利用多光谱无人机和高光谱 EnMAP 数据对热带草原木本植被的物种级别进行映射
内容提要
本文探讨了利用多种遥感数据和机器学习方法进行森林监测和植物物种丰富度预测。研究结合光学图像、SAR数据和深度学习，提高了城市森林树种映射和水分压力估计的精度，展示了高分辨率数据在生态监测中的应用潜力。
延伸解读
多源数据融合提升分类精度
文章指出，将SAR与VNIR-SWIR波段结合，并加入纹理特征，能显著提高土地利用/土地覆盖分类的kappa值。例如，纹理与SAR波段结合使整体kappa值最大增加10.00%，而纹理添加到VNIR-SWIR波段上则最大增加约3.45%。这表明多源数据融合是提升分类效果的有效策略。
高光谱数据在物种丰富度预测中的优势
基于DESIS高光谱数据的研究发现，红边、红色和蓝色光谱区域更适合预测植物物种丰富度，且高光谱数据在预测表现上优于Sentinel-2多光谱数据。这为未来利用高光谱数据进行植物生物多样性制图提供了重要参考，也提示高光谱数据在生态监测中具有独特价值。
机器学习在森林监测中的多样化应用
文章展示了机器学习在森林监测中的多种应用，包括使用随机森林估计核桃树水分压力、利用深度学习生成植被高度图、以及通过弱监督方法量化城市森林分布。这些案例表明，机器学习结合遥感数据能够有效解决传统方法难以处理的问题，如稀疏标注下的树种映射和光学数据缺失时的森林监测。
Q&A
如何利用多光谱无人机数据进行植物物种丰富度预测？
通过对DESIS高光谱数据的提取和回归分析，结合红边、红色和蓝色光谱区域，可以有效预测植物物种丰富度。
多任务全卷积架构在森林树种映射中有什么优势？
该架构通过实现局部损失函数和距离回归互补任务，从稀疏训练样本中实现密集的树木语义标记，取得了热带森林树种分类的先进性能。
如何估计城市地区的树木覆盖率？
利用多光谱随机森林分类器结合特征选择算法和掩模技术，可以在城市地区有效估计树木覆盖率，优于传统方法。
深度学习如何提高森林清查的有效性？
通过生成植被高度图，深度学习可以提高森林清查的时间分辨率和有效性。
SAR数据在森林监测中有什么优势？
SAR数据能够解决光学数据的问题，并且在使用机器学习估计森林的光学查找指数时表现良好。
如何利用无人机数据进行核桃树水分压力估计？
结合高分辨率多光谱遥感图像和天气数据，使用随机森林模型可以有效估计核桃树的水分压力。
