语言中的变量重要性图（图8A）展示了各个植被指数（VI）对北方沿海湿地植物群落的预测能力。其中，mNDVI 和 SR 作为最重要的多光谱植被指数，显示出对冠层绿色度和生物量的高度敏感性。同样，GRDI、NDVI、NDVIre 和 SRre 的排名也较高，表明红边波段和归一化差异指数在区分植被类型方面具有重要作用。相比之下，基于RGB的指数和DSM变量重要性图显示，由DSM衍生的结构高度模型作为预测变量，是分类精度的关键驱动因素（图8B）。其他重要预测变量包括TGI、灰度值和VARI，这些变量利用了RGB反射率的变异性。因此，这些结果表明，DSM及基于RGB衍生的指数显著提高了分类的可靠性，并降低了误分类风险。

整个地理空间数据集被保存为一个GIS项目文件夹，包括无人机调查和植被指数栅格图、生物物理观测地理数据库（地面实况数据）以及植物群落图；所有数据均作为一个QGIS项目（.qgz文件）进行关联。该项目适用于离线使用，并支持在不同GIS平台之间互操作。

图 1：研究地点。 照片中全球地图上标注了位置标记，指向爱沙尼亚西部群岛中的希乌马岛。研究地点Kõrgessaare rannaniit位于维斯科萨村，属于自然保护区。生境类型：北欧波罗的海滨海草甸（Natura 2000 编码 1630）。请点击此处查看此图的放大版本。

图2：概念性工作流程示意图。(1) 基于无人机的航空调查，(2) 实地验证数据采集与地理配准，(3) 植被指数计算，以及 (4) 在R语言中使用随机森林进行监督分类。本方案实施过程中生成的实际地图展示了这一四阶段方法。请点击此处查看此图的放大版本。

图 3：详细工作流程图。 该图示列出了本实验方案的 4 个阶段（及关键步骤），各阶段以不同颜色的面板表示，并展示了每个阶段生成的数据集。箭头表示数据流向。蓝色用于区分多光谱数据集，红色表示 RGB 数据集。请点击此处查看此图的放大版本。

图 4：摄影测量软件示例。（A–C） RGB图像拼接项目的截图：（A）DSM和正射镶嵌图的处理选项。（B）红、绿、蓝波段指数的处理选项。（C）处理进度界面，包含航拍图像和相机角度。请点击此处查看此图的放大版本。

图5. 在GIS软件中裁剪地图栅格文件。 QGIS工作区的截图，显示了依次打开的图层和标签页，演示如何裁剪不必要的数据：通过“栅格提取—按范围裁剪栅格”（此处“范围”指按需绘制的多边形形状，用于遮蔽其边界外的像素）请点击此处查看此图的放大版本。

图 6．GIS 软件栅格计算器截图。以修改型土壤调节植被指数（MSAVI）公式的输入为例。请点击此处查看此图的放大版本。

图 7。R 语言版本的统计计算环境截图，展示在 R 控制台（RStudio）中绘制的最终输出结果。（A）多光谱植物群落图；（B）基于 RGB 的植物群落图。请点击此处查看此图的放大版本。

图8R 截图的统计计算环境，用于展示 VI 性能排名。 (A，BR 控制台的视图：(A）使用多光谱植被指数作为输入数据集时的截图，以及（B) 使用 RGB+DSM 数据集时的截图。两者（A 和 B) 视图包含名为“final_rf”（由脚本生成的对象名称）的变量重要性图。 请点击此处以查看此图的放大版本。

补充文件1：植被指数方程。 本方案中使用的多光谱和基于RGB的植被指数（VI）方程列表，包括在计算RGB植被指数前对RGB波段进行归一化的公式。请点击此处下载该文件。

补充文件 2：RF 分类与验证脚本.R。请点击此处下载该文件。

讨论

该方案中的关键步骤包括第一阶段的无人机航测和第二阶段的野外工作，其中采集生物物理观测数据并构建地面真实数据集。这两个阶段均受天气条件影响，且必须在时间上紧密衔接。此外，二者均需生成具有高坐标精度的地理空间数据集（本案例研究中达到了1–3 cm的精度）。植被指数计算和机器学习过程的成功直接依赖于无人机航测数据和地面真实数据的质量。实现无人机航测地图精度的关键步骤在1.4节“飞行后程序”中有详细描述。如果后期处理/图像地理标记所使用的RINEX数据无法获取，可采用实时动态差分（RTK）基准站作为替代方案，其可在飞行过程中向无人机提供实时的全球导航卫星系统（GNSS）校正信号（参见视频文章Movchan等³⁷中的示例，内含设置说明示例）。

在数据采集之前，应实地考察研究地点，以获得对地形地貌的直观认识，识别目标植物群落，并确定可在现场可行采集的生物物理观测数据，用于描述植物群落组成。由于每个研究地点的景观特征和植被均受其气候带影响而各具特点，准确鉴定植物物种对于土地覆盖制图至关重要，因为不同物种特有的生化、结构和生理特性会产生独特的光谱反射特征。对于每个样方，应使用GNSS/RTK设备和土地测量软件记录其四个角点的坐标，并输入和保存样方识别代码。在样方内采集的所有其他生物物理观测数据或样本必须与这些坐标相关联，以确保每一项测量均锚定于地理空间数据集，并可统一整理为表格格式，用于植物群落分类以及后续的统计分析或生态建模。所采集的样方被标记为训练点，并附上群落名称/代码（例如，在本训练集中，分别为OP、LS、US和TG）。随后，随机森林（Random Forest, RF）算法学习与每个标签相关的像元模式。RF分类的最终结果是一幅显示研究区域内植物群落标签分布的地图，该结果基于野外工作期间提供的样方训练样本生成。

第3阶段（植被指数计算）和第4阶段（使用随机森林在R中进行监督分类）相互关联且具有高度可调整性。例如，补充文件1列出了19种用于从多光谱波段计算指数的数学公式，以及23种用于重新计算RGB航拍数据的公式。然而，由于植被指数由研究人员不断提出，这些公式均为开源，并发表于同行评审的文章和光谱指数数据库中⁸⁰。在机器学习过程中可用于测试以分类植物群落图的公式数量（比本文提供的）更多。数据集的更改将影响算法的性能。植被指数可增可减，以测试不同模型。由多光谱和基于RGB的数据集生成的两幅最终植物群落图，为比较模型性能提供了机会。基于RGB的模型准确率达到98.89%，但这并不意味着该传感器优于多光谱传感器（后者得分较低）。基于RGB的数据依赖颜色和高度信息，在对结构多样生境的土地覆被图进行分类时可能效率较高^9,33。相比之下，多光谱影像提供了更多关于植物生理状态而不仅仅是外观的信息，在区分颜色相似且遮荫抗性相近的植被类型方面可能更具优势（例如，植物强烈反射的近红外光，即使在部分遮荫条件下仍可被捕捉到⁸¹）。仅使用RGB传感器受限于其狭窄的光谱范围（红、绿、蓝），因为若缺乏近红外、红边或高光谱波段，细微的生化和生理差异（如叶绿素含量和水分胁迫）可能无法被检测到。

该方法的主要局限性可能包括所使用的无人机系统和摄影测量技术的成本较高。然而，本方法的设计允许在复制该方案时，多光谱传感器与RGB相机可互换使用。在实施本方案时，采用了配备多光谱传感器和RGB传感器（Sequoia）的eBee X固定翼无人机系统，以及eMotion飞行管理软件；但只要其他无人机系统具备多光谱传感器和/或RGB相机、飞行管理软件中的任务规划功能、90度天底方向的相机朝向，以及可供用户访问的飞行日志（用于飞行后地理标记）或具备实时动态差分（RTK）功能以在飞行期间记录精确图像坐标，即可实现本方案的复现。此外，非无人机操作员可将无人机调查工作外包，前提是所聘用的飞行员满足所有法律和操作要求，这在科研、保护及环境监测领域是一种常见做法；但研究团队仍需对基本任务设计负责，包括确定研究区域和决定调查时间。因此，即使对于非无人机操作员，也建议熟悉本方案的第一阶段内容。此外，所演示的摄影测量软件可用于成功实施该方案，也可选择短期许可以降低成本。

该方案的一个显著优势是兼容多光谱和标准RGB无人机相机。它可被预算有限的研究团队和保护实践者采用，并可在不同地区和机构间进行扩展，适用于长期监测。这种硬件独立性确保了工作流程具有未来适应性和硬件无关性。由于可同时使用RGB和多光谱调查数据，该工作流程支持多地点间的比较、长期时间序列分析（即使设备发生变更），以及整合以往（历史）的RGB数据集。

未来对该方案的改进可引入基于高分辨率影像的纹理指标，以更准确地捕捉植被的结构差异。在此背景下，探索结合RGB与多光谱影像的随机森林（RF）模型集成方法，可能提高分类精度。此外，未来建议将无人机（UAV）获取的植物群落图上推至卫星影像，并将该方法与基于云的平台相结合，从而实现大尺度生态系统建模⁸²。尽管无人机数据对于获取厘米级结构和光谱细节以实现精确的群落水平制图仍至关重要，卫星影像可作为额外的预测图层或更广泛的背景输入。将卫星衍生变量纳入RF模型，可能增强模型在更大空间范围内的泛化能力，并支持多尺度生境评估。这种混合方法可将基于无人机的群落图嵌套于更广阔的景观视角中，使该方法能够识别区域格局、优化无人机调查区域选址，并加强长期监测框架。探索如何在RF流程中实现卫星数据与无人机输入数据的协同整合，是一项具有研究前景的方向，有助于提升该方案的可扩展性与实际应用价值。

将无人机影像、野外调查、植被指数和人工智能辅助分类整合到一个可重复的工作流程中至关重要，因为它提供了准确绘制低矮植被分布图所需的空间、光谱和生态细节。基于无人机的遥感技术在科学界受到越来越多的关注，并已迅速发展成为广泛应用于多种领域的工具，特别是在沿海环境监测中⁸³。本方法为教育和科研提供了一套基于无人机并结合机器学习辅助的工作流程实用指南，旨在支持沿海生态系统中生态恢复以及自然或半自然草地的监测。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	UAV 系统 eBee X 是一款专业的固定翼测绘无人机。也可使用其他测绘无人机系统
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	用于规划无人机飞行任务和管理航拍数据。eMotion 软件是 eBeeX 无人机系统的配套免费组件
移动硬盘	任意供应商	NA	容量取决于研究区域和项目规模（250 GB - 1TB）
野外作业笔记本电脑	任意供应商	NA	一台性能良好、便于携带、适用于野外作业并可运行无人机飞行管理软件的设备（基于 eMotion 的配置要求：  64 位 Windows 10/11；Intel Core i5/i7（第 12 代及以上）或 AMD Ryzen 5/7（>3.5 GHz）— 高主频比核心数量更重要；最低 16GB（强烈推荐 32GB 及以上）；中端 NVIDIA GTX/RTX 显卡（例如 RTX 3060/4060）；NVMe SSD（必需）
GNSS/RTK 系统 Trimble	Trimble Inc.	型号  R10	配备土地测量软件和备用电池的接收器。也可使用其他 GNSS/RTK 系统
草剪	任意供应商	NA	用于生物量采样（可选）
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	摄影测量软件：Pix4Dmapper 可按月或按年授权使用。也可使用其他摄影测量软件来实施本方案
植物识别指南	任意供应商	NA	用于开展生物物理观测（可使用在线资源、书籍或本地植物识别指南的打印版）
QGIS	QGIS	3.44.9 Solothurn	一款免费开源的地理信息系统（GIS）软件，可从 https://qgis.org/ 获取，也可使用其他 GIS 软件来实施本方案
1 m × 1 m 的样方框	任意供应商	NA	用于第二阶段的野外工作/采样，即开展生物物理观测，可自行制作
R	R-Software Services	版本 4.2.0, https://cran.r-project.org	一种开源的预测建模与数据分析环境，广泛用于统计计算、图形绘制、数据分析和预测建模
RStudio	R-Software Services	版本 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	由于部分软件包可能需要从源码编译。使用的关键软件包包括：terra 1.5.21、sp 1.5-0、sf 1.0-15、rgdal 1.6-6、raster 3.5-15、rsample 1.3-1、MLmetrics 1.1-1 和 randomForest 4.7-1.1
天平（电池供电、水平校准、精度 ±1 g）	任意供应商	NA	适用于野外作业，耐用
Sequoia	Parrot SA	Parrot SEQUOIA+	一种多光谱/RGB 传感器，用于第一阶段。RGB 和/或多光谱传感器（许多专业无人机均配备一种或两种传感器）。本方案中使用 Parrot SEQUOIA+（制造商 Parrot SA）
土壤湿度测量仪	任意供应商	NA
无人机飞行天气预报应用	任意供应商	NA	用于飞行规划，使用 https://www.uavforecast.com/
WET 传感器套件	Delta T Devices	WET-UM-1.6	土壤湿度传感器（可选）
工作站	任意供应商	NA	为顺利处理摄影测量项目和在 R 中进行机器学习所需的最优配置（基于 Pix4Dmapper 软件要求：Windows 10/11，64 位；CPU 为四核或六核 Intel i9/Threadripper/Ryzen 9；兼容 OpenGL 3.2 且具有 2 GB 显存的 GeForce GTX 显卡；硬盘：SSD；大型项目（超过 500–1000 张 14 MP 图像）：32 GB 内存，60 GB SSD 可用空间