說到草原，想必你眼前一定浮現出壯美遼闊、一望無垠的碧草藍天。但你知道嗎？這美麗的草地正面臨著沙漠侵蝕的威脅，碧草千裡之下或已暗疾叢生。看到這兒，你大概也像小編一樣著急上火了：「這事兒可拖不得，得治」！可是，怎樣才能給草原做一次深入全面的體檢呢？
人工地面調查？no ~，費時、費力、成本高不說，調查範圍也太小了。衛星遙感？no ~，解析度好像不太夠，有點看不清楚啊！相比之下，無人機遙感似是一個不錯的選擇。接下來呢，小編給大家分享好文一篇，看看無人機遙感到底是怎樣完成這一任務的。
論文名稱：Quantifying plant-soil-nutrient dynamics in rangelands: Fusion of UAV hyperspectral-LiDAR, UAV multispectral-photogrammetry, and ground-based LiDAR-digital photography in a shrub-encroached desert grassland
作者：Joel B. Sankey, Temuulen T. Sankey and Junran Li, et al.
單位：U.S. Geological Survey, Flagstaff, USA.
期刊：Remote Sensing of Environment, 2021, 253: 112223.
原文連結：點擊文末「閱讀原文」查看本篇文章
為了評估無人機遙感系統在草原資源監測中的潛力，作者利用無人機平臺分別獲取了荒漠草原地區多個樣地的多光譜、高光譜和LiDAR數據。首先使用決策樹分類算法（CART）分別對多光譜數據和「高光譜 + LiDAR」融合數據進行土地覆蓋分類，然後使用經驗公式將分類結果轉換為土壤養分含量值。結果發現，無人機「高光譜 + LiDAR」融合的方法可以得到高精度的土地覆蓋分類結果，進而實現土壤養分含量變化的準確估算。
圖1 研究區示意圖
研究區為美國塞維萊塔國家野生動物保護區內的一塊荒漠草原（圖1A和B）。受「沃島（islands of fertility，SFMT）效應」影響，該區域內草原正處於一種退化（土壤沙質化、土壤養分流失以及生物多樣性降低等）的狀態。為延緩其荒漠化進程，管理人員於2016年3月10日對其中1公頃大小的區域進行了焚燒處理（圖1C）。作者所選研究區（圖1F）包含了燃燒區（Burned）和非燃燒區（Unburned）兩種類型。
2.土壤養分含量實測值
實測數據採集於研究區內六個5m × 5m的樣地（圖1F中正方形），每個樣地內都分布有灌叢、草叢和裸地（圖1D），其土壤養分含量值使用土壤養分傳感器測得。
3.無人機數據
3.1多光譜數據
2016年9月3日，作者使用eBee AG固定翼飛行器搭載的multiSPEC4C多光譜相機（4個波段：綠、紅、紅邊和近紅外）進行了數據採集（圖1F中紫色方框）。無人機飛行高度為80 m，地面採樣距離（GSD）為13 cm，航向和旁向重疊率分別為80%和90%。數據採集完成後，在拼接影像上對樣地內單株植株和沃島輪廓進行了勾繪，並使用TOPCON GR3 RTK-GPS測量了其地理坐標。
3.2 高光譜 & LiDAR數據
2016年9月2日，作者使用八旋翼飛行器搭載的Nano-Hyperspec高光譜相機（400-1000 nm，272個波段）和Velodyne HDL-32E雷射雷達掃描儀進行了數據採集（圖1F中橙色方框）。無人機飛行高度為50 m，飛行速度約為3 m/s，GSD為6 cm。LiDAR點雲密度約為200個/m²。數據採集完成後，同樣在拼接影像上對單株植株和沃島輪廓進行了勾繪（土地覆蓋類型詳見上表）。
4.地基LiDAR數據
2016年3月11日（焚燒處理後第一天），使用Riegl VZ-1000掃描儀在六個樣地內進行了數據採集。每個樣地各設有兩個掃描點，分別位於樣地的東北和西南方向（圖1F中三角形）。樣地周圍共布設有24個目標點（12個點的位置固定不變，圖1F中十字），用於點雲數據的幾何校正。
此外，該掃描儀還搭載了一臺經配準的Nikon D810相機，為點雲數據賦予RGB三通道的DN（digital number）值。
為了了解焚燒處理對研究區內土地覆蓋類型的長期影響，作者在隨後的兩年裡（2017和2018）分別又對六個樣地進行了數據採集。使用TOPCON GR3 RTK-GPS記錄的固定目標點坐標，實現三次測量數據之間的配準。
1.點雲數據生成
作者使用了三種不同來源的點雲數據：
地基LiDAR點云：使用BCAL LiDAR toolkit工具包中的height-filtering方法，實現點雲分類，並生成1cm空間解析度的DEM數據；對相鄰年份的DEM進行差值運算，生成兩個差值高程模型（DOD），用於量化研究區內由於土壤侵蝕而引起的地形變化。
多光譜點云：使用Pix 4D Mapper軟體對採集到的影像進行處理，生成密集點雲（> 115個/ m²）；在Cloud Compare軟體中使用Cloud-to-Cloud工具，實現多光譜點雲與地基LiDAR點雲的配準；使用同樣的方法對點雲進行分類，並生成13 cm空間解析度的高度數據。
無人機LiDAR點云：在Hyperspec III軟體中使用機載GPS、慣導數據對其進行幾何校正；在Cloud Compare中實現其與地基LiDAR點雲的配準；使用同樣的方法對點雲進行分類，生成6 cm空間解析度的高度數據。
2.無人機遙感影像生成
多光譜影像：使用Pix4D軟體對採集到的影像進行處理，生成研究區的正射影像。
高光譜影像：在Spectral View軟體中，使用美國地質調查局10 m空間解析度的DEM對影像進行正射校正；在ENVI中對影像進行拼接，並實現其與無人機LiDAR數據的對齊；使用黑白棋盤格的反射率數據對影像進行輻射定標。
3.影像分類
地基LiDAR點雲分類：在Riegl RiscanPro軟體中，對採集到RGB影像進行拼接處理，得到研究區的拼接影像；利用深度學習方法對拼接影像進行分類，並將分類結果導入已配準的點雲數據中，實現點雲的分類；通過定量評價和目視解譯的方法，確保分類結果的準確性。
多光譜影像分類：在ENVI中使用波段合成的方法實現影像數據光譜信息與高度信息的結合，然後使用CART分類模型對其進行分類（樣本類別及其數量見上表）。分類精度評價指標使用生產者精度、用戶精度和總體精度。
高光譜影像分類：（1）使用CART模型直接在高光譜影像上進行分類；（2）將高光譜影像的光譜信息與點雲的高度信息相結合，然後使用CART分類模型對其進行分類（樣本類別及其數量見上表）。
4.土壤養分含量估算值
使用下面的公式將土地覆蓋面積數據轉換為流失或積聚的碳、氮含量（Ckg和Nkg）。式中Cfraction和Nfraction分別碳、氮含量地面實測值，Abs為土地覆蓋面積，D為地面高程差值，bd為土壤容重。
多光譜影像可以用來準確區分不同土地覆蓋類型（總體精度：95%）。其中，裸地具有最高的生產者精度（96%）。但受光譜和空間解析度的限制，多光譜影像無法對土地覆蓋類型的物種進行準確分類（總體精度：36%）。
與多光譜相比，高光譜影像可以對土地覆蓋類型的物種進行準確分類（總體精度：71%和87%）。
圖2 高光譜影像分類結果
僅使用光譜信息時（圖2B），影像無法識別出Grass soil SFMT和Common Forbs兩類（分類精度為0）；結合高度信息後（圖2C），可以準確區分兩種類型。
2. 地基點雲分類及地形變化
圖3 地基點雲分類及地形變化
從點雲分類結果可以看出，經焚燒處理後，灌叢沃島（圖3B中紅色區域）和裸地（圖3B中藍色區域）的面積均有明顯減小的趨勢。這是因為焚燒處理後，區域內土壤侵蝕過程加速，地形隨之發生改變（圖3C和D），土壤分布逐漸變得均勻。
3. 土壤養分含量估算
從多光譜數據估算的養分含量變化值可以看出：焚燒處理後一年內，由於土壤侵蝕的作用，土壤養分含量呈明顯下降趨勢；第二年中，土壤養分開始少量積聚。但這一結果並不能直觀展示不同土地覆蓋類型中土壤侵蝕的程度以及養分變化的總量。
從高光譜的估算結果可以看出：焚燒處理後一年內，由於土壤侵蝕的作用，三類沃島的土壤養分含量均呈下降狀態；第二年中，除灌叢沃島外，草叢沃島和裸地的土壤養分含量均呈上升狀態，這些養分被認為是來自於灌叢沃島土壤。
無人機遙感技術可以對荒漠草原進行準確的土地覆蓋分類，這種高精度的分類結果與地基LiDAR數據結合後可以準確量化該地區植被-土壤-養分的動態變化，為區域生態可持續發展研究提供合理的參考信息，在未來的實際應用中具有良好的發展前景。
轉眼間，距離小編第一次跟大家見面已經過去一年又一個月了。一路走來，小編也成長了很多，逐漸擺脫了最初的邏輯混亂和語無倫次。小編也曾一度認為科研就是一朵高嶺之花，可望而不可及。但再回首，卻發現科研其實很「接地氣」，它解決的就是我們身邊實實在在的問題。當然，小編功力尚淺，在解決科學問題前還需完成大量的基礎知識學習，希望未來的日子裡能跟大家攜手前行，遇見更美好的自己~
撰寫 | 魯 晗
編輯 | 郭莉傑
審核 | 陳 勇
指導 | 鄧 磊