整合无人机遥感与野外生态学技术，实现对河岸草本植被的精细尺度制图

《Remote Sensing Applications: Society and Environment》：Integrating UAV Remote Sensing and Field Ecology for Fine-Scale Mapping of Riparian Herbaceous Vegetation

本研究提出一种结合无人机多光谱遥感和地面样方法的优势河岸植被自动提取框架。通过集成RF-Y-RFE特征选择方法，在Ertan水库区域取得93.1%的总体精度，验证了该方法在低矮草本植被分类中的有效性，并为水库河流生态监测提供了可复制的操作流程。

　　

姜伟伟|朱瑞生|周一鹏|马志鹏

湖北工业大学土木工程、建筑与环境学院，武汉，430068，中国

摘要

河岸植被的优势种群是河流生态系统变化的早期指标，为生态管理提供了关键信息。然而，获取优势河岸物种数据的及时准确方法很少，尤其是在以草本植物为主的筑坝河流中。传统的样方法可以在采样点准确捕捉草本物种，但无法揭示空间模式，并且采集周期较长。无人机（UAV）遥感技术将观测范围从点扩展到景观，但即使具有厘米级的分辨率，识别草本物种仍需要地面观测。本研究提出了一个自动提取河岸优势物种的框架，通过将样方调查的生态信息整合到基于UAV的多光谱遥感分类中。使用结合决策树（DT）、XGBoost（XGB）、随机森林（RF）和Catboost的堆叠模型（ST），整体准确率比基础模型提高了1.4%–21.2%。我们引入了RF-Y-RFE（基于优势权重的随机森林递归特征消除）；在ST框架内，RF-Y-RFE特征组合取得了最佳性能，整体准确率为93.1%。SHAP-PROBABILITY分析表明，光谱、指数、地理和纹理特征贡献最大，而几何特征贡献较小。值得注意的是，平均数字表面模型（Mean_DSM）在我们的分析中显示出最高的平均归因值，这强调了将基于野外的生态知识纳入遥感中的价值。总体而言，所提出的框架为获取筑坝河流中优势河岸物种的信息提供了一种可重复、可操作的工作流程，并推动了遥感在生态学中的应用。

引言

如今，世界大部分地区的河流和河岸带都因人类活动（如筑坝、流量调节、土地利用压力和灌溉抽取）而发生了深刻变化。河岸植被作为天然的河流工程师（Stecca等人，2022年），已被广泛记录为影响河道物理环境的重要因素（González del Tánago等人，2021年；Corenblit等人，2024年）。河岸植被与河流过程动态互动。植被的冠层、根系结构和空间分布强烈影响水力粗糙度和输水能力，从而以依赖具体环境的方式改变洪水波的传播和水位（Herrera Gómez等人，2024年；Zhu等人，2025年）。因此，河岸植被经常被纳入环境流量研究中。越来越多的应用河流科学研究关注在气候变化情景下预测河岸植被的趋势，植被被视为未来河流变化的指标（Yang等人，2024年；Liu等人，2025年）。

河岸植被通常表现出明显的不均匀丰度结构：少数优势类群占据了大部分覆盖面积，而许多其他类群则很少出现。这使得优势类群成为制图和监测的实际和管理相关焦点，特别是在受到反复淹没-退水干扰的受控河流中，这种干扰可以简化群落并有利于快速生长的草本植被。在这种环境下，优势草本类群可能构成河岸附近的大部分覆盖，并通过密集的根系有助于浅层土壤的稳定和河岸的加固（Krzeminska等人，2019年）。与此前提一致，基于无人机（UAV）分类的我们的退水区地图显示，优势草本类群占植被覆盖的92.4%。从操作角度来看，针对优势类群也有助于物种识别的可行性，同时优先考虑与管理决策最相关的植被组成部分（Sun等人，2021年）。

河岸优势物种类型、覆盖范围和空间分布的广泛变化可能是未来河流变化的早期指标（Pace等人，2022年）。遥感的进步使得对优势物种的连续空间观测成为可能。（Frick和Tervooren，2019年）利用多时相和多传感器遥感数据，采用回归树方法评估城市绿化量和土壤密封指标，并成功应用于德国波茨坦的长期监测。

虽然无人机遥感在绘制木质河岸植被方面取得了显著进展，但区分低矮的草本物种仍然具有挑战性。在多光谱图像下，物种间的差异往往很微妙，并且由于混合的土壤-植被或浅水背景，即使在厘米级的空间分辨率下也会进一步模糊。因此，近距离的现场观测对于可靠的物种识别和标签定义仍然至关重要。与此一致，最近的基于UAV的研究依赖于样方调查和现场解释来支持水库岸线和湿地环境中的草本植被制图（Fu等人，2021年；Jiang等人，2022年）。只有通过现场物种识别，才能准确捕捉定性和定量属性，并进一步利用这些属性来辅助无人机遥感在广阔空间尺度上推断河岸物种的细节。然而，专家辅助的标注不可避免地涉及主观判断，这可能会引入标签的模糊性并限制可重复性。因此，需要工作流程来保留野外生态知识，同时提高透明度和可扩展性。在本研究中，我们通过指定明确的类别定义标准、应用基于优势信息的现场注释，并详细记录标注工作流程来解决这一需求。

机器学习为遥感信息提取提供了系统化和标准化的解决方案（Matyukira和Mhangara，2024年）。它特别适用于生态学和环境监测中的高维数据集和复杂特征映射（Kazanskiy等人，2025年）。这对于河岸草本植被尤其相关，因为低矮和零星的冠层经常与土壤或浅水背景混合，不同物种在多光谱图像下可能表现出微妙的光谱差异和强烈的重叠。因此，分类器的性能因应用环境而异（Khan等人，2022年）。为了在这种重叠情况下提高鲁棒性，通常采用集成策略，异构堆叠可以结合来自不同学习器的互补决策边界（Petropoulos等人，2017年；Healey等人，2018年）。在本研究中，我们评估了多种分类器，并基于比较性能选择了一个异构堆叠集成作为主要模型。

然而，由于河岸草本植被类别之间的光谱相似性，根据当前的科学文献，机器学习是否能够为河岸草本物种的分类提供操作上高效的解决方案，特别是通过无人机应用多光谱遥感，仍然是一个未解决的问题。值得注意的是，无人机多光谱和高光谱传感主要在光谱采样上有所不同：多光谱传感器测量少数宽频带，而高光谱传感器收集许多窄而连续的频带（Rogers等人，2023年），提供了更精细的光谱细节，但数据量更大，处理需求也更高。相比之下，激光雷达（LiDAR）主要捕捉3D结构（例如，冠层高度和垂直剖面），而不是详细的光谱特征（Kazanskiy等人，2025年）。对于低矮、零星的河岸草本冠层，这些结构优势可能有限，使得无人机多光谱图像在信息内容和操作复杂性之间成为一个实际的折中。

本研究假设，利用现场信息支持无人机多光谱遥感与机器学习相结合，可以有效地识别和提取河岸带中的优势草本物种。在基于遥感的植被制图中，通常使用现场观测来建立参考标签，这些标签与无人机生成的图像对象相关联，用于监督建模和端到端的预测，这种端到端的工作流程在无人机研究中越来越常见（Garouani等人，2025年）。然而，在大多数情况下，现场数据主要用作标签。在这里，样方调查提供的不仅仅是标签：在模型训练之前，它提供了优势信息——优势类群（Y > 0.1）及其优势程度。我们使用这些信息来定义面向管理的目标类别，并在特征选择过程中构建基于优势权重的目标。然后将生成的标签与分割的图像对象匹配，进行基于对象的分类和制图。

研究区域

二滩水库位于中国四川省攀枝花市盐边县和米易县的交汇处，具体位于雅砻江下游（26°34′18″N ～ 27°5′50″N，101°18′02″E ～ 101°57′59″E），是20世纪的一项重要水力工程成就。这座高达240米的宏伟大坝代表了水力发展史上的一个重要里程碑。河岸带的水位落差为

基于物种优势加权的最优特征空间

根据样方调查（第2.2.2节），识别出三个优势类群（Y > 0.1）：Cynodon dactylon（0.340）、Polygonum lapathifolium（0.132）和Abutilon theophrasti（0.129）。因此，在后续基于优势信息的建模中，这些类群被视为主要目标。

分别应用RF-Y-RFE和RF-RFE来派生最优特征子集。基于5折交叉验证，选择了features_59（RF-Y-RFE）和features_38（RF-RFE）（图4b）。RF-Y-RFE曲线

与现有基于UAV的草本植被制图的比较

无人机多光谱遥感已被广泛用于植被制图，其与现场解释和基于对象或集成学习的结合已被证明对河岸和湿地植被监测有效（Fu等人，2021年；Jiang等人，2022年）。然而，大多数现有研究仍集中在群落级别的制图或更广泛的植被类别上，而对低矮河岸草本植物的物种级别区分仍然有限，最近的一些综述也指出了这一点（

结论

本研究提出了一种基于优势信息的工作流程，将样方衍生的生态信息与基于对象的无人机多光谱分类相结合，用于绘制筑坝河流中的优势河岸草本植被。通过明确将优势信息纳入特征选择（RF-Y-RFE），该框架提高了优势类群的区分能力，同时保持了具有竞争力的整体准确率。使用SHAP/SHAP-PROBABILITY来总结拟合模型下的特征-预测关联

CRediT作者贡献声明

马志鹏：可视化、验证、调查。周一鹏：软件、调查。朱瑞生：写作——原始草稿、调查、数据管理。姜伟伟：写作——审阅与编辑、方法论、概念化

未引用的参考文献

GONZáLEZ DEL TáNAGO等人，2021年；JIN等人，2023年。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（编号：42101375、52078195）、国家自然科学基金的联合资金（编号：U22A20232）以及湖北省科技厅的创新组项目（编号：2020CFA046）的支持。