[发明专利]一种基于无人机遥感的入侵植物生物量估算方法

说明书

本发明公开了一种基于无人机遥感的入侵植物生物量估算方法，包括以下步骤：①获取研究区域的无人机RGB影像数据，采集地面样方实测生物量数据；②利用Agisoft PhotoScan获取区域的正射影像数据，基于深度学习提取研究区域的入侵植物分布图；③构建样方图像的17个特征变量，利用线性回归、随机森林回归、极限梯度提升回归、岭回归、K近邻回归五种模型对入侵植物地上生物量进行估算。④利用图像扩充技术对样本数据进行扩充，进一步提高生物量估算模型稳定性，选择最优的回归模型，对研究区域的入侵植物地上生物量制图。本发明解决了在野外复杂环境下，入侵植物地上生物量人工调查工作难度大，难以获取大量样本数据和估算结果精度较低等技术问题。

技术领域

本发明涉及外来入侵植物生物量估算技术领域，具体是指一种基于无人机遥感的入侵植物生物量估算方法。

背景技术

外来入侵植物的成功入侵，会对本地生态系统造成重大损害。入侵植物入侵一方面导致植物枯萎，减少植被生物量，增加凋落物量，另一方面促进了土壤微生物活动，使土壤有机碳分解释放，降低土壤碳储量，入侵植物入侵后将大大削弱生态系统的碳汇功能。近年来，生物量估算领域的研究重点对象是森林和草地，针对入侵植物的生物量估算研究尤为匮乏。准确估算入侵植物的生物量，是研究其对生态系统碳平衡的影响和生物多样性保护的基础。传统的人工测量生物量方法具有精度高，测量数据可靠等优点，但是人工测量费时费力，难以进行大面积的生物量测量。遥感数据具有覆盖范围广，数据源丰富等特点，已被大量应用于森林和草地的生物量反演研究，但是其空间分辨率较低，重访周期长，无法有效分辨出斑块不明显的入侵植物，因而难以实现利用卫星遥感进行入侵植物的生物量估算。

在深度学习的快速发展中，深度卷积神经网络(Convolutional neural network)CNN是深度学习的关键方法，广泛应用于农业和生态目标检测，表现出较高的识别性能。近年来，低空无人机可见光影像数据，具有携带方便、作业灵活、空间分辨率高、成本低等优势。深度学习方法和无人机可见光影像数据的结合，已广泛应用于野外入侵植物的识别。而当前对于复杂背景下的外来入侵植物的生物量估算的相关研究尚未见报道，因此采用低空无人机遥感数据结合深度学习以及机器学习方法，完成对入侵植物地上生物量的准确估算，以期探明其对生态系统碳平衡的影响，进一步实现有效防控，以降低其对生态系统的损害。

发明内容

本发明要解决的技术问题是克服以上技术缺陷，提供一种基于无人机遥感的入侵植物生物量估算方法，解决了在野外复杂环境下，入侵植物地上生物量人工调查工作难度大，难以获取大量样本数据和估算结果精度较低等技术问题。

为解决上述技术问题，本发明提供的技术方案为：一种基于无人机遥感的入侵植物生物量估算方法，包括以下步骤：

步骤一：在研究区域采取系统随机取样方法设置地面采样点，样方的设置应尽可能反映整个研究区域的入侵植物生长状况，应根据入侵植物的生长特性以及分布状况选择合适的样方大小，样方框水平放置且尽量避免被叶片遮挡；

步骤二：使用无人机搭载可见光数码相机，在研究区域进行航迹规划，根据入侵植物的所需分辨率大小确定合适的无人机摄影高度，所需精度越高，需设置飞行高度越低，一般设置为10～120米，垂直航线摄影，设置航向、旁向重叠度均高于60％为宜，获取连续的可见光影像数据；

步骤三：地面数据采集，对每个样方边界内所有的入侵植物地上部分进行收集并装袋，记录样本编号，将入侵植物样本带回放入烘干箱，设置合适的烘干温度，烘干一段时间后，每隔若干小时对样本进行三次称重，直至样本重量不再变化，停止烘干并以此作为样本实际的生物量数据；

步骤四：基于步骤二采集的RGB影像数据，利用Agisoft PhotoScan软件获取研究区域的正射影像数据，并根据提取所有对应样方的同像素尺寸的RGB影像，再利用Python将正射影像数据分割成与样方相同像素尺寸的小图，采取滑动窗口的方式进行分割，设置水平、垂直步长均为小图的像素尺寸；