文/慧心引力佳

编辑/慧心引力佳

湿地监测在整个网站和区域规模往往旨在诊断评估生态状况和健康，理想情况下，检测早期预警信号退化，下降，或干扰，可能导致不可逆转的长期破坏如水质的损失，关键的栖息地，或类似的问题。

(资料图片仅供参考)

无人机的新兴应用有望在景观尺度上提供具有成本效益但空间全面的湿地健康指标，并支持长期监测需求。

我们的研究在这一类包括七映射，三个建模，三个变化分析，和一个新的方法应用，针对特定方面的湿地生态健康如水质和植被指标或评估整体生态状况使用不同的指标。

这些研究采用了RGB、多光谱、高光谱和SAR传感器，以及RGB和多光谱、RGB和热传感器的组合。

多传感器组合尤其有利于针对多个健康指标的整体评估，通过帮助战略性地优化要求较低和容易复制的任务（如来自被动RGB图像的视觉识别）和更密集的数据处理工作（如lidar衍生的地貌和植被结构建模）之间的测量工作量。

这些研究中一个共同的、显著的特征是关注干扰和压力因素，给湿地生态系统留下了相当大的指纹，无人机可以比实地调查更全面、更经济地检测到。

某些评估几乎都是通过无人机测量的可定制方面实现的，如基于图像重叠支持的三维信息监测湿地身体体积和水预算。

与此同时，这类应用的一个相对较新的历史清楚地表明，需要进行比较评估、设备使用试验和现场验证，以优化一套给定目标的工作流程。

例如，Candido等人测试了来自RGB信息的多个水质光谱指数，这些信息可以从广泛的相机传感器中计算出来的综合海岸生态系统评估使用了不同的仪器类型和海拔高度作为不同的指标。

例如，他们在低海拔地区使用RGB摄像机来监测污染、乱扔垃圾和海岸线的位置，并在高海拔地区使用热传感器来检测湿地的结构和植被腐烂的信号。

基于植被的指标在这类评估中发挥着特别突出的作用，包括存在具有特征的或特殊地位的本地植物物种或植被死亡和胁迫的信号。

在非生物指标中，无人机数据可以提供一些地形和水文特征，包括海岸线微地形和坡度梯度、水质、表面粗糙度以及人为影响的证据。

有趣的是，只有一小部分研究关注使用多个时间框架数据的无人机湿地变化。两项关注美国东南部沿海湿性陆地变化和沼泽枯梢病信号的研究，使用由美国国家航空航天局（NASA）提供和管理的UAVSAR数据进行了变化分析。

另一项变化研究追踪了随着鹿种群数量增加和植被干扰增加的湿地中濒危本地植物物种的空间分布。最后，对一种特征干扰敏感的湿漫滩植物物种的研究强调了无人机间的29个斑块动态波动对各种景观胁迫源的重要性，即使在可持续种群中也是如此。

这些研究强调了一个重要的双重价值的无人机信息：1)能够更准确地评估物种覆盖范围的变化比实地调查，特别是对稀有物种可能错过离散情节，2)覆盖的能力时间跨度与过程的规模和可检测的影响，这是至关重要的揭示机械变化的驱动因素。

无人飞行机跟踪生物入侵

入侵植物是湿地环境最广泛的生物威胁，对这些生物群落造成快速的生态和经济破坏。在我们的综述中，有9项涉及入侵植物鉴定的研究，包括6篇作图、1篇建模和2篇新方法论文。入侵物种引起的问题包括本地种群的栖息地减少、改良的营养循环以及对家畜的负面影响。

虽然一些入侵的水生物种具有有益的特征，如增加的碳捕获和鱼类的食物，但水生管理者通常的目标是将这些物种从环境中移除。

与入侵物种有关的管理目标主要涉及植物识别和修复，无人机允许进行地面即时评估和反应。这些研究的具体目标包括植物鉴定、生物量和株高估算，以及除草剂应用评估。

入侵植物，经常目标删除包括物种如野生水稻，猪草、喜马拉雅香脂（凤仙花）、日本虎草（日本和），海沙发草，蓝莓杂交品种，盐沼软草，水葫芦（水草），水报草（路德维吉亚），有光泽鼠李（黄花）和芦苇（芦苇）是“北美湿地中最有问题的入侵物种”之一。

自20世纪初以来就一直用于此目的，无人机已经扩展了植被测绘的时空能力，这种提高的分辨率允许对单个物种的[55]进行更精细的检测。

归一化差异植被指数（NDVI）和归一化差异水指数（NDWI）等光谱指标在入侵物种检测中是常见的，而基于纹理的分析、深度学习和基于对象的图像分析（OBIA）是用于入侵物种分类的成功方法。

由于许多基于无人机的入侵物种研究，我们回顾了使用RGB和多光谱图像、正形影像和数字表面模型是常见的数据产品。

为了克服这些数据的光谱限制，一些研究利用机器学习算法开发了复杂的映射方法；例如，Cohen和Lewis提出了一个监测系统，在五大湖沿海生态系统中使用基于cnn的软件，用于自动识别这些物种。最近的一项研究表明，通过空中高光谱传感器的成像光谱可以提高植被分类精度。

虽然绘制入侵植物的地图相对容易学习，并通过管理人员和利益相关者产生可共享的输出，但这种方法的局限性包括，由于浑浊的水和水面上的太阳反射的能见度问题，难以识别水下或紧急水生植物。

随着传感器成本的降低和数据存储容量的增加，无人机上的高光谱传感器将为更准确地识别入侵物种铺平道路。

无人机在湿地科学中的应用

无人机在湿地科学中的应用越来越多，分析数据的新方法也越来越多。有几篇论文讨论了遥感中常见但用无人机测试较少的传感器的新用途，如高光谱或LiDAR；或者新的传感器组合。

这些案例表明，RGB图像以外的数据对湿地植被制图具有强大的作用。例如，Zhu等人展示了如何将SAR、光学和来自固定翼无人机的DSM组合用于绘制中国种植园的红树林生物量。

Pinton等人开发了一种新的方法，利用无人机机载激光雷达仪器来校正斜坡对植被特性的影响。其他论文也讨论了使用机器学习算法来表征植被。

其中，Cao等人发现支持向量机（SVMs）是红树林物种高光谱图像的最佳分类器；Li等人在用SVM对13种红树林物种进行分类之前，转换了高光谱、RGB和DSM数据，Pashaei等人。

评估了29种卷积神经网络（CNN）架构中的无人机种，用RGB图像绘制沿海盐沼地图。总的来说，这些新的应用表明，通过联合使用更丰富的数据集和更复杂的算法，可以大大提高无人机的植被清单的成功。

无人机用于勘测野生动物栖息地和种群清单

空间全面和可定制的无人机观测可以极大地支持对野生动物种群和栖息地的监测，同时与直接的实地监测相比，大大减少了人类存在的范围和持续时间。

这种能力在具有大量野外进入限制的湿地或具有大量动物个体或筑巢地点的应用中变得非常宝贵，在这些湿地中，实地调查可能会受到物理视野障碍和有限的有利位置的严重损害。

与此同时，基于无人机的野生动物应用的成功也很大程度上依赖于从鸟瞰图对这些目标的可检测性，这可能会随着个体物种或其栖息地特征的规模和显著性而增加。

在我们的研究池中，大多数与野生动物相关的湿地无人机研究集中在鸟类，另外两种被认为是哺乳动物和甲壳类动物（螃蟹）与非法诱捕有关。

一项研究评估了这些中一套更广泛的沿海栖息地、盐沼和泥滩。在不直接的栖息地研究，一篇论文从湿地健康类别关注稀有湿地植物物种指标的敏感鹿活动增加湿地鹿人口，而另一个应用程序讨论了一个非生物转换的景观由美国海狸。

最常见的情况是，这类分析的目标是：1)动物种群或群落；2)栖息地成分；和3)景观上的野生动物活动的证据。

这些无人机应用中的大多数使用RGB摄像机或RGB和热传感器的组合。

无人机通过人类和自动机器学习图像识别，在针对大型水鸟物种或其位于植物冠层顶部的巢穴时，特别方便了鸟类群落的清单。

野生动物的检测潜力可以通过使用热敏摄像机来大大放大，从而根据动物的体温和环境之间的对比来增强对动物的识别。

在鸟类的研究中，筑巢材料独特的独特热特性也可以帮助从热数据中识别筑巢的特征，即使鸟类不存在。因此，将RGB与热传感相结合的“双摄像机”方法对动物库存应用非常有吸引力。

重要的是，就其本质而言，无人机对野生动物的观察往往是一种干扰形式，因此，在飞行期间需要特定水平的程序控制和较高程度的监督。

这一问题在鸟类库存中表现为增强空间细节和增加低飞行高度筑巢群干扰之间的重要权衡。虽然在无人机观测过程中评估和避免动物干扰的程度是一种推荐的实践，但建立海拔高度和干扰之间的特定关系可能并不总是可行的。

相反，也可以使用其他的代理，如在调查期间离开巢穴的鸟的数量。

在关注检测生境元素或野生动物活动对湿地景观的影响的研究中，无人机诱导的干扰变得不那么受关注，可以在主要繁殖和筑巢季节之外进行飞行。

具体使用无人机数据在这样面向栖息地的评估是多才多艺的，包括视觉评估识别特性，如海狸大坝和无人机图像分类栖息地特征的特定相关物种，如在象牙，或泥滩，牡蛎礁，在盐沼。

值得注意的是，野生动物对29个景观中的无人机的修改可以被视为保护成功的一个指标，例如，当表明重新引入的结果时，以及作为一个干扰和生态系统变化的驱动因素，例如，在放牧和践踏的情况下。

鉴于这类证据的间接性质，理想情况下，无人机调查应与其他评估一起伴随或验证，如原位摄像机陷阱，以提供关于动物移动和栖息地使用的当地细微差别，以便对野生动物种群状况和活动得出更稳健和全面的结论。

关键词： 美国国家航空航天局 美好，一直在身边 机器学习 深度学习 环境污染