Гиперспектральная визуализация для точной идентификации видов деревьев и определения индекса листовой поверхности в рамках экологического мониторинга мангровых зарослей.

Мангровые леса являются одними из важнейших экологических барьеров в прибрежных районах, и их состояние напрямую влияет на стабильность береговой линии, биоразнообразие и накопление углерода. Для понимания состояния мангровых экосистем особенно важны два показателя: распространение видов деревьев и индекс листовой поверхности (LAI). В последние годы, гиперспектральный мониторинг экологии мангровых зарослей Этот подход становится все более эффективным способом сбора информации обоих типов с высокой точностью и эффективностью.

В исследовании, проведенном в Национальный природный заповедник «Мангровые леса устья реки Чжанцзян», Для поддержки использовалась гиперспектральная съемка с помощью БПЛА. точная идентификация видов деревьев с помощью гиперспектральной камеры и Получение индекса листовой поверхности с использованием гиперспектральной съемки.. Результаты показали, что гиперспектральное дистанционное зондирование позволяет точно различать доминирующие виды мангровых деревьев и обеспечивать надежную оценку индекса листовой поверхности (LAI) для экологической оценки, планирования восстановления и мониторинга растительности в сложных приливно-отливных зонах.

---

Почему гиперспектральный экологический мониторинг мангровых лесов имеет значение

В мангровых заповедниках часто произрастает множество видов растений, образуя фрагментарные и перекрывающиеся заросли. В то же время полевые исследования в прибрежных водно-болотных угодьях обычно ограничены приливами, илистой местностью и низкой доступностью. Это делает традиционные обследования растительности медленными, трудоемкими и сложными для проведения в больших масштабах.

Необходимость точной идентификации видов деревьев

Для управления мангровыми лесами крайне важна информация на видовом уровне. Разные виды выполняют разные экологические функции, демонстрируют различную реакцию на рост и обладают разной восстановительной ценностью. Точное картирование распространения видов помогает исследователям и управляющим заповедниками понимать структуру местообитаний и принимать более обоснованные решения в области охраны природы.

Вот почему точная идентификация видов деревьев с помощью гиперспектральной камеры Это очень важное применение. По сравнению с традиционными методами визуализации, гиперспектральная съемка позволяет улавливать тонкие спектральные различия между визуально похожими видами. Это делает ее особенно ценной в смешанных мангровых экосистемах, где точная классификация затруднена при использовании только RGB-изображений или стандартных мультиспектральных изображений.

Важность определения индекса листовой поверхности

Определение индекса листовой поверхности с помощью гиперспектральной камеры Индекс листовой поверхности (LAI) — еще один ключевой компонент экологического мониторинга. Он отражает плотность растительного покрова, состояние роста растительности и фотосинтетическую способность. Широко используется для оценки продуктивности экосистем, состояния растительности и эффективности восстановления.

Традиционные методы измерения индекса листовой поверхности (LAI) часто отнимают много времени и непригодны для крупномасштабного мониторинга водно-болотных угодий. В отличие от них, гиперспектральное определение индекса листовой поверхности Это обеспечивает более быстрый и масштабируемый способ оценки параметров растительного покрова на обширных территориях при сохранении высокой точности.

---

Преимущества гиперспектральных камер для мониторинга мангровых зарослей.

Исследование демонстрирует, как гиперспектральная визуализация может поддерживать оба подхода. точная идентификация видов деревьев и получение индекса листовой поверхности в сложных прибрежных экосистемах.

Высокая спектральная чувствительность для дифференциации видов

Гиперспектральная камера может записывать подробную информацию об отражательной способности в непрерывном спектральном диапазоне, что позволяет обнаруживать небольшие различия в отражательной способности листьев и растительного покрова между различными видами. Эта возможность особенно важна для Идентификация видов деревьев с помощью гиперспектральной камеры, где классификация зависит от тонких, но стабильных спектральных изменений.

В заповеднике в устье реки Чжанцзян преобладают такие виды мангровых деревьев, как... Канделия обовата, Aegiceras corniculatum, и Пристань Авиценния Они имеют сложное мозаичное распределение. Их спектральные различия могут быть эффективно зафиксированы с помощью гиперспектральной съемки, что обеспечивает более точную классификацию, чем традиционные методы исследования.

Высокое пространственное разрешение для анализа структуры растительного покрова

Помимо богатства спектральных характеристик, гиперспектральная съемка с помощью БПЛА также обеспечивает высокую пространственную детализацию. На высоте полета 100 метров изображения достигают сантиметрового разрешения на поверхности земли, что позволяет четко наблюдать структуру полога, текстуру кроны и границы растительности.

Это особенно важно для гиперспектральный мониторинг экологии мангровых зарослей, Поскольку и классификация видов, и определение индекса листовой поверхности (LAI) выигрывают от наличия подробной структурной информации на уровне кроны и полога.

Надежные данные для экологических приложений

Стабильное получение изображений имеет решающее значение для любого процесса экологического мониторинга. Высококачественные гиперспектральные данные повышают надежность спектрального анализа, извлечения признаков, моделей классификации и инверсии параметров растительности. В данном случае, использование гиперспектральной съемки обеспечило прочную основу данных для обоих процессов. гиперспектральная камера для точного распознавания видов и Получение индекса листовой поверхности с использованием гиперспектральной съемки..

---

Сбор и предварительная обработка данных для гиперспектрального экологического мониторинга мангровых лесов.

Надежный рабочий процесс начинается с надлежащего планирования сбора данных и предварительной обработки. В прибрежных водно-болотных угодьях время и условия окружающей среды могут существенно влиять на качество данных дистанционного зондирования.

Планирование полетов БПЛА и проектирование топографических работ

Аэрофотосъемка проводилась в Декабрь 2024 года во время отлива., это позволило уменьшить влияние приливов на получение изображений. Исследуемая территория была разделена на шесть участков для повышения эффективности съемки и согласованности данных. Параметры полета БПЛА были установлены таким образом, чтобы обеспечить как широкий охват, так и высокую пространственную детализацию.

В данном исследовании использовалась система гиперспектральной визуализации, которая была Рамотон RT-FS60. В ходе сбора данных платформа достигла приблизительного разрешения на местности. 4,71 см при высоте полета 100 м, со скоростью полета 5 м/с и угол основной траектории полета, равный 87°.

Радиометрическая коррекция и генерация изображений

Исходные гиперспектральные данные были обработаны в ENVI 5.3 Для радиометрической коррекции была проведена процедура уменьшения влияния атмосферных явлений, условий освещения и изменения угла падения солнечных лучей. После этого были выполнены геометрическая регистрация и мозаичное построение полос для получения полного гиперспектрального изображения мангрового заповедника.

Добыча ресурсов в мангровых районах

Для изоляции мангровой растительности от нецелевых поверхностей исследователи применили... метод порогового значения NDVI используя ряд от 0,53 до 1,00. В ходе этого процесса были замаскированы водоемы, солончаки и искусственные поверхности. Затем результат был уточнен путем ручной интерпретации, что обеспечило точное выделение мангровых зарослей для последующего анализа.

Этот алгоритм предварительной обработки был необходим для повышения производительности. гиперспектральная камера для идентификации видов деревьев и гиперспектральное определение индекса листовой поверхности.

---

Точная идентификация видов деревьев с помощью гиперспектральной камеры.

После предварительной обработки данных исследование сосредоточилось на точная идентификация видов деревьев с помощью гиперспектральной камеры, что является одной из основных целей исследования.

Многомасштабная сегментация и построение признаков

Обработанные гиперспектральные изображения были проанализированы с использованием объектно-ориентированный метод многомасштабной сегментации. Оптимальный масштаб сегментации был определен как 25, с объединенной шкалой 80, эффективно снижая риск чрезмерной или недостаточной сегментации.

В общей сложности 323 характеристики были построены на основе данных, в том числе:

• Исходные характеристики спектральных полос
• Индексы растительности
• текстурные особенности
• Особенности формы
• Характеристики высоты, полученные с помощью лидара
• Характеристики интенсивности, полученные с помощью лидара

Этот многомерный набор признаков послужил прочной основой для Идентификация видов деревьев с помощью гиперспектральной камеры в смешанных мангровых зарослях.

Выбор признаков и классификация с использованием глубокого обучения

После удаления результатов корреляционного анализа 273 крайне избыточных функции, Остальные переменные были проверены с использованием следующих методов:

• RF-RFE
• XGBoost
• LightGBM

Пересечение выбранных результатов позволило получить 14-мерный оптимальный набор признаков, включая чувствительные спектральные, структурные и связанные с растительным покровом переменные.

Затем эти характеристики были введены в Swin-UperNet Модель глубокого обучения для классификации доминирующих видов мангровых деревьев. Этот рабочий процесс позволил точно различать их. Канделия обовата, Aegiceras corniculatum, и Пристань Авиценния, демонстрируя практическую ценность гиперспектральная камера для точного распознавания видов в экологических приложениях.

Результаты идентификации видов деревьев

Общая точность классификации достигнута 91.18%, с Коэффициент Каппа равен 0,85, что указывает на высокое соответствие между прогнозами модели и полевыми условиями.

Точность, с которой производитель определил каждый вид, составила:

• Aegiceras corniculatum: 92.08%
• Пристань Авиценния: 91.38%
• Kandelia obovata: 90.66%

Эти результаты подтверждают, что точная идентификация видов деревьев с помощью гиперспектральной камеры может обеспечить точные и практически применимые карты видов для мониторинга мангровых экосистем.

---

Определение индекса листовой поверхности с помощью гиперспектральной съемки

Исходя из результатов классификации видов, следующим шагом было Получение индекса листовой поверхности с использованием гиперспектральной съемки., что является еще одним центральным направлением данного исследования.

Стратегия определения индекса листовой поверхности для конкретного вида

Вместо того чтобы применять единую модель ко всей мангровой растительности, исследователи выбрали чувствительные характеристики отдельно для каждого вида. Эта видоспецифическая стратегия повысила точность. получение индекса листовой поверхности с помощью гиперспектральной камеры, поскольку структура растительного покрова и спектральная характеристика различаются у разных видов мангровых деревьев.

Разработка и сравнение моделей

Выбранные характеристики были включены в три алгоритма оценки индекса листовой поверхности (LAI):

• СВР
• ПЛСР
• BPNN

Объединив различные методы отбора признаков с этими алгоритмами, исследовательская группа создала девять гибридных кросс-моделей и сравнили их показатели поиска.

Оптимальные модели были определены следующим образом:

• RF-RFE + SVR для Канделия обовата
• RF-RFE + SVR для Пристань Авиценния
• XGBoost + BPNN для Aegiceras corniculatum

Этот подход значительно улучшил гиперспектральное определение индекса листовой поверхности показатели на уровне вида.

Результаты извлечения LAI

Полученные значения LAI в значительной степени соответствовали полевым измерениям.

Предполагаемые диапазоны индекса листовой поверхности (LAI) были следующими:

• Kandelia obovata: 0,897–3,001, среднее значение 1,416
• Aegiceras corniculatum: 0,934–1,919, среднее значение 1,355
• Пристань Авиценния: 0,913–2,221, среднее значение 1,443

Среди моделей результат для Пристань Авиценния был особенно сильным:

• R² = 0,87
• MAE = 0,02
• RMSE = 0,04

Для Канделия обовата, В результате была достигнута следующая модель:

• R² = 0,81
• MAE = 0,09
• RMSE = 0,05

Эти результаты показывают, что Определение индекса листовой поверхности с помощью гиперспектральной камеры может предоставлять надежную и точную информацию о растительном покрове для экологического анализа и мониторинга восстановительных работ.

---

Экологическая ценность гиперспектрального экологического мониторинга мангровых лесов

Значение этого исследования выходит за рамки технической точности. Оно также показывает, как гиперспектральный мониторинг экологии мангровых зарослей может способствовать практическому управлению экосистемами и принятию научных решений.

Выявление пространственных закономерностей в состоянии мангровых зарослей.

Исследование выявило четкую пространственную тенденцию изменения индекса листовой поверхности мангровых зарослей на территории заповедника, демонстрирующую определенную закономерность. сначала уменьшается с севера на юг, затем увеличивается, а затем снова уменьшается.. Такая пространственная информация предоставляет ценные сведения о состоянии растительности, разнообразии местообитаний и экологических функциях.

Улучшение экологической интерпретации с использованием многоисточниковых данных

Еще одним важным результатом стало совокупное влияние характеристики высоты и характеристики интенсивности к оценке LAI. Это подтверждает, что интеграция спектральной информации со структурными характеристиками может повысить эффективность. гиперспектральное определение индекса листовой поверхности а также улучшить интерпретацию динамики мангрового полога.

Поддержка сохранения и реставрации

Путем объединения точная идентификация видов деревьев с помощью гиперспектральной камеры и Получение индекса листовой поверхности с использованием гиперспектральной съемки., Исследователи и специалисты по охране природы могут получить более точную информацию по следующим вопросам:

• планирование сохранения мангровых лесов
• Оценка эффективности восстановления
• Мониторинг состояния растительности
• управление ресурсами водно-болотных угодий
• Долгосрочное наблюдение за экосистемой

Благодаря этому гиперспектральное дистанционное зондирование становится чрезвычайно ценным инструментом для защиты прибрежной экологии.

---

Информация о продукте для мониторинга растительности с воздуха

Для мониторинга растительности с воздуха в данном исследовании использовалась следующая система: Рамотон RT-FS60. Его основные характеристики включают в себя:

• Спектральный диапазон: 400–1000 нм
• Спектральное разрешение: 2,5 нм
• Спектральные полосы: 1200
• Пространственные пиксели: 1920

Эти технические характеристики делают гиперспектральную съемку весьма подходящей для:

• Точная идентификация видов деревьев
• Получение индекса листовой поверхности
• Экологический мониторинг мангровых зарослей
• Анализ растительности водно-болотных угодий
• Обследования лесных ресурсов
• Оценка роста сельскохозяйственных культур

---

Заключение

Данное исследование, проведенное в Национальном природном заповеднике мангровых лесов в устье реки Чжанцзян, показывает, что гиперспектральное дистанционное зондирование весьма эффективно для точная идентификация видов деревьев с помощью гиперспектральной камеры, Определение индекса листовой поверхности с помощью гиперспектральной камеры, и гиперспектральный мониторинг экологии мангровых зарослей.

При общей точности классификации видов, 91.18% и погрешность определения LAI составляет всего несколько процентов. 0.04, Предложенный рабочий процесс демонстрирует огромный потенциал гиперспектральной съемки с использованием БПЛА в сложных прибрежных экосистемах. Он обеспечивает точную и эффективную поддержку данных для сохранения, восстановления и управления мангровыми лесами, а также предлагает широкий потенциал применения в лесном хозяйстве, мониторинге водно-болотных угодий и растительности.