樹種の微細識別と葉面積指数検索のためのハイパースペクトルイメージング

マングローブは沿岸環境における最も重要な生態学的障壁の一つであり、その健全性は海岸線の安定性、生物多様性、そして炭素貯留に直接的な影響を与えます。マングローブ生態系の状態を理解するには、特に以下の2つの指標が重要です。 樹種の分布 そして 葉面積指数（LAI）. 。近年では、, ハイパースペクトルマングローブ生態モニタリング 両方の種類の情報を高精度かつ高効率で取得するための、ますます効果的なアプローチになっています。.

で行われた研究では、 張江河口マングローブ国立自然保護区, UAVベースのハイパースペクトルイメージングは、 ハイパースペクトルカメラによる樹種の精密識別 そして ハイパースペクトルイメージングを用いた葉面積指標検索. 結果は、ハイパースペクトルリモートセンシングが優占するマングローブ種を正確に区別し、複雑な潮間帯環境における生態学的評価、復元計画、植生モニタリングのための信頼性の高いLAI推定を提供できることを示しました。.

ハイパースペクトルマングローブ生態モニタリングが重要な理由

マングローブ保護区には、複数の種が断片的かつ重なり合う形で生育していることがよくあります。同時に、沿岸湿地での現地調査は、潮汐、泥濘地、アクセスの悪さといった制約を受けることが一般的です。そのため、従来の植生調査は時間がかかり、労働集約的で、規模の拡大も困難です。.

樹種の識別の必要性

マングローブ管理には、種レベルの情報が不可欠です。種によって生態学的機能、成長反応、そして回復価値が異なります。種の分布を正確にマッピングすることで、研究者や保護区管理者は生息地の構造を理解し、より適切な保全上の意思決定を行うことができます。.

これが理由です ハイパースペクトルカメラによる樹種の精密識別 非常に重要な用途です。従来の画像化手法と比較して、ハイパースペクトル画像は、視覚的に類似した種間の微妙なスペクトルの違いを捉えることができます。そのため、RGB画像や標準的なマルチスペクトル画像だけでは正確な分類が難しいマングローブ混合林環境において、特に有用です。.

リーフエリアインデックス検索の重要性

ハイパースペクトルカメラによる葉面積指標の取得 生態モニタリングのもう一つの重要な要素です。LAIは、樹冠密度、植生の成長状態、光合成能力を反映します。生態系の生産性、植生の健全性、そして回復力を評価するのに広く利用されています。.

従来のLAI測定方法は時間がかかることが多く、大規模な湿地モニタリングには適していません。これに対し、, ハイパースペクトル葉面積インデックス検索 高い精度を維持しながら、広いエリアにわたって樹冠パラメータをより高速かつスケーラブルに推定する方法を提供します。.

マングローブ監視におけるハイパースペクトルカメラの利点

この研究は、ハイパースペクトルイメージングが、 樹種の精密識別 そして リーフエリアインデックス検索 複雑な沿岸生態系において。.

種の識別のための高スペクトル感度

ハイパースペクトルカメラは、連続したスペクトル範囲にわたって詳細な反射率情報を記録できるため、樹種間の葉や樹冠の反射率のわずかな違いを検出することができます。この機能は特に、 ハイパースペクトルカメラによる樹種識別, ここでの分類は、微妙だが安定したスペクトルの変化に依存します。.

張江河口保護区では、 カンデリア・オボバタ, アエギセラス・コルニキュラタム, 、そして アヴィセニアマリーナ 複雑なモザイク分布を呈する。ハイパースペクトル画像化によって、それらのスペクトルの違いを効果的に捉えることができ、従来の調査手法よりも正確な分類が可能となる。.

樹冠構造解析のための高空間分解能

UAVハイパースペクトル画像は、スペクトルの豊かさに加え、高い空間分解能も提供します。100メートルの飛行高度では、センチメートルレベルの地上解像度を達成し、樹冠構造、樹冠の質感、植生の境界を鮮明に観察できます。.

これは特に ハイパースペクトルマングローブ生態モニタリング, なぜなら、種の分類と LAI 検索はどちらも、樹冠および林冠レベルの詳細な構造情報から恩恵を受けるからです。.

生態学的応用のための信頼できるデータ

安定した画像取得は、あらゆる生態学的モニタリングワークフローにとって不可欠です。高品質のハイパースペクトルデータは、スペクトル解析、特徴抽出、分類モデル、植生パラメータ逆変換の信頼性を向上させます。このケースでは、ハイパースペクトルイメージングワークフローが、両方の分野に強力なデータ基盤を提供しました。 ハイパースペクトルカメラによる微細種認識 そして ハイパースペクトルイメージングを用いた葉面積指標検索.

ハイパースペクトルマングローブ生態モニタリングのためのデータ収集と前処理

堅牢なワークフローは、適切なデータ取得計画と前処理から始まります。沿岸湿地では、タイミングと環境条件がリモートセンシングデータの品質に大きな影響を与える可能性があります。.

UAVの飛行計画と調査設計

航空調査は 2024年12月干潮時, これにより、画像取得における潮汐の影響を軽減しました。調査効率とデータの一貫性を向上させるため、調査対象地域は6つのセクションに分割されました。UAVの飛行パラメータは、広範囲の観測と精細な空間情報の両方を確保するように設定されました。.

この研究で使用されたハイパースペクトルイメージングシステムは ラモトン RT-FS60. データ収集中、プラットフォームは約 4.71センチ 飛行高度以下 100メートル, 、飛行速度は 5メートル/秒 主飛行ライン角度は 87°.

放射補正と画像生成

生のハイパースペクトルデータは、 ENVI 5.3 大気の影響、照明条件、太陽の角度変化の影響を低減するための放射補正が行われました。その後、幾何学的レジストレーションとストリップモザイク処理が行われ、マングローブ保護区の完全なハイパースペクトル画像が生成されました。.

マングローブ林の伐採

マングローブ植生を非標的表面から分離するために、研究者らは NDVI閾値法 さまざまな 0.53から1.00. このプロセスにより、水域、塩性湿地、人工地盤が隠蔽されました。その後、手作業による解釈によって結果が精緻化され、その後の分析においてマングローブ林域の正確な抽出が確保されました。.

この前処理ワークフローは、 ハイパースペクトルカメラによる樹種識別 そして ハイパースペクトル葉面積インデックス検索.

ハイパースペクトルカメラによる樹種の精密識別

前処理の後、研究は ハイパースペクトルカメラによる樹種の精密識別, これは、この研究の中心的な目標の 1 つです。.

マルチスケールセグメンテーションと特徴構築

処理されたハイパースペクトル画像は、 オブジェクト指向マルチスケールセグメンテーション法. 最適なセグメンテーションスケールは次のように決定された。 25, 、合併スケールは 80, 過剰セグメンテーションや過少セグメンテーションのリスクを効果的に軽減します。.

合計 323の機能 以下のデータから構築されました:

元のスペクトルバンドの特徴
植生指数
テクスチャの特徴
形状の特徴
LiDARから得られた高さの特徴
LiDARから得られた強度特徴

この高次元の特徴セットは、 ハイパースペクトルカメラによる微細樹種識別 混合マングローブ林内。.

特徴選択とディープラーニング分類

相関分析を削除した後 273の高度に冗長化された機能, 残りの変数は以下を使用してスクリーニングされました。

RF-RFE
XGBoost
ライトGBM

選択された結果の共通部分は、 14次元の最適な特徴セット, これには、敏感なスペクトル、構造、樹冠関連の変数が含まれます。.

これらの特徴は、 スウィン・アパーネット 優占するマングローブ樹種を分類するためのディープラーニングモデル。このワークフローにより、 カンデリア・オボバタ, アエギセラス・コルニキュラタム, 、そして アヴィセニアマリーナ, の実用的な価値を示している ハイパースペクトルカメラによる微細種認識 生態学的用途において。.

樹種識別結果

全体的な分類精度は 91.18%, 、 カッパ係数0.85, これは、モデル予測と現場状況の間に強い一致があることを示しています。.

各種の生産者の精度は次のとおりです。

Aegiceras corniculatum: 92.08%
アヴィセニアマリーナ： 91.38%
カンデリア・オボバタ： 90.66%

これらの結果は、 ハイパースペクトルカメラによる樹種の精密識別 マングローブ生態系のモニタリングに正確かつ実用的な種のマップを提供することができます。.

ハイパースペクトルイメージングを用いた葉面積指数の取得

種の分類結果に基づいて、次のステップは ハイパースペクトルイメージングを用いた葉面積指標検索, これは、この研究のもう一つの中心的な焦点です。.

種特異的なLAI検索戦略

研究者たちは、マングローブ植生全体に単一のモデルを適用するのではなく、種ごとに敏感な特徴を個別に選択した。この種特異的な戦略により、 ハイパースペクトルカメラの葉面積インデックス検索, マングローブの樹冠構造とスペクトル応答は、マングローブの樹種によって異なるためです。.

モデル開発と比較

選択された特徴は、3 つの LAI 推定アルゴリズムに組み込まれました。

SVR
PLSR
BPNN

研究チームは、これらのアルゴリズムにさまざまな特徴選択方法を組み合わせることで、 9つのハイブリッドクロスモデル そしてそれらの検索パフォーマンスを比較しました。.

最適なモデルは次のように特定されました。

RF-RFE + SVR のために カンデリア・オボバタ
RF-RFE + SVR のために アヴィセニアマリーナ
XGBoost + BPNN のために アエギセラス・コルニキュラタム

このアプローチは大幅に改善しました ハイパースペクトル葉面積インデックス検索 種レベルでのパフォーマンス。.

LAI検索結果

取得された LAI 値は現場での測定値と非常に一致していました。.

推定される LAI 範囲は次のとおりです。

カンデリア・オボバタ： 0.897～3.001、平均1.416
Aegiceras corniculatum: 0.934～1.919、平均1.355
アヴィセニアマリーナ： 0.913–2.221、平均1.443

モデルの中で、 アヴィセニアマリーナ 特に強かったのは：

R² = 0.87
MAE = 0.02
RMSE = 0.04

のために カンデリア・オボバタ, モデルは以下を達成しました:

R² = 0.81
MAE = 0.09
RMSE = 0.05

これらの結果は、 ハイパースペクトルカメラによる葉面積指標の取得 生態学的分析や回復監視のための信頼性が高く正確な樹冠情報を作成できます。.

ハイパースペクトルマングローブ生態モニタリングの生態学的価値

この研究の重要性は技術的な正確さにとどまりません。 ハイパースペクトルマングローブ生態モニタリング 実践的な生態系管理と科学的な意思決定をサポートできます。.

マングローブ林の空間パターンを明らかにする

この研究では、保護区全体のマングローブLAIの明確な空間的傾向が明らかになり、 北から南にかけて減少し、その後増加し、再び減少する. このような空間情報は、植生の状態、生息地の変動、生態学的機能に関する貴重な洞察を提供します。.

マルチソース機能による生態学的解釈の改善

もう一つの重要な発見は、 高さの特徴 そして 強度特性 LAI推定に応用できる。これは、スペクトル情報と構造特性を統合することで、 ハイパースペクトル葉面積インデックス検索 マングローブ林冠の動態の解釈を改善します。.

保全と修復の支援

組み合わせることで ハイパースペクトルカメラによる樹種の精密識別 そして ハイパースペクトルイメージングを用いた葉面積指標検索, 研究者や保護管理者は、以下の点についてより正確な情報を得ることができます。

マングローブ保全計画
修復効果の評価
植生の健康状態モニタリング
湿地資源管理
長期的な生態系観測

このため、ハイパースペクトルリモートセンシングは沿岸生態系の保護にとって非常に貴重なツールとなります。.

空中植生モニタリングに関する製品情報

空中植生モニタリングアプリケーションでは、この研究で使用されたシステムは ラモトン RT-FS60. 主な仕様は次のとおりです。

スペクトル範囲: 400～1000 nm
スペクトル分解能: 2.5 nm
スペクトルバンド: 1200
空間ピクセル: 1920

これらの技術的特徴により、ハイパースペクトルイメージングは次のような用途に非常に適しています。

樹種の精密識別
葉面積インデックス検索
マングローブの生態モニタリング
湿地植生分析
森林資源調査
作物の成長評価

結論

張江河口マングローブ国立自然保護区でのこの研究は、ハイパースペクトルリモートセンシングが ハイパースペクトルカメラによる樹種の精密識別, ハイパースペクトルカメラによる葉面積指標の取得, 、そして ハイパースペクトルマングローブ生態モニタリング.

全体的な種の分類精度は 91.18% LAI検索エラーは 0.04, このワークフローは、複雑な沿岸生態系におけるUAVハイパースペクトルイメージングの大きな可能性を実証しています。マングローブの保全、修復、管理のための正確かつ効率的なデータサポートを提供するだけでなく、林業、湿地、植生モニタリングなど、幅広い応用の可能性も秘めています。.