Imagerie hyperspectrale pour l'identification fine des espèces d'arbres et l'estimation de l'indice de surface foliaire

Les mangroves figurent parmi les barrières écologiques les plus importantes des milieux côtiers, et leur état influe directement sur la stabilité du littoral, la biodiversité et le stockage du carbone. Pour comprendre l’état des écosystèmes de mangroves, deux indicateurs sont particulièrement importants : répartition des espèces d'arbres et indice de surface foliaire (LAI). Au cours des dernières années, surveillance écologique hyperspectrale des mangroves est devenue une approche de plus en plus efficace pour recueillir les deux types d'informations avec une grande précision et une grande efficacité.

Dans une étude menée dans le Réserve naturelle nationale de la mangrove de l'estuaire du Zhangjiang, L'imagerie hyperspectrale embarquée sur drone a été utilisée pour soutenir Identification précise des espèces d'arbres à l'aide d'une caméra hyperspectrale et Détermination de l'indice de surface foliaire par imagerie hyperspectrale. Les résultats ont montré que la télédétection hyperspectrale permet de distinguer avec précision les espèces de mangroves dominantes et de fournir une estimation fiable de l'indice de surface foliaire (LAI) pour l'évaluation écologique, la planification de la restauration et la surveillance de la végétation dans des environnements intertidaux complexes.

Pourquoi la surveillance écologique hyperspectrale des mangroves est importante

Les réserves de mangroves abritent souvent de multiples espèces qui poussent de manière fragmentée et imbriquée. Parallèlement, les études de terrain dans les zones humides côtières sont généralement limitées par les marées, les terrains vaseux et la faible accessibilité. De ce fait, les inventaires de végétation traditionnels sont lents, laborieux et difficiles à mettre en œuvre à grande échelle.

La nécessité d'une identification précise des espèces d'arbres

Pour la gestion des mangroves, il est essentiel de disposer d'informations précises sur les espèces. Chaque espèce possède des fonctions écologiques, des réponses de croissance et des valeurs de restauration différentes. Une cartographie précise de la répartition des espèces aide les chercheurs et les gestionnaires de réserves à comprendre la structure de l'habitat et à prendre de meilleures décisions en matière de conservation.

Voilà pourquoi Identification précise des espèces d'arbres à l'aide d'une caméra hyperspectrale Il s'agit d'une application cruciale. Comparée aux méthodes d'imagerie conventionnelles, l'imagerie hyperspectrale permet de saisir des différences spectrales subtiles entre des espèces visuellement similaires. Cela la rend particulièrement précieuse dans les environnements de mangroves mixtes où une classification précise est difficile à obtenir avec les seules images RGB ou multispectrales standard.

L'importance de la récupération de l'indice de surface foliaire

Détermination de l'indice de surface foliaire à l'aide d'une caméra hyperspectrale L'indice de surface foliaire (LAI) est un autre élément clé du suivi écologique. Il reflète la densité du couvert végétal, l'état de croissance de la végétation et sa capacité photosynthétique. Il est largement utilisé pour évaluer la productivité des écosystèmes, la santé de la végétation et l'efficacité des travaux de restauration.

Les méthodes traditionnelles de mesure de l'indice de surface foliaire (LAI) sont souvent longues et inadaptées à la surveillance des zones humides à grande échelle. En revanche, récupération de l'indice de surface foliaire hyperspectral offre une méthode plus rapide et plus adaptable pour estimer les paramètres de la canopée sur de vastes zones tout en conservant une grande précision.

Avantages des caméras hyperspectrales pour la surveillance des mangroves

L'étude démontre comment l'imagerie hyperspectrale peut soutenir à la fois identification des espèces d'arbres fins et récupération de l'indice de surface foliaire dans des écosystèmes côtiers complexes.

Haute sensibilité spectrale pour la différenciation des espèces

Une caméra hyperspectrale peut enregistrer des informations détaillées sur la réflectance sur une gamme spectrale continue, permettant ainsi de détecter de faibles différences de réflectance des feuilles et du couvert végétal entre les espèces. Cette capacité est particulièrement importante pour identification des espèces d'arbres par caméra hyperspectrale, où la classification repose sur une variation spectrale subtile mais stable.

Dans la réserve de l'estuaire de Zhangjiang, les espèces de mangroves dominantes telles que Kandelia obovata, Aegiceras corniculatum, et Avicennia marina Ces caractéristiques se présentent sous forme de mosaïque complexe. Leurs différences spectrales peuvent être efficacement capturées grâce à l'imagerie hyperspectrale, permettant une classification plus précise que les méthodes d'étude traditionnelles.

Analyse de la structure de la canopée à haute résolution spatiale

Outre sa richesse spectrale, l'imagerie hyperspectrale par drone offre également une haute résolution spatiale. À une altitude de vol de 100 mètres, les images ont atteint une résolution au sol centimétrique, permettant une observation claire de la structure de la canopée, de la texture de la cime et des limites de la végétation.

Ceci est particulièrement important pour surveillance écologique hyperspectrale des mangroves, car la classification des espèces et l'estimation de l'indice de surface foliaire (LAI) bénéficient toutes deux d'informations structurelles détaillées au niveau de la cime et de la canopée.

Données fiables pour les applications écologiques

L'acquisition d'images stables est essentielle à tout flux de travail de suivi écologique. Des données hyperspectrales de haute qualité améliorent la fiabilité de l'analyse spectrale, de l'extraction de caractéristiques, des modèles de classification et de l'inversion des paramètres de la végétation. Dans ce cas précis, le flux de travail d'imagerie hyperspectrale a fourni une base de données solide pour les deux reconnaissance fine des espèces par caméra hyperspectrale et Détermination de l'indice de surface foliaire par imagerie hyperspectrale.

Acquisition et prétraitement des données pour la surveillance écologique hyperspectrale des mangroves

Un flux de travail efficace commence par une planification et un prétraitement appropriés de l'acquisition des données. Dans les zones humides côtières, le calendrier et les conditions environnementales peuvent avoir une incidence considérable sur la qualité des données de télédétection.

Conception de la planification de vol et des levés topographiques par drones

Le relevé aérien a été effectué en Décembre 2024, à marée basse, L'influence des marées sur l'acquisition d'images a ainsi été réduite. La zone d'étude a été divisée en six sections afin d'améliorer l'efficacité du relevé et la cohérence des données. Les paramètres de vol du drone ont été définis pour garantir à la fois une large couverture et une grande précision spatiale.

Le système d'imagerie hyperspectrale utilisé dans cette étude était Ramoton RT-FS60. Lors de la collecte des données, la plateforme a atteint une résolution au sol d'environ 4,71 cm sous une altitude de vol de 100 m, avec une vitesse de vol de 5 m/s et un angle de ligne de vol principale de 87°.

Correction radiométrique et génération d'images

Les données hyperspectrales brutes ont été traitées dans ENVI 5.3 Une correction radiométrique a été effectuée afin de réduire l'influence des effets atmosphériques, des conditions d'éclairage et des variations de l'angle solaire. Ensuite, un recalage géométrique et un assemblage de bandes ont permis de générer une image hyperspectrale complète de la réserve de mangrove.

Extraction de la zone de mangrove

Pour isoler la végétation de mangrove des surfaces non ciblées, les chercheurs ont appliqué une méthode de seuillage NDVI utilisant une gamme de 0,53 à 1,00. Ce procédé a permis de masquer les plans d'eau, les marais salants et les surfaces artificielles. Le résultat a ensuite été affiné par une interprétation manuelle, garantissant ainsi une extraction précise de la zone de mangrove pour les analyses ultérieures.

Ce flux de travail de prétraitement était essentiel pour améliorer les performances de identification des espèces d'arbres par caméra hyperspectrale et récupération de l'indice de surface foliaire hyperspectral.

Identification précise des espèces d'arbres à l'aide d'une caméra hyperspectrale

Après le prétraitement, la recherche s'est concentrée sur Identification précise des espèces d'arbres à l'aide d'une caméra hyperspectrale, ce qui constitue l'un des objectifs principaux de l'étude.

Segmentation multi-échelle et construction de caractéristiques

Les images hyperspectrales traitées ont été analysées à l'aide d'un méthode de segmentation multi-échelle orientée objet. L'échelle de segmentation optimale a été déterminée comme étant 25, avec une échelle de fusion de 80, réduisant ainsi le risque de sur-segmentation ou de sous-segmentation.

Un total de 323 fonctionnalités ont été construits à partir des données, notamment :

Caractéristiques spectrales originales
Indices de végétation
caractéristiques de texture
caractéristiques de la forme
Caractéristiques de hauteur dérivées du LiDAR
Caractéristiques d'intensité dérivées du LiDAR

Cet ensemble de caractéristiques multidimensionnelles a fourni une base solide pour identification précise des espèces d'arbres par caméra hyperspectrale dans les peuplements de mangroves mixtes.

Sélection de caractéristiques et classification par apprentissage profond

Après suppression de l'analyse de corrélation 273 fonctionnalités hautement redondantes, les variables restantes ont été analysées à l'aide de :

RF-RFE
XGBoost
LightGBM

L'intersection des résultats sélectionnés a généré un ensemble de caractéristiques optimales à 14 dimensions, y compris les variables spectrales, structurelles et liées à la canopée sensibles.

Ces caractéristiques ont ensuite été intégrées au Swin-UperNet Modèle d'apprentissage profond pour classifier les espèces de mangroves dominantes. Ce flux de travail a permis une discrimination précise entre les différentes espèces. Kandelia obovata, Aegiceras corniculatum, et Avicennia marina, démontrant ainsi la valeur pratique de reconnaissance fine des espèces par caméra hyperspectrale dans les applications écologiques.

Résultats de l'identification des espèces d'arbres

La précision globale de la classification a atteint 91.18%, avec un Coefficient Kappa de 0,85, ce qui indique une forte concordance entre les prédictions du modèle et les conditions sur le terrain.

La précision du producteur pour chaque espèce était la suivante :

Aegiceras corniculatum : 92.08%
Avicennia marina : 91.38%
Kandelia obovata: 90.66%

Ces résultats confirment que Identification précise des espèces d'arbres à l'aide d'une caméra hyperspectrale peut fournir des cartes d'espèces précises et exploitables pour la surveillance des écosystèmes de mangroves.

Détermination de l'indice de surface foliaire à l'aide de l'imagerie hyperspectrale

Sur la base des résultats de la classification des espèces, l'étape suivante était Détermination de l'indice de surface foliaire par imagerie hyperspectrale, ce qui constitue un autre axe central de cette étude.

Stratégie de récupération de l'indice de surface foliaire (LAI) spécifique à l'espèce

Plutôt que d'appliquer un modèle unique à toute la végétation de mangrove, les chercheurs ont sélectionné des caractéristiques sensibles séparément pour chaque espèce. Cette stratégie spécifique à chaque espèce a amélioré la précision de extraction de l'indice de surface foliaire par caméra hyperspectrale, car la structure de la canopée et la réponse spectrale varient selon les différentes espèces de mangroves.

Développement et comparaison de modèles

Les caractéristiques sélectionnées ont été intégrées dans trois algorithmes d'estimation de l'indice de surface foliaire (LAI) :

SVR
PLSR
BPNN

En combinant différentes méthodes de sélection de caractéristiques avec ces algorithmes, l'équipe de recherche a construit neuf modèles hybrides et ont comparé leurs performances de récupération.

Les modèles optimaux ont été identifiés comme suit :

RF-RFE + SVR pour Kandelia obovata
RF-RFE + SVR pour Avicennia marina
XGBoost + BPNN pour Aegiceras corniculatum

Cette approche a considérablement amélioré récupération de l'indice de surface foliaire hyperspectral performance au niveau de l'espèce.

Résultats de récupération de l'indice d'activité lipidique (LAI)

Les valeurs de LAI obtenues étaient très cohérentes avec les mesures de terrain.

Les valeurs estimées de l'indice de surface foliaire (LAI) étaient les suivantes :

Kandelia obovata: 0,897–3,001, moyenne 1,416
Aegiceras corniculatum : 0,934–1,919, moyenne 1,355
Avicennia marina : 0,913–2,221, moyenne 1,443

Parmi les modèles, le résultat pour Avicennia marina était particulièrement fort :

R² = 0,87
MAE = 0,02
RMSE = 0,04

Pour Kandelia obovata, le modèle obtenu :

R² = 0,81
MAE = 0,09
RMSE = 0,05

Ces résultats démontrent que Détermination de l'indice de surface foliaire à l'aide d'une caméra hyperspectrale peut produire des informations fiables et précises sur la canopée pour l'analyse écologique et le suivi des restaurations.

caméra hyperspectrale aéroportée pour la surveillance de la végétation

Imagerie hyperspectrale par drone pour la surveillance des mangroves

Classification des espèces d'arbres à l'aide de l'imagerie hyperspectrale

Valeur écologique de la surveillance écologique hyperspectrale des mangroves

L'importance de cette étude dépasse la simple précision technique. Elle montre également comment surveillance écologique hyperspectrale des mangroves peut soutenir la gestion pratique des écosystèmes et la prise de décisions scientifiques.

Révéler les schémas spatiaux dans l'état des mangroves

L'étude a révélé une tendance spatiale claire de l'indice de surface foliaire (LAI) des mangroves à travers la réserve, montrant un schéma de décroissant du nord au sud, puis augmentant, puis décroissant à nouveau. Ces informations spatiales fournissent des indications précieuses sur l'état de la végétation, la variation des habitats et la fonction écologique.

Amélioration de l'interprétation écologique grâce aux fonctionnalités multi-sources

Un autre résultat important a été la contribution combinée de caractéristiques de hauteur et caractéristiques d'intensité à l'estimation de l'indice de surface foliaire (LAI). Ceci confirme que l'intégration des informations spectrales aux caractéristiques structurelles peut améliorer les performances de récupération de l'indice de surface foliaire hyperspectral et améliorer l'interprétation de la dynamique de la canopée des mangroves.

Soutenir la conservation et la restauration

En combinant Identification précise des espèces d'arbres à l'aide d'une caméra hyperspectrale et Détermination de l'indice de surface foliaire par imagerie hyperspectrale, Les chercheurs et les gestionnaires de la conservation peuvent ainsi obtenir des informations plus précises sur :

planification de la conservation des mangroves
Évaluation de l'efficacité de la restauration
surveillance de la santé de la végétation
Gestion des ressources en zones humides
Observation à long terme des écosystèmes

Cela fait de la télédétection hyperspectrale un outil extrêmement précieux pour la protection écologique des zones côtières.

Informations produit pour la surveillance de la végétation aérienne

Pour les applications de surveillance aérienne de la végétation, le système utilisé dans cette étude était Ramoton RT-FS60. Ses principales caractéristiques techniques sont les suivantes :

Gamme spectrale : 400–1000 nm
Résolution spectrale : 2,5 nm
Bandes spectrales : 1200
Pixels spatiaux : 1920

Ces caractéristiques techniques rendent l'imagerie hyperspectrale particulièrement adaptée à :

Identification des espèces d'arbres fins
Récupération de l'indice de surface foliaire
surveillance écologique des mangroves
analyse de la végétation des zones humides
inventaires des ressources forestières
évaluation de la croissance des cultures

estimation hyperspectrale de l'indice de surface foliaire (LAI)

Conclusion

Cette étude menée dans la réserve naturelle nationale de mangroves de l'estuaire de Zhangjiang montre que la télédétection hyperspectrale est très efficace pour Identification précise des espèces d'arbres à l'aide d'une caméra hyperspectrale, Détermination de l'indice de surface foliaire à l'aide d'une caméra hyperspectrale, et surveillance écologique hyperspectrale des mangroves.

Avec une précision globale de classification des espèces de 91.18% et une erreur de récupération de l'indice LAI aussi faible que 0.04, Ce flux de travail démontre le fort potentiel de l'imagerie hyperspectrale par drone dans les écosystèmes côtiers complexes. Il fournit des données précises et efficaces pour la conservation, la restauration et la gestion des mangroves, tout en offrant un large potentiel d'application en foresterie, en zones humides et pour la surveillance de la végétation.