原始研究的文章

前面。远程Sens。, 2023年3月17日
秒。图像分析和分类
卷4 - 2023 | https://doi.org/10.3389/frsen.2023.1140999

时段遥测高分辨率沼泽植被映射使用无人飞机系统遥感和机器学习

安娜·e·温德尔 ¹*

洛里w .避免 ¹

安德鲁·j·爱尔摩 ² www.雷竞技rebatfrontiersin.org

斯蒂芬妮·谢勒³

赛斯凯勒³

本Malmgren ¹

格雷格·m·Silsbe ¹

¹角点实验室,马里兰大学环境科学中心剑桥,医学博士,美国
²阿巴拉契亚实验室,马里兰大学环境科学中心Frostburg,医学博士,美国
³美国陆军工程兵团,巴尔的摩,医学博士,美国

沿海湿地是世界上最具生产力的生态系统,提供重要的生态系统服务相关改善水质量、固碳和生物多样性。在很多地方,湿地受到沿海开发和海平面上升的威胁,促使一个潮汐湿地恢复的时代。潮汐的创建和恢复湿地生态系统非常需要监控。而卫星遥感是一个有价值的监测工具;图像的空间和时间分辨率通常操作约束的地方,尤其是在小型或空间复杂环境。无人飞机系统(UAS)是一个新兴的遥感平台,收集数据和灵活的随需应变能力更大比上飞机和卫星传感器空间分辨率,和合成图像可以通过结构容易呈现在三维空间运动(SfM)摄影测量处理。在这项研究中,在5厘米决议无人机数据收集在一个工程湿地在杨树岛,位于切萨皮克湾,美国医学博士在2019年到2022年的5倍。湿地是由两个植被物种:互和摘要金属盘2005年最初种植马什在低和高海拔区分别。在每个调查中,无人机多光谱反射率,树冠高度,推导用作输入和纹理监督随机森林分类模型对特有的湿地植被进行分类。总体精度从97%到99%不等,纹理和树冠高度变量是最重要的在所有的数据集。随机森林分类也被应用于down-sampled无人机数据导致分类精度的下降空间分辨率(像素变得更大),降低显示的好处使用超高分辨率图像准确和精确区分湿地植被。高分辨率植被分类地图比较2005年竣工的种植计划,展示重要湿地的植被变化和潜在实例迁移。高的沼泽地带的植被变化与当地海平面年际变化呈正相关,表明植被之间的反馈和潮汐淹没。这项研究表明无人机遥感有很大潜力协助大规模植被变化的估计和可以提高恢复监控成功。

介绍

沿海湿地,现有的土地和水的关系,是世界上最具生产力的生态系统,提供了一套生态系统服务包括固碳的能力,改善水质,保护沿海地区免受风暴,和提供托儿所理由是支持商业渔业(巴比尔et al ., 2011)。接近海平面,沿海湿地容易受到人为和气候影响;世界上的许多湿地撤退由于土地转换和海平面上升(彭德尔顿et al ., 2012;科文和Megonigal, 2013)。然而,重要的植被生长之间的反馈、水位和地貌学允许下湿地持续上升的海平面(Feagin et al ., 2010;科文和Megonigal, 2013;贝克特et al ., 2016;科文et al ., 2016;Alizad et al ., 2018;Schieder et al ., 2018;Flester和布卢姆,2020)。长期监测拇外翻新兴植被和土壤反馈,使湿地恢复和管理从业人员更好地减轻海平面上升的威胁和栖息地的丧失。

湿地植被通常具有明显的分带控制的生理限制和竞争位移由于身体压力,资源竞争和营养可用性(Bertness 1991;Aerts 1999;金刚砂et al ., 2001)。例如,潮汐洪水建立压力梯度土壤缺氧,盐度,水泛滥减少向陆地边界马什(门德尔松et al ., 1981)。低湿地植被,如带状草地互包含广泛的通气组织浸满水的环境中气体交换持续增加(Bertness 1991)以及更深层次的根概要文件提供更高的稳定性在汹涌的水(豪斯et al ., 2010)。持久的潮汐的时候从较高的海平面上升淹没,湿地可以适应垂直吸积沉积物;然而,如果吸积率低由于缺乏沉降或碳埋藏,沼泽植被往往向内陆转移和迁移,这一过程称为沼泽迁移或罪过(Feagin et al ., 2010;科文和Megonigal, 2013;Enwright et al ., 2016;科文et al ., 2016;Alizad et al ., 2018;Schieder et al ., 2018)。在全球范围内,沿海湿地应对海平面上升和洪水增加了迁移上坡,导致实质性的变化分带,栖息地的丧失和池塘扩张(Feagin et al ., 2010;Qi et al ., 2020)。长期监测湿地植被可以提高我们理解潮汐湿地如何应对海平面上升和协助恢复管理。

几十年来,光谱和结构特点从高分辨率卫星和飞机图像被用来监视和时空上地图复杂的湿地(总值et al ., 1987;Klemas 2013;伯德et al ., 2014;埃文斯et al ., 2014;莱恩et al ., 2014;Massetti et al ., 2016;刘et al ., 2017;Qi et al ., 2020)。使用培训和实地测量验证,植被分类模型用于监控大型湿地栖息地随着时间(马达维et al ., 2018)。然而,卫星和机载图像的空间分辨率,虽然非常高(∼外墙面m),仍然可以导致很大一部分混合像素,从而挑战区分植被类型。区分沼泽植被物种也可以挑战由于类似的光谱特征。阿提加斯和阳(2005);阿提加斯和阳(2006)相比原位叶级高光谱反射率的美国认为和摘要金属盘并没有发现显著差异在大多数的可见光和近红外(NIR)地区。一些研究表明,结合图像纹理度量(例如,the spatial variance of image grayscale levels of one spectral band) can improve marsh vegetation classifications by incorporating characteristic patchiness and other structural features into the distinguishing features of each vegetation type (Dronova et al ., 2012;莱恩et al ., 2014)。额外的数据层,如从光探测和测距高程数据(激光雷达)也改进的分类(大厅和损失,2016年;Qi et al ., 2020)。然而,一些LiDAR-derived民主党倾向于高估沼泽平台高程在沼泽环境中由于无法穿透浓密的树冠(Hladik阿尔伯,2012年;爱尔摩et al ., 2016)。此外,合成孔径雷达(SAR)图像也被成功地用于分类和映射沼泽植被,证明是一个有用的方法在茂盛的植被下或云层频繁(席尔瓦et al ., 2010;埃文斯et al ., 2014)。然而,SAR图像的空间分辨率仍然可以导致误分类的小规模的湿地。

无人飞机系统的新兴技术(无人机或无人机)结合结构与运动(SfM)摄影测量是一种很有前途的方法分类和评估复杂的湿地栖息地与精度高(Wan et al ., 2014;Kalacska et al ., 2017;勇敢的和瓦诺,2019;Durgan et al ., 2020;脊和约翰斯顿,2020年;纳丁et al ., 2021)。“无人飞行系统”能够提供超高分辨率(< 5厘米)重叠的二维(2 d)图像SfM摄影测量软件可以重建为2 d orthomosaics和三维(3 d)点云(Westoby et al ., 2012)。UAS-SfM摄影测量可以是一个低成本的替代昂贵的高分辨率卫星或占领飞机方法获得2 d和3 d环境的辐射测量的方法。多光谱无人机影像的融合和SfM-derived数字表面模型(dsm)应用于监控沿海形态随时间(西摩et al ., 2018),改善特有的湿地栖息地的分类(灰色et al ., 2018),监测湿地地貌(Kalacska et al ., 2017),并提供估计的植被高度(DiGiacomo et al ., 2020)。

设计生态系统如海涂创建或重建和生活岸线位置是一种手段来减轻人为气候变化通过替换或保护失去栖息地(Duarte et al ., 2013)。这些气候缓解工具正变得越来越普遍,但常常没有全面了解生态系统由于缺乏有效的监控(李et al ., 2018)。无人机的点播功能可以采用恢复努力改善网站评估和提供长期、实时监控(脊和约翰斯顿,2020年)。本研究的总体目标是开发新方法来改善特有的湿地植被分化使用高分辨率的无人机影像和SfM技术跟踪沼泽植被变化。具体来说,本研究旨在1)检查长期(17年)和短期(4年)恢复湿地植被物种分布的变化,2)确定最优的分类精度高的优势种,美国认为和美国金属盘,3)确定沼泽植被分类中最重要的变量是什么。这项研究的结果表明,湿地植被的年际变化是非线性的,需要长期监测湿地动态的准确理解和改善湿地修复实践。

方法

研究网站

Paul s . Sarbanes生态系统修复项目在杨树岛,位于马里兰州mid-Chesapeake湾是一个大规模的栖息地恢复网站,接收来自航道疏浚材料接近巴尔的摩港。当完成,6800万立方码的疏浚材料将用于恢复大约694公顷的潮汐湿地,高地和公开水域栖息地湾(USACE 2020)。潮汐湿地是建造在疏浚材料放置在控制细胞大小从大约12-20公顷(避免et al ., 2020)。建立潮汐交换通过潮汐入口外堤的每一个细胞。该网站平均潮差0.49米(NOAA潮汐和洋流、车站ID 8571892)和表面盐度范围从8.89到16.13 ppt(1985 - 2021年站CB4.1E,切萨皮克湾程序)。目前的研究主要集中在细胞3 d, 2005年13公顷湿地开发。沼泽是种植苗圃种植美国认为在沼泽区和低美国金属盘在沼泽区,保持85% - -90%的目标覆盖(USACE 2020;图1)。

图1

图1。概述研究的站点位置。(一)杨树岛的位置在切萨皮克湾,美国马里兰州(B)WorldView-2卫星图像拍摄于2020年9月15日的保罗·s·Sarbanes生态修复项目在杨树岛细胞3 d用红色标出(C)无人机RGB复合细胞的3 d收集与竣工于2020年8月26日覆盖种植界限的高和低湿地在黄色和领域验证数据用于训练随机森林分类。

“无人飞行系统”的描述

多光谱数据收集无人机与MicaSense RedEdge-MX传感器(MicaSense,西雅图,华盛顿,美国)。传感器是8.7×5.9×4.5厘米多光谱相机能够捕获五同时乐队在12位放射电磁波谱解析:蓝色(475纳米中心,32 nm一半全宽度最大,应用,绿色(560纳米中心27海里应用),红(668纳米中心,14纳米的应用,红色边缘(717纳米中心,12海里应用,和NIR)(842纳米中心,57海里的半最大值宽度。传感器安装在收幻影4 Pro无人机使用3 d打印的山向最低点视角在飞行。“无人飞行系统”还包含了下降光传感器(DLS)衡量下降半球形发光飞行期间在同一光谱波段图像捕捉和包含一个校准磁力仪提供航向和姿态信息,结合时,纠正对不同照明条件。上面的DLS安装UAS消除阴影和收集入射光集中在0°天顶角。

无人机图像和地面控制点集合

无人机数据收集细胞3 d在五个不同的日期(2019年11月21日,2020年8月26日,2021年4月16日,2022年6月22日,2022年11月和7)10:00a.m之间。和9点半。EST,潮汐从0.29到1.1 m,引用北美垂直基准面成立于1988年(NAVD88)。∼5厘米/像素距离地面采样(德牧)是通过收集图像平均海拔76米高度的纵向70%和80%纬度的重叠使用飞行计划应用程序Pix4Dcapture (Pix4D、Prilly、瑞士)。6地面控制点(gcp)调查与实时运动领域的全球定位系统(Emlid RTK-GPS,达到RS +,香港)。高密度聚氨酯制成的三个gcp的黑白棋盘瓷砖(0.0929米²),坐落在PVC管不同长度的分布在13公顷调查区域(补充图S1)。其他三个gcp永久建筑的位置(例如,角落的码头)。包块调整结果强有力的所有数据集,意味着reprojection误差为0.11,0.10,0.12,0.11,0.13像素,分别和相对geolocational精度在1 m的意思X,Y方向和在1.5 Z方向为每个数据集。

无人机图像处理与Pix4D Mapper Pro SfM v4.6.4摄影测量软件。GCP测量纳入软件中的图像处理部分自动化georectify所有无人机调查达到最好的位置和垂直精度。世界大地基准水平数据引用1984 (WGS 1984)统一横轴墨卡托(UTM)区18 n, NAVD88和垂直数据引用。反射率值获得以下描述的工作流阿斯曼et al。(2018)。总之,MicaSense传感器收集到的辐射值被存储为任意数字数字(DNs)。这些值被用来获取反射率通过结合传感器和光照信息,如下:

反射=数字数/ (radiometrically校准像素值*照明)。

在Pix4D辐射校准过程中,传感器参数元数据被用来等修正修正申请光晕(像素在图像中心接受的阳光会比少),补偿暗电流噪声(敏感,即使在没有光子进入设备),为光谱重叠和纠正,传感器灵敏度和图像亮度(ISO,孔径,曝光时间)。DLS照度值和值收集从校准反射面板被应用于radiometrically校准值占变异引起的环境光的差异由于天气和阳光。这个过程输出无单位的表面反射率值,从0到1 (阿斯曼et al ., 2018)。

蓝色,绿色,红色,红色的边缘,近红外光谱反射率orthomosaics生产以及归一化植被指数(NDVI) orthomosaic,计算是近红外光谱之间的差异和红色反射除以它们的和。Orthorectified数字表面模型(dsm)也由应用逆距离加权插值(IDW)的3 d点云分类,导致德牧5厘米/像素。DSM创建以来的最高点的高度点云,DSM的被认为是植物树冠模型。Orthorectified数字地形模型(dtm)也由应用IDW插值最低分;然而,他们不习惯在这项研究因为价值观与DSM海拔高度相关(r²= 0.99)由于缺乏的地球高程点的点云浓密的植被(见补充材料和补充图S2)。反射orthomosaics和dsm转移到ArcGIS Pro测试盒框映射软件(ESRI公司雷德兰兹、钙、美国)的地理空间分析。

现场数据收集

收集现场数据作为训练数据集使用的一系列方法。场植被识别收集每个无人机飞行的时候用RTK GPS(6 - 10分的数据集,0.01平均横向均方根误差)。额外的植被识别点在整个研究期间收集的湿地恢复合作伙伴和作为训练数据为每个各自的飞行。美国鱼类和野生动物服务人员收集16植被识别数据在2019年和2021年四个横断面跨越高马什和低湿地植被;美国陆军工兵部队人员收集年度植被的识别一个低和一个高沼泽样;和一个正在进行的植被生物量监测研究(避免et al ., 2020)提供年度植被六高沼泽和六个低湿地识别数据的位置。尽管如此广泛的领域努力集合,训练数据的大小是通过目视检查增加了90% - -95%的高分辨率无人机图像增强的已知领域数据的识别。总的来说,栖息地从35到155点(像素)被确定为每一个类:美国认为,美国金属盘、结构(任何材料)、灌木(主要植被在周围的岩脉)和水(图1)。对于每个数据集,所有字段来自多个源的数据点被随机分为训练集(70%)训练分类模型和测试集(30%)来评估模型的预测精度。

多光谱反射率光谱

对于每一个“无人飞行系统”的数据集,从所有乐队都从反射率值年代。互和年代。金属盘实地培训像素来计算平均每个植被物种的多光谱谱。这些光谱比较跨季节确定植被反射率的差异。另外,以下的方法阿提加斯和年轻(2006)、红边一阶导数或斜坡,668和717海里的反射率测量进一步分离两个植物物种。

纹理分析

应用灰度共生矩阵建立的图像纹理是由灰度共生矩阵()(应用灰度共生矩阵建立的“包R v 4.2.1)准备。GLCM纹理特征是基于统计数据通常描述一个灰色基调出现在指定的空间关系到另一个灰色的基调可以反映出均匀的变化,变化,相似在不同方向和间隔(Haralick et al ., 1973;王et al ., 2018)。具体地说,在这项研究中被选为方差纹理度量可以用平方和方程表示:

V 一个 r 我 一个 n c e = \sum_{我 = 1}^{N} \sum_{j = 1}^{N} {(我 - μ)}^{2} p (我, j)

在哪里N是图像中灰度值的总数(近红外光谱反射率是扩展到32水平),p (i, j)是(我,我应用灰度共生矩阵建立)th条目的规范化,p (i, j) = p (i, j) /∑_我,我P(i, j),在哪里P (i, j)是(i, j)应用灰度共生矩阵建立th条目的计算,并μ是指应用灰度共生矩阵建立的行和列的数目。高方差值来源于反射强度的增加变化像素窗口和与起伏和粗糙的纹理,如不同植被的高度美国认为,而低方差值与光滑或细纹理如planophile叶子的方向年代。金属盘。平均纹理度量计算各个方向(例如,使用变化0°、45°、90°和135°)在43×43像素移动窗口(2.15×2.15米)使用一个高对比度的乐队来减少冗余(NIR)。窗口大小选择最好的代表植物的平均大小,以下的方法冯et al。(2015)。

分类模型生成

随机森林决策树模型(RandomForest包,R v 4.2.1)准备用于沼泽植被分类。随机森林模型是一个整体的分类和回归树(车)美联储通过引导培训数据(Breiman 2001;Belgiu Dragut, 2016)。它被用在许多应用程序的湿地分类(Mutanga et al ., 2012;爱尔摩et al ., 2016;Pricope et al ., 2022)和已被证明是一个健壮的机器学习分类算法,克服过度拟合,由于大量的决策树(Breiman 2001;冯et al ., 2015;Belgiu Dragut, 2016;博et al ., 2018)。随机森林实现由培训1000年为每个“无人飞行系统”数据集生成决策树(ntree与最优数量的特性(= 1000)mtry)计算使用“tuneRF”函数。输入随机森林由五个波段的反射率、归一化植被指数,从DSM高程,纹理(方差计算应用灰度共生矩阵建立的)。

由于训练数据收集与每个调查,同时每个分类独立生成和验证每一个独特的调查。每个随机森林模型栅格数据使用“预测”为每个数据集函数来生成一个分类输出。删除一些噪音,大多数过滤器应用细胞取代基于八个相邻周边的大多数细胞在一个3×3像素的窗口。评估的好处包括高程和纹理的结构组成,随机森林分类是应用于五个多光谱波段+归一化植被指数,五个多光谱波段+ NDVI +纹理,和五个多光谱波段+ NDVI +高程。评估无人机图像的高分辨率的优点,随机森林分类是应用于重新取样UAS五乐队以下决议:1.2,2.4,4,10米。

变量重要性是衡量使用意味着减少精度(MDA)代表多少删除每个变量降低了模型的精度,也称为排列重要性(Breiman 2001)。这是通过计算预测误差在out-of-bag (OOB)部分数据前后排列,平均差所有的树木,和规范标准偏差的差异。使用三种不同的指标分类性能进行了分析。总体精度表达地图区域被正确分类的百分比与参考数据相比,计算正确分类像素的总数除以参考像素的总数故事和Congalton, 1986年)。评估准确性是如何分布在各个类别,生产商和用户的计算精度。生产商的精度是衡量工作表现的参考像素是如何分类的每个类和计算的正确分类的参考像素数量除以每个类参考像素的数量已知的类。用户的性能测量的准确性如何计算像素分类代表真正的类,除以每个类的正确分类像素的像素总数分类的类。总之,生产者的准确性是一个衡量遗漏错误,像素没有正确分类已经省略了从正确的类和用户的准确性是委员会的测量误差在像素的分类图像不代表类在地上(故事和Congalton, 1986年)。

计算植被变化

研究颞植被变化,无人机分类相比,2005年竣工,只有边界美国金属盘种上坡沼泽高/低湿地边界(高沼泽区)和美国认为是种植的下坡的边界(低沼泽区)(图1)。UAS分类映射被转换为多边形和植被面积(m²)是计算每个植被物种的高沼泽区在每个数据集。

结果

光谱和结构的观察沼泽植被从无人机数据

平均多光谱反射率光谱表明年代。金属盘展示所有波段的反射率高于年代。互,特别是在长波段(717 nm、842 nm,图2)。分离在更长的波长更明显在11月,8月和4月的数据集相比,6月的数据集,可能由于叶绿素含量差异植被物种在这两季(图2)。同样,在绿波段有微妙的山峰(560海里)6月和8月两个物种的数据集在整个波段光谱出现平11月和4月的数据集可能在夏季由于色素沉淀的增加。

图2

图2。多光谱反射率光谱平均从所有互(实线)和摘要金属盘(虚线)领域训练点(一)2019年11月(橙色)和2022年11月(红色),(B)2020年8月(深绿色)(C)2021年4月(棕色),(D)2022年6月(浅绿色)。误差线代表反射在每个乐队的标准差。

图3描绘广阔的树冠高度之间的差异、归一化植被指数和红边斜率物种之间和季节。在所有季节,树冠高度的DSM中提取出来的年代。互和美国金属盘范围从0.03米到2.02米和0.12到2.56 m,分别。平均美国认为树冠海拔最高(1.05米),6月8月最低(0.5米)和平均美国金属盘树冠海拔最高(1.16米)6月和11月最低(0.79米和0.85米的2019年和2022年,分别)。美国认为和年代。金属盘NDVI值的范围从0.08到0.91和0.14至0.93,分别包含6月平均归一化植被指数最高年代。互(0.91)包含最高的归一化植被指数和8月年代。金属盘(0.93)。包含4月最低的NDVI值两个物种(分别为0.08和0.14)。红边斜率是平均高年代。金属盘在所有的数据集从4月份值最低的0.007到0.14。平均红边斜率是最高的两个物种在8月和6月的数据集(图2)。

图3

图3。箱线图的DSM树冠高度(米)(黄色),归一化植被指数(绿色),和红边斜率(红色)互(暗色调)摘要金属盘为每个数据集(光色调)。

随机森林分类

应用所有五个UAS光谱波段时,归一化植被指数,质地,和高度随机森林分类,总体分类精度范围从97%到99%的所有数据集,平均为98% (补充表S1)。美国认为用户精度从95%到100%不等,平均为97%,和生产者精度范围从94%到100%,平均为99%。年代。金属盘用户精度从96%到100%不等,平均为99%,生产者精度范围从96%到100%,平均为98% (补充表S1)。总的来说,2019年11月产生最高的分类精度而产生最低的2022年6月(补充表S1)。这一发现也表示在2019年11月的分类预测地图(图4面板H),演示了最少的变化分类,而6月预测地图(图4面板K)显示,最多的变异。

图4

图4。(一)航拍图像(1米)的细胞3 d拍摄于2007年5月,(B-F)“无人飞行系统”红绿蓝(RGB)反射率orthomosaics(0.05米)的细胞3 d中收集(B)2019年11月,(C)2020年8月,(D)2021年4月,(E)2022年6月,(F)2022年11月,(G)分类地图根据2005年作为构建种植(h l)随机森林分类预测每个UAS orthomosaic地图所示面板(B-F)。黄线分类地图上代表了2005年竣工种植界限的高和低的沼泽。白色补丁面板E是SfM软件未能整合的结果图像的位置。

变量的重要性

变量重要性情节表明在所有季节,树冠高度是最重要的变量的随机森林分类的精度,除了4月纹理是最重要的(图5)。纹理是第二个最重要的变量在11月和8月红反射是第二个最重要的6月。树冠高度和纹理后,归一化植被指数是最重要的光谱变量和4月11月,可能由于高对比度开始衰老的红色和近红外光谱波段植被。8月,蓝带是最重要的光谱变量和六月,红色和红色边缘反射是最重要的光谱变量是狭窄的范围(600 - 750 nm) (阿提加斯和阳,2005年;阿提加斯和阳,2006年)在两个物种的高光谱光谱发现可分性。红色边缘反射是最不重要的变量为2019年11月,8月和4月。

图5

图5。变量重要性阴谋计算平均减少精度(MDA)从随机森林分类模型为每个数据集生成的独立。MDA是一个衡量模型的性能没有每个变量,在一个更高的值表示更加重要的变量在预测植被。

当排除纹理和海拔的分类模型,总体精度平均下降4%。当不包括海拔、平均总体精度下降1%,扣除只是纹理时,平均总体精度保持不变(图6)。平均总体分类精度应用于重新取样UAS乐队+归一化植被指数总体上低于原来的分类精度。平均总体精度为1.2,2.4,4 m分辨率都低3%,10 m分辨率整体精度平均低7% (图6)。在所有分类组合,年代。互用户的精度最低,其次是年代。互生产商的准确性,证明年代。互更具挑战性的分类(图6)。

图6

图6。酒吧的随机森林分类精度(%)平均在数据集应用于光栅层的各种组合。OA =整体精度,UA =用户的准确性,PA =生产者的准确性。

讨论

这项研究展示了超高分辨率无人机遥感可以导致高分类精度允许小尺度年际湿地植被变化监测。监督分类模型合并UAS-derived多光谱波段之间的协同作用,树冠高度,和纹理生成预测类栖息地与现场数据验证。总的来说,生产者和用户的准确性进行评估变量的不同组合和下采样(粗)无人机图像。结果改善湿地遥感植被分类的广泛影响,但本研究的几个方面和警告值得进一步讨论。

光谱和结构性分化美国认为和美国金属盘

属于同一个属,年代。互和年代。金属盘人眼很容易区分的年代。互控制在低湿地作为一个挺拔草和增长年代。金属盘主导的沼泽有一个横卧的高速增长的习惯,使它获得了绰号“沼泽干草”(图7)。然而,这些物种可以可怕地相似,通常的2 d鸟瞰图。像大多数血管植被,摘要种虫害的差异改变颜色光吸收和反射特性产生色素浓度在整个生长季节的变化。在可见光谱区,高吸收蓝色和红色波长的辐射主要是由于光合色素,叶绿素一个。绿色波长的吸收不是很强大,这就是为什么植被常常出现绿色和包含一个小的反射峰约560海里(图2)。在生长季节(五月-十月),作为植被物种开始开始衰老,其他色素如类胡萝卜素、叶黄素、花青素也影响吸收属性(Knipling 1970)。在这段时间里,摘要物种更容易区分年代。互采用皮肤色调和年代。金属盘剩余的绿色,可观察到的在11月和4月的数据集(图4)。

图7

图7。场照片捕捉光谱和结构之间的差异互和摘要金属盘在(一)秋天和(B)夏天的季节。

在这项研究中,反射率低整体的蓝色、绿色和红色的波长(475、560、668海里)相比,红色边缘和近红外光谱的波长(717 & 842海里,图2),类似于其他研究的结果(Hardisky et al ., 1983;阿提加斯和阳,2006年;卡尼et al ., 2009)。高反射率在近红外光谱在所有季节是由于内部细胞结构辐射散射相结合等内陆地区的叶子和纤维素细胞壁(Knipling 1970)。近红外光谱反射率峰值变化在不同的植物物种;因此,红色和近红外光谱波长的比率或斜率通常用于区分不同的植物物种(Knipling 1970;阿提加斯和阳,2005年;阿提加斯和阳,2006年;卡尼et al ., 2009;Mutanga et al ., 2012)。红色的比例和近红外光谱(NDVI)年代。金属盘一直高在所有季节,除了4月和6月,当物种出现在生长季节(可怕地相似图3)。红边的斜率年代。金属盘也一直高于年代。互与其他研究,红边斜率与略高年代。互(阿提加斯和阳,2006年)。这两项研究之间的差异可能是由于很多因素,包括之间的区别原位和UAS-derived反射率、照明条件下,或收集的时间测量。这两个摘要物种得到了一个类似的光谱形状,一个绿色的反射峰明显8月和6月的数据集,由于强吸收蓝色和红色波长从较高的叶绿素一个浓度(图2)。然而,年代。金属盘级的总体高于反射年代。认为,主要是由于树冠几何的茎和叶年代。金属盘铺设水平,增加表面积比直立树冠形式年代。认为,用更少的表面积来捕获光(巴特利特,1981)。

研究演示了如何将结构特点等高程可以提高湿地植被分类由于不同的植被物种的垂直结构的差异(Maxa Bolstad, 2009;大厅和损失,2016年;Samiappan et al ., 2017;Pricope et al ., 2022)。研究传统派生高程测量使用机载激光雷达等沿海环境中表现良好,沙丘(曼奇尼et al ., 2013;西摩et al ., 2018),但倾向于高估沼泽“裸土”海拔和植被高度由于无法穿透浓密的植被(Hladik阿尔伯,2012年)。许多研究而不是将树冠高度是海拔最高的点的点云,引用一个垂直的基准面。海拔从UAS-SfM产生结果类似于地面激光雷达和RTK GPS测量(曼奇尼et al ., 2013;Kalacska et al ., 2017;西摩et al ., 2018),但他仍倾向于高估的裸土高程缺乏地球裸露在SfM点云点(补充图S2,DiGiacomo et al ., 2020)。在这项研究中,UAS-SfM dsm在分类模型应用代表树冠高度,提高分类精度。树冠高度的年代。金属盘高于年代。互在所有季节,除了6月可能是由于相媲美的植被高度之间的两个物种在作物生长季节。

虽然反射光谱可以描述植被在乐队的平均光谱的变化,结构特性可以提供信息的空间分布谱的变化在一个乐队(Haralick et al ., 1973)。将纹理特征纳入湿地分类是一种常见的方法因为可怕地相似植被可以展示的结构属性。腊八et al。(2010)和莱恩et al . (2014)证明更高的整体精度沿海湿地分类映射时,结合近红外光谱派生的高分辨率卫星图像的结构特征。冯et al。(2015)还显示改善总体精度结果时将7厘米无人机图像的纹理分析。移动窗口的大小的纹理特征计算是一个重要考虑事项由于更大的窗口可以平均不同植被的物种。建议选择一个最优规模的窗口大小,代表最高的类间变异和最低在类变异,应按照平均大小的植被研究网站(冯et al ., 2015)。

随机森林模型的分类结果

每个数据集的分类输出包含整体精度高值从97%到99% (图6;补充表S1)。2022年11月的数据集整体精度最低(97%)源于低生产商为每个类(80% - -100%)的准确性。低生产者的准确性相当于高遗漏错误,这表明证实植被类没有正确地预测分类的输出。在这个数据集,“结构”类(如道路、码头)生产商的最低精度(80%),这可能是由于高眩光出现在图像并被错误地归类为高反射结构。2022年11月的图像收集最早的航班(当地时间10点);因此,建议飞近太阳中午消除眩光的误分类。相比之下,2019年11月的数据集整体精度最高(99%)和生产者的准确性年代。互和年代。金属盘(100%),可能由于大量对比光谱差异后出现年代。互衰老。制片人的“结构”类的准确性还低(80%),这可能是误分类的眩光或明亮的反射从光秃秃的地球(比如在生境岛,图4)。

本研究的主要目标之一,包括确定哪些变量是最重要的湿地植物进行准确的预测。变量重要性不同随机森林模型之间的差异湿地植被的光谱和结构特征的数据收集。整个树冠MDA的海拔高度和结构变量表示的重要性这些结构特点和分类精度的降低模型缺乏这些变量(图5)。在所有数据除了4月,树冠高度是最重要的变量与更高的MDA,类似发现Pricope et al。(2022)。今年4月,质地略高的重要性可能由于结构上的差异在冬天的结束;的结构年代。金属盘通常是持久而年代。互倾向于落叶和分解。同样,质地也高重要性的11月和8月的数据集可能由于相当大的结构性差异在生长季节期间和之后。整个赛季,MDA是可见的乐队,最低证明只使用可见光波段会导致分类精度降低。归一化植被指数和近红外波段的重要性高于可见光波段,由于不同的两个物种之间的近红外光谱反射的差异(Knipling 1970)。

无人机的高空间分辨率图像(0.05米)比down-sampled无人机图像产生更高的分类精度,证明沼泽植被分类的准确性更高的空间细节是很重要的(图6)。总体精度采样下来时下降3%至1.2,2.4,4米和7%当采样下来10米。这可能是由于更大的像素大小平均两个或两个以上的课程,导致真正的栖息地类的误分类。补充图S3说明了无人机之间的空间分辨率和高分辨率的世界观的差异2(2.4米)和3(1.2米)图像,展示如何挑战和不精确的植被分类粗像素大小。未来的工作应该考虑计算“帕累托边界,”方法,定量分析了低分辨率的偏见的影响。这个概念可以提供洞察是否降低分类精度低空间分辨率的地图是由模型的表现不佳或低分辨率的遥感数据(Boschetti et al ., 2004)。

本研究的分类精度与来自其他UAS湿地植被分类研究结果(冯et al ., 2015;Samiappan et al ., 2017;Abeysinghe et al ., 2019)这些研究,以及目前的研究表明,超高分辨率数据由一个低空无人机可以提高分类结果和其他遥感平台是更好的方法。区分湿地植被具有高准确性,建议收集数据后在秋季年代。互已经开始衰老获得更明显的光谱和物种之间的结构差异。

湿地植被在杨树岛

广泛的沼泽横向迁移已经观察到在许多中部湿地,由于利率从0.1毫米年不等¹到6.78年¹(Flester &布卢姆,2020;Molino et al ., 2021)。然而,这些利率高的不一定是连续的,可以情景年际变化,在这项研究中所示。从2005年到2022年,高沼泽区种植的100%的覆盖率年代。金属盘转移到45%美国金属盘报道,指示一个重要湿地的植被变化和证据迁移(图4)。从2019年到2022年,高沼泽的年际变化美国金属盘覆盖分类模型的估计范围从42%到56%。年际变化是常见的潮汐湿地植被往往通过反馈稳定,随深度和持续时间的潮汐淹没(科文和Megonigal, 2013)。莫里斯et al。(2002)发现的增长美国认为在海平面年际变化呈正相关。相对年平均海平面在杨树岛自1971年以来逐渐增加速度估计的3.9毫米年¹美国国家海洋和大气管理局(NOAA站8571892中潮汐和洋流)(肯特,2015)。而我们的无人机样本量很小(n = 4),分类的百分比美国认为在高沼泽边界似乎与年平均海平面(r²= 0.92),延迟约1年。这一发现表明,美国认为增长是受水位影响前一年;然而,需要更多的数据来证实这个水位的潜在植被响应滞后。

湿地植被变化也可以归因于其他因素包括营养浓缩。研究表明,增加养分有效性可以改变的比率高于和地下的生物量(达比和特纳,2008年)、竞争性相互作用(Bertness et al ., 2002)和垂直吸积率(莫里斯et al ., 2002),可能改变植被成带、社区组成、海平面上升和弹性(金刚砂et al ., 2001;莫里斯et al ., 2013)。疏浚材料用于海涂创建在杨树岛是细粒度的,含有高浓度的氮(避免et al ., 2020);因此,它是可能的,发现植被变化的一个间接结果营养浓缩。此外,小的年际差异分类沼泽植被可能与随机森林模型的分类精度。虽然所有数据集的整体精度高,仍有可能误分类的植被,导致预测植被覆盖率年小的差异。

福利和警告的无人机遥感在沼泽环境

无人机遥感是一种低成本、快速、可重复的方法,收集高分辨率的图像,可用于解决小尺度沿海湿地的变化没有显著的干扰敏感的生态系统(乔伊斯et al ., 2019;戴维斯et al ., 2022;DiGiacomo et al ., 2022)。无人机在获取图像提供了灵活性,可以在最优条件下用于规模较小的项目,将在现场监测是有限的资源或项目,飞机航班和卫星图像超出范围或预算。消费级无人机可以覆盖相对较大的区域(13公顷∼40分钟),这只会提高电池寿命的进步。对于评估大湿地,固定翼无人机可以覆盖更大的地区由于提高飞行效率或无人机数据可以用于培训和验证卫星分类模型(灰色et al ., 2018)。

对于任何开发技术,有一些警告应该讨论的无人机遥感。操作无人机是高度依赖于管理一个区域的法律限制,可以禁止在某些领域。在美国,无人机飞行员需要许可(即。,obtain a Federal Aviation Administration (FAA) Part 107 remote pilot license) and follow local, state, and federal regulations on UAS operations. Furthermore, the cost-benefit of UAS technology should also be considered. Currently, UAS pricing can range from $500 (USD) for consumer-grade aircraft to $10K-$20K (USD) for professional-grade aircraft and sensor packages, with more advanced sensors (e.g., hyperspectral, LiDAR) reaching $50K–$100K (USD). Additionally, the software typically used for post processing (e.g., Pix4D, Agisoft Metashape) can add additional costs on the order of $1K–$5K. Computing power and storage is also a consideration since a large number of images to be processed requires large amounts of computer random access memory (RAM), large graphics processing units (GPUs) and extensive storage (摩根et al ., 2022)。

无人机遥感在沼泽环境中也有其特定的挑战。研究表明,植被地区积水和改变潮流水平可能会干扰所收集的光辉无人机和改变植被指数NDVI等(卡尼et al ., 2009;勇敢的和瓦诺,2019)。树冠结构也会影响分类结果;与植被变化方向或几何图形(例如,植被折叠从风或水)改变树冠光学特性,导致错误的分类(Knipling 1970)。

也有一些警告和注意事项,在这项研究中使用的分类方法。其他机器学习分类算法存在如支持向量机,再邻居,或人工神经网络(Dronovo et al ., 2012;博et al ., 2018;摩根et al ., 2022),可以表现得更好或者类似于随机森林模型应用于本研究。一些研究已经评估各种分类方法,发现随机森林优于其他(博et al ., 2018)或得出结论,没有一个方法是持续更好,应该匹配研究或管理问题(Dronova et al ., 2012)。一些研究也显示出不错的效果使用基于对象的图像分析(OBIA)湿地植被分类的图像划分为幽灵似地均匀的“对象”或像素分类(组莫菲特和Gorelick, 2013;Dronova 2015;Durgan et al ., 2020)。OBIA方法不能完全自动化,要求用户输入集分割和规模设置,这取决于类型的植被分类和图像分辨率。由于一系列湿地植被的大小,它可以是具有挑战性的选择最优分割设置整个湿地景观,导致过分割和欠分割错误(刘和夏,2010年;金正日et al ., 2011;莫菲特和Gorelick, 2013)。相比之下,一些研究发现基于像素分类性能比基于对象的方法,证明该模型能够识别较小的植被斑块(Abeysinghe et al ., 2019)。

结论

这项研究表明高分辨率无人机图像检测是一种有效的工具小尺度湿地植被的分布的变化。相结合的多光谱反射率、纹理和树冠高度来自无人机在监督和SfM处理随机森林分类模型导致整体精度高与其他研究相比。结果分类地图展示了物种分布的变化影响45%的高位沼泽区在∼17年时间;尽管最近的发行版(4年)更稳定,建议暂时的平衡。湿地栖息地的丧失意识的增加促使创建和恢复沿海湿地的时代来缓解湿地栖息地丧失的影响。类似于大型实验,恢复项目需要明确的目标,监控和自适应管理实践为了理解网站特定的沿海湿地和周围环境之间的关系(Zedler 2000;李et al ., 2018)。几十年来,卫星和航空遥感已经被用来评估和监控沿海湿地;然而,空间分辨率卫星重新审视时间和飞行的飞机可以显著的高成本限制经理人准确检测小尺度植被变化。本研究表明,分类性能指标类似无人机图像时down-sampled 1 - 2米;但性能降低空间分辨率较低的超出这一点。可重复的、随需应变的超高分辨率UAS植被变化的调查可以检测实例,最终可以作为预警信号恢复湿地栖息地的丧失和帮助识别领域的努力。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

道德声明

书面知情同意了个人(s)的出版的任何可识别的图像或数据包含在本文中。

作者的贡献

啊,LS和GS概念研究;啊,LS, BM、SS和SK收集培训资料;啊,LS, BM UAS收集数据;啊,GS, AE进行统计分析;啊,LS, GS解释结果;从所有的合作者AW写的手稿与贡献。

资金

后勤支持马里兰州环境提供的服务和马里兰州马里兰交通部港口管理。AW收到Mid-Shore章艾萨克·沃尔顿联盟的支持。设备和部件是由角点实验室,马里兰大学环境科学中心。

确认

作者要感谢马里兰马里兰运输港口管理部门的支持,美国陆军工程兵团,马里兰环境服务。另外,我们要感谢彼得·麦高文和罗比卡拉汉从美国鱼类和野生动物提供字段数据以及从USACE伊恩Delwiche提供地理空间数据。此外,我们感谢贾斯汀岭有用的对话中。

的利益冲突

SS和SK受雇于美国陆军工程兵团。

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/frsen.2023.1140999/full补充材料

引用

Abeysinghe, T。米拉,a。。艾伦,K。,Hohman, B., Reil, P., Gregory, A., et al. (2019). Mapping invasive Phragmites australis in the Old Woman Creek estuary using UAV remote sensing and machine learning classifiers.远程Sens。11(11),1380年。doi: 10.3390 / rs11111380