• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于無人機(jī)多光譜的沼澤植被識(shí)別方法

    2021-05-28 15:23:56左萍萍付波霖藍(lán)斐蕪解淑毓何宏昌范冬林婁佩卿
    中國(guó)環(huán)境科學(xué) 2021年5期
    關(guān)鍵詞:群叢沼澤植被

    左萍萍,付波霖,藍(lán)斐蕪,解淑毓,何宏昌,范冬林,婁佩卿

    基于無人機(jī)多光譜的沼澤植被識(shí)別方法

    左萍萍,付波霖*,藍(lán)斐蕪,解淑毓,何宏昌,范冬林,婁佩卿

    (桂林理工大學(xué)測(cè)繪地理信息學(xué)院,廣西 桂林 541006)

    為了探究高分辨率無人機(jī)多光譜數(shù)據(jù)對(duì)沼澤植被群叢識(shí)別能力,在洪河國(guó)家級(jí)自然保護(hù)區(qū)的核心區(qū)、緩沖區(qū)和實(shí)驗(yàn)區(qū)分別建立典型樣區(qū),通過低空無人機(jī)搭載的RGB及多光譜相機(jī)獲取研究區(qū)正射影像,構(gòu)建多維數(shù)據(jù)集并確立4種分類方案.采用面向?qū)ο蟮碾S機(jī)森林(RF)算法,對(duì)輸入的多維數(shù)據(jù)集進(jìn)行變量選擇和參數(shù)(mtry、ntree)調(diào)優(yōu),構(gòu)建適合沼澤植被群叢尺度識(shí)別模型.結(jié)果表明:優(yōu)化的面向?qū)ο蟮腞F算法對(duì)沼澤濕地植被具有較高的識(shí)別能力,在95%的置信區(qū)間內(nèi),核心區(qū)方案四(結(jié)合了光譜波段、紋理特征、幾何特征、位置特征、地表高程信息和植被指數(shù))獲得最高總體精度為87.12%,kappa系數(shù)為0.850,比方案二(結(jié)合了光譜波段、幾何特征和位置特征)總體精度高12.27%,kappa系數(shù)高0.140;對(duì)于單一典型沼澤濕地植被識(shí)別精度中,蘆葦獲得最高的用戶精度高于88%,生產(chǎn)者精度高于90%,小葉章的生產(chǎn)者精度高于85%,但是在核心區(qū)用戶精度較低,僅為78%.該方法可以作為沼澤植被群叢識(shí)別的有效方法,為研究沼澤濕地生態(tài)環(huán)境變化提供更準(zhǔn)確的數(shù)據(jù)支持.

    無人機(jī)多光譜數(shù)據(jù);隨機(jī)森林算法;多維數(shù)據(jù)集;變量選擇;參數(shù)調(diào)優(yōu)

    濕地是陸地和水生系統(tǒng)之間的過渡地帶,是地球上最重要、最有價(jià)值的生態(tài)系統(tǒng)之一[1-2].濕地植被是濕地生態(tài)系統(tǒng)的重要組成部分,對(duì)環(huán)境保護(hù)起著至關(guān)重要的作用[3-4].濕地植被的動(dòng)態(tài)變化能夠反映濕地的生態(tài)環(huán)境變化,被認(rèn)為是一個(gè)反映濕地環(huán)境變化的敏感指示器[5].因此,詳細(xì)了解和掌握濕地植被的空間分布有助于正確認(rèn)識(shí)和發(fā)揮濕地的資源優(yōu)勢(shì),也可以為濕地植被恢復(fù)技術(shù)和區(qū)域生物多樣性及其形成機(jī)制研究提供數(shù)據(jù)支持.

    由于大多數(shù)濕地位于偏遠(yuǎn)且難以到達(dá)的區(qū)域,衛(wèi)星遙感技術(shù)已被廣泛應(yīng)用于濕地類型識(shí)別、信息提取、動(dòng)態(tài)變化監(jiān)測(cè)及資源調(diào)查等方面的研究[6].目前中高分辨率的遙感影像已廣泛應(yīng)用在濕地植被分類中,如程琳琳等[7]以多光譜和全色影像融合后的GF-1影像為數(shù)據(jù)源,采用最鄰近法對(duì)河流濕地和景觀濕地的影像進(jìn)行分類.結(jié)果表明:分類精度達(dá)到96.95%,kappa系數(shù)為0.9584.李恒凱等[8]以GF-1的16m WFV遙感影像為數(shù)據(jù)源,采用極大似然法、非監(jiān)督分類和面向?qū)ο蟮腃ART決策樹分類法對(duì)研究區(qū)土地利用分類信息.結(jié)果表明:3種分類方法中, CART決策樹分類獲得最高的分類精度為93.27%, Kappa系數(shù)高達(dá)0.92.上述都采用了面向?qū)ο蟮姆诸惙椒ú?duì)輸入的特征變量進(jìn)行篩選,減少數(shù)據(jù)的冗余,獲得最佳變量,但是未對(duì)面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行優(yōu)化,提高分類方法的穩(wěn)定性.王猛等[9]以1.2m分辨率WorldView-3的衛(wèi)星影像作為數(shù)據(jù)源,通過特征選擇、調(diào)整隨機(jī)森林決策樹的數(shù)量,構(gòu)建了適合森林分類的面向?qū)ο蟮碾S機(jī)森林模型.結(jié)果顯示,分類總體精度達(dá)到83.34%,kappa系數(shù)為0.7892.Lou等[10]以GF-1和ZY-3遙感數(shù)據(jù)為數(shù)據(jù)源,采用優(yōu)化的面向?qū)ο蟮碾S機(jī)森林算法和變量選擇對(duì)沼澤濕地植被進(jìn)行分類.結(jié)果表明:在95%的置信區(qū)間內(nèi)所有方案總體精度均達(dá)到70.26%以上.以上研究證明,優(yōu)化隨機(jī)森林算法對(duì)處理多維數(shù)據(jù)集具有優(yōu)勢(shì),從而提高分類精度.但中高分辨率的星載光學(xué)遙感數(shù)據(jù)受天氣和云量影響大[11].近年來小型無人機(jī)迅速發(fā)展,具有操作簡(jiǎn)單,使用靈活,空間分辨率高,低成本,高時(shí)效且在云下操作等特點(diǎn),彌補(bǔ)了衛(wèi)星遙感影像的應(yīng)用限制[12].

    UAV影像為開展?jié)竦刂脖坏目臻g分布信息提取,掌握其發(fā)展趨勢(shì),監(jiān)測(cè)濕地生態(tài)環(huán)境系統(tǒng)的動(dòng)態(tài)變化等研究,提供了極佳的遙感數(shù)據(jù)源[13-15]. Pande- Chhetri等[16]運(yùn)用無人機(jī)搭載真彩色Olympus ES 420相機(jī)獲取的航攝影像為數(shù)據(jù)源,采用3種分類器(支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和最大似然法),研究基于多分辨率目標(biāo)的分類方法在濕地植被中的應(yīng)用.結(jié)果表明:在相同的分類方案下,基于支持向量機(jī)的對(duì)象分類總體準(zhǔn)確率為70.78%,表現(xiàn)出最好的分類效果. De Giglio[17]為了確定沙丘植被群落識(shí)別所能達(dá)到的詳細(xì)程度,對(duì)無人機(jī)影像采用4種分類算法,其中基于像素的最大似然(ML)、最近鄰(NN)和支持向量機(jī)(SVM)算法分類總體精度分別是53.6%、50.9%和56.8%.以上研究證明了,對(duì)于超高空間分辨率(厘米級(jí))UAS影像,采用面向?qū)ο蟮臋C(jī)器學(xué)習(xí)算法對(duì)濕地植被識(shí)別性能更好[18].肖武等[19]利用無人機(jī)多光譜航攝影像對(duì)采煤沉陷濕地植被進(jìn)行面向?qū)ο蠓诸惡捅O(jiān)督分類.結(jié)果表明:面向?qū)ο蠓诸惙椒梢杂行崛竦刂脖?提取精度為84.2%,Kappa系數(shù)為0.8,除香蒲外, 各類地物分類精度都在80%以上.婁佩卿等[20]以無人機(jī)獲取農(nóng)耕區(qū)正射影像為研究區(qū),分別采用基于像元和面向?qū)ο蟮挠跋穹治黾夹g(shù)與支持向量機(jī)(SVM)算法相結(jié)合.結(jié)果表明:耕地+居民地復(fù)合區(qū)影像基于像元整體分類精度為69.93%,Kappa系數(shù)為0.65.上述研究都采用面向?qū)ο蠓诸惙椒?構(gòu)建多維數(shù)據(jù)集,但是未對(duì)分類方法進(jìn)行優(yōu)化和變量選擇,導(dǎo)致分類的總體精度偏低.劉舒等[21]運(yùn)用大疆精靈4獲取研究區(qū)域正射影像,采用隨機(jī)森林算法并對(duì)其參數(shù)進(jìn)行調(diào)優(yōu)和Boruta特征選擇.結(jié)果表明:隨機(jī)森林算法更擅長(zhǎng)處理高維數(shù)據(jù)集,獲得最高的總體精度98.19%,kappa系數(shù)為0.980.耿仁方等[22]以大疆御Mavic Pro無人機(jī)影像為數(shù)據(jù)源,優(yōu)化面向?qū)ο箅S機(jī)森林算法和變量選擇對(duì)會(huì)仙巖溶濕地植被進(jìn)行分類.結(jié)果顯示,在95%置信區(qū)間內(nèi)總體精度達(dá)到86.75%,Kappa系數(shù)為0.83.對(duì)單一典型巖溶濕地植被狗牙根-白茅-水龍獲得最高的用戶精度為92.86%,生產(chǎn)者精度為82.98%,標(biāo)準(zhǔn)差為2%.以上研究論證了隨機(jī)森林算法具有高效處理高維特征的優(yōu)勢(shì).但是,上述研究只采用了無人機(jī)(RGB)影像,對(duì)具有相似的光譜特征的植被識(shí)別能力較弱.

    綜上所述,為了對(duì)沼澤植被實(shí)現(xiàn)群叢尺度識(shí)別,本文以洪河國(guó)家級(jí)自然保護(hù)區(qū)為研究區(qū),分別在核心區(qū)、緩沖區(qū)和試驗(yàn)區(qū)選擇3個(gè)典型樣區(qū),整合無人機(jī)多光譜數(shù)據(jù)和優(yōu)化的面向?qū)ο驲F算法構(gòu)建沼澤植被群叢尺度識(shí)別模型,評(píng)估其對(duì)沼澤植被群叢的識(shí)別能力.

    1 研究區(qū)概況與數(shù)據(jù)源

    1.1 研究區(qū)概況

    洪河國(guó)家級(jí)自然保護(hù)區(qū)位于中國(guó)黑龍江省的東北部,地理位置為133°34¢382~133°46¢292E, 47°42¢182~47°52¢002N,該地區(qū)地勢(shì)總體平坦,坡度約為1/5000~1/10000,保護(hù)區(qū)占地面積為21835hm2, 2002年1月被國(guó)際濕地公約組織列為國(guó)際重要濕地名單,保護(hù)區(qū)屬溫帶濕潤(rùn)半濕潤(rùn)季風(fēng)性氣候,年平均氣溫為1.9℃,年均降水量約為600mm.保護(hù)區(qū)內(nèi)的植被仍保持原始狀態(tài),以草本沼澤植被和水生植被為主,沼澤植被的代表是毛果苔草、烏拉苔草、甜茅、小葉章和蘆葦?shù)?洪河濕地根據(jù)保護(hù)區(qū)自然資源分布狀況和特殊的地理分布,劃分為核心區(qū)(保存著較為完整的原始濕地生態(tài)系統(tǒng)和生物多樣性,是主要保護(hù)鳥類的集中分布區(qū))、緩沖區(qū)(保存著原生和部分原生性濕地生態(tài)系統(tǒng)類型,對(duì)核心區(qū)起到天然屏障和緩沖作用)和實(shí)驗(yàn)區(qū)(除部分耕地以外的其他濕地還保存完好,并開展了科研教學(xué)、環(huán)志、瀕危物種人工飼養(yǎng)和農(nóng)業(yè)生產(chǎn)等活動(dòng))3個(gè)功能區(qū)域[23].本文分別在這3個(gè)樣區(qū)中選擇具有相同的典型沼澤植被類型作為本文的研究區(qū),具體如圖1所示.

    圖1 研究區(qū)地理位置

    A位于核心區(qū)、B位于緩沖區(qū)、C位于實(shí)驗(yàn)區(qū)

    1.2 無人機(jī)多光譜數(shù)據(jù)與預(yù)處理

    以核心區(qū)為例,無人機(jī)原始航拍影像采集于2019年8月29日上午11:00~12:00,采集過程中天氣晴朗,無風(fēng),視野良好.試驗(yàn)采用大疆精靈4Pro搭載RGB和Survey3W-OCN相機(jī)同時(shí)進(jìn)行航攝,航向重疊率80%、旁向重疊率70%,飛行高度為110m,獲得606張無人機(jī)影像和1294張多光譜影像.

    多光譜影像包括兩種格式,分別為RAW和JPG,不能直接對(duì)多光譜原始影像處理,需要對(duì)其進(jìn)行輻射定標(biāo).輻射定標(biāo)是采用MAPIR公司自帶的處理軟件將多光譜影像DN值轉(zhuǎn)化為反射率.本文利用Pix4D Mapper專業(yè)級(jí)無人機(jī)圖像處理軟件對(duì)無人機(jī)和輻射定標(biāo)后多光譜影像進(jìn)行處理.具體處理過程包括:①導(dǎo)入原始航拍影像、經(jīng)緯度坐標(biāo)以及飛行姿態(tài)等POS數(shù)據(jù);②影像質(zhì)量檢查,剔除航向重疊率小于70%、旁向重疊率小于60%、起飛和降落、曝光不足與過度的影像,保證進(jìn)行空三解算和構(gòu)建加密網(wǎng)的精度;③影像數(shù)據(jù)自動(dòng)匹配、空三解算和區(qū)域網(wǎng)平差,生成研究區(qū)密集點(diǎn)云數(shù)據(jù);④利用密集點(diǎn)云數(shù)據(jù)構(gòu)建研究區(qū)不規(guī)則三角網(wǎng)(TIN),生成研究區(qū)數(shù)字地表三維模型(DSM);⑤利用地表三維模型和空三解算參數(shù)、通過影像勻色、拼接和裁剪處理,得到研究區(qū)數(shù)字正射影像圖(DOM).

    1.3 樣本數(shù)據(jù)采集

    實(shí)地調(diào)查于2019年8月24~30日進(jìn)行,樣本數(shù)據(jù)獲取主要有2種途徑:一種方法是通過手持厘米級(jí)定位精度的RTK進(jìn)行拍照記錄,如白樺林、白楊林和灌木;另一是采用大疆御Mavic Pro無人機(jī)搭載的FC220相機(jī)進(jìn)行航攝,飛行高度為30m,對(duì)航拍的影像進(jìn)行解譯確定植被類型,如小葉章、塔頭苔草和蘆葦.本文綜合考慮了野外實(shí)地調(diào)查結(jié)果和無人機(jī)影像特征,確定分為水體、白樺林、白楊林、退化白樺林、灌木、小葉章、塔頭苔草、小葉章和塔頭苔草混合、蘆葦和道路等10種類別,并使用ArcGIS10.5的地統(tǒng)計(jì)分析模塊中的Subset Features工具將實(shí)地采樣數(shù)據(jù)獲取樣本數(shù)據(jù)按照7:3的比例隨機(jī)分成訓(xùn)練和驗(yàn)證樣本數(shù)據(jù),具體如表1表示.

    表1 研究區(qū)各類訓(xùn)練和驗(yàn)證樣本數(shù)據(jù)

    注:A代表水體;B代表白樺林;C代表白楊林;D代表退化白樺林;E代表灌木;F代表道路;G代表小葉章;H代表塔頭苔草;I代表小葉章與塔頭苔草混合;J代表蘆葦;代表總數(shù).

    2 研究方法

    2.1 無人機(jī)影像多尺度分割

    本文在eCognition Developer 9.01軟件中采用濕地植被信息提取應(yīng)用最廣泛的多尺度分割算法.在多尺度分割算法中主要有3個(gè)重要參數(shù):尺度參數(shù)、形狀權(quán)重和緊湊度,其中尺度參數(shù)是多尺度分割算法最為核心的參數(shù),對(duì)分類精度影響較大,顏色與形狀權(quán)重、平滑度與緊湊度權(quán)重的和分別為1.

    對(duì)無人機(jī)影像進(jìn)行多尺度分割時(shí),首先需要確定的形狀權(quán)重和緊湊度參數(shù).已有研究表明,顏色/形狀權(quán)重為0.7/0.3,平滑度/緊湊度權(quán)重為0.5/0.5的對(duì)象最容易識(shí)別不同的沼澤植被斑塊[24].因此,本文中形狀權(quán)重和緊湊度權(quán)重分別設(shè)置為0.3、0.5.在確定這2個(gè)參數(shù)后,利用eCognition Developer最佳分割尺度評(píng)價(jià)工具ESP2進(jìn)行迭代分割,以選取多尺度分割最優(yōu)的分割尺度參數(shù)[25].確定形狀權(quán)重和緊湊度權(quán)重為0.3、0.5后,每個(gè)樣區(qū)的最大分割尺度和最小分割尺度如圖2所示.

    圖2 在形狀權(quán)重和緊湊度權(quán)重分別為0.3、0.5條件下,3個(gè)樣區(qū)最大分割尺度和最小分割尺度

    2.2 構(gòu)建多維數(shù)據(jù)集

    表2 植被指數(shù)計(jì)算公式

    注:NIR代表近紅外波段;代表紅波段;代表綠波段;代表藍(lán)波段.

    當(dāng)用光學(xué)數(shù)據(jù)分類時(shí),由于它們具有相似的光譜響應(yīng),無法將某些光譜曲線相似的沼澤植被群叢區(qū)分開,因此本文進(jìn)一步提取了影像的紋理特征、幾何特征、位置特征、地表高程信息和植被指數(shù),綜合利用以上特征信息進(jìn)行沼澤濕地植被群叢識(shí)別,最終確定的多維數(shù)據(jù)集包括:

    (1)光譜特征:無人機(jī)影像紅綠藍(lán)波段(RGB)、多光譜影像橙青近紅外波段(OCN)和DSM光譜特征的平均值、標(biāo)準(zhǔn)偏差、亮度和波段最大差異.

    (2)紋理特征:通過灰度共生矩陣(GLCM)來提取DOM和DSM的紋理特征.本文使用9×9的窗口和64個(gè)灰度量化級(jí)別的GLCM來生成平均值、方差、同質(zhì)性、對(duì)比性、異質(zhì)性、信息熵、角二階距和相關(guān)性.

    (3)植被指數(shù):為了消除不同輻照度對(duì)植被光譜特征的影響,更好地區(qū)分不同地物類型,提高沼澤濕地植被群叢的識(shí)別精度,本文計(jì)算了5個(gè)無人機(jī)植被指數(shù)和18個(gè)多光譜植被指數(shù)[25-28].具體如表2所示.

    (4)幾何特征:提取不對(duì)稱性、形狀指數(shù)、緊湊型、密度、面積、寬和長(zhǎng)寬比周長(zhǎng)比等特征.

    (5)位置特征:提取坐標(biāo)中心點(diǎn)位置特征、坐標(biāo)到左/右邊框的距離、坐標(biāo)的最大值和坐標(biāo)的最小值等特征.

    根據(jù)光譜特征、影像多尺度分割后的幾何特征與位置特征、紋理特征和植被指數(shù)構(gòu)建多維數(shù)據(jù)集,建立了4種分類方案,如表3所示.

    表3 3個(gè)樣區(qū)的4種分類方案

    2.3 構(gòu)建沼澤植被群叢尺度識(shí)別模型與精度評(píng)價(jià)

    隨機(jī)森林(RF)分類器是由Breiman在1995年Bell Labs原始版本的基礎(chǔ)上開發(fā)的一種結(jié)合去除相關(guān)性較弱的集成分類器[29].RF分類器具有高效處理多維數(shù)據(jù)集并不會(huì)出現(xiàn)過擬合的優(yōu)勢(shì)[30].

    本文采用RF分類器對(duì)構(gòu)建的多維數(shù)據(jù)集進(jìn)行遞歸特征消除(簡(jiǎn)稱RFE)和參數(shù)調(diào)優(yōu),構(gòu)建適合沼澤植被群叢尺度識(shí)別的模型并對(duì)3個(gè)典型樣區(qū)中的10種類型進(jìn)行分類,通過驗(yàn)證樣本數(shù)據(jù)集來評(píng)價(jià)分類精度和準(zhǔn)確度.具體內(nèi)容如下:①采用R編程語言,在Rstudio平臺(tái)上首先對(duì)每個(gè)方案進(jìn)行去除高相關(guān)性(去除相關(guān)系數(shù)大于0.95的變量),然后以每個(gè)方案的訓(xùn)練樣本數(shù)據(jù)集為輸入變量,再采用RFE來去除多維數(shù)據(jù)集中無關(guān)和冗余變量,確定總體精度最高的最佳變量個(gè)數(shù).RFE變量選擇是采用10倍交叉驗(yàn)證重采樣方法,開始使用所有的訓(xùn)練數(shù)據(jù)集中的特征構(gòu)建模型并通過得分來衡量不同特征重要程度,然后刪除本次特征集合中得分最低的特征,用剩余的特征集合建模,然后重復(fù)進(jìn)行迭代,直到輸入數(shù)據(jù)集為空,從而確定最佳變量個(gè)數(shù).②已有研究表明,RF算法中的默認(rèn)mtry數(shù)是輸入變量總數(shù)的平方,默認(rèn)ntree數(shù)是500[31].RF算法雖然采用默認(rèn)參數(shù)進(jìn)行沼澤植被識(shí)別,總體精度較高,但極不穩(wěn)定,不具代表性.與默認(rèn)參數(shù)相比,優(yōu)化參數(shù)的整體精度更穩(wěn)定[10].因此本文以最佳變量構(gòu)成的訓(xùn)練數(shù)據(jù)集為輸入變量對(duì)RF分類器進(jìn)行參數(shù)調(diào)優(yōu),確定mtry的范圍為1~15;ntree的范圍為0~2000,步長(zhǎng)為100.每個(gè)方案使用mtry和ntree的不同組合迭代訓(xùn)練15次,以找到總體精度最高的最優(yōu)組合.

    為了評(píng)估構(gòu)建沼澤植被群叢尺度識(shí)別模型分類結(jié)果的準(zhǔn)確性,以及評(píng)估無人機(jī)多光譜遙感數(shù)據(jù)在沼澤濕地植被分類中的有效性,利用實(shí)地采集的驗(yàn)證樣本對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證,在95%的置信區(qū)間對(duì)3個(gè)樣區(qū)4種分類方案建立混淆矩陣分別計(jì)算分類結(jié)果的總體精度、Kappa系數(shù)、各類別的用戶精度和生產(chǎn)者精度.本文技術(shù)路線如圖3所示.

    圖3 研究技術(shù)路線

    3 結(jié)果分析與精度驗(yàn)證

    3.1 最優(yōu)變量選擇

    對(duì)3個(gè)樣區(qū)的4種分類方案進(jìn)行RFE變量選擇,結(jié)果如表4所示,采用RFE后,核心區(qū)方案一輸入9個(gè)變量(緩沖區(qū)為17個(gè)、實(shí)驗(yàn)區(qū)為8個(gè))時(shí),在95%置信區(qū)間內(nèi)的模型訓(xùn)練精度提高到79.50%(緩沖區(qū)為75.10%、實(shí)驗(yàn)區(qū)為78.30%).核心區(qū)方案二輸入7個(gè)變量(緩沖區(qū)為9個(gè)、實(shí)驗(yàn)區(qū)為9個(gè))時(shí),在95%置信區(qū)間內(nèi)的模型訓(xùn)練精度提高到73.00%(緩沖區(qū)為71.20%、實(shí)驗(yàn)區(qū)為74.00%).核心區(qū)方案三輸入11個(gè)變量(緩沖區(qū)為11個(gè)、實(shí)驗(yàn)區(qū)為14個(gè))時(shí),在95%置信區(qū)間內(nèi)的模型訓(xùn)練精度為75.10%(緩沖區(qū)為74.00%、實(shí)驗(yàn)區(qū)為76.00%).核心區(qū)方案四輸入16個(gè)變量(緩沖區(qū)為67個(gè)、實(shí)驗(yàn)區(qū)為18個(gè))時(shí),在95%置信區(qū)間內(nèi)的模型訓(xùn)練精度達(dá)到82.50%(緩沖區(qū)為79.20%、實(shí)驗(yàn)區(qū)為81.50%).對(duì)3個(gè)樣區(qū)的每種方案進(jìn)行RFE變量選擇后,模型訓(xùn)練精度都提高了,提高最多的緩沖區(qū)方案三(提高了11.38%),論證了去除多維數(shù)據(jù)集中無關(guān)和冗余變量可以提高面向?qū)ο蟮腞F分類器在沼澤植被識(shí)別中的性能.

    對(duì)于3個(gè)樣方區(qū)的方案一,經(jīng)過RFE變量選擇之后構(gòu)建的RF模型訓(xùn)練精度比輸入全部非高相關(guān)變量構(gòu)建的RF模型訓(xùn)練精度,分別提升了8.00%、5.34%和10.76%.在輸入的3個(gè)光譜特征、幾何特征和位置特征中,波段最大差分、光譜波段的平均值和標(biāo)準(zhǔn)偏差的重要性最高.方案二模型訓(xùn)練精度分別提升了4.00%、5.41%和4.39%.比方案一多加入的多光譜特征中多光譜波段標(biāo)準(zhǔn)偏差獲得較高的重要性.方案三模型訓(xùn)練精度分別提升了5.97%、11.38%和5.99%,比方案二多加入的紋理特征中同質(zhì)性的重要性較高.每個(gè)樣區(qū)方案四的模型訓(xùn)練精度都是最高的,分別為82.50%、79.20%和81.50%,比輸入全部非高相關(guān)變量構(gòu)建的RF模型訓(xùn)練精度分別提高了3.40%、3.46%和4.36%,其中5個(gè)無人機(jī)光譜指數(shù)、DSM和光譜波段的標(biāo)準(zhǔn)差的重要性最高,具體如表4和圖4所示.

    表4 采用RFE變量選擇前后,RF訓(xùn)練精度的對(duì)比

    續(xù)表4

    圖4 基于RFE變量選擇的前10個(gè)最佳變量及重要性排序

    3.2 沼澤植被群叢尺度識(shí)別模型參數(shù)調(diào)優(yōu)

    通過RFE變量選擇后,確定最佳變量個(gè)數(shù);調(diào)整參數(shù)確定面向?qū)ο蟮腞F分類器的mtry和ntree最優(yōu)組合并進(jìn)行迭代訓(xùn)練.圖5顯示3個(gè)樣區(qū)中訓(xùn)練樣本數(shù)據(jù)的4種方案的學(xué)習(xí)曲線,隨著mtry和ntree.數(shù)量的增加,模型的訓(xùn)練精度呈上升趨勢(shì),當(dāng)ntree為1000時(shí),具有不同mtry值的每個(gè)分類方案的總體精度的波動(dòng)趨于平穩(wěn).

    圖5 3個(gè)樣區(qū)不同mtry和ntree組合與RF訓(xùn)練精度變化趨勢(shì)(變量選擇后)

    表5 3個(gè)樣區(qū)最佳mtry和ntree組合的RF訓(xùn)練精度(變量選擇后)

    根據(jù)表5對(duì)核心區(qū)、緩沖區(qū)和實(shí)驗(yàn)區(qū)4種分類方案的參數(shù)調(diào)優(yōu)結(jié)果進(jìn)行分析可知,多光譜數(shù)據(jù)添加到多維數(shù)據(jù)集中時(shí),3個(gè)樣區(qū)中方案二的模型訓(xùn)練精度比方案一分別降低8.02%、3.11%和3.17%,說明多光譜數(shù)據(jù)對(duì)沼澤植被群叢識(shí)別性能不如無人機(jī)數(shù)據(jù),可能是多光譜影像存在噪聲,降低了模型精度和效率.方案三比方案二多加入了40個(gè)紋理特征,但是RF模型的訓(xùn)練精度并沒有明顯變化,核心區(qū)提升了1.54%、緩沖區(qū)下降了1.50%、實(shí)驗(yàn)區(qū)下降了0.19%.方案四結(jié)合了光譜數(shù)據(jù)、光譜指數(shù)、DSM、位置特征、幾何特征和紋理特征,RF模型訓(xùn)練精度達(dá)到最高分別為81.83%、79.23%和79.36%.比方案三多加入了23個(gè)植被指數(shù)和DSM,RF模型精度分別提高了9.26%、8.86%和5.61%,說明DSM和光譜植被指數(shù)有效的提高分類精度.

    3.3 沼澤植被群叢分類結(jié)果及精度分析

    綜合3個(gè)樣區(qū)的4種分類方案的分類效果圖,發(fā)現(xiàn)核心區(qū)中喬木(白樺林和白楊林)和灌木主要分布靠近陸地的區(qū)域;淺水沼澤植被是由陸地過渡到淺水中,分布順序依次是小葉章、小葉章與塔頭苔草混合、塔頭苔草和蘆葦;退化的白樺林主要分布在淺水沼澤植被附近.緩沖區(qū)和實(shí)驗(yàn)區(qū)中10種類別的空間分布與核心區(qū)保持一致.

    圖6 核心區(qū)沼澤植被分類結(jié)果對(duì)比

    核心區(qū)方案一,水體中有部分圖斑被錯(cuò)分為小葉章類型,在方案二中錯(cuò)分現(xiàn)象嚴(yán)重,可能與該區(qū)域水體的顏色較深、較亮,光譜特征取值與小葉章接近有關(guān).引入紋理特征時(shí)(方案三),上述錯(cuò)分有所改善,卻進(jìn)一步加劇部分蘆葦被錯(cuò)分為灌木的現(xiàn)象.引入指數(shù)特征和DSM時(shí)(方案四),水體與小葉章錯(cuò)分現(xiàn)象有明顯改善,但出現(xiàn)小斑塊蘆葦誤分為水體(圖6).緩沖區(qū)4種分類方案都存在水體與道路錯(cuò)分(圖7),這是由于獲取緩沖區(qū)影像時(shí),水體淹沒棧橋造成影像上棧橋表層光譜特性與水體相近,這種同譜異物現(xiàn)象造成沼澤植被群叢尺度識(shí)別模型混淆提取水體和道路.實(shí)驗(yàn)區(qū)方案一中存在灌木和喬木(白楊林和白樺林)錯(cuò)分現(xiàn)象,在方案二中錯(cuò)分現(xiàn)象明顯加劇,可能與該區(qū)域光譜信息比較多樣,部分灌木和喬木具有相似的光譜曲線,因此對(duì)于利用光譜特征的分類方案,區(qū)分效果不明顯,易造成誤分現(xiàn)象.當(dāng)加入紋理信息后(方案三),分類結(jié)果中小面積斑塊減少,灌木和喬木的混分現(xiàn)象減少.引入指數(shù)特征和DSM時(shí)(方案四),灌木和喬木錯(cuò)分現(xiàn)象有明顯改善,因?yàn)镈SM提供的地表高程信息可以很好的將喬木同灌木區(qū)分開(圖8).上述各樣區(qū)中方案四錯(cuò)分現(xiàn)象都有所改善,分類效果最好,分類結(jié)果能夠準(zhǔn)確描述保護(hù)區(qū)內(nèi)沼澤植被的空間分布位置,可以說明優(yōu)化的面向?qū)ο蟮碾S機(jī)森林算法模型對(duì)沼澤植被群叢具有較高的識(shí)別能力.

    圖7 緩沖區(qū)沼澤植被分類結(jié)果對(duì)比

    圖8 實(shí)驗(yàn)區(qū)沼澤植被分類結(jié)果對(duì)比

    由表6可知,通過變量選擇和參數(shù)調(diào)優(yōu)后,每個(gè)樣區(qū)的方案四在95%的置信區(qū)間內(nèi)的總體分類精度最高(87.12%、83.33%和83.82%),說明在光譜波段、光譜指數(shù)、DSM、紋理特征、位置信息和幾何信息的共同作用下,可以提高沼澤植被群叢識(shí)別的總體精度;其次是方案一的總體分類精度(83.23%、79.11%和81.46%),說明無人機(jī)影像是區(qū)分沼澤植被群叢重要的數(shù)據(jù)源;方案二在95%的置信區(qū)間內(nèi)的總體分類精度最差(74.85%、74.84%和74.88%),這可能是多光譜影像存下噪點(diǎn),不易區(qū)分光譜相似的沼澤植被群叢;其次是方案三的總體分類精度(77.91%、77.42%和75.86%),比方案二分別提高了3.06%、2.58%和0.98%,說明紋理特征可以提高沼澤植被群叢的總體分類精度.

    為了評(píng)估隨機(jī)森林分類器對(duì)沼澤植被群叢分類結(jié)果的準(zhǔn)確性,以及無人機(jī)多光譜在沼澤濕地植被識(shí)別中的有效性,利用實(shí)地采樣數(shù)據(jù)獲得的驗(yàn)證樣本,建立混淆矩陣和計(jì)算各類的用戶精度與生產(chǎn)者精度(表7).核心區(qū)方案四對(duì)水體、白樺林、退化白樺林、灌木、道路、小葉章和塔頭苔草混合和蘆葦?shù)淖R(shí)別能力較好,用戶精度在91%以上;用戶精度最低的是塔頭苔草45.4%,生產(chǎn)者精度為41.6%,這是由于塔頭苔草與小葉章混合生長(zhǎng)條件與分布一致,存在光譜特征和紋理特征的相似性,導(dǎo)致不易區(qū)分.緩沖區(qū)方案四對(duì)水體、白樺林、灌木、道路、小葉章和蘆葦?shù)姆诸愖詈?用戶精度都為86%以上,小葉章和塔頭苔草混合用戶精度最差,為63.6%.實(shí)驗(yàn)區(qū)方案四中水體、白楊林、道路和小葉章的分類最好,用戶精度都為91%以上,其中白樺林用戶精度為77.8%,而生產(chǎn)者精度最低,為46.7%,這可能由于沼澤濕地植被類型分布不均一,散碎斑塊較多,使白樺林與小葉章與塔頭苔草的混合出現(xiàn)錯(cuò)分現(xiàn)象.

    表6 3個(gè)樣區(qū)RF分類結(jié)果的驗(yàn)證精度

    表7 沼澤濕地地物類型混淆矩陣(方案四)

    續(xù)表7

    注:A代表水體;B代表白樺林;C代表白楊林;D代表退化白樺林;E代表灌木;F代表道路;G代表小葉章;H代表塔頭苔草;I代表小葉章與塔頭苔草混合;J代表蘆葦;代表總數(shù);代表用戶精度;代表生產(chǎn)者精度.

    3個(gè)區(qū)域中對(duì)于水體、道路、白樺林和蘆葦分類精度比較好,用戶精度均在80%以上,這是由于隨機(jī)森林算法對(duì)于紋理特征均一的地物或植被具有較高的識(shí)別能力.對(duì)于單一典型沼澤濕地植被,白樺林其用戶精度分別是100%、86.7%和83.9%,核心區(qū)分類精度最高,這是由于核心區(qū)是未經(jīng)或很少經(jīng)人為干擾過的原始濕地生態(tài)系統(tǒng);小葉章和塔頭苔草混合的用戶精度分別為100%、63.6%和47.1%,實(shí)驗(yàn)區(qū)分類精度最低,這是由于實(shí)驗(yàn)區(qū)是一個(gè)多用途的地區(qū),包括有一定范圍的生產(chǎn)活動(dòng),還可有少量居民點(diǎn)和旅游設(shè)施,因此會(huì)降低對(duì)沼澤濕地植被分類效果.

    4 結(jié)論

    4.1 結(jié)合光譜波段、植被指數(shù)、位置特征、紋理特征和幾何特征作為多維數(shù)據(jù)集輸入變量,可以有效地提高沼澤植被群叢的分類精度.然而,多維數(shù)據(jù)集輸入會(huì)產(chǎn)生許多冗余變量,降低了分類效率和準(zhǔn)確率.基于RF的變量選擇算法能有效去除相關(guān)性高的冗余變量,提高分類精度.對(duì)輸入變量重要性的測(cè)量表明,無人機(jī)光譜指數(shù)(Blue、Green、Red、GLI、GRDI)、DSM和光譜波段的標(biāo)準(zhǔn)偏差等對(duì)沼澤植被群叢識(shí)別貢獻(xiàn)率較大.

    4.2 RF模型的參數(shù)調(diào)優(yōu)可以有效地提高其在沼澤植被分類中的適用性,獲得穩(wěn)定的、高精度的分類結(jié)果.3個(gè)典型樣區(qū)中方案四的獲得最高的模型訓(xùn)練精度,其中mtry和ntree的最佳組合為3和1000、12和600、9和400,RF分類器的模型精度分別為81.83%、79.23%和79.36%,kappa系數(shù)分別為0.787、0.768和0.761.

    4.3 面向?qū)ο蟮碾S機(jī)森林遙感識(shí)別模型實(shí)現(xiàn)了沼澤植被群叢尺度的高精度分類,3個(gè)典型樣區(qū)中方案四在95%置信區(qū)間內(nèi)的分類正確率最高,分別為87.12%、83.33%和83.82%,kappa系數(shù)分別為0.850、0.814和0.813.對(duì)于單一典型沼澤濕地植被識(shí)別,蘆葦獲得最高用戶精度為100.0%和88.2%,生產(chǎn)者精度分別為100%和91.7%.灌木用戶精度分別為100%、92.3%和87.1%,生產(chǎn)者精度分別為85.7%、80.0%和90.0%.驗(yàn)證了無人機(jī)多光譜數(shù)據(jù)和優(yōu)化的面向?qū)ο驲F算法構(gòu)建沼澤植被群叢尺度識(shí)別模型可以實(shí)現(xiàn)沼澤植被群叢尺度分類,并形成了一套完整的基于低空無人機(jī)多光譜影像進(jìn)行沼澤植被識(shí)別的方法.

    [1] Mitsch W J. Restoration of our lakes and rivers with wetlands—an important application of ecological engineering [J]. Water Science and Technology, 1995,31(8):167-177.

    [2] Guo M, Li J, Sheng C, et al. A review of wetland remote sensing [J]. Sensors, 2017,17(4):777.

    [3] Kokaly R F, Despain D G, Clark R N, et al. Mapping vegetation in Yellowstone National Park using spectral feature analysis of AVIRIS data [J]. Remote sensing of environment, 2003,84(3):437-456.

    [4] Yuan L, Zhang L. Identification of the spectral characteristics of submerged plant Vallisneria spiralis [J]. Acta Ecologica Sinica, 2006,26(4):1005-1010.

    [5] Dennison W C, Orth R J, Moore K A, et al. Assessing water quality with submersed aquatic vegetation [J]. BioScience, 1993,43(2):86-94.

    [6] 張 磊,宮兆寧,王啟為,等. Sentinel-2影像多特征優(yōu)選的黃河三角洲濕地信息提取 [J]. 遙感學(xué)報(bào), 2019,23(2):313-326.Zhang L, Gong Z N, Wang Q W, et al. Extraction of Yellow River Delta wetland information based on multi-feature optimization of Sentinel-2 image [J]. Journal of Remote Sensing, 2019,23(2):313-326.

    [7] 程琳琳,董雪梅,詹佳琪,等.基于面向?qū)ο蟮腉F-1遙感影像采煤沉陷區(qū)濕地分類 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018,34(9):240-247. Cheng L L, Dong X M, Zhan J Q, et al. Wetland classification based on object-oriented GF-1remote sensing images in coal mining subsidence area [J]. Transactions of the Chinese Society of Agricultural Engineering, 2018,34(9):240-247.

    [8] 李恒凱,吳 嬌,王秀麗.基于GF-1影像的東江流域面向?qū)ο笸恋乩梅诸?[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018,34(10):245-252. Li H K, Wu J, Wang X L. Object-oriented land use classification of Dongjiang basin based on GF-1 image [J]. Transactions of the Chinese Society of Agricultural Engineering, 2018,34(10):245-252.

    [9] 王 猛,張新長(zhǎng),王家耀,等.結(jié)合隨機(jī)森林面向?qū)ο蟮纳仲Y源分類 [J]. 測(cè)繪學(xué)報(bào), 2020,49(2):235-244. Wang M, Zhang X C, Wang J Y, et al. Object-oriented classification of forest resources with random forest [J]. Journal of Surveying and Mapping, 2020,49(2):235-244.

    [10] Lou P Q, Fu B L, He H C, et al. An optimized object-based random forest algorithm for marsh vegetation mapping using high- spatial-resolution GF-1and ZY-3data [J]. Remote Sensing, 2020,12(8):1270.

    [11] Mahdavi S, Salehi B, Amani M, et al. A dynamic classification scheme for mapping spectrally similar classes: Application to wetland classification [J]. International Journal of Applied Earth Observation and Geoinformation, 2019,83:101914.

    [12] B?hler J E, Schaepman M E, Kneubühler M. Crop classification in a heterogeneous arable landscape using uncalibrated UAV data [J]. Remote Sensing, 2018,10(8):1282.

    [13] Pajares G. Overview and current status of remote sensing applications based on unmanned aerial vehicles (UAVs) [J]. Photogrammetric Engineering & Remote Sensing, 2015,81(4):281-330.

    [14] Shahbazi M, Théau J, Ménard P. Recent applications of unmanned aerial imagery in natural resource management [J]. GIScience & Remote Sensing, 2014,51(4):339-365.

    [15] Latif M A. An agricultural perspective on flying sensors: State of the art, challenges, and future directions [J]. IEEE Geoscience and Remote Sensing Magazine, 2018,6(4):10-22.

    [16] Pande-Chhetri R, Abd-Elrahman A, Liu T, et al. Object-based classification of wetland vegetation using very high-resolution unmanned air system imagery [J]. European Journal of Remote Sensing, 2017,50(1):564-576.

    [17] De Giglio M, Greggio N, Goffo F, et al. Comparison of pixel-and object-based classification methods of unmanned aerial vehicle data applied to coastal dune vegetation communities: Casal borsetti case study [J]. Remote Sensing, 2019,11(12):1416.

    [18] Wu Q, Zhong R, Zhao W, et al. A comparison of pixel-based decision tree and object-based Support Vector Machine methods for land-cover classification based on aerial images and airborne lidar data [J]. International Journal of Remote Sensing, 2017,38(23):7176-7195.

    [19] 肖 武,任 河,呂雪嬌,等.基于無人機(jī)遙感的高潛水位采煤沉陷濕地植被分類 [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019,50(2):177-186. Xiao W, Ren H, Lu X J, et al. Vegetation classification of subsided wetlands in coal mining at high phreatic level based on remote sensing by drones [J]. Transactions of the Chinese Society of Agricultural Machinery, 2019,50(2):177-186.

    [20] 婁佩卿,陳曉雨,王疏桐,等.基于無人機(jī)影像的喀斯特農(nóng)耕區(qū)地物識(shí)別——以桂林市為例 [J]. 國(guó)土資源遙感, 2020,32(1):216-223. Lou P Q, Chen X Y, Wang S T, et al. Feature recognition in karst farming areas based on UAV images: Taking Guilin as an example [J]. Remote Sensing for Land and Resources, 2020,32(1):216-223.

    [21] 劉 舒,朱 航.基于超高空間分辯率無人機(jī)影像的面向?qū)ο笸恋乩梅诸惙椒?[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020,36(2):87-94. Liu S, Zhu H. Object-oriented land use classification method based on ultra-high spatial resolution UAV images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2020,36(2):87-94.

    [22] 耿仁方,付波霖,蔡江濤,等.基于無人機(jī)影像和面向?qū)ο箅S機(jī)森林算法的巖溶濕地植被識(shí)別方法研究 [J]. 地球信息科學(xué)學(xué)報(bào), 2019, 21(8):1295-1306. Geng R F, Fu B L, Cai J T, et al. Research on karst wetland vegetation identification method based on UAV image and object-oriented random forest algorithm [J]. Journal of Geo-Information Science, 2019,21(8):1295 1306.

    [23] 朱寶光,董樹斌,朱麗萍,等.洪河國(guó)家級(jí)自然保護(hù)區(qū)濕地功能區(qū)保育與濕地補(bǔ)償研究 [J]. 濕地科學(xué)與管理, 2006,(3):25-28. Zhu B G, Dong S B, Zhu L P, et al. Research on wetland function area conservation and wetland compensation in Honghe National Nature Reserve [J]. Wetland Science and Management, 2006,(3):25-28.

    [24] Dragut L, Tiede D, Levick S R. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data [J]. International Journal of Geographical Information Science, 2010,24(6): 859-871.

    [25] Dronova I. Object-based image analysis in wetland research: A review [J]. Remote Sensing, 2015,7(5):6380-6413.

    [26] 魏鵬飛,徐新剛,李中元,等.基于無人機(jī)多光譜影像的夏玉米葉片氮含量遙感估測(cè) [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2019,35(8):126-133,335. Wei P F, Xu X G, Li Z Y, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on UAV multispectral images [J]. Transactions of the Chinese Society of Agricultural Engineering, 2019,35(8):126-133,335.

    [27] Villoslada M, Bergamo T F, Ward R D, et al. Fine scale plant community assessment in coastal meadows using UAV based multispectral data [J]. Ecological Indicators, 2020,111:105979.

    [28] Suo C, McGovern E, Gilmer A. Coastal dune vegetation mapping using a multispectral sensor mounted on an UAS [J]. Remote Sensing, 2019,11(15):1814.

    [29] Breiman L. Random forests [J]. Machine learning, 2001,45(1):5-32.

    [30] Phiri D, Morgenroth J, Xu C. Four decades of land cover and forest connectivity study in Zambia—An object-based image analysis approach [J]. International Journal of Applied Earth Observation and Geoinformation, 2019,79:97-109.

    [31] Nguyen U, Glenn E P, Dang T D, et al. Mapping vegetation types in semi-arid riparian regions using random forest and object-based image approach: A case study of the Colorado River Ecosystem, Grand Canyon, Arizona [J]. Ecological Informatics, 2019,50:43-50.

    Classification method of swamp vegetation using UAV multispectral data.

    ZUO Ping-ping, FU Bo-lin*, LAN Fei-wu, XIE Shu-yu, HE Hong-chang, FAN Dong-lin, LOU Pei-qing

    (School of Surveying and Mapping and Geographic Information, Guilin University of Technology, Guilin 541006, China)., 2021,41(5):2399~2410

    This paper established machine learning models to classify swamp vegetation communities based on high-resolution UAV multispectral images. In Honghe National Nature Reserve, typical sample areas were selected in the core area, buffer zone and experimental area and ortho-images of these areas were acquired using low-altitude UAVs with RGB and multispectral cameras. Multidimensional datasets were then derived from multiresolution segmentation of ortho-images, and established four classification scenarios. The object-based random forest (RF) algorithm was used to classify vegetation communities after feature selection and parameters (mtry and ntree) optimization and tuning. This algorithm also could rank the importance of each feature in multidimensional datasets and eliminat data redundancy accordingly. The results showed that: The optimized object-based RF algorithm had a high recognition ability for swamp vegetation. The scenario 4 (combination of spectral bands, texture features, geometric features, location features, surface elevation information and vegetation indexes) in the core area obtained the highest overall accuracy (87.12%), and the kappa value was 0.850 at the 95% confidence interval, which was 12.27% higher than scenario 2 (combining spectral bands, geometric features and location features), and the kappa value improved 0.140; For an identification accuracy of typical swamp vegetation, the classification of the reed achieved the highest user’s accuracy of above 88%, and its producer’s accuracy was higher than 90%. The classification ofalso achieved over 85% of producer’s accuracy, but its user’s accuracy (78%) was lower in the core area. This method can be used as an effective method to identify swamp vegetation communities and provide more accurate data support for studying dynamic changes of wetland ecological environment.

    UAV multi-spectral data;random forest algorithm;multidimensional data set;variable selection;parameter tuning

    X171

    A

    1000-6923(2021)05-2399-12

    左萍萍(1996-),女,河南信陽人,桂林理工大學(xué)碩士研究生,主要從事無人機(jī)濕地遙感.

    2020-09-30

    國(guó)家自然科學(xué)基金資助項(xiàng)目(41801071);廣西自然科學(xué)基金資助項(xiàng)目(2018GXNSFBA281015);廣西科技計(jì)劃項(xiàng)目(桂科AD20159037);廣西研究生教育創(chuàng)新計(jì)劃項(xiàng)目(RD2000000741、YCSW2021210);桂林理工大學(xué)科研啟動(dòng)基金資助項(xiàng)目(GUTQDJJ2017096);廣西八桂學(xué)者團(tuán)隊(duì)項(xiàng)目聯(lián)合資助

    * 責(zé)任作者, 副教授, fbl2012@126.com

    猜你喜歡
    群叢沼澤植被
    中條山銅尾礦壩自然定居草本植物群落特征
    黔中地區(qū)不同馬尾松群叢植物群落與土壤理化性質(zhì)特征
    基于植被復(fù)綠技術(shù)的孔植試驗(yàn)及應(yīng)用
    綠色植被在溯溪旅游中的應(yīng)用
    幫女兒走出“嫉妒沼澤”
    沼澤時(shí)代
    基于原生植被的長(zhǎng)山群島植被退化分析
    Passage Seven
    山西省自然保護(hù)區(qū)濕地植物群落物種多樣性研究
    貴陽烏當(dāng)杜鵑群落數(shù)量特征與α多樣性分析
    日韩免费高清中文字幕av| 久久久久久久精品精品| 在线观看一区二区三区| 各种免费的搞黄视频| 视频中文字幕在线观看| 亚洲人与动物交配视频| 亚洲人成网站在线观看播放| 国产精品一区二区性色av| 菩萨蛮人人尽说江南好唐韦庄| 久久久精品欧美日韩精品| 99久久精品国产国产毛片| 免费黄网站久久成人精品| 国产毛片在线视频| 国产高清不卡午夜福利| 女人久久www免费人成看片| 丰满人妻一区二区三区视频av| 免费av不卡在线播放| 最近中文字幕2019免费版| 亚洲国产高清在线一区二区三| 国产永久视频网站| 亚洲熟女精品中文字幕| 久久久久久九九精品二区国产| 激情 狠狠 欧美| 亚洲精品色激情综合| 嫩草影院精品99| 久久午夜福利片| 一二三四中文在线观看免费高清| 国产免费一区二区三区四区乱码| 国产视频内射| 内地一区二区视频在线| 亚洲精品国产av蜜桃| 精品久久久噜噜| 欧美97在线视频| 亚洲丝袜综合中文字幕| 国产午夜精品一二区理论片| 人妻 亚洲 视频| 大又大粗又爽又黄少妇毛片口| 国产综合懂色| 夜夜爽夜夜爽视频| 亚洲av成人精品一区久久| 国产淫语在线视频| 成年女人在线观看亚洲视频 | 18+在线观看网站| 乱码一卡2卡4卡精品| 最近最新中文字幕大全电影3| 亚洲在线观看片| av黄色大香蕉| 国产高清三级在线| 国产欧美日韩精品一区二区| 久久久久久久久久久丰满| 熟妇人妻不卡中文字幕| 男人狂女人下面高潮的视频| 丝瓜视频免费看黄片| 精品亚洲乱码少妇综合久久| 成人亚洲精品av一区二区| 在线亚洲精品国产二区图片欧美 | 国产午夜精品一二区理论片| 久热这里只有精品99| 麻豆久久精品国产亚洲av| 97精品久久久久久久久久精品| 亚洲激情五月婷婷啪啪| 丝袜喷水一区| 国产中年淑女户外野战色| 日本午夜av视频| 国产有黄有色有爽视频| 九草在线视频观看| 在线观看一区二区三区激情| 亚洲国产成人一精品久久久| 91久久精品国产一区二区三区| 99九九线精品视频在线观看视频| 我要看日韩黄色一级片| 成人毛片60女人毛片免费| 秋霞伦理黄片| 国产黄色视频一区二区在线观看| 丰满少妇做爰视频| 日本猛色少妇xxxxx猛交久久| 美女国产视频在线观看| 国产成人91sexporn| 大话2 男鬼变身卡| 国产免费又黄又爽又色| 少妇熟女欧美另类| 69人妻影院| 国精品久久久久久国模美| 亚洲av成人精品一二三区| 国产探花极品一区二区| 欧美老熟妇乱子伦牲交| 成人亚洲欧美一区二区av| 熟女电影av网| 精品国产露脸久久av麻豆| 在线看a的网站| 男的添女的下面高潮视频| 日本午夜av视频| 哪个播放器可以免费观看大片| 日本午夜av视频| 亚洲一级一片aⅴ在线观看| 欧美国产精品一级二级三级 | 视频区图区小说| 亚洲色图综合在线观看| 国产久久久一区二区三区| 五月开心婷婷网| 日韩不卡一区二区三区视频在线| 最近手机中文字幕大全| 国产成人午夜福利电影在线观看| av国产免费在线观看| 免费观看无遮挡的男女| 乱码一卡2卡4卡精品| 亚洲欧美一区二区三区黑人 | 国产人妻一区二区三区在| 男女国产视频网站| 啦啦啦中文免费视频观看日本| 免费观看的影片在线观看| 成人鲁丝片一二三区免费| 亚洲最大成人中文| 免费av毛片视频| 日韩免费高清中文字幕av| 亚洲三级黄色毛片| 中文欧美无线码| 一二三四中文在线观看免费高清| 中文字幕久久专区| 免费观看a级毛片全部| 欧美成人a在线观看| 尤物成人国产欧美一区二区三区| 插逼视频在线观看| a级毛片免费高清观看在线播放| 韩国av在线不卡| 国产精品99久久久久久久久| 3wmmmm亚洲av在线观看| 久久久久九九精品影院| kizo精华| 五月伊人婷婷丁香| 毛片女人毛片| 色5月婷婷丁香| 精品久久久久久久久亚洲| 性插视频无遮挡在线免费观看| 新久久久久国产一级毛片| 国产午夜福利久久久久久| 久久久久久久午夜电影| 九九爱精品视频在线观看| 精品熟女少妇av免费看| 国产一区二区亚洲精品在线观看| 如何舔出高潮| 国产免费一级a男人的天堂| 丰满乱子伦码专区| 亚洲久久久久久中文字幕| h日本视频在线播放| 久久久久久九九精品二区国产| 色视频www国产| 91精品伊人久久大香线蕉| 最近的中文字幕免费完整| 91精品国产九色| 久久久久久久久久人人人人人人| 亚州av有码| 乱系列少妇在线播放| 亚洲国产精品999| 欧美bdsm另类| 水蜜桃什么品种好| 精品酒店卫生间| 丰满人妻一区二区三区视频av| 国产精品久久久久久精品电影小说 | 色视频在线一区二区三区| 狠狠精品人妻久久久久久综合| 国产精品一区二区在线观看99| 亚洲av免费在线观看| 水蜜桃什么品种好| 国产精品一区二区在线观看99| 2018国产大陆天天弄谢| 中文字幕亚洲精品专区| 日韩av不卡免费在线播放| 久久精品久久精品一区二区三区| 日韩免费高清中文字幕av| 国产淫语在线视频| 少妇人妻 视频| 亚洲综合精品二区| 亚洲,欧美,日韩| 亚洲av成人精品一二三区| 国产片特级美女逼逼视频| 日韩成人伦理影院| 18禁裸乳无遮挡动漫免费视频 | 自拍偷自拍亚洲精品老妇| 校园人妻丝袜中文字幕| 新久久久久国产一级毛片| 久久久亚洲精品成人影院| 视频中文字幕在线观看| 成人欧美大片| 日日撸夜夜添| 99热全是精品| 亚洲国产高清在线一区二区三| 我要看日韩黄色一级片| 欧美一级a爱片免费观看看| 日产精品乱码卡一卡2卡三| 丝袜美腿在线中文| 亚洲精华国产精华液的使用体验| 国产成人91sexporn| 国产片特级美女逼逼视频| 国产精品蜜桃在线观看| 国产视频首页在线观看| 综合色丁香网| 秋霞在线观看毛片| 伦精品一区二区三区| 久久久久久久久久人人人人人人| av播播在线观看一区| 九色成人免费人妻av| 国产亚洲精品久久久com| 国产一级毛片在线| 精品99又大又爽又粗少妇毛片| 高清视频免费观看一区二区| 国产精品成人在线| 国产男女内射视频| 51国产日韩欧美| 成人一区二区视频在线观看| 国产女主播在线喷水免费视频网站| 黑人高潮一二区| 啦啦啦中文免费视频观看日本| 乱码一卡2卡4卡精品| 欧美激情久久久久久爽电影| 看非洲黑人一级黄片| 久久人人爽av亚洲精品天堂 | 精品久久久精品久久久| 丝袜脚勾引网站| 国产大屁股一区二区在线视频| 久久女婷五月综合色啪小说 | 国模一区二区三区四区视频| 国产亚洲一区二区精品| 欧美3d第一页| 亚洲成色77777| 99久久中文字幕三级久久日本| 在线观看免费高清a一片| 热re99久久精品国产66热6| 欧美激情国产日韩精品一区| 交换朋友夫妻互换小说| 最近最新中文字幕免费大全7| 美女xxoo啪啪120秒动态图| 一级黄片播放器| 久久这里有精品视频免费| 在线看a的网站| 99热网站在线观看| 性插视频无遮挡在线免费观看| 亚洲图色成人| 在线a可以看的网站| 99热网站在线观看| 能在线免费看毛片的网站| 精品亚洲乱码少妇综合久久| 三级男女做爰猛烈吃奶摸视频| av国产免费在线观看| 欧美zozozo另类| 欧美高清性xxxxhd video| 岛国毛片在线播放| 日韩制服骚丝袜av| 毛片女人毛片| 亚洲天堂国产精品一区在线| 欧美激情久久久久久爽电影| 少妇人妻久久综合中文| av卡一久久| 国产色爽女视频免费观看| 白带黄色成豆腐渣| 国产亚洲5aaaaa淫片| 高清日韩中文字幕在线| 色视频在线一区二区三区| 亚洲成人一二三区av| 成人高潮视频无遮挡免费网站| 国产永久视频网站| 色吧在线观看| 最近中文字幕高清免费大全6| 国产v大片淫在线免费观看| 日本熟妇午夜| 国产亚洲5aaaaa淫片| 男女国产视频网站| 日本黄色片子视频| 日本一本二区三区精品| 日韩强制内射视频| a级毛色黄片| 久久鲁丝午夜福利片| 久久久久久伊人网av| 亚洲精品第二区| 亚洲av二区三区四区| 一级片'在线观看视频| 久久99热6这里只有精品| 国产一区二区三区综合在线观看 | 男人添女人高潮全过程视频| 欧美日韩在线观看h| 91久久精品国产一区二区成人| 久久久久久久亚洲中文字幕| 男女啪啪激烈高潮av片| 六月丁香七月| 亚洲三级黄色毛片| 一区二区三区精品91| 校园人妻丝袜中文字幕| 国产乱来视频区| 久久久欧美国产精品| 日产精品乱码卡一卡2卡三| 少妇裸体淫交视频免费看高清| 韩国高清视频一区二区三区| 日韩国内少妇激情av| av在线观看视频网站免费| 日本av手机在线免费观看| 亚洲国产精品国产精品| 永久免费av网站大全| 夫妻性生交免费视频一级片| 色哟哟·www| tube8黄色片| 亚洲精品成人久久久久久| 国产精品99久久99久久久不卡 | 国模一区二区三区四区视频| 亚洲经典国产精华液单| 欧美激情在线99| 91狼人影院| 欧美另类一区| 精品视频人人做人人爽| 久久99热这里只有精品18| 极品教师在线视频| 亚洲一区二区三区欧美精品 | 国产午夜精品久久久久久一区二区三区| 丝袜脚勾引网站| 精品熟女少妇av免费看| 国产亚洲精品久久久com| 国产男女超爽视频在线观看| 嫩草影院新地址| 亚洲精华国产精华液的使用体验| 91久久精品国产一区二区三区| 男人添女人高潮全过程视频| 免费不卡的大黄色大毛片视频在线观看| 久久久久久久大尺度免费视频| 2022亚洲国产成人精品| 97精品久久久久久久久久精品| 国产免费一级a男人的天堂| 精品久久久精品久久久| av天堂中文字幕网| 欧美成人a在线观看| 久久鲁丝午夜福利片| 久久人人爽av亚洲精品天堂 | 午夜日本视频在线| 国产成人aa在线观看| 麻豆久久精品国产亚洲av| 高清欧美精品videossex| 网址你懂的国产日韩在线| 国产高清有码在线观看视频| 天天一区二区日本电影三级| 黄色怎么调成土黄色| 色5月婷婷丁香| 噜噜噜噜噜久久久久久91| 精品一区二区三卡| 啦啦啦在线观看免费高清www| 真实男女啪啪啪动态图| 五月玫瑰六月丁香| 欧美97在线视频| 国产成年人精品一区二区| 涩涩av久久男人的天堂| 日日撸夜夜添| 亚洲人成网站高清观看| 欧美精品国产亚洲| 国产免费又黄又爽又色| 亚洲国产欧美在线一区| 大又大粗又爽又黄少妇毛片口| 亚洲精品色激情综合| 国产亚洲av片在线观看秒播厂| 亚洲欧美成人综合另类久久久| 91精品国产九色| 亚洲欧美日韩无卡精品| 免费看日本二区| 亚洲欧美日韩无卡精品| 在线亚洲精品国产二区图片欧美 | 直男gayav资源| 少妇被粗大猛烈的视频| 狠狠精品人妻久久久久久综合| 美女主播在线视频| 欧美高清性xxxxhd video| 久久久久精品久久久久真实原创| 亚洲av在线观看美女高潮| 日韩伦理黄色片| 狠狠精品人妻久久久久久综合| 欧美bdsm另类| 久久久久久久久久久丰满| 日韩制服骚丝袜av| 国产综合懂色| 啦啦啦在线观看免费高清www| 国产免费又黄又爽又色| 久久久久久国产a免费观看| 亚洲av中文字字幕乱码综合| 激情五月婷婷亚洲| 国产伦在线观看视频一区| 一级毛片久久久久久久久女| 人妻一区二区av| 国产综合精华液| 色5月婷婷丁香| 欧美日韩视频高清一区二区三区二| 亚洲精华国产精华液的使用体验| 超碰av人人做人人爽久久| 日韩成人伦理影院| 最近中文字幕高清免费大全6| 亚洲最大成人中文| 亚洲高清免费不卡视频| 免费观看在线日韩| 丝袜脚勾引网站| 男女啪啪激烈高潮av片| 热re99久久精品国产66热6| 精品人妻视频免费看| 晚上一个人看的免费电影| 男女下面进入的视频免费午夜| 欧美日韩亚洲高清精品| 精品一区二区免费观看| 国产色爽女视频免费观看| 国产一区亚洲一区在线观看| 成人午夜精彩视频在线观看| 在线观看国产h片| 久久久久久久久久成人| 少妇猛男粗大的猛烈进出视频 | 男人爽女人下面视频在线观看| 亚洲av日韩在线播放| 久久久久网色| 国产极品天堂在线| 国产v大片淫在线免费观看| 26uuu在线亚洲综合色| 国产91av在线免费观看| 汤姆久久久久久久影院中文字幕| 久久国内精品自在自线图片| 真实男女啪啪啪动态图| 黄色欧美视频在线观看| 精品一区二区免费观看| 99热全是精品| 久久久久久久久久人人人人人人| 综合色av麻豆| 又黄又爽又刺激的免费视频.| 国产伦精品一区二区三区视频9| 国产亚洲一区二区精品| 三级国产精品欧美在线观看| 综合色丁香网| av在线亚洲专区| 久久ye,这里只有精品| 国产成人精品一,二区| 久久久久精品久久久久真实原创| 国产 精品1| 久久久久久久久久久免费av| 一级毛片电影观看| av在线app专区| 国产高潮美女av| 卡戴珊不雅视频在线播放| 天堂网av新在线| 日韩欧美精品v在线| 欧美xxxx性猛交bbbb| 久久久午夜欧美精品| 色视频www国产| 久久久久精品久久久久真实原创| 中文字幕免费在线视频6| 日韩制服骚丝袜av| 国产淫语在线视频| 99九九线精品视频在线观看视频| tube8黄色片| 国产亚洲91精品色在线| 赤兔流量卡办理| 超碰av人人做人人爽久久| 国产精品.久久久| 最后的刺客免费高清国语| 永久免费av网站大全| 国产乱来视频区| 久久精品国产自在天天线| 中文字幕人妻熟人妻熟丝袜美| 啦啦啦在线观看免费高清www| 国产精品人妻久久久久久| 一区二区三区四区激情视频| 亚洲电影在线观看av| 亚洲欧美清纯卡通| 亚洲av中文av极速乱| 女人被狂操c到高潮| 一区二区av电影网| 男人添女人高潮全过程视频| 免费大片18禁| 久久女婷五月综合色啪小说 | 精品久久久噜噜| 春色校园在线视频观看| 欧美精品人与动牲交sv欧美| 99热6这里只有精品| 欧美日韩视频精品一区| 国产乱人偷精品视频| 亚洲av福利一区| 熟女av电影| 一个人观看的视频www高清免费观看| 高清午夜精品一区二区三区| 国产精品99久久99久久久不卡 | 成年av动漫网址| 亚洲av免费在线观看| 男人添女人高潮全过程视频| 欧美日韩视频高清一区二区三区二| 黄色日韩在线| 亚洲成人久久爱视频| 国产精品无大码| 高清在线视频一区二区三区| 欧美另类一区| 国产精品.久久久| 在现免费观看毛片| 亚洲成人精品中文字幕电影| 乱码一卡2卡4卡精品| 丰满乱子伦码专区| 国产白丝娇喘喷水9色精品| 久久国内精品自在自线图片| 国产精品偷伦视频观看了| 亚洲av在线观看美女高潮| 国产男女内射视频| 看免费成人av毛片| 久久久色成人| 成人黄色视频免费在线看| 尤物成人国产欧美一区二区三区| 久久久久久久午夜电影| 国产精品.久久久| 麻豆成人午夜福利视频| 亚洲精品成人久久久久久| 亚洲人成网站高清观看| 国产精品女同一区二区软件| 欧美最新免费一区二区三区| 国产人妻一区二区三区在| 97人妻精品一区二区三区麻豆| 国产色爽女视频免费观看| 舔av片在线| 国产男女超爽视频在线观看| 狂野欧美白嫩少妇大欣赏| 精品国产乱码久久久久久小说| 又黄又爽又刺激的免费视频.| 久久久精品欧美日韩精品| 波野结衣二区三区在线| 免费黄色在线免费观看| 久久99热这里只有精品18| 国产在线男女| 美女内射精品一级片tv| 亚洲一区二区三区欧美精品 | 亚洲内射少妇av| 国产欧美亚洲国产| 一本一本综合久久| 哪个播放器可以免费观看大片| 国产一区有黄有色的免费视频| 激情 狠狠 欧美| 大陆偷拍与自拍| 最近2019中文字幕mv第一页| 亚洲av成人精品一二三区| 久久这里有精品视频免费| 国产成人免费无遮挡视频| 亚洲av欧美aⅴ国产| 国产欧美日韩一区二区三区在线 | 中国美白少妇内射xxxbb| 能在线免费看毛片的网站| 日产精品乱码卡一卡2卡三| 精品人妻一区二区三区麻豆| 欧美性猛交╳xxx乱大交人| 插逼视频在线观看| 色视频www国产| 各种免费的搞黄视频| 国产精品99久久久久久久久| 2021少妇久久久久久久久久久| 亚洲欧美日韩无卡精品| 成人综合一区亚洲| 欧美激情在线99| 精品人妻偷拍中文字幕| 中文字幕制服av| 久久久久久伊人网av| 丝袜喷水一区| 日韩大片免费观看网站| 欧美性感艳星| 小蜜桃在线观看免费完整版高清| 99九九线精品视频在线观看视频| 不卡视频在线观看欧美| 亚洲婷婷狠狠爱综合网| 中文天堂在线官网| 亚洲精品456在线播放app| 99久久精品热视频| 午夜精品一区二区三区免费看| 久久久国产一区二区| kizo精华| 一个人观看的视频www高清免费观看| 欧美xxⅹ黑人| 青春草国产在线视频| 日本午夜av视频| 亚洲av在线观看美女高潮| 国产男人的电影天堂91| 人人妻人人看人人澡| 久久精品综合一区二区三区| 中国美白少妇内射xxxbb| 色视频在线一区二区三区| 十八禁网站网址无遮挡 | 国产男人的电影天堂91| 人妻制服诱惑在线中文字幕| 在现免费观看毛片| 日产精品乱码卡一卡2卡三| 婷婷色av中文字幕| 波多野结衣巨乳人妻| 少妇被粗大猛烈的视频| 欧美成人午夜免费资源| 深夜a级毛片| 欧美极品一区二区三区四区| 日本wwww免费看| 日本一本二区三区精品| 精品久久国产蜜桃| 中文资源天堂在线| 少妇猛男粗大的猛烈进出视频 | 久久ye,这里只有精品| 欧美激情国产日韩精品一区| 国产av国产精品国产| 日本免费在线观看一区| 国产精品伦人一区二区| 少妇的逼好多水| av天堂中文字幕网| 亚洲成人一二三区av| 一级a做视频免费观看| 99精国产麻豆久久婷婷| 欧美丝袜亚洲另类| 精品午夜福利在线看| 免费大片黄手机在线观看| 午夜激情福利司机影院| 一本色道久久久久久精品综合| 看免费成人av毛片| 亚洲欧美日韩另类电影网站 | 国产视频首页在线观看| 亚洲第一区二区三区不卡| 中文字幕亚洲精品专区| 激情 狠狠 欧美| 1000部很黄的大片| 日本三级黄在线观看| 色视频在线一区二区三区|