红树林是海岸带重要生态屏障，其树种分布与叶面积指数（LAI）是反映生态系统健康的核心指标，对保护与修复工作至关重要。在漳江口红树林国家级自然保护区的研究中，采用杭州彩谱FS-60C无人机高光谱测量系统，高效实现了红树林树种精细识别与叶面积指数精准反演。

该保护区内秋茄、桐花树、白骨壤等优势树种交错分布，传统地面调查受潮汐、地形限制，效率低且难获大范围连续数据，叶面积指数传统测量方法也耗时费力，无法满足大尺度生态监测需求。彩谱FS-60C高光谱相机，光谱范围400nm~1000 nm，分辨率2.5 nm，能捕捉树种细微光谱差异；100 m飞行高度下地面分辨率达0.05 m，可清晰呈现冠层结构。其高信噪比超高速光谱扫描成像器件，保障了数据采集的稳定性与可靠性，为后续分析提供了高质量基础数据。

一、 技术方案与实施过程

1. 数据采集与预处理

研究团队于2024年12月低潮时段开展航摄，以减少潮汐对成像的影响。采用大疆M300RTK作为无人机平台，将研究区划分为6块进行分区采集，飞行高度100 m，正射地面分辨率4.71 cm，航线拍摄速度5 m/s，主航线角度87°。

原始高光谱数据经ENVI 5.3软件进行辐射校正，消除大气、太阳高度角等因素干扰，再通过彩谱软件完成几何配准与条带拼接，形成完整的高光谱影像。同时，结合归一化植被指数阈值法（0.53~1）对非红树林区域（潮间盐水沼泽、水体、人工表面等）进行掩膜处理，并经人工判读修订，精准锁定研究区域。

2. 特征提取与树种识别

基于处理后的高光谱影像，研究采用面向对象多尺度分割方法，确定最优分割尺度25、合并尺度80，有效避免 “过分割” 或 “欠分割” 问题。从高光谱数据中提取原始波段、植被指数、纹理特征、形状特征等信息，结合无人机 LiDAR 数据提取的高度特征与强度特征，构建323维超维特征集。

通过相关性分析剔除273维高冗余特征后，利用RF-RFE、XGBoost、LightGBM 三种算法筛选树种识别敏感特征，取其交集得到包含波段特征、植被指数、纹理特征、形状特征、高度特征的14维最优特征集。将该特征集输入 Swin-UperNet 深度学习算法进行树种识别，最终实现秋茄、桐花树、白骨壤三种优势树种的精准区分。

3. 叶面积指数反演

在树种识别基础上，针对不同树种分别筛选叶面积指数敏感特征，将其引入SVR、PLSR、BPNN三种估算算法，构建9种混合交叉模型。通过对比模型精度，确定各树种最优反演模型：RF-RFE特征筛选与SVR算法结合适用于秋茄与白骨壤，XGBoost特征筛选与BPNN算法结合适用于桐花树，实现了不同树种叶面积指数的精准反演。

二、 研究成果与应用价值

1. 树种识别精度优异

基于彩谱FS-60C高光谱相机获取的数据，红树林树种识别总体精度达91.18%，Kappa系数0.85，表明分类结果与实际情况吻合度较高。其中，桐花树生产者精度92.08%，白骨壤生产者精度91.38%，秋茄生产者精度90.66%，漏分现象较少，为后续针对性的叶面积指数反演奠定了坚实基础。

2. 叶面积指数反演效果可靠

反演结果显示，秋茄叶面积指数范围为0.897~3.001，均值1.416；桐花树叶面积指数范围为 0.934~1.919，均值1.355；白骨壤叶面积指数范围为0.913~2.221，均值1.443，均与实测数据高度接近。其中，白骨壤叶面积指数反演模型的R²达0.87，MAE 为0.02，RMSE为0.04，秋茄叶面积指数反演模型R²达0.81，MAE为0.09，RMSE为0.05，充分验证了数据的可靠性。

3. 生态监测应用价值显著

通过该研究，清晰揭示了研究区红树林叶面积指数由北到南先减后增再减的空间分布趋势，为分析红树林生长状况与生态功能提供了精准数据支撑。同时，研究明确了高度特征与强度特征的协同作用对叶面积指数的重要影响，为红树林生态系统保护策略制定提供了科学依据。

三、 总结

彩谱FS-60C无人机高光谱测量系统凭借其高光谱分辨率、高空间分辨率及稳定的性能，在红树林生态监测中展现出强大的应用潜力。其采集的高质量数据，能够有效支撑树种精细识别与叶面积指数精准反演，大幅提升生态监测的效率与精度，为红树林保护、修复与管理提供了高效、可靠的技术手段。未来，该系统还可广泛应用于森林资源调查、湿地生态监测、农作物长势评估等多个领域，为生态环境保护与可持续发展提供有力支撑。

产品推荐

FS60-C机载高光谱相机

l 光谱范围：400-1000nm

l 光谱分辨率：2.5nm

l 光谱波段：1200

l 空间像素数：1920