湿地植物是湿地退化与恢复的重要指示因子，湿地植物群落作为湿地生态系统的一个结构单元对区域环境变化更加敏感。氮元素含量是湿地植物生长发育不可缺少的重要营养元素，同时也是引发湿地污染和水体富营养化的关键元素之一。对湿地植物群落的空间分布和冠层氮素含量快速、准确的监测，是评价湿地植物生长状况的重要指标，对及时掌控湿地植物群落分布格局、实施精准管理具有重要意义，在湿地保护与恢复过程中具有重要的应用价值。

本研究以莫莫格湿地核心区域的优势植物群落遥感分布制图和冠层氮含量反演为研究目标，利用CW10+S185无人机高光谱成像系统获取了湿地植物群落的冠层高光谱影像，同时结合地面调查采样数据，从面向对象和面向像元两个尺度结合随机森林（RF）、卷积神经网络（CNN）和支持向量机（SVM）三种机器学习分类方法开展湿地植物群落分类对比实验，通过分类精度评价选择最优的分类算法完成湿地植物群落的空间分布制图。在此基础上，提取了无人机高光谱数据中响应冠层氮素含量的敏感特征波段、光谱特征参量和光谱指数，结合偏最小二乘回归（PLSR）、随机森林回归（RFR）和 BP 神经网络回归（BPR）三种建模方法分群落类型构建了湿地植物群落冠层氮素含量估算模型。

图1 本研究主要技术路线

图2 本研究区域示意图

图3 机载高光谱影像研究区域

图4 本研究采用CW10+S185机载高光谱系统

图5 CW10+S185机载高光谱数据采集航线图 

图6 野外湿地植物群落样点调查分布图

图7 湿地植物群落野外调查照片

图8 分类系统野外实地考察及无人机高光谱影像示例图

图9  四种湿地植物群落样本冠层反射率光谱曲线（a）芦苇,（b）香蒲,（c）碱蓬,（d）藨草

图10 四种湿地植物群落的冠层光谱反射率均值曲线

图11 四种湿地植物群落的一阶导数光谱和经对数变换后的一阶导数光谱

图12 四种湿地植物群落样本的对数均值光谱

图13 四种湿地植物群落样本光谱及对应包络线去除曲线

表1 群落分类的训练样本和验证样本 

表2 RF分类结果精度评价表

表3 CNN类结果精度评价表

表4 SVM类结果精度评价表

图14 三种机器学习分类算法的总体精度和 Kappa 系数对比图

图15 三种机器学习分类算法的制图精度对比图

图16 不同分类方案的典型区域分类结果对比

图17 面向对象分类方案的典型区分类结果对比

图18 面向对象结合随机森林分类算法的湿地植物群落分布图

图19 无人机高光谱影像湿地植物群落氮素含量反演流程

图20 光谱特征参数组合建立BP神经网络模型的芦苇群落冠层氮素含量反演图

图21 光谱特征参数组合建立BP神经网络模型的香蒲群落冠层氮素含量反演图

图22 光谱特征参数组合建立BP神经网络模型的碱蓬群落冠层氮素含量反演图

图23 植被指数组合建立BP神经网络模型的藨草群落冠层氮素含量反演图

图24 研究区湿地植物群落冠层氮素含量反演分布图

创新点：

对比前人基于高光谱的相关研究成果，结合研究内容与特色，提出本研究的创新点如下：

1、基于海量厘米级的无人机高光谱数据，结合最优波段、最优的对象分割参数、最优的分类算法得到最优的湿地植物群落分类结果。利用无人机遥感的自主性强、精度高、机动灵活等优点，结合机载高光谱成像系统获取区域海量的厘米级高光谱数据，深入解析不同湿地植物群落遥感识别机理，为开展湿地植物群落分布遥感制图、湿地生物多样性保护提供方法基础，具有鲜明的学科特色，相比同类研究在数据源和方法上有所创新。

2、基于不同群落类型的结构、生理差异特征和水分含量特性，分别进行氮含量敏感特征参数的分析与选择，分群落类型构建了最优的反演算法实现了植物群落冠层氮素含量的反演与制图。通过提取无人机高光谱影像的窄波段光谱信息，运用微分方法强化光谱的细部信息，根据不同群落类型分别进行氮含量敏感特征参数提取与分析，深入解析氮素含量遥感反演机理，分群落类型构建氮含量反演模型可以提高植物群落冠层的氮含量估算精度，为区域湿地生态系统的精细管理及其可持续性提供重要的数据基础和科学依据；同时也丰富了我国内陆湿地植被高光谱遥感以及基于无人机高光谱遥感的湿地植物群落氮含量研究，具有重要的应用价值。

（注：本文成果来自中国科学院东北地理与农业生态研究所；在此特别致谢中国科学院东北地理与农业生态研究所王宗明研究员、毛德华副研究员以及杜保佳博士提供的研究成果）