玉田水庫消落帶植物群落特征及多樣性研究

摘要 消落帶水位周期性調(diào)節(jié)和人類活動導(dǎo)致植物群落結(jié)構(gòu)變化頻繁，及時(shí)準(zhǔn)確獲取消落帶植物群落結(jié)構(gòu)變化過程，可以為植物群落結(jié)構(gòu)優(yōu)化調(diào)整提供技術(shù)支持。以江西省景德鎮(zhèn)玉田水庫消落帶植物群落為研究對象，無人機(jī)遙感影像為基礎(chǔ)數(shù)據(jù)源，運(yùn)用隨機(jī)森林、決策樹、支持向量機(jī)和最大似然方法對消落帶植物進(jìn)行物種分類，以實(shí)現(xiàn)為庫區(qū)消落帶植物物種遙感精細(xì)分類及植物多樣性保護(hù)提供科學(xué)的參考依據(jù)。結(jié)果顯示，利用隨機(jī)森林方法識別庫區(qū)消落帶植物種類的分類精度可達(dá)86.48%，總體精度較其他分類方法提高2.50百分點(diǎn)～5.74百分點(diǎn)，Kappa系數(shù)提高0.03～0.07，且植物分類完整性強(qiáng)，準(zhǔn)確性高。以野外調(diào)查和隨機(jī)森林分類為基礎(chǔ)的消落帶植物群落Simpson優(yōu)勢度指數(shù)分別為0.61和0.70，Shannon-Wiener多樣性指數(shù)分別為1.01和1.26。因此，利用無人機(jī)遙感影像及隨機(jī)森林分類是分析庫區(qū)消落帶植物群落特征及保護(hù)植物多樣性的有效方法。

關(guān)鍵詞 消落帶；無人機(jī)遙感；隨機(jī)森林分類；植物多樣性；植物識別

中圖分類號 O 948 文獻(xiàn)標(biāo)識碼 A 文章編號 0517-6611（2025）05-0049-07

doi：10.3969/j.issn.0517-6611.2025.05.011

Characteristics and Diversity of Plant Communities in the Yutian Reservoir Hydro-Fluctuation Belt

XIA Guo-xun1，ZHANG Hai-na1，LU Xiang-hui1，2 et al

（1.College of Soil and Water Conservation，Nanchang Institute of Technology，Nanchang，Jiangxi 330099;2.Jiangxi Provincial Technology Innovation Center for Ecological Water Engineering in Poyang Lake Basin， Nanchang， Jiangxi 330099）

Abstract The cyclic adjustment of water level and human activities in the hydro-fluctuation belt lead to frequent changes in plant community structure， and timely and accurate access to the process of plant community structure change in the hydro-fluctuation belt can provide technical support for the optimisation and adjustment of plant community structure. In this paper， the plant community of Yutian Reservoir in Jingdezhen， Jiangxi Province was taken as the object of study， and the UAV remote sensing images were used as the basic data source， and random forest， decision tree， support vector machine and maximum likelihood methods were applied to classify the species of the plants in the hydro-fluctuation belt， so as to achieve the fine classification of the plant species in the hydro-fluctuation belt in the reservoir area by remote sensing， and to provide a scientific reference for the protection of plant diversity. The results showed that the classification accuracy of identifying the plant species in the hydro-fluctuation belt of the reservoir area using the random forest method could reach 86.48%， with the overall accuracy increased by 2.50 percentage points -5.74 percentage points and the Kappa coefficient increased by 0.03-0.07 compared with the other classification methods， and that the plant classification had strong integrity and high accuracy. The Simpson’s dominance index of the plant communities in the hydro-fluctuation belt based on the field survey and random forest classification were 0.61 and 0.70， and the Shannon-Wiener’s diversity index was 1.01 and 1.26， respectively.Therefore， the use of unmanned aerial remote sensing imagery and random forest classification is an effective method for analysing the characteristics of the plant communities in the hydro-fluctuation belt of the reservoir area and for conserving the plant diversity.

Key words Hydro-fluctuation belts;UAV remote sensing;Random forest classification;Plant diversity;Plant identification

玉田水庫位于江西省景德鎮(zhèn)市浮梁縣，是一座具有灌溉、防洪、發(fā)電、養(yǎng)殖、旅游等綜合價(jià)值的中型水庫，也是景德鎮(zhèn)市飲用水的備用水源，并于2018年正式批準(zhǔn)為國家級濕地公園。近年來，隨著旅游業(yè)的發(fā)展，人為干擾及周邊污染物排放增加，飲用水水源地遭到直接或間接的影響逐步加劇，致使庫區(qū)面源污染加劇、水質(zhì)下降、消落帶水土流失嚴(yán)重等問題日益凸顯。加之季節(jié)性水位變化的影響，豐水季水位抬高導(dǎo)致老鼠咀附近低位灘地部分池杉、中山杉和蘆葦?shù)戎参锉谎蜎]，濕生和挺水植物生長受到影響；枯水季水位大幅降低，使得老鼠咀和湖心島附近區(qū)域?yàn)┑芈懵叮斐伤鷦又参锛拔⑸锶郝湓诙虝r(shí)間內(nèi)缺失，植被生態(tài)功能退化，生態(tài)系統(tǒng)完整性受損嚴(yán)重，消落帶水質(zhì)凈化和能量交換作用降低，對庫區(qū)生態(tài)功能的維持產(chǎn)生極為不利的影響［1］。此外，玉田水庫消落帶周邊被村莊和大量農(nóng)田圍繞，枯水季庫濱多被開墾為農(nóng)田，呈現(xiàn)出“水退人進(jìn)、水進(jìn)人退”的周期性現(xiàn)象。因此，研究玉田水庫消落帶植物群落多樣性可以為庫區(qū)生態(tài)功能維護(hù)和植被重建提供理論參考。

野外實(shí)地調(diào)查是植物群落多樣性調(diào)查的常規(guī)且行之有效的方式［2］。雖然野外調(diào)查能獲取較為精確的植物群落結(jié)構(gòu)信息，但受限于人力、財(cái)力以及庫區(qū)水位消漲等因素，難以及時(shí)獲取大范圍的植物群落結(jié)構(gòu)信息［3-5］。隨著遙感及民用無人機(jī)技術(shù)的快速發(fā)展，多源遙感信息已逐步成為獲取地面數(shù)據(jù)及其變化信息的重要手段，并在農(nóng)林行業(yè)得到了廣泛應(yīng)用［6-8］，其能夠及時(shí)準(zhǔn)確地提供與生物多樣性有關(guān)的海量觀測數(shù)據(jù)。其中，無人機(jī)低空遙感技術(shù)因其具有成本低、靈活方便且風(fēng)險(xiǎn)小等諸多優(yōu)勢，可快速高效地獲取較大區(qū)域內(nèi)植被冠層影像，并且能提供多角度、時(shí)間和高空間分辨率的遙感影像，適合大面積區(qū)域的植物多樣性調(diào)查［9-10］。

通過無人機(jī)遙感影像可以實(shí)現(xiàn)植物信息的快速提取，成熟的方法主要有監(jiān)督分類法［11-13］、面向?qū)ο蠓ǎ?4-16］、植被指數(shù)提取法［17］和隨機(jī)森林法［18］等。目前，在通過無人機(jī)遙感影像作為輔助手段提取植物群落空間分布信息時(shí)，主要采用目視解譯法實(shí)現(xiàn)植物物種的辨別［19-20］；對于植物相對高度等用于計(jì)算植物群落多樣性指數(shù)的部分指標(biāo)，難以通過無人機(jī)遙感數(shù)據(jù)直接獲取，可利用野外測量進(jìn)行補(bǔ)充［21］。該研究以玉田水庫消落帶現(xiàn)狀植物群落為研究對象，以無人機(jī)遙感影像為植物物種信息提取源，利用隨機(jī)森林、最大似然、支持向量機(jī)和決策樹等分類方法對消落帶植物群落特征及多樣性進(jìn)行分析與反演，基于最優(yōu)分類方法獲取植物相對蓋度、相對頻度等指標(biāo)，以期實(shí)現(xiàn)消落帶植物群落多樣性空間分布信息的快速準(zhǔn)確識別［22］。

1 材料與方法

1.1 研究區(qū)概況

玉田水庫位于江西景德鎮(zhèn)市，庫區(qū)面積387.50 hm2，其中庫濱濕地面積199.50 hm2，正常蓄水位58.17 m，豐水期與枯水期水位相差約3.00 m。前期調(diào)查發(fā)現(xiàn)，玉田水庫上游老鼠咀周邊分布有村莊和農(nóng)田，大量生活污水和農(nóng)田面源污染是影響水庫水質(zhì)的主要污染源。因此，選擇玉田水庫的老鼠咀（29°22′3″～29°22′11″N，117°23′6″～117°23′17″E）為研究區(qū)，對其植物群落多樣性進(jìn)行調(diào)查（圖1）。

對玉田水庫多年觀測數(shù)據(jù)分析與實(shí)地調(diào)查的結(jié)果顯示，水庫枯水季主要為每年 10 月至翌年 3 月底，該時(shí)段內(nèi)庫濱裸露，植物種類最為豐富，且部分區(qū)域被村民開墾為菜地；4月初至9月底為水庫的豐水季，大部分庫區(qū)被淹沒，植物種類較少。

研究區(qū)氣候類型屬于亞熱帶季風(fēng)氣候，光照充足，雨量充沛，溫和濕潤，四季分明，年平均氣溫18 ℃，5—7月平均降水量為200～350 mm，年日照時(shí)數(shù)2 009.8 h。

1.2 研究方法

于2022年10月枯水季對玉田水庫消落帶植物群落進(jìn)行調(diào)查。該時(shí)段內(nèi)庫濱大面積裸露，植物種類較豐富，生物量積累基本達(dá)到最大值。依照地形差異，設(shè)置12個2 m×2 m的植物調(diào)查樣方（圖1），并對每個樣方內(nèi)的植物種類、數(shù)量、冠幅、蓋度、高度以及樣方內(nèi)各類植物的中心點(diǎn)經(jīng)緯度坐標(biāo)等信息開展全面調(diào)查。

1.3 重要值及多樣性指數(shù)

根據(jù)每個樣方內(nèi)各種植物的相對頻度、相對蓋度和相對高度，計(jì)算其重要值。計(jì)算方法如下：

式中，Pi為重要值，Hr為相對高度，Pr為相對蓋度，F(xiàn)r為相對頻度。

選用Simpson優(yōu)勢度指數(shù)［23］和Shannon-Wiener多樣性指數(shù)［24］對每個調(diào)查樣方內(nèi)的植物群落多樣性進(jìn)行驗(yàn)證。Simpson優(yōu)勢度指數(shù)越大，說明群落多樣性越大；Shannon-Wiener指數(shù)對于稀疏種更為敏感，指數(shù)越大，群落多樣性越高［9］。計(jì)算公式如下：

式中，pi為第i種的重要值，S為樣方內(nèi)出現(xiàn)的物種數(shù)。

1.4 無人機(jī)像數(shù)據(jù)獲取

利用大疆經(jīng)緯 M300 RTK無人機(jī)搭載MS600 PRO型多光譜相機(jī)獲取研究區(qū)內(nèi)的遙感影像。MS600 PRO型多光譜相機(jī)可同時(shí)獲取 6 個120 萬像素單色光譜通道的波段影像，分別為：藍(lán)光（波長450 nm，帶寬35 nm）、綠光（中心波長555 nm，帶寬25 nm）、紅光（中心波長660 nm，帶寬20 nm）、紅邊1（中心波長720 nm，帶寬10 nm）、紅邊2（中心波長750 nm，帶寬15 nm）和近紅外光（中心波長840 nm，帶寬35 nm）。采集時(shí)間為2022年10月22日11：00—13：00，天空晴朗無云，微風(fēng)，光照環(huán)境較為均一。起飛前手動控制無人機(jī)飛行至校準(zhǔn)白板正上方約1 m處，對輻射定標(biāo)板進(jìn)行成像。飛行航線為Z型，高度100 m，飛行速度2.5 m/s，像元分辨率4.09 cm，采用自動捕獲模式，航向和旁向重疊度均為75%，拍照模式為等時(shí)間間隔。利用YusenseMap Plus軟件對無人機(jī)遙感影像進(jìn)行拼接處理，并進(jìn)行影響鑲嵌、輻射定標(biāo)、影像裁剪和大氣校正預(yù)處理。

1.5 無人機(jī)影像解譯

經(jīng)實(shí)地調(diào)查，研究區(qū)內(nèi)分布的植物主要有頭花蓼（Persicaria capitata）、雙穗雀稗（Paspalum distichum L.）、莎草（Cyperus rotundus L.）、密花香薷（Elsholtzia densa）、芒草（Miscanthus）、鉆葉紫菀（Aster subulatus）、狗牙根（Cynodon dactylon L.）、知風(fēng)草（Eragrostis ferruginea）、鬼針草（Bidens tripartite L.）、美人蕉（Canna indica L.）、菖蒲（Acorus calamus L.）、杠板歸（Persicaria perfoliate L.）、蓼子草（Persicaria criopolitana）、半枝蓮（Scutellaria barbata）、蘆竹（Arundo donax L.）、蘆葦（Phragmites australis）和菰（Zizania latifolia），共17種。

由于中山杉等高大喬木的冠層遮蓋影響，杠板歸和鬼針草的無人機(jī)遙感識別困難，并且它們處于生長末期，呈干枯狀，在無人機(jī)遙感影像中特征不明顯；半枝蓮數(shù)量較少且矮小，分布于知風(fēng)草和莎草的冠層下，受其影響；蓼子草和頭花蓼特征極為相似，存在“異物同譜”現(xiàn)象，導(dǎo)致分類精度降低，且重要值低于頭花蓼。因此，結(jié)合地面調(diào)查結(jié)果，選取頭花蓼、雙穗雀稗、莎草、密花香薷、美人蕉、芒草、蘆竹、蘆葦、鉆葉紫菀、菖蒲、狗牙根、知風(fēng)草和菰13種植物開展基于無人機(jī)遙感影像的識別分類（圖2）。其中，頭花蓼在影像中分布較廣，影像特征較為明顯，呈亮綠色；裸地呈亮白色及暗棕色；雙穗雀稗呈暗綠色，其在區(qū)域內(nèi)分布集中，特征明顯；密花香薷在影像中呈現(xiàn)為暗紫色與暗綠色；美人蕉呈黃色和粉色；芒草呈亮綠色。

在完成無人機(jī)飛行后，實(shí)地對典型地物和植物群落進(jìn)行經(jīng)緯度定位和實(shí)物拍照，共采集176個驗(yàn)證點(diǎn)和176張實(shí)物照片，作為后期驗(yàn)證無人機(jī)遙感影像分類結(jié)果的樣點(diǎn)數(shù)據(jù)（圖3）。

1.6 數(shù)據(jù)分析

于Envi5.3定義地物類型，結(jié)合目譯解釋法選取255個訓(xùn)練樣本，根據(jù)野外調(diào)查的數(shù)據(jù)選取驗(yàn)證點(diǎn)，通過隨機(jī)森林、最大似然、支持向量機(jī)和決策樹4種分類方法，對無人機(jī)影像中的地物進(jìn)行分類，進(jìn)而通過最大值分析和聚類分析等方法完善分類影像，通過驗(yàn)證點(diǎn)數(shù)據(jù)進(jìn)行驗(yàn)證，獲取Kappa系數(shù)和總體分類精度，最后選取分類精度最高的結(jié)果作為研究消落帶植物群落多樣性的本底數(shù)據(jù)。

利用ArcGIS10.6軟件將研究區(qū)域劃分為2 m×2 m的樣方，調(diào)查樣方內(nèi)各物種的蓋度、頻度和重要值，然后計(jì)算出各個樣方植物群落的Simpson優(yōu)勢度指數(shù)和Shannon-Wiener多樣性指數(shù)；利用ArcGIS 10.6匯總統(tǒng)計(jì)功能和Excel軟件，實(shí)現(xiàn)整個無人機(jī)影像內(nèi)各種植物的相對蓋度、相對頻度和重要值，以及Simpson優(yōu)勢度指數(shù)和Shannon-Wiener多樣性指數(shù)反演。

2 結(jié)果與分析

2.1 消落帶地物識別結(jié)果及精度評價(jià)

通過ENVI5.3軟件，采用4種分類方法對樣方內(nèi)地物樣本進(jìn)行分類（圖4），并對分類結(jié)果進(jìn)行精度驗(yàn)證。結(jié)果顯示，隨機(jī)森林分類效果最佳（表1），其總體分類精度達(dá)到86.48%，Kappa系數(shù)則為0.85，比決策樹分類分別提高了5.74百分點(diǎn)和0.07，比支持向量機(jī)分類分別提高了4.83百分點(diǎn)和0.06，比最大似然分類分別提高了2.50百分點(diǎn)和0.03。決策樹（圖4a）和隨機(jī)森林（圖4b）分類結(jié)果相近，11種植物的分類結(jié)果相似，且面積占比接近（表1），頭花蓼占比分別為7.79%和8.33%，雙穗雀稗占比分別為8.01%和7.67%，莎草占比分別為0.80%和0.59%，密花香薷占比分別為12.87%和13.08%，美人蕉占比分別為0.30%和0.26%，芒草占比分別為0.26%和0.27%，蘆葦占比分別為3.11%和3.38%，鉆葉紫菀的占比分別為11.20%和11.88%，菖蒲的占比分別為2.10%和2.05%，狗牙根的占比分別為2.09%和2.36%，知風(fēng)草的占比分別為0.62%和0.50%。在決策樹分類中，部分頭花蓼和狗牙根被錯分為密花香薷，部分狗牙根被錯分為蘆竹，支持向量機(jī)分類中，大量頭花蓼被錯分為鉆葉紫菀，錯分現(xiàn)象顯著，在最大似然分類中，部分水體被錯分為裸地，部分狗牙根被錯分為雙穗雀稗（圖4）。

利用ENVI5.3軟件對隨機(jī)森林分類的混淆矩陣進(jìn)行求解（表2），結(jié)果顯示分類地物中，水體和鉆葉紫菀的識別精度較高，均達(dá)100%，其次為菰、密花香薷、蘆竹和雙穗雀稗，均達(dá)到90%以上，知風(fēng)草的識別精度最低，58個知風(fēng)草被錯分為頭花蓼，10個知風(fēng)草被錯分為雙穗雀稗，8個知風(fēng)草被錯分為密花香薷，46個知風(fēng)草被錯分為狗牙根。在所有植物中，地物被錯分為密花香薷數(shù)量最多，頭花蓼中有102個被錯分，美人蕉有40個被錯分，裸地有135個被錯分。

2.2 植物群落結(jié)構(gòu)及多樣性分析

2.2.1 植物群落特征分析。

結(jié)合現(xiàn)場和無人機(jī)遙感對植物群落特征進(jìn)行分析（表3），實(shí)地樣方調(diào)查中，消落帶植物有17種，分9科16屬，以禾本科為主，共7種，生活型以多年生草本植物為主，共12種；重要值排名前5的植物分別為菰、蘆葦、蘆竹、美人蕉和菖蒲，其值分別為0.62、0.58、0.53、0.41和0.41；菰的相對蓋度最大，為0.85；雙穗雀稗的相對頻度最大，為0.63；蘆竹的相對高度最大，為0.78。分析認(rèn)為，菰、蘆葦、蘆竹、美人蕉、菖蒲和雙穗雀稗6種植物在庫區(qū)消落帶處于優(yōu)勢地位。

以隨機(jī)森林分類結(jié)果作為本底數(shù)據(jù)，利用ArcGIS 10.6和Excel2016軟件的頻度統(tǒng)計(jì)工具和屬性表空間統(tǒng)計(jì)功能獲取植物的相對蓋度和相對頻度，完成重要值計(jì)算（表3），并與實(shí)地植物調(diào)查的結(jié)果進(jìn)行比較，發(fā)現(xiàn)從無人機(jī)影像中識別出的13種植物與實(shí)地調(diào)查的結(jié)果基本一致。通過無人機(jī)遙感對消落帶植物的識別結(jié)果發(fā)現(xiàn)，消落帶植物有13種，分7科13屬，以禾本科為主，共7種，生活型以多年生草本植物為主，共11種；蘆竹的相對蓋度最大，為0.60；雙穗雀稗的相對頻度最大，為0.47；雙穗雀稗的重要值最大，為0.39。其中，雙穗雀稗、狗牙根和鉆葉紫菀的重要值結(jié)果基本一致，蘆竹、美人蕉和菖蒲等人工種植的多年生草本植物的重要值明顯下降，其原因?yàn)闊o人機(jī)正射遙感影像無法獲取植物高度數(shù)據(jù)，而蘆竹等的優(yōu)勢就在于其高度。通過結(jié)果分析可知，可以通過無人機(jī)遙感影像對消落帶植物進(jìn)行識別，并獲取群落中植物的多樣性分布信息。

2.2.2 植物群落多樣性分析。

實(shí)地調(diào)查結(jié)果顯示，樣方內(nèi)植物群落的Simpson優(yōu)勢度指數(shù)為0.61，Shannon-Wiener多樣性指數(shù)為1.01，說明研究區(qū)域內(nèi)植物多樣性處于中等水平。利用Arc10.6對研究區(qū)植物的群落多樣性分布信息進(jìn)行數(shù)據(jù)可視化處理（圖5），結(jié)果顯示，消落帶左岸的群落多樣性較大，物種種類較為豐富；消落帶臨近河流的區(qū)域植物多樣性最低，主要為頭花蓼，植物種類單一?；跓o人機(jī)遙感反演消落帶樣方內(nèi)植物群落的Simpson優(yōu)勢度指數(shù)為0.70，Shannon-Wiener多樣性指數(shù)為1.26?？梢?，基于無人機(jī)遙感影像的植物群落特征與實(shí)地調(diào)查的結(jié)果基本相近。

3 討論

根據(jù)實(shí)地調(diào)查結(jié)果，在研究區(qū)域內(nèi)共有17種植物，分別為半枝蓮、鬼針草、杠板歸、蓼子草，頭花蓼、雙穗雀稗、莎草、密花香薷、美人蕉、芒草、蘆葦、鉆葉紫菀、菖蒲、狗牙根、知風(fēng)草和菰。利用無人機(jī)遙感影像可以識別出13種植物，分別為頭花蓼、雙穗雀稗、莎草、密花香薷、美人蕉、芒草、蘆竹、蘆葦、鉆葉紫菀、菖蒲、狗牙根、知風(fēng)草和菰。主要是半枝蓮由于數(shù)量較少，且與其他優(yōu)勢植物混生，鬼針草和杠板歸處于枯萎期，其顏色與裸地相似，在無人機(jī)影像中難以識別，蓼子草與頭花蓼存在“異物同譜”現(xiàn)象，而且中山杉等高大喬木也影響了識別精度。

這種采用無人機(jī)遙感和機(jī)器學(xué)習(xí)對玉田水庫消落帶中山杉林下草本植物的識別，與趙靜等［25］采用無人機(jī)遙感影像對玉米田間雜草識別、侯雨等［26］通過無人機(jī)對大豆雜草識別、易佳昕等［27］對棉田雜草識別相類似，均是在復(fù)雜背景下識別出目標(biāo)植物，但是這些研究僅是將作物與雜草分開，具體的雜草種類并未區(qū)分。對于目標(biāo)植物與雜草之間差異不明顯的情況，可以根據(jù)研究區(qū)的多時(shí)相［28］、多田塊圖像對模型進(jìn)行改善，或者多種特征如紋理、形狀、葉面積指數(shù)、光譜特征等融合來提高植物識別的精度。

劉詠梅等［29］采用無人機(jī)遙感對入侵物種狼毒進(jìn)行識別，支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)識別精度分別為91.33%和88.5%，Kappa系數(shù)分別為0.83和0.77，其就是利用了狼毒特別的物候特征和空間模式，當(dāng)其處于盛花期時(shí)，其群落呈現(xiàn)斑塊狀聚集的空間分布特征，且花瓣呈現(xiàn)粉白色光暈，與周圍綠色植物群落光譜差異明顯。今后研究中可以對玉田水庫不同時(shí)段的優(yōu)勢植物進(jìn)行調(diào)查，了解該研究區(qū)的植物群落特征；或者選取更優(yōu)的提取植物物種信息方法，選擇合適的飛行高度、角度等獲取更優(yōu)的分類效果。

通常條件下，將植物物種的相對頻度、相對蓋度和相對密度的平均值來計(jì)算其重要值［30-31］。對于相對密度，其值為某種植物株數(shù)與所有植物株數(shù)之和的比值。該研究中由于玉田水庫的優(yōu)勢植物頭花蓼和狗牙根等匍匐生長的特性，難以計(jì)算數(shù)量，故相對密度不參與重要值的計(jì)算。

該研究野外調(diào)查中采用相對蓋度、相對頻度和相對高度的均值對植物的重要值進(jìn)行計(jì)算，無人機(jī)遙感采用相對蓋度和相對頻度的均值來獲取植物的重要值。由于相對蓋度和相對頻度可以通過無人機(jī)遙感數(shù)據(jù)快速獲取，相對高度雖然能夠通過Pix4D mapper軟件生成數(shù)字表面模型，采用Eris ArcGIS提取株高，但是所獲取的結(jié)果誤差較大，且極大的影響植物重要值的排序。重要值作為研究某種植物在群落中地位和作用的綜合數(shù)量指標(biāo)，對群落多樣性指數(shù)有重要影響。對野外調(diào)查的植物進(jìn)行重要值排序，且通過無人機(jī)遙感反演與野外調(diào)查的Simpson優(yōu)勢度指數(shù)和Shannon-Wiener多樣性指數(shù)也基本相近，說明采用無人機(jī)遙感快速獲取和監(jiān)測庫濱植物種類具有一定的參考價(jià)值，但由于庫區(qū)環(huán)境的多樣與復(fù)雜，所選分類方法數(shù)量有限，還存在一些改進(jìn)之處。

4 結(jié)論

采用隨機(jī)森林、最大似然、支持向量機(jī)和決策樹分類方法對玉田水庫消落帶植物判別結(jié)果顯示，隨機(jī)森林分類精度最高，其總體分類精度達(dá)到86.48%，Kappa系數(shù)為0.85。實(shí)地調(diào)查水庫消落帶的植物有17種，分9科16屬，無人機(jī)遙感對消落帶植物的識別結(jié)果是13種，分7科13屬，均以禾本科和多年生草本為主。實(shí)地調(diào)查和無人機(jī)遙感反演消落帶植物群落的Simpson優(yōu)勢度指數(shù)分別為0.61和0.70，Shannon-Wiener多樣性指數(shù)分別為1.01和1.26，可見通過無人機(jī)遙感影像反演與實(shí)地調(diào)查的結(jié)果基本相近。因此，基于無人機(jī)遙感影像和隨機(jī)森林分類是監(jiān)測水庫消落帶植物群落特征和多樣性的有效方法。

參考文獻(xiàn)

［1］ 江維薇，楊楠，肖衡林.三峽庫區(qū)與西南庫區(qū)消落帶植物多樣性及群落構(gòu)建比較［J］.湖泊科學(xué)，2023，35（2）：564-576.

［2］ ZHOU W L，YANG X Q，HAO P，et al.Plant diversity and its maintenance in Populus euphratica riparian forests in the Ejina Oasis，China［J］.Forestry studies in China，2010，12（2）：55-61.

［3］ 翟心語，歷從實(shí)，胡永歌，等.前坪水庫植物物種多樣性及其對環(huán)境的回應(yīng)［J］.河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，57（1）：81-95.

［4］ 郭燕，楊邵，沈雅飛，等.三峽水庫消落帶現(xiàn)存植物自然分布特征與群落物種多樣性研究［J］.生態(tài)學(xué)報(bào)，2019，39（12）：4255-4265.

［5］ 張喜亭，張建宇，肖路，等.大興安嶺多布庫爾國家級自然保護(hù)區(qū)植物多樣性和群落結(jié)構(gòu)特征［J］.生態(tài)學(xué)報(bào)，2022，42（1）：176-185.

［6］ 王利民，劉佳，楊玲波，等.基于無人機(jī)影像的農(nóng)情遙感監(jiān)測應(yīng)用［J］.農(nóng)業(yè)工程學(xué)報(bào)，2013，29（18）：136-145.

［7］ 馬建，劉文昊，靳瑰麗，等.基于CNN和SVM的無人機(jī)多光譜遙感草地植物識別［J］.草地學(xué)報(bào)，2022，30（11）：3165-3174.

［8］ DAS S，CHRISTOPHER J，CHOUDHURY M R，et al.Evaluation of drought tolerance of wheat genotypes in rain-fed sodic soil environments using high-resolution UAV remote sensing techniques［J］.Biosystems engineering，2022，217：68-82.

［9］ 朱紅雷，黃艷偉，李英臣，等.基于無人機(jī)遙感的黃河下游河南段河灘地植物群落多樣性研究［J］.濕地科學(xué)，2021，19（1）：17-26.

［10］ 田佳玉，王彬，張志明，等.光譜多樣性在植物多樣性監(jiān)測與評估中的應(yīng)用［J］.植物生態(tài)學(xué)報(bào)，2022，46（10）：1129-1150.

［11］ 周濤，胡振琪，韓佳政，等.基于無人機(jī)可見光影像的綠色植被提?。跩］.中國環(huán)境科學(xué)，2021，41（5）：2380-2390.

［12］ MELGANI F，AL HASHEMY B A R，TAHA S M R.An explicit fuzzy supervised classification method for multispectral remote sensing images［J］.IEEE transactions on geoscience and remote sensing，2000，38（1）：287-295.

［13］ 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.

［14］ 林家元，程亞男.基于無人機(jī)遙感影像的裸巖識別及早期石漠化評價(jià)［J］.西南大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，44（12）：125-135.

［15］ 韓文霆，張立元，張海鑫，等.基于無人機(jī)遙感與面向?qū)ο蠓ǖ奶镩g渠系分布信息提?。跩］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（3）：205-214.

［16］ 黃雨菲，路春燕，賈明明，等.基于無人機(jī)影像與面向?qū)ο?深度學(xué)習(xí)的濱海濕地植物物種分類［J］.生物多樣性，2023，31（3）：143-158.

［17］ 謝雨涵，史建康，孫曉慧，等.基于大疆精靈4無人機(jī)多光譜影像的西沙植被監(jiān)測［J］.遙感技術(shù)與應(yīng)用，2022，37（5）：1170-1178.

［18］ 宋懷榮，蘇國輝，孫記紅，等.基于隨機(jī)森林的鹽城濕地近20年景觀格局變化［J］.海洋地質(zhì)前沿，2021，37（12）：75-82.

［19］ 周志偉，鄧化，施華宏.基于無人機(jī)遙感與機(jī)器學(xué)習(xí)的岸灘大型塑料垃圾監(jiān)測方法［J］.海洋環(huán)境科學(xué)，2023，42（1）：141-150.

［20］ 俞天宇，倪文儉，劉見禮，等.大興安嶺林區(qū)無人機(jī)可見光影像散發(fā)枯立木識別算法［J］.遙感學(xué)報(bào)，2021，25（3）：725-736.

［21］ 陳銘，黃林娟，黃貴，等.廣西大石圍天坑群草本植物多樣性及其生態(tài)位變化規(guī)律［J］.生態(tài)學(xué)報(bào)，2023，43（7）：2831-2844.

［22］ 張鎮(zhèn)來，陳鮑發(fā)，余俊杰.江西暴雨的氣候特點(diǎn)及典型強(qiáng)降水特征分析［J］.江西科學(xué)，2022，40（3）：528-532，550.

［23］ 孟祥玉，范舒欣，董麗，等.北京城市森林林下植物多樣性與土壤因子的相關(guān)性［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2023，51（7）：102-114.

［24］ 胡櫻，王慧春，李正科，等.青海湖流域沙地植物群落多樣性研究［J］.草地學(xué)報(bào)，2022，30（10）：2782-2790.

［25］ 趙靜，李志銘，魯力群，等.基于無人機(jī)多光譜遙感圖像的玉米田間雜草識別［J］.中國農(nóng)業(yè)科學(xué)，2020，53（8）：1545-1555.

［26］ 侯雨，曹麗英，丁小奇，等.基于邊緣檢測和BP神經(jīng)網(wǎng)絡(luò)的大豆雜草識別研究［J］.中國農(nóng)機(jī)化學(xué)報(bào)，2020，41（7）：185-190.

［27］ 易佳昕，張榮華，劉長征，等.基于低空無人機(jī)影像和改進(jìn)Faster R-CNN的棉田雜草識別方法［J］.石河子大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，40（4）：520-528.

［28］ 張舒昱，李兆富，徐鋒，等.基于多時(shí)相無人機(jī)遙感影像優(yōu)化河口濕地景觀分類［J］.生態(tài)學(xué)雜志，2020，39（9）：3174-3184.

［29］ 劉詠梅，胡念釗，龍永清，等.無人機(jī)RGB影像在高寒草地狼毒入侵監(jiān)測及蓋度估算中的應(yīng)用［J］.中國草地學(xué)報(bào)，2023，45（2）：1-12.

［30］ 孫龍，盧濤，孫濤，等.金沙江下游典型庫區(qū)消落帶植被恢復(fù)模式［J］.生態(tài)學(xué)報(bào)，2023，43（2）：826-837.

［31］ 曾云英，顧嘉赟.南京魚嘴濕地公園植物多樣性研究［J］.生態(tài)科學(xué)，2021，40（6）：207-212.

基金項(xiàng)目 國家自然科學(xué)基金項(xiàng)目（52269013）；江西省水利廳科技項(xiàng)目（202224ZDKT17）。

作者簡介 夏國勛（2000—），男，江西南昌人，碩士研究生，研究方向：水土保持與荒漠化防治。

*通信作者，講師，博士，從事退化生境植被恢復(fù)研究。

收稿日期 2024-01-28；修回日期 2024-03-27