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節和人類活動導致植物群落結構變化頻繁，及時準確獲取消落帶植物群落結構變化過程，可以為植物群落結構優化調整提供技術支持。以江西省景德鎮玉田水庫消落帶植物群落為研究對象，無人機遙感影像為基礎數據源，運用隨機森林、決策樹、支持向量機和最大似然方法對消落帶植物進行物種分類，以實現為庫區消落帶植物物種遙感精細分類及植物多樣性保護提供科學的參考依據。結果顯示，利用隨機森林方法識別庫區消落帶植物種類的分類精度可達86.48%，總體精度較其他分類方法提高2.50百分點～5.74百分點，Kappa系數提高0.03～0.07，且植物分類完整性強，準確性高。以野外調查和隨機森林分類為基礎的消落帶植物群落Simpson優勢度指數分別為0.61和0.70，Shannon-Wiener多樣性指數分別為1.01和1.26。因此，利用無人機遙感影像及隨機森林分類是分析庫區消落帶植物群落特征及保護植物多樣性的有效方法。

關鍵詞 消落帶；無人機遙感；隨機森林分類；植物多樣性；植物識別

中圖分類號 O 948 文獻標識碼 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市浮梁縣，是一座具有灌溉、防洪、發電、養殖、旅游等綜合價值的中型水庫，也是景德鎮市飲用水的備用水源，并于2018年正式批準為國家級濕地公園。近年來，隨著旅游業的發展，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，致使庫區面源污染加劇、水質下降、消落帶水土流失嚴重等問題日益凸顯。加之季節性水位變化的影響，豐水季水位抬高導致老鼠咀附近低位灘地部分池杉、中山杉和蘆葦等植物被淹沒，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域灘地裸露，造成水生動植物及微生物群落在短時間內缺失，植被生態功能退化，生態系統完整性受損嚴重，消落帶水質凈化和能量交換作用降低，對庫區生態功能的維持產生極為不利的影響［1］。此外，玉田水庫消落帶周邊被村莊和大量農田圍繞，枯水季庫濱多被開墾為農田，呈現出“水退人進、水進人退”的周期性現象。因此，研究玉田水庫消落帶植物群落多樣性可以為庫區生態功能維護和植被重建提供理論參考。

野外實地調查是植物群落多樣性調查的常規且行之有效的方式［2］。雖然野外調查能獲取較為精確的植物群落結構信息，但受限于人力、財力以及庫區水位消漲等因素，難以及時獲取大范圍的植物群落結構信息［3-5］。隨著遙感及民用無人機技術的快速發展，多源遙感信息已逐步成為獲取地面數據及其變化信息的重要手段，并在農林行業得到了廣泛應用［6-8］，其能夠及時準確地提供與生物多樣性有關的海量觀測數據。其中，無人機低空遙感技術因其具有成本低、靈活方便且風險小等諸多優勢，可快速高效地獲取較大區域內植被冠層影像，并且能提供多角度、時間和高空間分辨率的遙感影像，適合大面積區域的植物多樣性調查［9-10］。

通過無人機遙感影像可以實現植物信息的快速提取，成熟的方法主要有監督分類法［11-13］、面向對象法［14-16］、植被指數提取法［17］和隨機森林法［18］等。目前，在通過無人機遙感影像作為輔助手段提取植物群落空間分布信息時，主要采用目視解譯法實現植物物種的辨別［19-20］；對于植物相對高度等用于計算植物群落多樣性指數的部分指標，難以通過無人機遙感數據直接獲取，可利用野外測量進行補充［21］。該研究以玉田水庫消落帶現狀植物群落為研究對象，以無人機遙感影像為植物物種信息提取源，利用隨機森林、最大似然、支持向量機和決策樹等分類方法對消落帶植物群落特征及多樣性進行分析與反演，基于最優分類方法獲取植物相對蓋度、相對頻度等指標，以期實現消落帶植物群落多樣性空間分布信息的快速準確識別［22］。

1 材料與方法

1.1 研究區概況

玉田水庫位于江西景德鎮市，庫區面積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。前期調查發現，玉田水庫上游老鼠咀周邊分布有村莊和農田，大量生活污水和農田面源污染是影響水庫水質的主要污染源。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，對其植物群落多樣性進行調查（圖1）。

對玉田水庫多年觀測數據分析與實地調查的結果顯示，水庫枯水季主要為每年 10 月至翌年 3 月底，該時段內庫濱裸露，植物種類最為豐富，且部分區域被村民開墾為菜地；4月初至9月底為水庫的豐水季，大部分庫區被淹沒，植物種類較少。

研究區氣候類型屬于亞熱帶季風氣候，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，年日照時數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行調查。該時段內庫濱大面積裸露，植物種類較豐富，生物量積累基本達到最大值。依照地形差異，設置12個2 m×2 m的植物調查樣方（圖1），并對每個樣方內的植物種類、數量、冠幅、蓋度、高度以及樣方內各類植物的中心點經緯度坐標等信息開展全面調查。

1.3 重要值及多樣性指數

根據每個樣方內各種植物的相對頻度、相對蓋度和相對高度，計算其重要值。計算方法如下：

式中，Pi為重要值，Hr為相對高度，Pr為相對蓋度，Fr為相對頻度。

選用Simpson優勢度指數［23］和Shannon-Wiener多樣性指數［24］對每個調查樣方內的植物群落多樣性進行驗證。Simpson優勢度指數越大，說明群落多樣性越大；Shannon-Wiener指數對于稀疏種更為敏感，指數越大，群落多樣性越高［9］。計算公式如下：

式中，pi為第i種的重要值，S為樣方內出現的物種數。

1.4 無人機像數據獲取

利用大疆經緯 M300 RTK無人機搭載MS600 PRO型多光譜相機獲取研究區內的遙感影像。MS600 PRO型多光譜相機可同時獲取 6 個120 萬像素單色光譜通道的波段影像，分別為：藍光（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）。采集時間為2022年10月22日11：00—13：00，天空晴朗無云，微風，光照環境較為均一。起飛前手動控制無人機飛行至校準白板正上方約1 m處，對輻射定標板進行成像。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%，拍照模式為等時間間隔。利用YusenseMap Plus軟件對無人機遙感影像進行拼接處理，并進行影響鑲嵌、輻射定標、影像裁剪和大氣校正預處理。

1.5 無人機影像解譯

經實地調查，研究區內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遙感識別困難，并且它們處于生長末期，呈干枯狀，在無人機遙感影像中特征不明顯；半枝蓮數量較少且矮小，分布于知風草和莎草的冠層下，受其影響；蓼子草和頭花蓼特征極為相似，存在“異物同譜”現象，導致分類精度降低，且重要值低于頭花蓼。因此，結合地面調查結果，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、知風草和菰13種植物開展基于無人機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，其在區域內分布集中，特征明顯；密花香薷在影像中呈現為暗紫色與暗綠色；美人蕉呈黃色和粉色；芒草呈亮綠色。

在完成無人機飛行后，實地對典型地物和植物群落進行經緯度定位和實物拍照，共采集176個驗證點和176張實物照片，作為后期驗證無人機遙感影像分類結果的樣點數據（圖3）。

1.6 數據分析

于Envi5.3定義地物類型，結合目譯解釋法選取255個訓練樣本，根據野外調查的數據選取驗證點，通過隨機森林、最大似然、支持向量機和決策樹4種分類方法，對無人機影像中的地物進行分類，進而通過最大值分析和聚類分析等方法完善分類影像，通過驗證點數據進行驗證，獲取Kappa系數和總體分類精度，最后選取分類精度最高的結果作為研究消落帶植物群落多樣性的本底數據。

利用ArcGIS10.6軟件將研究區域劃分為2 m×2 m的樣方，調查樣方內各物種的蓋度、頻度和重要值，然后計算出各個樣方植物群落的Simpson優勢度指數和Shannon-Wiener多樣性指數；利用ArcGIS 10.6匯總統計功能和Excel軟件，實現整個無人機影像內各種植物的相對蓋度、相對頻度和重要值，以及Simpson優勢度指數和Shannon-Wiener多樣性指數反演。

2 結果與分析

2.1 消落帶地物識別結果及精度評價

通過ENVI5.3軟件，采用4種分類方法對樣方內地物樣本進行分類（圖4），并對分類結果進行精度驗證。結果顯示，隨機森林分類效果最佳（表1），其總體分類精度達到86.48%，Kappa系數則為0.85，比決策樹分類分別提高了5.74百分點和0.07，比支持向量機分類分別提高了4.83百分點和0.06，比最大似然分類分別提高了2.50百分點和0.03。決策樹（圖4a）和隨機森林（圖4b）分類結果相近，11種植物的分類結果相似，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，支持向量機分類中，大量頭花蓼被錯分為鉆葉紫菀，錯分現象顯著，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軟件對隨機森林分類的混淆矩陣進行求解（表2），結果顯示分類地物中，水體和鉆葉紫菀的識別精度較高，均達100%，其次為菰、密花香薷、蘆竹和雙穗雀稗，均達到90%以上，知風草的識別精度最低，58個知風草被錯分為頭花蓼，10個知風草被錯分為雙穗雀稗，8個知風草被錯分為密花香薷，46個知風草被錯分為狗牙根。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 植物群落結構及多樣性分析

2.2.1 植物群落特征分析。

結合現場和無人機遙感對植物群落特征進行分析（表3），實地樣方調查中，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。分析認為，菰、蘆葦、蘆竹、美人蕉、菖蒲和雙穗雀稗6種植物在庫區消落帶處于優勢地位。

以隨機森林分類結果作為本底數據，利用ArcGIS 10.6和Excel2016軟件的頻度統計工具和屬性表空間統計功能獲取植物的相對蓋度和相對頻度，完成重要值計算（表3），并與實地植物調查的結果進行比較，發現從無人機影像中識別出的13種植物與實地調查的結果基本一致。通過無人機遙感對消落帶植物的識別結果發現，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，其原因為無人機正射遙感影像無法獲取植物高度數據，而蘆竹等的優勢就在于其高度。通過結果分析可知，可以通過無人機遙感影像對消落帶植物進行識別，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。

實地調查結果顯示，樣方內植物群落的Simpson優勢度指數為0.61，Shannon-Wiener多樣性指數為1.01，說明研究區域內植物多樣性處于中等水平。利用Arc10.6對研究區植物的群落多樣性分布信息進行數據可視化處理（圖5），結果顯示，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域植物多樣性最低，主要為頭花蓼，植物種類單一?；跓o人機遙感反演消落帶樣方內植物群落的Simpson優勢度指數為0.70，Shannon-Wiener多樣性指數為1.26。可見，基于無人機遙感影像的植物群落特征與實地調查的結果基本相近。

3 討論

根據實地調查結果，在研究區域內共有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、知風草和菰。利用無人機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、知風草和菰。主要是半枝蓮由于數量較少，且與其他優勢植物混生，鬼針草和杠板歸處于枯萎期，其顏色與裸地相似，在無人機影像中難以識別，蓼子草與頭花蓼存在“異物同譜”現象，而且中山杉等高大喬木也影響了識別精度。

這種采用無人機遙感和機器學習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］采用無人機遙感影像對玉米田間雜草識別、侯雨等［26］通過無人機對大豆雜草識別、易佳昕等［27］對棉田雜草識別相類似，均是在復雜背景下識別出目標植物，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分。對于目標植物與雜草之間差異不明顯的情況，可以根據研究區的多時相［28］、多田塊圖像對模型進行改善，或者多種特征如紋理、形狀、葉面積指數、光譜特征等融合來提高植物識別的精度。

劉詠梅等［29］采用無人機遙感對入侵物種狼毒進行識別，支持向量機和人工神經網絡識別精度分別為91.33%和88.5%，Kappa系數分別為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，當其處于盛花期時，其群落呈現斑塊狀聚集的空間分布特征，且花瓣呈現粉白色光暈，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段的優勢植物進行調查，了解該研究區的植物群落特征；或者選取更優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算其重要值［30-31］。對于相對密度，其值為某種植物株數與所有植物株數之和的比值。該研究中由于玉田水庫的優勢植物頭花蓼和狗牙根等匍匐生長的特性，難以計算數量，故相對密度不參與重要值的計算。

該研究野外調查中采用相對蓋度、相對頻度和相對高度的均值對植物的重要值進行計算，無人機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遙感數據快速獲取，相對高度雖然能夠通過Pix4D mapper軟件生成數字表面模型，采用Eris ArcGIS提取株高，但是所獲取的結果誤差較大，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量指標，對群落多樣性指數有重要影響。對野外調查的植物進行重要值排序，且通過無人機遙感反演與野外調查的Simpson優勢度指數和Shannon-Wiener多樣性指數也基本相近，說明采用無人機遙感快速獲取和監測庫濱植物種類具有一定的參考價值，但由于庫區環境的多樣與復雜，所選分類方法數量有限，還存在一些改進之處。

4 結論

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

［1］ 江維薇，楊楠，肖衡林.三峽庫區與西南庫區消落帶植物多樣性及群落構建比較［J］.湖泊科學，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，胡永歌，等.前坪水庫植物物種多樣性及其對環境的回應［J］.河南農業大學學報，2023，57（1）：81-95.

［4］ 郭燕，楊邵，沈雅飛，等.三峽水庫消落帶現存植物自然分布特征與群落物種多樣性研究［J］.生態學報，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區植物多樣性和群落結構特征［J］.生態學報，2022，42（1）：176-185.

［6］ 王利民，劉佳，楊玲波，等.基于無人機影像的農情遙感監測應用［J］.農業工程學報，2013，29（18）：136-145.

［7］ 馬建，劉文昊，靳瑰麗，等.基于CNN和SVM的無人機多光譜遙感草地植物識別［J］.草地學報，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，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測與評估中的應用［J］.植物生態學報，2022，46（10）：1129-1150.

［11］ 周濤，胡振琪，韓佳政，等.基于無人機可見光影像的綠色植被提取［J］.中國環境科學，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.基于無人機遙感的高潛水位采煤沉陷濕地植被分類［J］.農業機械學報，2019，50（2）：177-186.

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

［15］ 韓文霆，張立元，張海鑫，等.基于無人機遙感與面向對象法的田間渠系分布信息提取［J］.農業機械學報，2017，48（3）：205-214.

［16］ 黃雨菲，路春燕，賈明明，等.基于無人機影像與面向對象-深度學習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無人機多光譜影像的西沙植被監測［J］.遙感技術與應用，2022，37（5）：1170-1178.

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

［19］ 周志偉，鄧化，施華宏.基于無人機遙感與機器學習的岸灘大型塑料垃圾監測方法［J］.海洋環境科學，2023，42（1）：141-150.

［20］ 俞天宇，倪文儉，劉見禮，等.大興安嶺林區無人機可見光影像散發枯立木識別算法［J］.遙感學報，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位變化規律［J］.生態學報，2023，43（7）：2831-2844.

［22］ 張鎮來，陳鮑發，余俊杰.江西暴雨的氣候特點及典型強降水特征分析［J］.江西科學，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性［J］.東北林業大學學報，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］.草地學報，2022，30（10）：2782-2790.

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

［26］ 侯雨，曹麗英，丁小奇，等.基于邊緣檢測和BP神經網絡的大豆雜草識別研究［J］.中國農機化學報，2020，41（7）：185-190.

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

［28］ 張舒昱，李兆富，徐鋒，等.基于多時相無人機遙感影像優化河口濕地景觀分類［J］.生態學雜志，2020，39（9）：3174-3184.

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

［30］ 孫龍，盧濤，孫濤，等.金沙江下游典型庫區消落帶植被恢復模式［J］.生態學報，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］.生態科學，2021，40（6）：207-212.

基金項目 國家自然科學基金項目（52269013）；江西省水利廳科技項目（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研究。

收稿日期 2024-01-28；修回日期 2024-03-27