Adresse
304 Nord Kardinal
St. Dorchester Center, MA 02124
Arbeitsstunden
Montag bis Freitag: 7:00 - 19:00 Uhr
Wochenende: 10:00 - 17:00 Uhr
Hyperspektrale Bildgebung zur präzisen Baumartenidentifizierung und Bestimmung des Blattflächenindex im Rahmen des ökologischen Monitorings von Mangroven
Mangroven zählen zu den wichtigsten ökologischen Barrieren in Küstengebieten, und ihr Zustand beeinflusst direkt die Küstenstabilität, die Biodiversität und die Kohlenstoffspeicherung. Um den Zustand von Mangrovenökosystemen zu verstehen, sind zwei Indikatoren besonders wichtig: Verteilung der Baumarten Und Blattflächenindex (LAI). In den letzten Jahren, hyperspektrale ökologische Überwachung von Mangroven hat sich als zunehmend effektive Methode erwiesen, um beide Arten von Informationen mit hoher Präzision und hoher Effizienz zu erfassen.
In einer Studie, die in der Nationales Naturschutzgebiet Zhangjiang-Ästuar-Mangroven, Zur Unterstützung wurde die hyperspektrale Bildgebung mittels UAVs eingesetzt. Feine Baumartenbestimmung mit einer Hyperspektralkamera Und Bestimmung des Blattflächenindex mittels hyperspektraler Bildgebung. Die Ergebnisse zeigten, dass hyperspektrale Fernerkundung dominante Mangrovenarten genau unterscheiden und zuverlässige LAI-Schätzungen für ökologische Bewertungen, Renaturierungsplanungen und die Vegetationsüberwachung in komplexen Gezeitenzonen liefern kann.
Warum hyperspektrale ökologische Überwachung von Mangroven wichtig ist
Mangrovenreservate beherbergen oft zahlreiche Arten, die in fragmentierten und sich überlappenden Beständen wachsen. Gleichzeitig wird die Feldforschung in Küstenfeuchtgebieten in der Regel durch Gezeiten, schlammigen Untergrund und schlechte Zugänglichkeit erschwert. Dies macht herkömmliche Vegetationserhebungen langsam, arbeitsintensiv und schwer skalierbar.
Die Notwendigkeit einer präzisen Baumartenbestimmung
Für das Management von Mangroven sind Informationen auf Artenebene unerlässlich. Verschiedene Arten haben unterschiedliche ökologische Funktionen, Wachstumsreaktionen und Werte für die Wiederherstellung von Mangrovenwäldern. Eine genaue Kartierung der Artenverbreitung hilft Forschern und Schutzgebietsmanagern, die Habitatstruktur zu verstehen und fundiertere Naturschutzentscheidungen zu treffen.
Deshalb Feine Baumartenbestimmung mit einer Hyperspektralkamera Hyperspektrale Bildgebung ist eine besonders wichtige Anwendung. Im Vergleich zu herkömmlichen Bildgebungsverfahren kann sie selbst feinste spektrale Unterschiede zwischen visuell ähnlichen Arten erfassen. Das macht sie in gemischten Mangrovengebieten besonders wertvoll, wo eine genaue Klassifizierung allein mit RGB- oder Standard-Multispektralbildern schwierig ist.
Die Bedeutung der Bestimmung des Blattflächenindex
Bestimmung des Blattflächenindex mit einer Hyperspektralkamera Der Blattflächenindex (LAI) ist ein weiterer wichtiger Bestandteil des ökologischen Monitorings. Er spiegelt die Kronendichte, den Wachstumszustand der Vegetation und ihre Photosynthesekapazität wider und wird häufig zur Bewertung der Ökosystemproduktivität, des Vegetationszustands und des Renaturierungserfolgs eingesetzt.
Herkömmliche Methoden zur Messung des Blattflächenindex (LAI) sind oft zeitaufwändig und für die großflächige Überwachung von Feuchtgebieten ungeeignet. Im Gegensatz dazu, hyperspektrale Blattflächenindex-Bestimmung bietet eine schnellere und besser skalierbare Methode zur Schätzung von Kronenparametern über große Gebiete hinweg bei gleichzeitig hoher Genauigkeit.
Vorteile hyperspektraler Kameras für die Mangrovenüberwachung
Die Studie zeigt, wie hyperspektrale Bildgebung beides unterstützen kann Feine Baumartenbestimmung Und Abruf des Blattflächenindex in komplexen Küstenökosystemen.
Hohe spektrale Empfindlichkeit zur Artendifferenzierung
Eine Hyperspektralkamera kann detaillierte Reflexionsinformationen über einen kontinuierlichen Spektralbereich aufzeichnen und ermöglicht so die Erkennung geringfügiger Unterschiede in der Blatt- und Kronenreflexion zwischen verschiedenen Arten. Diese Fähigkeit ist besonders wichtig für Baumartenidentifizierung mittels hyperspektraler Kamera, wobei die Klassifizierung von subtilen, aber stabilen spektralen Variationen abhängt.
Im Naturschutzgebiet der Zhangjiang-Mündung sind dominante Mangrovenarten wie zum Beispiel Kandelia obovata, Aegiceras corniculatum, und Avicennia marina Sie treten in einer komplexen Mosaikverteilung auf. Ihre spektralen Unterschiede lassen sich durch hyperspektrale Bildgebung effektiv erfassen, was eine genauere Klassifizierung als herkömmliche Erhebungsverfahren ermöglicht.
Hohe räumliche Auflösung für die Analyse von Kronenstrukturen
Neben der spektralen Vielfalt bietet die hyperspektrale Bildgebung mittels UAVs auch eine hohe räumliche Auflösung. In einer Flughöhe von 100 Metern erreichte das Bildmaterial eine Bodenauflösung im Zentimeterbereich und ermöglichte so eine klare Beobachtung der Kronenstruktur, der Kronentextur und der Vegetationsgrenzen.
Dies ist besonders wichtig für hyperspektrale ökologische Überwachung von Mangroven, Denn sowohl die Artenklassifizierung als auch die LAI-Bestimmung profitieren von detaillierten Strukturinformationen auf Kronen- und Bestandesebene.
Zuverlässige Daten für ökologische Anwendungen
Eine stabile Bildaufnahme ist für jeden Arbeitsablauf im Bereich des ökologischen Monitorings unerlässlich. Hochwertige hyperspektrale Daten verbessern die Zuverlässigkeit von Spektralanalysen, Merkmalsextraktion, Klassifizierungsmodellen und der Inversion von Vegetationsparametern. In diesem Fall lieferte der hyperspektrale Bildgebungs-Workflow eine solide Datengrundlage für beides. Hyperspektrale Kamera zur Feinarterkennung Und Bestimmung des Blattflächenindex mittels hyperspektraler Bildgebung.
Datenerfassung und -vorverarbeitung für das hyperspektrale ökologische Monitoring von Mangroven
Ein effizienter Arbeitsablauf beginnt mit einer sorgfältigen Planung und Vorverarbeitung der Datenerfassung. In Küstenfeuchtgebieten können Zeitpunkt und Umweltbedingungen die Qualität der Fernerkundungsdaten erheblich beeinflussen.
UAV-Flugplanung und Vermessungsdesign
Die Luftbildaufnahme wurde durchgeführt in Dezember 2024 bei Niedrigwasser, Um den Einfluss der Gezeiten auf die Bildaufnahme zu minimieren, wurde das Untersuchungsgebiet in sechs Abschnitte unterteilt, um die Effizienz der Erhebung und die Datenkonsistenz zu verbessern. Die Flugparameter der Drohne wurden so eingestellt, dass sowohl eine flächendeckende Abdeckung als auch eine hohe räumliche Auflösung gewährleistet sind.
Das in dieser Studie verwendete hyperspektrale Bildgebungssystem war Ramoton RT-FS60. Während der Datenerfassung erreichte die Plattform eine Bodenauflösung von ungefähr 4,71 cm unter einer Flughöhe von 100 m, mit einer Fluggeschwindigkeit von 5 m/s und ein Hauptfluglinienwinkel von 87°.
Radiometrische Korrektur und Bildgenerierung
Die rohen hyperspektralen Daten wurden verarbeitet in ENVI 5.3 Zur Reduzierung des Einflusses atmosphärischer Effekte, der Beleuchtungsverhältnisse und der Variation des Sonnenstands wurde eine radiometrische Korrektur durchgeführt. Anschließend erfolgten die geometrische Registrierung und die Streifenmosaikierung, um ein vollständiges hyperspektrales Bild des Mangrovenreservats zu erzeugen.
Mangrovenflächenentnahme
Um die Mangrovenvegetation von nicht zum Ziel gehörenden Oberflächen zu isolieren, wandten die Forscher eine NDVI-Schwellenwertmethode unter Verwendung einer Reihe von 0,53 bis 1,00. Durch dieses Verfahren wurden Gewässer, Salzwiesen und künstliche Oberflächen ausgeblendet. Das Ergebnis wurde anschließend durch manuelle Interpretation verfeinert, um die genaue Extraktion des Mangrovengebiets für die nachfolgende Analyse zu gewährleisten.
Dieser Vorverarbeitungs-Workflow war unerlässlich für die Verbesserung der Leistung von Baumartenidentifizierung mittels Hyperspektralkamera Und hyperspektrale Blattflächenindex-Bestimmung.
Feine Baumartenbestimmung mit einer Hyperspektralkamera
Nach der Vorverarbeitung konzentrierte sich die Forschung auf Feine Baumartenbestimmung mit einer Hyperspektralkamera, Dies ist eines der Kernziele der Studie.
Multiskalige Segmentierung und Merkmalskonstruktion
Die verarbeiteten hyperspektralen Bilddaten wurden mithilfe eines objektorientiertes Multi-Skalen-Segmentierungsverfahren. Der optimale Segmentierungsmaßstab wurde wie folgt bestimmt: 25, mit einer Verschmelzungsskala von 80, wodurch das Risiko einer Über- oder Untersegmentierung effektiv reduziert wird.
Insgesamt 323 Funktionen wurden aus den Daten erstellt, einschließlich:
- Merkmale des ursprünglichen Spektralbandes
- Vegetationsindizes
- Texturmerkmale
- Formmerkmale
- LiDAR-abgeleitete Höhenmerkmale
- LiDAR-abgeleitete Intensitätsmerkmale
Dieser hochdimensionale Merkmalsatz bildete eine solide Grundlage für Feine Baumartenidentifizierung mittels hyperspektraler Kamera in gemischten Mangrovenbeständen.
Merkmalsauswahl und Deep-Learning-Klassifizierung
Nach Entfernung der Korrelationsanalyse 273 hochgradig redundante Funktionen, Die verbleibenden Variablen wurden wie folgt geprüft:
- RF-RFE
- XGBoost
- LightGBM
Die Schnittmenge der ausgewählten Ergebnisse erzeugte ein 14-dimensionaler optimaler Merkmalsatz, einschließlich sensitiver spektraler, struktureller und kronenbezogener Variablen.
Diese Merkmale wurden dann in das System eingegeben. Swin-UperNet Ein Deep-Learning-Modell wurde entwickelt, um die dominanten Mangrovenarten zu klassifizieren. Dieser Workflow ermöglichte eine präzise Unterscheidung zwischen den Arten. Kandelia obovata, Aegiceras corniculatum, und Avicennia marina, was den praktischen Nutzen von Hyperspektrale Kamera zur Feinarterkennung in ökologischen Anwendungen.
Ergebnisse der Baumartenbestimmung
Die Gesamtgenauigkeit der Klassifizierung erreichte 91.18%, mit einem Kappa-Koeffizient von 0,85, Dies deutet auf eine starke Übereinstimmung zwischen den Modellvorhersagen und den Gegebenheiten vor Ort hin.
Die Genauigkeit des Produzenten für jede Art betrug:
- Aegiceras corniculatum: 92.08%
- Avicennia marina: 91.38%
- Kandelia obovata: 90.66%
Diese Ergebnisse bestätigen, dass Feine Baumartenbestimmung mit einer Hyperspektralkamera kann genaue und praxisrelevante Artenkarten für die Überwachung von Mangrovenökosystemen liefern.
Bestimmung des Blattflächenindex mittels hyperspektraler Bildgebung
Auf Grundlage der Ergebnisse der Artenklassifizierung war der nächste Schritt: Bestimmung des Blattflächenindex mittels hyperspektraler Bildgebung, was ein weiterer zentraler Schwerpunkt dieser Studie ist.
Artenspezifische LAI-Abrufstrategie
Anstatt ein einheitliches Modell auf die gesamte Mangrovenvegetation anzuwenden, wählten die Forscher für jede Art separat sensible Merkmale aus. Diese artspezifische Strategie verbesserte die Genauigkeit der Ergebnisse. Bestimmung des Blattflächenindex mittels hyperspektraler Kamera, weil die Kronenstruktur und die spektrale Empfindlichkeit zwischen verschiedenen Mangrovenarten variieren.
Modellentwicklung und Vergleich
Die ausgewählten Merkmale wurden in drei LAI-Schätzalgorithmen integriert:
- SVR
- PLSR
- BPNN
Durch die Kombination verschiedener Merkmalsauswahlmethoden mit diesen Algorithmen baute das Forschungsteam auf neun hybride Cross-Modelle und verglichen ihre Abrufleistung.
Die optimalen Modelle wurden wie folgt identifiziert:
- RF-RFE + SVR für Kandelia obovata
- RF-RFE + SVR für Avicennia marina
- XGBoost + BPNN für Aegiceras corniculatum
Dieser Ansatz verbesserte sich deutlich hyperspektrale Blattflächenindex-Bestimmung Leistung auf Artenebene.
LAI-Entfernungsergebnisse
Die ermittelten LAI-Werte stimmten weitgehend mit den Feldmessungen überein.
Die geschätzten LAI-Bereiche waren:
- Kandelia obovata: 0,897–3,001, Mittelwert 1,416
- Aegiceras corniculatum: 0,934–1,919, Mittelwert 1,355
- Avicennia marina: 0,913–2,221, Mittelwert 1,443
Unter den Modellen ergab sich folgendes Ergebnis für Avicennia marina war besonders stark:
- R² = 0,87
- MAE = 0,02
- RMSE = 0,04
Für Kandelia obovata, Das Modell erreichte Folgendes:
- R² = 0,81
- MAE = 0,09
- RMSE = 0,05
Diese Ergebnisse zeigen, dass Bestimmung des Blattflächenindex mit einer Hyperspektralkamera kann zuverlässige und präzise Kronendaten für ökologische Analysen und die Überwachung von Renaturierungsmaßnahmen liefern.
Ökologischer Wert der hyperspektralen Mangroven-Ökologieüberwachung
Die Bedeutung dieser Studie geht über die technische Genauigkeit hinaus. Sie zeigt auch, wie hyperspektrale ökologische Überwachung von Mangroven kann ein praktisches Ökosystemmanagement und eine wissenschaftliche Entscheidungsfindung unterstützen.
Aufdeckung räumlicher Muster im Zustand der Mangroven
Die Studie ergab einen deutlichen räumlichen Trend im Mangroven-LAI innerhalb des gesamten Reservats und zeigte ein Muster von von Norden nach Süden abnehmend, dann zunehmend und wieder abnehmend. Solche räumlichen Informationen liefern wertvolle Einblicke in den Zustand der Vegetation, die Habitatvariation und die ökologische Funktion.
Verbesserung der ökologischen Interpretation durch Multiquellenmerkmale
Ein weiteres wichtiges Ergebnis war der kombinierte Beitrag von Höhenmerkmale Und Intensitätsmerkmale zur LAI-Schätzung. Dies bestätigt, dass die Integration spektraler Informationen mit strukturellen Merkmalen die Leistung der LAI-Schätzung verbessern kann. hyperspektrale Blattflächenindex-Bestimmung und die Interpretation der Dynamik des Mangrovenkronendachs zu verbessern.
Unterstützung von Naturschutz und Wiederherstellung
Durch die Kombination Feine Baumartenbestimmung mit einer Hyperspektralkamera Und Bestimmung des Blattflächenindex mittels hyperspektraler Bildgebung, Forscher und Naturschutzmanager können genauere Informationen erhalten für:
- Mangrovenschutzplanung
- Bewertung der Wirksamkeit der Wiederherstellungsmaßnahmen
- Überwachung des Vegetationszustands
- Feuchtgebietsmanagement
- Langzeitbeobachtung des Ökosystems
Dies macht die hyperspektrale Fernerkundung zu einem äußerst wertvollen Instrument für den ökologischen Küstenschutz.
Produktinformationen für die luftgestützte Vegetationsüberwachung
Für Anwendungen zur luftgestützten Vegetationsüberwachung wurde in dieser Studie folgendes System verwendet: Ramoton RT-FS60. Zu den Kernspezifikationen gehören:
- Spektralbereich: 400–1000 nm
- Spektrale Auflösung: 2,5 nm
- Spektralbänder: 1200
- Räumliche Pixel: 1920
Diese technischen Eigenschaften machen die Hyperspektralbildgebung hervorragend geeignet für:
- Feine Baumartenbestimmung
- Abruf des Blattflächenindex
- ökologische Überwachung von Mangroven
- Analyse der Feuchtgebietsvegetation
- Waldressourcenerhebungen
- Beurteilung des Pflanzenwachstums
Abschluss
Diese Studie im Mangroven-Nationalnaturreservat der Zhangjiang-Mündung zeigt, dass hyperspektrale Fernerkundung hochwirksam ist für Feine Baumartenbestimmung mit einer Hyperspektralkamera, Bestimmung des Blattflächenindex mit einer Hyperspektralkamera, und hyperspektrale ökologische Überwachung von Mangroven.
Mit einer Gesamtgenauigkeit der Artenklassifizierung von 91.18% und LAI-Abruffehler so niedrig wie 0.04, Der Arbeitsablauf demonstriert das große Potenzial der hyperspektralen Bildgebung mittels unbemannter Luftfahrzeuge in komplexen Küstenökosystemen. Er liefert präzise und effiziente Daten für den Schutz, die Wiederherstellung und das Management von Mangroven und bietet gleichzeitig ein breites Anwendungspotenzial in der Forstwirtschaft, im Feuchtgebietsmanagement und in der Vegetationsüberwachung.
