ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

作者感谢 感谢爱沙尼亚希乌马岛当地社区的支持，特别是管理沿海湿地的当地农民，他们在野外工作期间保障了研究团队的安全并给予了热情接待。作者感谢网络项目为拍摄提供的支持： &#34;由《自然》支持——基于自然的解决方案学习基地，助力波罗的海可持续发展&#34;，特别是Toomas Kokovkin和Siiri Külm，他们正在参与该项目，并协调在本方案示例所用研究地点建设学习场所/生活实验室。

<ol>
	<li>Breiman L. Random forests. Mach Learn. 2001;45(1):5-32.</li>
	<li>Guisan A, Zimmermann NE. Predictive habitat distribution models in ecology. Ecol Model. 2000;135(2):147-186.</li>
	<li>Tuxen K et al. Mapping changes in tidal wetland vegetation composition and pattern across a salinity gradient using high spatial resolution imagery. Wetl Ecol Manag. 2011;19(2):141-157.</li>
	<li>Joyce CB, Wade PM. European Wet Grasslands: Biodiversity, Management and Restoration. John Wiley; Chichester, New York, Weinheim; 1998.</li>
	<li>Flores-de-Santiago F et al. Assessing the effect of flight altitude and overlap on orthoimage generation for UAV estimates of coastal wetlands. J Coast Conserv. 2020;24:35.</li>
	<li>Morgan RG et al. Unmanned aerial remote sensing of coastal vegetation: A review. Ann GIS. 2022;28(3):385-399.</li>
	<li>Bannari A et al. A review of vegetation indices. Remote Sens Rev. 1995;13(1-2):95.</li>
	<li>D&#237;az-Delgado R, Lucas R, Hurford C. The Roles of Remote Sensing in Nature Conservation: A Practical Guide and Case Studies. Springer; Cham; 2017.</li>
	<li>Zheng JY et al. Coastal wetland vegetation classification using pixel-based, object-based and deep learning methods based on RGB-UAV. Land. 2022;11(11).</li>
	<li>Horning N et al. Remote Sensing for Ecology and Conservation: A Handbook of Techniques. Oxford University Press; Oxford; 2020.</li>
	<li>Villoslada M et al. Fine scale plant community assessment in coastal meadows using UAV based multispectral data. Ecol Indic. 2020. doi:10.1016/j.ecolind.2019.105979.</li>
	<li>Burkhard B et al. Mapping and assessing ecosystem services in the EU - Lessons learned from the ESMERALDA approach of integration. One Ecosyst. 2018;3:e29153.</li>
	<li>Bhatnagar S et al. A nested drone-satellite approach to monitoring the ecological conditions of wetlands. ISPRS J Photogramm Remote Sens. 2021;174:151-165.</li>
	<li>Nicholson Thomas I et al. Towards a standardised monitoring of ecosystem condition: A literature review on indicators and their data sources. Ecol Indic. 2025;178:113952.</li>
	<li>Scott DB, Frail-Gauthier J, Mudie PJ. Coastal Wetlands of the World: Geology, Ecology, Distribution and Applications. Cambridge University Press; Cambridge, New York; 2014.</li>
	<li>Duarte C et al. The role of coastal plant communities for climate change mitigation and adaptation. Nat Clim Change. 2013;3:961-968.</li>
	<li>Bergamo T et al. Experimental climate change impacts on Baltic coastal wetland plant communities. 2022. doi:10.21203/rs.3.rs-1517117/v1.</li>
	<li>Perillo G et al. Coastal Wetlands: An Integrated Ecosystem Approach. Elsevier; 2018.</li>
	<li>Geary WL et al. A guide to ecosystem models and their environmental applications. Nat Ecol Evol. 2020;4(11):1459-1471.</li>
	<li>Joyce CB. Ecological consequences and restoration potential of abandoned wet grasslands. Ecol Eng. 2014;66:91-102.</li>
	<li>Joyce CB. Plant community dynamics of managed floodplain grasslands: An ordination analysis. In: Joyce CB, Wade PM, editors. European Wet Grasslands: Biodiversity, Management and Restoration. John Wiley; Chichester, New York, Weinheim; 1998. p. 173-191.</li>
	<li>R&#363;si&#326;a S, Spu&#326;&#291;is V. 1630* Boreal Baltic Coastal Meadows. In: Semi-Natural Grasslands. Latvian Nature Conservation Agency; Sigulda; 2017.</li>
	<li>White J. The population structure of vegetation. In: The Population Structure of Vegetation. Springer Netherlands; Dordrecht; 1985. p. 1-14.</li>
	<li>Neyman J. On the two different aspects of the representative method: The method of stratified sampling and the method of purposive selection. J R Stat Soc. 1934;97(4):558.</li>
	<li>Magnussen S. Calibration of a confidence interval for a classification accuracy. Open J For. 2021;11(1):14-36.</li>
	<li>Vehmaa A et al. Harmonization of Nordic coastal marsh habitat classification benefits conservation and management. Ocean Coast Manag. 2024;252:107104.</li>
	<li>Kose M et al. 20 years of Baltic Boreal coastal meadow restoration: Has it been long enough? Restor Ecol. 2020;29.</li>
	<li>Kasari-Toussaint L et al. Challenges and solutions in managing semi-natural grasslands: Insights from Estonia. Biol Conserv. 2026;313:111520.</li>
	<li>Villoslada Peci&#241;a M et al. Country-scale mapping of ecosystem services provided by semi-natural grasslands. Sci Total Environ. 2019;661:212-225.</li>
	<li>K&#246;ster T et al. The management of the coastal grasslands of Estonia. Environ Stud. 2004;10:45-54.</li>
	<li>Burnside NG et al. Use of vegetation classification and plant indicators to assess grazing abandonment in Estonian coastal wetlands. J Veg Sci. 2007;18(5):645-654.</li>
	<li>Ward RD et al. Importance of microtopography in determining plant community distribution in Baltic coastal wetlands. J Coastal Res. 2016;32(5):1062-1070.</li>
	<li>Wolff F et al. RGB vs. multispectral imagery: Mapping aapa mire plant communities with UAVs. Ecol Indic. 2023;148:110140.</li>
	<li>Dale J et al. The use of unmanned aerial vehicles to determine differences in vegetation cover: A tool for monitoring coastal wetland restoration schemes. Remote Sens. 2020;12(24):4022.</li>
	<li>Harris JM, Broussard WP, Nelson JA. Evaluating coastal wetland restoration using drones and high-resolution imagery. Estuaries Coasts. 2024;47(6):1359-1375.</li>
	<li>Maes WH. Practical guidelines for performing UAV mapping flights with snapshot sensors. Remote Sens. 2025;17(4):606.</li>
	<li>Movchan D et al. Collecting and processing drone-based remotely sensed data for use in forest recovery monitoring. J Vis Exp. 2025;(224):e68745.</li>
	<li>Yigitcanlar T et al. Machine learning and remote sensing integration for leveraging urban sustainability: A review and framework. Sustain Cities Soc. 2023;96:104653.</li>
	<li>Kvile K&#216; et al. Drone and ground-truth data collection, image annotation and machine learning: A protocol for coastal habitat mapping and classification. MethodsX. 2024;13:102935.</li>
	<li>Morgan G et al. UAS remote sensing for coastal wetland vegetation biomass estimation: A destructive vs. non-destructive sampling experiment. Remote Sens. 2025;17.</li>
	<li>Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves. Int J Remote Sens. 1999;20(14):2741-2759.</li>
	<li>Lishawa SC et al. Mechanical harvesting effectively controls young Typha spp. invasion and unmanned aerial vehicle data enhances post-treatment monitoring. Front Plant Sci. 2017;8.</li>
	<li>Wu C, Niu Z, Gao S. The potential of the satellite derived green chlorophyll index for estimating midday light use efficiency in maize, coniferous forest and grassland. Ecol Indic. 2012;14(1):66-73.</li>
	<li>Gianelle D, Vescovo L. Determination of green herbage ratio in grasslands using spectral reflectance: Methods and ground measurements. 2007.</li>
	<li>Sripada RP et al. Aerial color infrared photography for determining early in-season nitrogen requirements in corn. Agron J. 2006;98(4):968-977.</li>
	<li>Crippen RE. Calculating the vegetation index faster. Remote Sens Environ. 1990;34(1):71-73.</li>
	<li>Gitelson AA, Kaufman YJ, Merzlyak MN. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens Environ. 1996;58(3):289-298.</li>
	<li>Pinton D et al. A new algorithm for estimating ground elevation and vegetation characteristics in coastal salt marshes from high-resolution UAV-based LiDAR point clouds. Earth Surf Process Landf. 2020;45(14):3687-3701.</li>
	<li>Xing H et al. MSAVI-enhanced CASA model for estimating the carbon sink in coastal wetland area: A case study of Shandong Province. IEEE J Sel Top Appl Earth Obs Remote Sens. 2024;17:19698-19712.</li>
	<li>Haboudane D. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sens Environ. 2004;90(3):337-352.</li>
	<li>Yi W et al. An enhanced monitoring method for spatio-temporal dynamics of salt marsh vegetation using Google Earth Engine. Estuar Coast Shelf Sci. 2024;298:108658.</li>
	<li>Rouse JW, Haas RH, Schell JA, Deering DW. Monitoring vegetation systems in the Great Plains with ERTS [conference presentation]. Presented at: Third ERTS-1 Symposium; Washington, DC; 1974. p. 309-317. Available from: https://www.scirp.org/reference/referencespapers?referenceid=1411719 [Last accessed: 11/30/2025].</li>
	<li>Huete AR. A soil-adjusted vegetation index (SAVI). Remote Sens Environ. 1988;25(3):295-309.</li>
	<li>Paul NC et al. Optimized soil adjusted vegetation index mapping of Pune district using Google Earth Engine. Remote Sens Lett. 2025;16(7):728-736.</li>
	<li>Jordan CF. Derivation of leaf-area index from quality of light on the forest floor. Ecology. 1969;50(4):663-666.</li>
	<li>Bergamo TF et al. From UAV to PlanetScope: Upscaling fractional cover of an invasive species Rosa rugosa. J Environ Manage. 2023;336:117693.</li>
	<li>Torres-S&#225;nchez J et al. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Comput Electron Agric. 2014;103:104-113.</li>
	<li>Batungwanayo P, Vanclooster M, Koropitan AF. Response of seasonal vegetation dynamics to climatic constraints in northeastern Burundi. J Geosci Environ Prot. 2020;8(9):151-181.</li>
	<li>De Swaef T et al. Applying RGB- and thermal-based vegetation indices from UAVs for high-throughput field phenotyping of drought tolerance in forage grasses. Remote Sens. 2021;13(1):147.</li>
	<li>Kataoka T et al. Crop growth estimation system using machine vision [conference presentation]. Presented at: 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003); 2003. 2:b1079-b1083.</li>
	<li>Puppala H et al. Enhanced Green View Index. MethodsX. 2022;9:101824.</li>
	<li>Meyer GE, Neto JC. Verification of color vegetation indices for automated crop imaging applications. Comput Electron Agric. 2008;63(2):282-293.</li>
	<li>Woebbecke DM et al. Color indices for weed identification under various soil, residue, and lighting conditions. Trans ASAE. 1995;38(1):259-269.</li>
	<li>Guijarro M et al. Automatic segmentation of relevant textures in agricultural images. Comput Electron Agric. 2011;75(1):75-83.</li>
	<li>Sonnentag O et al. Digital repeat photography for phenological research in forest ecosystems. Agric For Meteorol. 2012;152:159-177.</li>
	<li>Louhaichi M, Borman MM, Johnson DE. Spatially located platform and aerial photography for documentation of grazing impacts on wheat. Geocarto Int. 2001;16(1):65-70.</li>
	<li>Motohka T et al. Applicability of Green-Red Vegetation Index for remote sensing of vegetation phenology. Remote Sens. 2010;2(10):2369-2387.</li>
	<li>Hunt ER et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status. Precis Agric. 2005;6(4):359-378.</li>
	<li>Barr JR, Green MC, DeMaso SJ et al. Detectability and visibility biases associated with using a consumer-grade unmanned aircraft to survey nesting colonial waterbirds. J Field Ornithol. 2018;89(3):242-257.</li>
	<li>Bendig J et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. Int J Appl Earth Obs Geoinf. 2015;39:79.</li>
	<li>Tucker CJ. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ. 1979;8(2):127-150.</li>
	<li>Bock T. How to install R packages from GitHub (step-by-step guide). 2018. Available from: https://www.displayr.com/installing-r-packages-from-github/ [Last accessed: 5/7/2026].</li>
	<li>Hijmans RJ et al. Raster package in R. Version. 2013. Available from: https://mirrors.sjtug.sjtu.edu.cn/cran/web/packages/raster/raster.pdf.</li>
	<li>Mohammed M, Alsunosi R. Effect of selecting validation dataset on building random forest and decision tree models. AlQalam J Med Appl. 2022:470-478.</li>
	<li>Belgiu M, Dr&#259;gu&#355; L. Random forest in remote sensing: A review of applications and future directions. ISPRS J Photogramm Remote Sens. 2016;114:24-31.</li>
	<li>Bergstra J, Bengio Y. Random search for hyper-parameter optimization. J Mach Learn Res. 2012.</li>
	<li>Naidu G, Zuva T, Sibanda EM. A review of evaluation metrics in machine learning algorithms. In: Artificial Intelligence Application in Networks and Systems. Springer International Publishing; Cham; 2023. p. 15-25.</li>
	<li>Manning CD, Raghavan P, Sch&#252;tze H. Introduction to Information Retrieval. Cambridge University Press; 2008.</li>
	<li>Blair DC. Information Retrieval, 2nd ed. C.J. Van Rijsbergen. London: Butterworths; 1979:208 pp. J Am Soc Inf Sci. 1979;30(6):374-375.</li>
	<li>IDB - Index DataBase. Available from: https://www.indexdatabase.de/ [Last accessed: 5/7/2026].</li>
	<li>Sun Z et al. UAVs as remote sensing platforms in plant ecology: Review of applications and challenges. J Plant Ecol. 2021;14(6):1003-1023.</li>
	<li>Mart&#237;nez Prentice R et al. Synergistic use of Sentinel-2 and UAV-derived data for plant fractional cover distribution mapping of coastal meadows with digital elevation models. Biogeosciences. 2024;21(6):1411-1431.</li>
	<li>Makumbura RK et al. A systematic review of unmanned aerial vehicles (UAVs) for coastal ecosystem monitoring. Sci Remote Sens. 2026;13:100438.</li>
</ol>

作者声明无利益冲突。我们使用了 Grammarly 和 QuillBot 人工智能辅助工具来优化语法并提供改进建议。

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。

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&#160;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&#160;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，&#160;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。

<table><tbody><tr><td>eBee X&amp;nbsp;</td><td>senseFly/AgEagle</td><td>eBee X, https://www.sensefly.com/drones/ebee-x/</td><td>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</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>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</td></tr><tr><td>移动硬盘</td><td>任意供应商</td><td>NA</td><td>容量取决于研究区域和项目规模（250 GB - 1TB）</td></tr><tr><td>野外作业笔记本电脑</td><td>任意供应商</td><td>NA</td><td>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：&amp;nbsp; 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）&amp;nbsp;</td></tr><tr><td>GNSS/RTK 系统 Trimble</td><td>Trimble Inc.&amp;nbsp;</td><td>型号&amp;nbsp; R10</td><td>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</td></tr><tr><td>草剪</td><td>任意供应商</td><td>NA</td><td>用于生物量采样（可选）</td></tr><tr><td>Pix4Dmapper&amp;nbsp;</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>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</td></tr><tr><td>植物识别指南</td><td>任意供应商</td><td>NA</td><td>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）</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>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</td></tr><tr><td>1 m × 1 m 的样方框&amp;nbsp;</td><td>任意供应商</td><td>NA</td><td>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</td></tr><tr><td>R&amp;nbsp;</td><td>R-Software Services</td><td>版本 4.2.0, https://cran.r-project.org&amp;nbsp;</td><td>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</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>版本 2024.4.0.735, https//posit.co/download/rstudio/&amp;nbsp;</td><td></td></tr><tr><td>Rtools</td><td>R-Software Services</td><td>https://cran.r-project.org/bin/windows/Rtools/</td><td>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</td></tr><tr><td>天平（电池供电、水平校准、精度 &amp;plusmn;1 g）</td><td>任意供应商</td><td>NA</td><td>适用于野外作业，耐用&amp;nbsp;</td></tr><tr><td>Sequoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>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）</td></tr><tr><td>土壤湿度测量仪</td><td>任意供应商</td><td>NA</td><td></td></tr><tr><td>无人机飞行天气预报应用</td><td>任意供应商</td><td>NA</td><td>用于飞行规划，使用 https://www.uavforecast.com/&amp;nbsp;</td></tr><tr><td>WET 传感器套件</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>土壤湿度传感器（可选）</td></tr><tr><td>工作站</td><td>任意供应商</td><td>NA</td><td>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</td></tr></tbody></table>

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

Semi-Automated Method for Mapping and Classifying Boreal Coastal Wetland Plant Communities using Drone and Ground Data

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。

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滨海湿地为案例开展。在现场，为训练分类模型共采集了四种植物群落样本：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不同阶段。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，表示数据流动过程，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，这些地图作为图层存储在GIS项目中，并与所有中间数据集一并保存。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，直至最后阶段，其输入数据包含之前所有步骤的综合结果。
以下总结了该方案四个阶段各自的实验结果：
在第一阶段，无人机航测飞行高度为120米，获得的地面采样距离（GSD）约为10厘米/像素。航测获取了多光谱和RGB图像。经过后处理动态定位（PPK）后，对每张无人机图像的地理标签进行了校正，并使用专业摄影测量软件将图像拼接生成航测地图。多光谱航拍影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中的RGB图像拼接设置。图4A：通过选择合并瓦片并生成无缝、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，生成四幅栅格图，每幅对应一个波段（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，通过缩放和组合不同波段（例如红、绿、蓝）实现，像素值较低处显示为黑色，较高处显示为白色。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。高质量结果的标志是低重投影误差：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、拼接误差以及底层地理配准网格的问题。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线数据集，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）、低岸群落（LS）、高岸群落（US）和高草群落（TG）。依据方案第二阶段中规定的分层样方采样方法，开放先锋群落（OP）通过指示物种的存在来识别： Salicornia europaea 和 盐地碱蓬 下层群落以高比例的海滨珍珠菜（Glaux maritima）和小花灯心草（Juncus gerardii）为特征；上层群落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。每个样方样本包含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。此类平台无关的文件包含湿地植物群落的生物物理观测数据及精确的样本坐标信息，具有双重用途：可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（整洁的矩形格式，行列清晰）对于生成高质量的地面实况数据集至关重要。地面实况标签必须接近零错误率（例如拼写错误），以确保标签标注规范的一致性。例如，如果 &#34;OP&#34; 是真实情况，确保不以任何其他方式标记（例如 &#34;op&#34;, &#34;避免重复，O.P.”）至关重要。
为了执行该方案的第三阶段，利用第一阶段航空调查所得的数据集，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、修正型归一化差异植被指数（mNDVI）48、修正型土壤调节植被指数49（MSAVI：见图6，GIS软件中输入MSAVI公式的栅格计算器截图）、红边修正型简单比值（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（VIs），并作为栅格文件保存在GIS项目中，用于进一步的空间分析：蓝绿比值指数（Blue–Green Ratio Index, BGRI）57、亮度指数（Brightness Index, BI）58、蓝光宽动态范围植被指数（Blue Wide Dynamic Range Vegetation Index, BRVI）59、植被颜色指数（Color Index of Vegetation, CIVE）60、增强绿视植被指数（Enhanced Green View Vegetation Index, EGVI）61、增强型植被指数（Enhanced Vegetation Index, ERVI）62、超绿指数（Excess Green indices, ExG 和 ExGI）63、组合指数（Combination index, COM）64、绿色色度坐标（Green Chromatic Coordinate, GCC）34,65、绿叶指数（Green Leaf Index, GLI）66、绿红植被指数（Green-Red Vegetation Index, GRVI）67、修正绿红植被指数（Modified Green Red Vegetation Index, MGRVI）68、归一化绿蓝差值指数（Normalized Green-Blue Difference Index, NGBDI）69、归一化绿红差值指数（Normalized Green-Red Difference Index, NGRDI）69、红绿蓝比值指数和红绿蓝植被指数（Red–Green–Blue Ratio Index 和 Red-Green-Blue Vegetation Index, RGBRI70 和 RGBVI68）、红绿比值指数（Red-Green Ratio Index, RGRI）57、可见光土壤调节植被指数（Visible Soil Adjusted Vegetation Index, SAVI）53、三角绿度指数（Triangular Greenness Index, TGI）69、可见光大气抗阻指数（Visible Atmospherically Resistant Index, VARI）47、植被指数（Vegetative Index, VEG）71、Woebbecke指数（Woebbecke Index, 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，并包含所有前述地理空间数据。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的植被群落分布图（参见 图7最终结果在 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），从而实现对中间输出结果的可视化，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，并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&#160;性能越优。在RF模型中，&#160;F1得分代表精确率与召回率的调和平均值。该指标能有效平衡假阳性与假阴性，即不允许某一类错误占据主导地位，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。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群落的0.845到OP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航空调查获取的植被指数（VIs）和数字表面模型（DSM），其准确率达到98.89%，总体F1得分为0.987。该模型的袋外（OOB）错误率仅为1.14%，表明具有极高的可靠性。各类别的F1得分均保持在较高水平（0.986–0.993），说明所有群落的分类效果稳健。
R语言中的变量重要性图（图8A）展示了各植被指数（VI）对北方沿海湿地植物群落的预测能力。其中，mNDVI和SR作为最具影响力的多光谱植被指数，在预测中表现突出，表明其对冠层绿色度和生物量具有高度敏感性。同样，GRDI、NDVI、NDVIre和SRre的排名也较高，反映出红边波段和归一化差异指数在区分植被类型中的重要作用。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，是提升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，这些指数利用了RGB波段的反射率变异性。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；所有数据均通过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。
<img alt="图1" class="xfigimg" src="/files/ftp_upload/70523/70523fig1.jpg" /> 
图1：研究地点。 全球地图上标注了位于爱沙尼亚西部群岛希乌马岛的位置标记照片。研究地点Kõrgessaare rannaniit位于维索察村，是一处自然保护区。生境类型：北方波罗的海沿海草甸（Natura 2000 编码 1630）。<a href="https://www.jove.com/files/ftp_upload/70523/70523fig1large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="图 2" class="xfigimg" src="/files/ftp_upload/70523/70523fig2.jpg" /> 
图 2：概念性工作流程图。（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 中使用随机森林进行监督分类。本方案实施过程中的实际地图展示了这一四阶段方法。<a href="https://www.jove.com/files/ftp_upload/70523/70523fig2large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="图3" class="xfigimg" src="/files/ftp_upload/70523/70523fig3.jpg" /> 
图3：详细工作流程图。 该图以不同颜色的面板列出本实验方案的4个阶段（及各阶段关键步骤），并标注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。<a href="https://www.jove.com/files/ftp_upload/70523/70523fig3large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图 4" class="xfigimg" src="/files/ftp_upload/70523/70523fig4.jpg" /> 
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。<a href="https://www.jove.com/files/ftp_upload/70523/70523fig4large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="图 5" class="xfigimg" src="/files/ftp_upload/70523/70523fig5.jpg" /> 
图 5。在 GIS 软件中裁剪栅格地图文件。 QGIS 工作区的截图，显示了按顺序打开的图层和标签页，演示如何裁剪不必要的数据：栅格提取—按范围裁剪栅格（此处的“extent”指按需绘制的多边形区域，用于遮蔽其边界外的像素）<a href="https://www.jove.com/files/ftp_upload/70523/70523fig5large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="图6" class="xfigimg" src="/files/ftp_upload/70523/70523fig6.jpg" /> 
图6．GIS 软件栅格计算器截图。以输入修正型土壤调节植被指数（MSAVI）公式为例。<a href="https://www.jove.com/files/ftp_upload/70523/70523fig6large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="图7" class="xfigimg" src="/files/ftp_upload/70523/70523fig7.jpg" /> 
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）多光谱和（B）基于RGB的植物群落图。<a href="https://www.jove.com/files/ftp_upload/70523/70523fig7large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="图8" class="xfigimg" src="/files/ftp_upload/70523/70523fig8.jpg" /> 
图8. 用于展示植被指数（VI）性能排名的 R 语言统计计算环境截图。（A, B）R 控制台界面：（A）使用多光谱植被指数（VIs）作为输入数据集时的截图，（B）使用RGB+DSM数据集时的截图。图（A 和 B）均包含名为“final_rf”的变量重要性图（由脚本生成的对象名称）。<a href="https://www.jove.com/files/ftp_upload/70523/70523fig8large.jpg" target="_blank">请点击此处查看该图的高清版本。</a>
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。<a href="https://www.jove.com/files/ftp_upload/70523/Supplementray File 1.docx" target="_blank">请点击此处下载该文件。</a>
补充文件 2：RF 分类与验证脚本.R。<a href="https://www.jove.com/files/ftp_upload/70523/Supplementary File 2.R" target="_blank">请点击此处下载该文件。</a>

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。

半自动化的植物群落制图在传统生态调查与现代人工智能辅助的生态系统监测之间架起桥梁，能够实现对特定地点……

semi-automated-method-for-mapping-classifying-boreal-coastal-wetland

Research

科研

JoVE Journal

Environment

环境

利用无人机和地面数据制图和分类北方针叶林沿海湿地植物群落的半自动化方法

本文介绍了一种利用针头注射法将专性寄生真菌病原体Ustilago maydis接种于玉米和类蜀黍植物的方法。针头注射接种法可将真菌病原体精确地递送至植物叶片之间，病原菌在此处通过形成附着胞侵入植物体内。该方法效率高，能够实现U.

一种快速高效评估致病性的方法 Ustilago maydis 在玉米和大刍草品系上

我们提供一种保存完整树木韧皮部并对其进行观察前处理的技术。我们构建了一种称为“韧皮部三明治”的装置，可用于引入并观察栖息于韧皮部组织中的节肢动物、微生物及其他生物体。...

研究树木组织内节肢动物与微生物群落的技术

EPA 方法 1615 使用带正电滤膜来浓缩环境水和饮用水中的肠道病毒和诺如病毒。本论文描述了用于方法 1615...

EPA 方法 1615. 通过培养法和反转录定量聚合酶链式反应（RT-qPCR）检测水中肠道病毒和诺如病毒的存在。I. 病毒样品的采集

本文介绍了一种利用反转录-定量PCR方法对环境水和饮用水中肠道病毒和诺如病毒进行定量的实验流程。采用美国环境保护署方法1615（EPA Method...

EPA 方法 1615. 通过培养法和反转录定量聚合酶链式反应（RT-qPCR）检测水中肠道病毒和诺如病毒的存在情况。第三部分：通过 RT-qPCR 检测病毒

一种用于检测水样（包括处理后的废水中和地表受纳水）有机提取物内分泌活性的方案，已通过商业可得的分裂阻滞法（“冻融”法）进行改良。 体外...

使用市售试剂盒检测水中内分泌活性 体外 转录激活生物测定

本文详细描述了从田间挖掘植物根系以及将样品处理为内生圈、根际和土壤的方法，包括DNA提取和数据分析方法。本文旨在使其他实验室能够采用这些技术来研究土壤、内生圈和根际微生物组。...

多年生草本植物实验中土壤、根际及根部微生物群落的分离与分析

本文报道了一种基于环介导等温扩增（LAMP）技术的烟粉虱（Bemisia...

一种用于快速鉴定烟粉虱（Bemisia tabaci）的环介导等温扩增（LAMP）检测方法

我们开发了一种利用滤纸DNA提取法结合环介导等温扩增（LAMP）检测技术来检测水源中Phytophthora...

使用环介导等温扩增法检测灌溉水中的Phytophthora capsici

本文描述了一种利用天然气发电厂烟气中的二氧化碳在开放式跑道池中培养微藻的方案。通过pH传感器控制烟气注入，利用光密度的实时测量监测微藻生长。...

将发电厂碳捕集与半自动化开放式跑道池耦合用于微藻培养

Updegraff 法是用于纤维素测定的最广泛使用的方法。本演示的主要目的是提供一种详细的 Updegraff...

利用Updegraff法测定植物生物质中的结晶纤维素含量

Estonian University of Life Sciences.  该协议包含四个综合阶段：无人机（UAV）调查、地面真实数据收集、植被指数计算，以及AI辅助的沿海湿地植物群落分类与绘图。结果是一个多层次的地理空间数据集，支持在生态学、环境监测和沿海湿地栖息地保护和管理决策中的应用。

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

探索更多视频