基于无人机高光谱与激光雷达的单株尺度森林物种多样性分类与聚类方法研究

英文：Individual tree-based forest species diversity estimation by classification and clustering methods using UAV data

摘要

监测森林物种多样性对生物多样性保护和生态管理至关重要。目前，无人机(UAV)遥感技术以其灵活性和低成本在生物多样性监测中得到越来越多的应用。在本研究中，我们比较了两种估算森林物种多样性指数的方法，即基于已建立的物种光谱库的光谱角制图(SAM)分类和基于生物化学和结构特征选择的自适应模糊C均值(FCM)聚类。利用无人机高光谱（德国Cubert-S185画幅式高光谱成像仪）和激光雷达数据对马宗岭和贡嘎山两个复杂的亚热带森林保护区进行了研究表明，在预测物种丰富度方面分类方法优于聚类算法，且R2值更高， (MZL 0.62>0.46, GGS 0.55>0.46)和Shannon-Wiener指数(MZL0.64>0.58, GGS 0.52>0.47)。研究表明，该分类方法可以更准确地监测森林多样性指数，但需要在单一冠层尺度上获得所有优势树种的光谱信息。相比之下，聚类方法可能会由于高光谱和激光雷达数据的大量生化和结构输入而引入不确定性，但它可以快速获得森林多样性的模式，而无需区分特定的树种。研究结果强调了无人机遥感在复杂森林生态系统物种多样性监测中的优势，并讨论了分类和聚类方法在估算单株树木物种多样性指数中的适用性。

研究过程

图1 利用Cuber S185高光谱成像仪(红色:866 nm，绿色:654nm，蓝色:566 nm)的成像光谱数据，绘制了中国覆盖2020 (Wu et al.， 2017) 10 m空间分辨率的两个研究区域(左上)和MZL研究区域(右上)和GGS研究区域(右下)的位置。蓝色三角形表示实地测量样块的位置。绿色圆圈表示单个树冠(ITC)验证图的位置。这些ITC地块的六张照片显示在左下角

图2  图中为MZL的样地2(中)和GGS的样地4(右)的ITCs验证散点图(左)和单株树分离结果(黑盒子表示样地边界，白色多边形表示分割的树冠，红色点表示现场测量的树干基部位置)

图3  两个研究区优势树种端元谱库(左:MZL，右:GGS)

图4  MZL一个样地(左)和GGS一个样地(右)的树种分类结果。不同的几何多边形代表已识别的间质中心，白色边框表示间质中心的边界

图5 MZL(左)和GGS(右)的野外实测物种多样性指数与基于分类和聚类方法的预测值的比较

表2 叶片生化成分估算结果

图6 选取两个研究区域的特征(左:MZL，右:GGS;红色标记为最佳生化VIs，橙色标记为最优结构特征，蓝色标记为物种多样性指数;TR/OV: TCARI/OSAVI, SW: Shannon-Wiener指数)

结论

本研究比较了基于单树的分类和聚类方法与无人机数据在估算中国马宗岭和贡嘎山国家级自然保护区森林物种多样性指数方面的性能。结果表明，SAM分类方法可以提供更准确的物种丰富度指数预测，但需要所有优势树种的光谱信息。自适应FCM聚类算法可以实现对均匀度指数(尤其是Simpson指数)的高精度预测，但无法获得特定树种的信息。

      无人机高成像光谱与激光雷达技术的结合，为复杂森林在单个冠层尺度上更准确地预测区域森林物种多样性提供了可能。未来的研究可以完善森林物种光谱库，从多个角度探索森林物种鉴定。考虑到森林物种特征随时间的变化，结合物候或多时间特征进一步检验分类和聚类方法的准确性将是有价值的。此外，研究不同生态环境下森林物种多样性估算模型的适用性，以及如何利用高分辨率无人机数据弥补传统野外样地采样与大尺度卫星观测之间的尺度差距，也将是有益的。