Ecodrone®壹(yi)體(ti)式高(gao)光(guang)譜(pu)-激光(guang)雷(lei)達無(wu)人(ren)機遙(yao)感系統(tong)—林木監測(ce)和(he)樹(shu)種(zhong)分類(lei)應(ying)用(yong)

易科泰光(guang)譜(pu)成像(xiang)與(yu)無(wu)人(ren)機遙(yao)感技(ji)術(shu)研(yan)究中(zhong)心最(zui)新推出Ecodrone^®壹(yi)體(ti)式高(gao)光(guang)譜(pu)-激光(guang)雷(lei)達無(wu)人(ren)機遙(yao)感系統(tong)。該(gai)系統(tong)包括VNIR/NIR波段高(gao)光(guang)譜(pu)成像(xiang)儀(yi)和(he)激(ji)光(guang)雷(lei)達掃描儀，壹(yi)次(ci)飛(fei)行(xing)可同(tong)時獲取(qu)目(mu)標(biao)圖(tu)譜(pu)信息(xi)及(ji)三(san)維點(dian)雲(yun)數據，應(ying)用(yong)於(yu)大(da)範圍(wei)、多維(wei)度(du)的森林遙感研(yan)究(jiu)、林木表型分析、植(zhi)被(bei)資源(yuan)調(tiao)查、生態(tai)環(huan)境(jing)研(yan)究(jiu)、林業(ye)測繪等領(ling)域。

該(gai)系統(tong)基於(yu)高(gao)光(guang)譜(pu)成像(xiang)及(ji)激(ji)光(guang)雷(lei)達傳感器(qi)，在(zai)獲(huo)取(qu)葉片(pian)或(huo)冠層(ceng)尺度(du)的(de)高(gao)分辨(bian)率光(guang)譜(pu)反射(she)數據的(de)同時，還能夠(gou)直接獲取(qu)高(gao)精度(du)的植被三(san)維結構(gou)信息(xi)和(he)生境(jing)結(jie)構(gou)信息(xi)，對森林冠層(ceng)及(ji)結(jie)構(gou)層(ceng)面(mian)進行(xing)大(da)範圍(wei)快(kuai)速原(yuan)位(wei)監(jian)測(ce)、林木三(san)維表型測量(liang)、森林物種(zhong)多樣(yang)性(xing)研究(jiu)、植被(bei)生物(wu)及(ji)非生物(wu)脅(xie)迫分析、環(huan)境(jing)及(ji)生態(tai)系統(tong)動態(tai)變(bian)化(hua)研(yan)究(jiu)等具(ju)有(you)重(zhong)要意(yi)義(yi)。

案例(li)壹(yi)：森林的多樣(yang)性(xing)和(he)結(jie)構監測(ce)

巴(ba)西(xi)和(he)美(mei)國(guo)研究(jiu)人員(yuan)將無(wu)人(ren)機和(he)激(ji)光(guang)雷(lei)達、高(gao)光(guang)譜(pu)成像(xiang)相結(jie)合組(zu)成“UAV-LiDAR-HSI”系統(tong)，在森(sen)林恢復監測中(zhong)同時評(ping)估(gu)了(le)兩(liang)者(zhe)衍生變(bian)量(liang)的壹(yi)致性(xing)和(he)互(hu)補性(xing)、區(qu)分樹(shu)木豐(feng)富度(du)以(yi)及(ji)預(yu)測(ce)地(di)上(shang)生物(wu)量(liang)(AGB)的能力。

研究(jiu)人員選取(qu)了(le)由(you)20、60或120種(zhong)本地(di)樹(shu)種(zhong)構成的12個(ge)已經(jing)修(xiu)復了(le)13年的(de)巴(ba)西(xi)大(da)西(xi)洋熱帶森林。分析了(le)來自(zi)激光(guang)雷(lei)達數據的(de)冠層(ceng)高(gao)度（CH）、葉面(mian)積指(zhi)數 (LAI) 和(he)林下LAI的3個(ge)結構屬(shu)性(xing)以及(ji)來自(zi)高(gao)光(guang)譜(pu)數據的(de)18個(ge)變(bian)量(liang)，包括15個(ge)植被指(zhi)數(VIs)、2個(ge)MNF分量(liang)(與(yu)光(guang)譜(pu)組成有(you)關(guan))和(he)光(guang)譜(pu)角。

 研究(jiu)發(fa)現(xian)，對於(yu)低(di)LAI值(zhi)區(qu)域，VIs與(yu) LAI呈(cheng)正相關(guan)，但(dan)當(dang) LAI 大(da)於(yu) 2m²/m² 時趨(qu)於(yu)穩(wen)定(ding)。LAI和(he)結(jie)構VIs隨著(zhe)物(wu)種(zhong)豐(feng)富度(du)的(de)增加而增大(da)，光(guang)譜(pu)差(cha)異(yi)性(xing)與(yu)物種(zhong)豐(feng)富度(du)顯(xian)著相關(guan)。AGB與(yu)激光(guang)雷(lei)達數據衍(yan)生變(bian)量(liang)（CH）和(he)三(san)個(ge)HSI衍生的(de)VIs（RVSI、EVI、CARI）顯(xian)著相關(guan)，但(dan)在消(xiao)除異(yi)常值(zhi)後，最佳AGB預測(ce)變(bian)量(liang)為CH（R²=0.82，RMSE=7.62）。

結果表明(ming)，基(ji)於(yu)高(gao)光(guang)譜(pu)和(he)激(ji)光(guang)雷(lei)達技術的(de)數據融(rong)合及(ji)信息(xi)互補手(shou)段，提(ti)高(gao)了(le)評(ping)估(gu)物(wu)種(zhong)生物(wu)多樣(yang)性(xing)、豐(feng)富度(du)、結(jie)構屬性(xing)等信息(xi)的能力，並(bing)能夠(gou)減(jian)少野外(wai)采(cai)樣(yang)工作(zuo)，顯(xian)著提高(gao)監測(ce)效率，在森林植被(bei)恢復監測及(ji)評(ping)估(gu)方(fang)面(mian)具(ju)有(you)良好(hao)的(de)研究價值(zhi)和(he)應(ying)用(yong)前(qian)景。

案例(li)二：高(gao)度多樣(yang)化的(de)樹(shu)種(zhong)分類(lei)

無(wu)人(ren)機遙(yao)感技(ji)術(shu)是(shi)壹(yi)種(zhong)在清(qing)查森林資源(yuan)和(he)繪(hui)制樹(shu)種(zhong)圖(tu)等(deng)應用(yong)領(ling)域十(shi)分有(you)效的方(fang)法，該(gai)方(fang)法建(jian)立(li)的(de)可靠(kao)的(de)樹種(zhong)測繪(hui)系統(tong)對資源(yuan)管理(li)、生物(wu)多樣(yang)性(xing)評(ping)估(gu)、生態(tai)系統(tong)服務(wu)功(gong)能評(ping)估(gu)和(he)生態(tai)保護具(ju)有(you)重(zhong)要意(yi)義(yi)。

巴(ba)西(xi)和(he)意(yi)大(da)利研(yan)究(jiu)人(ren)員(yuan)使(shi)用(yong)無(wu)人(ren)機遙(yao)感技(ji)術(shu)對(dui)位(wei)於(yu)巴(ba)西(xi)南部(bu)聖卡塔(ta)琳(lin)娜州庫(ku)裏(li)蒂巴(ba)諾(nuo)斯(si)市(shi)約(yue)25公頃林區(qu)內(nei)的12種(zhong)主要樹(shu)種(zhong)進行(xing)分類(lei)識別，獲(huo)取(qu)了(le)目標(biao)的VNIR波段光(guang)譜(pu)數據、三(san)維點(dian)雲(yun)（PPC）、冠層(ceng)高(gao)度模(mo)型（CHM）以及(ji)由(you)高(gao)光(guang)譜(pu)數據提(ti)取(qu)的(de)其(qi)它(ta)特(te)征(zheng)（植被(bei)指(zhi)數VI、MNF等）信息(xi)，並(bing)用(yong)SVM進行(xing)分類(lei)。

結果顯(xian)示，單(dan)獨使(shi)用(yong) VNIR 高(gao)光(guang)譜(pu)波段的(de)總(zong)體(ti)準確(que)度(OA)達到(dao)了(le)57%（Kappa系數為0.53）。PPC特征(zheng)有(you)助於(yu)區(qu)分某(mou)些(xie)特定(ding)的樹種(zhong)類別(bie)，將PPC添加(jia)到(dao)VNIR高(gao)光(guang)譜(pu)波段後，OA 增加了(le)11%。而結合了(le)VNIR波段、PPC特征(zheng)、CHM和(he) VI的數據集(ji)則(ze)獲得(de)了(le)好(hao)的(de)結果，OA高(gao)達72.4%，Kappa系數為0.70。

另外(wai)，VNIR_CHM_PPC_VIs數據集(ji)的(de)最(zui)終(zhong)分類(lei)圖(tu)，也(ye)顯(xian)示出(chu)了(le)該(gai)地(di)區(qu)的(de)演替階段梯度，例(li)如，在(zai)西(xi)側，植(zhi)被(bei)較低(di)，由(you)Mimosa scabrella等先(xian)鋒樹種(zhong)組成。在東(dong)側，植(zhi)被(bei)變(bian)得(de)更(geng)高(gao)更密，由(you)後期次(ci)生和(he)受氣候(hou)影響的樹(shu)種(zhong)組成，如Ocotea屬和(he)Campomanesia xanthocarpa。而Araucaria angustifolia樹種(zhong)在整個(ge)研究區(qu)普遍存在，因為它具(ju)有(you)先(xian)鋒和(he)晚(wan)期演替特征(zheng)。

研究(jiu)表明(ming)，基(ji)於(yu)VNIR波段高(gao)光(guang)譜(pu)數據和(he)PPC特征(zheng)建(jian)立(li)的(de)分析模(mo)型(xing)，在熱(re)帶(dai)森林樹種(zhong)分類(lei)中(zhong)具(ju)有(you)良好(hao)的(de)應用(yong)潛(qian)力。

易科泰生態(tai)技(ji)術公司致(zhi)力於(yu)生態(tai)-農(nong)業(ye)-健康研(yan)究發(fa)展與(yu)創新(xin)應用(yong)，為森(sen)林遙感研(yan)究(jiu)、林木表型分析、植(zhi)被(bei)資源(yuan)調(tiao)查、生態(tai)環(huan)境(jing)研(yan)究(jiu)、林業(ye)測繪等(deng)領(ling)域提供無(wu)人(ren)機及(ji)近(jin)地(di)遙(yao)感全面(mian)技術方(fang)案。

參考(kao)文獻：

[1] Sothe C, Dalponte M, Almeida C M, et al. Tree species classification in a highly diverse subtropical forest integrating UAV-based photogrammetric point cloud and hyperspectral data[J]. Remote Sensing, 2019, 11(11): 1338.

[2] De Almeida D R A, Broadbent E N, Ferreira M P, et al. Monitoring restored tropical forest diversity and structure through UAV-borne hyperspectral and lidar fusion[J]. Remote Sensing of Environment, 2021, 264: 112582.