首页 > 生态学报 > 基于无人机多源数据与机器学习协同的冻胀丘高精度识别及多尺度空间分布格局

基于无人机多源数据与机器学习协同的冻胀丘高精度识别及多尺度空间分布格局

High-precision identification of frost mounds and multi-scale spatial aggregation mechanisms via synergistic UAV multi-source data and machine learning:a case study of Meiren Grassland

二维码有效期 120s

摘要冻胀丘是多年冻土区常见的一种冰缘地貌现象,近年来随着气候变暖趋势的加剧,冻胀丘的发育过程呈现出显著的时空异质性特征,这种变化可能对高寒草甸生态系统的结构与功能产生重要影响.快速识别冻胀丘,并进行空间分布格局分析有助于监测冻胀丘的形成和发展过程,并揭示其动态机制.以甘南州美仁草原为研究对象,采用无人机获取高分辨率可见光影像(RGB)和数字归一化表面模型(Normalized Digital Surface Model,nDSM),结合面向对象的贝叶斯(Bayes)、决策树(Decision treed,DT)、K最近邻(K-nearest neighbor,KNN)、随机森林(Random forest,RF)和支持向量机(Support vector machine,SVM)分类方法进行冻胀丘的精细化识别,并分析冻胀丘的空间分布格局.结果表明:以RGB影像与nDSM为数据源,在最优分割尺度 19及11 项最优特征组合下,支持向量机(SVM)分类性能最优,生长季和非生长季的总体精度(OA=89.49％、90.19％)、Kappa系数(74.15％、69.73％),显著高于其他方法(KNN:OA=87.03％、88.99％;Bayes:OA=86.93％、89.94％;RF:OA=85.35％、87.61％;DT:OA=82.99％、87.60％).基于Ripley's L(r)函数的点格局分析表明,5 种分类方法提取生长季与非生长季的冻胀丘均呈现显著聚集分布.研究提出的无人机RGB-nDSM数据融合与面向对象分类方法,可高效实现冻胀丘的精细化识别(OA>89％)及多尺度空间格局解析,为高寒草甸中冻胀丘动态监测、退化机制量化及治理策略优化提供高精度技术支撑.