无人机遥感多“维”合一，巧辨植被作者利用无人机遥感系统获得覆盖研究区的多光谱影像和三维点云数据，从中分别提取植被的光谱信息和结构信息，然后将两类信息结合用于分类。实验结果表明：结构信息的加入，可以显著提高植被分类结果的准确性。 01研究区域数据获取
研究区位于捷克西部的Doupovske hory (50°18′N, 13°8′ E)，主要的植被类型是灌木林，由草本和灌木植被组成。实验选取了两个研究地点（白框）：一个地点地形平坦，另一个地点是一个朝南的缓坡。 无人机数据 2016年6月20日，作者利用Robodrone Kingfisher六旋翼无人机搭载的Micro-MCA传感器对两个地点进行了多光谱数据的采集。飞行期间，设置飞行高度为50m，地面采样距离（GSD）优于2.5cm,航向重叠>80%，旁向重叠>60%，飞行速度为2m/s。相机参数如下表。
地面数据
通过实地调查获得地面数据，其内覆盖有大量的灌木、草本植物，其中，草甸包括两种类型：以草群落为主的草甸（Meadows）和以芹菜科物种为代表的草甸（ApiMeadows）；灌木包括4种：黑刺李（blackthorn）、山楂树（Hawthorn）、西洋接骨木(elder)和柳树（Willow）。利用装有GPS的智能设备绘制各个植被类别的轮廓，作为分类的地面参考数据。各个类别所选样本的空间分布和数量如图表所示。 02 方法与流程
(1)光谱及结构信息提取 在预处理过程中，利用PixelWrench2软件将原始无人机影像转换为多波段TIFF影像。然后，将其导入Agisoft PhotoScan软件，生成多光谱拼接影像和3D点云结构数据，从中分别提取光谱信息和数字表面模型（DSM）,通过“分类地面点”工具得到数字地形模型（DTM），利用DSM-DTM获得植被冠层高度（nDSM），作为结构信息。
(2)分类
采用两种不同的数据集进行分类：（1）仅使用多光谱数据；（2）光谱数据+结构数据。首先，利用eCognition软件进行图像分割，采用以下参数：形状（shape）：40，所有波段像素值比例：1:1，紧凑度（compactness）：0.4，平滑度（smoothness）：0.6。然后，利用基于最近邻（NN）监督分类算法进行分类。 (3)精度评价 将采集的地面数据随机划分为训练集（60%）和验证集（40%），然后进行10次重复分类，计算各次分类结果的生产者精度（ACC）和用户精度（REL）并取平均值，用于评价分类的准确性和可靠性。然后，利用单尾配对Wilcoxon检验，对分类结果的差异进行检验。 03 结果分析
可以看出，结构数据的加入有效地提高了植被分类结果的精度：Overall accuracy为0.882，ACC和REL分别为0.852和0.857，尤其是改善了Meadows、Hawthorn与Willow之间的错分情况，它们的ACC和REL提升显著，表明结构数据的使用非常有利于物种识别。
对于大多数植被类型来说（上表），两组实验得到的结果差异明显，光谱数据与结构数据的结合显著改善了分类结果。
在大多数情况下（上图），二者组合的分类结果比仅使用多光谱数据的分类结果波动范围要小（最大值-最小值），表明分类精度受训练数据集空间分布的影响更小，分类结果更稳定。 04 结论 利用无人机遥感系统提取的结构信息，直观地展现了不同高度属性的灌木丛植被的特点，它的加入能够提升多光谱数据的分类精度，一次飞行即可得光谱和结构信息，并显著提高Meadows、Hawthorn和Willow的生产者精度和用户精度；同时，降低了分类结果对训练数据集空间分布的敏感性。实验结果表明：综合利用无人机遥感技术获取的光谱信息和结构信息，是一种可行的、成本效益显著的高精度植被制图方法。 一点启发 本文只是简单地将高度信息与多光谱信息结合，就提升了植被制图的精度，如果能根据不同植被的特点从点云中进一步挖掘结构特征，将会更加凸显UAV-SfM点云的强大威力。此类方法在其他领域中也已经“大展身手”,如：草地产量估测、生物量估算（参见“等。无人机遥感的应用在生态、农业方面已经展现了独特的优势，小编相信，无人机遥感在智慧城市建设、国土资源监测等方面也能够大放异彩，让我们一同探索吧！ |
