機器智能分類植物並估算植被覆蓋獲突破

 位於榆樹稀樹草原的項目超級大樣地。 王鋒供圖

        本報記者 丁洪美

        國際著名期刊《農業森林氣象》2019年7月刊發一篇題為《應用無人機和機器學習進行旱地生態系統植被分類與覆蓋度計算》的研究論文，闡述了一項基於無人機影像自動分類荒漠植被並計算其覆蓋度的新方法。新方法效率提高了1.1-2.9倍，人們可以在公眾平臺（www.uav-hirap.org）免費使用，並基於100公頃大樣地開發了一種降低地面植被調查工作量的樣方設計優化模型。這篇論文的通訊作者為中國林業科學研究院荒漠化研究所的王鋒，主要合作單位包括南京林業大學、加拿大新不倫瑞克大學、南京農業大學、中國科學院植物所等。該研究由國家「十三五」重點研發專項、國家自然科學基金和中國林科院院所長基金提供主要資助。

        據王鋒介紹，植被覆蓋的變化是反映旱地生態系統健康狀況的關鍵指標。由於乾旱地區木本和草本植被在小尺度上常常呈集群、混合分布，因此即使米級解析度的高解析度衛星遙感影像也難以準確分辨出木本與草本植被。這個項目是在無人機遙感快速發展的基礎上，研發的在景觀尺度上精確監測溫帶疏林草原植被動態的新方法。項目依託位於內蒙古自治區正藍旗渾善達克沙地榆樹稀樹草原長期定位觀測大樣地（1km×1km，42°57′53″N、115°57′30″E），利用無人機獲取的空間解析度為0.1米/像元正射影像，基於機器學習算法「分類和回歸樹」自動分類溫帶疏林草原上的木本、草本植物和裸地，計算各類型植被覆蓋度。

項目超級大樣地冬季植被狀況。 王鋒供圖

        這項研究的結果主要體現在3個方面。

        一是可以快速、準確地對溫帶疏林草原的木本和草本植被進行自動分類並計算其蓋度。利用目視解譯和大樣地地面調查的植被數據(包含4832棵喬木，18798棵灌木)進行了驗證，機器分類結果與目視解譯結果對比，整體精度為77.6%，平均精度為76.3%，Kappa係數為0.64。機器分類計算結果與地面植被調查結果相比，在不同空間尺度上具有穩定的線性關係。

        二是比常見的機器學習方法計算效率顯著提高。新方法比常見的機器學習算法，如支持向量機(SVM)、隨機森林(RF)、梯度遞增決策樹(GBDT)的計算效率分別高出166%、111%、290%。新算法已開發完成「高解析度無人機影像在線分析平臺」，供研究人員自由使用。

        三是對生態學野外取樣設計的啟示：構建模型優化設計地面調查樣方。在進行野外植被覆蓋度調查時，如何優化設計野外植被調查樣方的大小與數量，使採樣調查結果與整體植被覆蓋度的誤差滿足需求，一直是生態學野外調查工作的難點。研究人員利用蒙特卡洛隨機模擬方法模擬了取樣樣方大小、數量與總體植被覆蓋度的偏差，發現了偏差與樣方邊長、數量遵循的函數關係。

        中國林科院荒漠化研究所首席專家盧琦介紹，這項成果是中國林科院荒漠化研究所和中科院植物所於2013年聯合共建的100公頃大樣地取得的階段性成果之一。無人機和人工智慧技術將成為林業、生態學研究和生態環境質量監測的有力工具，可大大減少野外工時，提高地面調整效率。

不同調查方法分類結果比較   無人機航拍圖          目視解譯結果         機器學習分類結果圖 不同機器學習方法分類結果的視覺對比　類和回歸樹模型(CART)       支持向量機(SVM)        隨機森林(RF)        梯度遞增決策樹(GBDT)