基于UAV-RGB的矿区植物分类及其叶绿素含量时空变化分析

相比于高光谱遥感和多光谱遥感,在无人机上搭载RGB相机,不仅操作简单,而且成本低廉。但是,目前基于无人机RGB相机进行矿区典型植物分类的研究较少。另外,开采沉陷对地表植物叶绿素含量的时空扰动规律尚不清楚。为解决上述问题,本研究融合RGB影像的光谱信息、纹理信息和点云的3D特征,使用神经网络、支持向量机、随机森林3种机器学习分类算法,实现了对采煤沉陷区典型植被的分类。基于多期影像的分类结果和植被指数,分析开采沉陷对典型植物叶绿素含量的时空扰动规律。研究表明,最佳的分类算法为支持向量机。多特征融合可以显著提高分类精度,相比于只用光谱特征,多特征融合后的总体分类精度提高了9.45%。总体分类精度可达90%,Kappa系数为0.906,可满足矿区植被调查的需要。通过分析针茅和柠条叶绿素含量的时空变化,发现采煤对拉伸区植被的影响最大,其次是压缩区和中性区。拉伸区应作为生态修复的重点区域。地裂缝是生态修复的重点对象。与针茅相比,柠条能更好地适应采煤引起的干扰,可作为生态恢复的先锋物种。