無人機遙感多“維”合一，巧辨植被作者利用無人機遙感系統獲得覆蓋研究區的多光譜影像和三維點云數據，從中分別提取植被的光譜信息和結構信息，然后將兩類信息結合用于分類。實驗結果表明：結構信息的加入，可以顯著提高植被分類結果的準確性。 01研究區域數據獲取
研究區位于捷克西部的Doupovske hory (50°18′N, 13°8′ E)，主要的植被類型是灌木林，由草本和灌木植被組成。實驗選取了兩個研究地點（白框）：一個地點地形平坦，另一個地點是一個朝南的緩坡。 無人機數據 2016年6月20日，作者利用Robodrone Kingfisher六旋翼無人機搭載的Micro-MCA傳感器對兩個地點進行了多光譜數據的采集。飛行期間，設置飛行高度為50m，地面采樣距離（GSD）優于2.5cm,航向重疊>80%，旁向重疊>60%，飛行速度為2m/s。相機參數如下表。
地面數據
通過實地調查獲得地面數據，其內覆蓋有大量的灌木、草本植物，其中，草甸包括兩種類型：以草群落為主的草甸（Meadows）和以芹菜科物種為代表的草甸（ApiMeadows）；灌木包括4種：黑刺李（blackthorn）、山楂樹（Hawthorn）、西洋接骨木(elder)和柳樹（Willow）。利用裝有GPS的智能設備繪制各個植被類別的輪廓，作為分類的地面參考數據。各個類別所選樣本的空間分布和數量如圖表所示。 02 方法與流程
(1)光譜及結構信息提取 在預處理過程中，利用PixelWrench2軟件將原始無人機影像轉換為多波段TIFF影像。然后，將其導入Agisoft PhotoScan軟件，生成多光譜拼接影像和3D點云結構數據，從中分別提取光譜信息和數字表面模型（DSM）,通過“分類地面點”工具得到數字地形模型（DTM），利用DSM-DTM獲得植被冠層高度（nDSM），作為結構信息。
(2)分類
采用兩種不同的數據集進行分類：（1）僅使用多光譜數據；（2）光譜數據+結構數據。首先，利用eCognition軟件進行圖像分割，采用以下參數：形狀（shape）：40，所有波段像素值比例：1:1，緊湊度（compactness）：0.4，平滑度（smoothness）：0.6。然后，利用基于最近鄰（NN）監督分類算法進行分類。 (3)精度評價 將采集的地面數據隨機劃分為訓練集（60%）和驗證集（40%），然后進行10次重復分類，計算各次分類結果的生產者精度（ACC）和用戶精度（REL）并取平均值，用于評價分類的準確性和可靠性。然后，利用單尾配對Wilcoxon檢驗，對分類結果的差異進行檢驗。 03 結果分析
可以看出，結構數據的加入有效地提高了植被分類結果的精度：Overall accuracy為0.882，ACC和REL分別為0.852和0.857，尤其是改善了Meadows、Hawthorn與Willow之間的錯分情況，它們的ACC和REL提升顯著，表明結構數據的使用非常有利于物種識別。
對于大多數植被類型來說（上表），兩組實驗得到的結果差異明顯，光譜數據與結構數據的結合顯著改善了分類結果。
在大多數情況下（上圖），二者組合的分類結果比僅使用多光譜數據的分類結果波動范圍要?。ㄗ畲笾?最小值），表明分類精度受訓練數據集空間分布的影響更小，分類結果更穩定。 04 結論 利用無人機遙感系統提取的結構信息，直觀地展現了不同高度屬性的灌木叢植被的特點，它的加入能夠提升多光譜數據的分類精度，一次飛行即可得光譜和結構信息，并顯著提高Meadows、Hawthorn和Willow的生產者精度和用戶精度；同時，降低了分類結果對訓練數據集空間分布的敏感性。實驗結果表明：綜合利用無人機遙感技術獲取的光譜信息和結構信息，是一種可行的、成本效益顯著的高精度植被制圖方法。 一點啟發 本文只是簡單地將高度信息與多光譜信息結合，就提升了植被制圖的精度，如果能根據不同植被的特點從點云中進一步挖掘結構特征，將會更加凸顯UAV-SfM點云的強大威力。此類方法在其他領域中也已經“大展身手”,如：草地產量估測、生物量估算（參見“等。無人機遙感的應用在生態、農業方面已經展現了獨特的優勢，小編相信，無人機遙感在智慧城市建設、國土資源監測等方面也能夠大放異彩，讓我們一同探索吧！ |
