利用無人機遙感技術結合采樣開展水生植物調查
——以滇池大泊口水域為例

李楊，王純波，李濱，杜勁松，黃育紅*

1.昆明市滇池高原湖泊研究院，云南 昆明 650228；2.中國科學院水生生物研究所，湖北 武漢 430072

水生植物是水生生態系統的初級生產者，不僅能為多種水生動物提供食物和棲息地，也拓寬了水生生態系統的空間生態位；同時，對改善水環境、維持生態系統正常功能具有不可替代的作用，是維持湖體健康生態系統的基礎（宋辛辛等，2016）。近年來，由于環境的變化及人類活動的影響，中國的大部分湖泊生態環境惡化。水生植物特別是沉水植物的衰退和消失普遍發生（羅民波等，2006），清水型湖泊逐漸轉變為以浮游植物占優勢的濁水型湖泊。鑒于水生植物在湖泊生態系統中的重要地位和作用，水生植物的恢復與重建已成為湖泊生態修復中最重要的手段之一，且水生植物恢復的程度被作為評價和衡量湖泊生態修復效果的重要指標（Bakker et al.，2013）。因此，準確高效地評估水生植物的種類組成、蓋度和生物量將對湖泊生態修復效果的評價發揮重要的作用。

水生植物人工采樣調查方法包括網格法（grid method）（Mikulyuk et al.，2010）、斷面線法（line transect method）（環境保護部，2016）和斷面帶法（belt transect method）（Titus，1993）。無論哪種方法，均耗時長、強度大且成本高。例如Mikulyuk et al.（2010）利用網格法調查了Wisconsin州（美國）72個湖泊，共設置20 000個樣點，平均每個湖泊278個樣點。Chen et al.（2016）采用斷面線法調查洱海水生植物現狀，共設置了87個斷面，從岸線開始每隔0.5 m水深設置1個樣點，共400個樣點。在每個樣點處，一般用收割鐮刀或者水草夾采集1—4個樣方。水生植物多以無性繁殖的方式擴增，其分布往往呈現群集特征（Li，2014）。因此，通過高密度樣點調查，雖然可以準確獲得各樣點水生植物種類組成、生物量和蓋度，但各樣點的平均生物量和平均蓋度并不一定能準確反映全湖的水生植物生物量和蓋度。

水生植物調查的另一種方法是使用遙感技術。在過去，衛星影像如Landsat、MODIS和Quick Bird等（Wolter et al.，2005）或航空影像（Liu et al.，2015）被用于大型淺水湖泊或海灣的水生植物調查，然而由于使用條件和成本的限制，均無法作為水生植物的常規監測手段（Xie et al.，2008）。近年來出現的低成本無人機（Unmanned Aerial Vehicle，UAV）使快速廉價地獲取水生植物的航拍影像成為可能。無人機遙感是無人機與遙感技術的結合，即以無人機作為載體，通過搭載數碼相機、高光譜儀、紅外傳感器或激光雷達掃描儀等各種傳感器，獲取高分辨率光學影像、視頻、激光雷達點云等數據（孫剛等，2018；Pajares，2015）。其中，安裝有數碼相機和多光譜儀或高光譜儀的無人機已被用于水生植物的監測。無人機遙感具有數據采集靈活、圖像分辨率高等特點，十分適合分析景觀尺度湖泊生態系統不同植被類型覆蓋度的動態變化（Monica et al.，2016）。相比數碼相機，高光譜儀目前價格昂貴，質量大，且容易受到風和湖面波浪的影響（Flynn et al.，2014）。因此，雖然高光譜技術有較好的應用前景，但目前配備數碼相機的消費級無人機更適合水生植物的常規監測。

利用無人機遙感影像能較容易地監測植物的分布范圍和面積，然而將其應用于水生植物分類仍然面臨諸多挑戰。無人機遙感影像中植被分類方法主要有兩類，一是基于影像中斑塊的尺寸、形狀、顏色、紋理等分類的目視解譯法（visually interpreting），另一種是基于圖像光譜特征的自動分類方法（automated classification）。Valta-Hulkkonen et al.（2003）發現兩種方法均有不足，自動分類方法只能將植物分成不同的生長型，目視解譯可以將植物鑒定到種，但花費的時間為自動分類的3.5倍。現有的自動分類方法，包括逐像元分類（pixel-based approach）和面向對象的分類（object-based approach）。其中，面向對象的分類方法將代表一個對象的所有像素作為一個整體進行分析，大大提高了分類的準確性，可能是今后發展的主流方向。但目前，目視解譯法在較高的分類學水平上對無人機遙感影像中水生植物進行分類上更為成熟（Biggs et al.，2018）。

準確監測整個水域水生植物的種類組成、蓋度和生物量分布，是反映淺水湖泊健康狀況，評估水生態修復措施有效性的基礎。現有的基于固定樣點的監測方法難以準確反映全湖的水生植物狀況。因此，本研究嘗試開發結合無人機遙感和針對性采樣的水生植物調查方法，準確且高效地評估水生植物在整個水域的分布狀況和生物量，并在滇池大泊口水域應用。具體包括：（1）對無人機遙感影像進行位置校準、拼接，獲得整個水域的近地遙感影像；（2）通過影像分析獲得水生植物的組成、分布和蓋度；（3）在不同水生植物的主要分布區域進行針對性的采樣調查，結合其分布面積計算不同植物的生物量。

1 研究地概況

滇池位于昆明市西南，是中國第六大淡水湖，也是云南省面積最大的淡水湖，屬于高原城市型湖泊，處于亞熱帶高原西南季風氣候區。湖面高程1 887.5 m，水域面積約309.5 km2，平均水深5.3 m。由海埂分為草海和外海兩個部分。大泊口水域（圖1）位于滇池草海南部，其與外海間僅有由堤埂衍生的海埂相隔，北部透水堤岸與草海相通，屬半封閉的水域。地理坐標為102°38′E，24°57′N，面積為0.52 km2，周長2 792 m，在水位1 886.8 m時平均水深約2 m。大泊口水域是滇池湖內生態修復的重要示范水域。目前，該水域被沉底不透水防水布分割成南北兩部分。其中，南部水域面積0.20 km2，通過微濾凈化和水生植被恢復等措施，實現了由以浮游植物為主的濁水穩態轉變為以水生植物為主的清水穩態，水體清澈見底。

2 研究方法

2.1 無人機遙感影像采集和水生植物分布圖繪制

大泊口水生植物調查采用大疆公司的“悟”Inspire 2型無人機，最大飛行速度可達94 km·h-1，最大下降速度為9 m·s-1，最大上升速度為6 m·s-1，搭載了全新雙電池冗余系統，最長續航時間為27 min，最大圖傳距離7 km，掛載禪思Zenmuse X5S鏡頭，采用M4/3傳感器，2080萬像素。

在清晨或傍晚進行無人機飛行，此時光線較好，且水面無陽光直接反射，同時河岸陰影和表面反射最小。本研究中無人機飛行時間為2019年7月28日中午。采用dji GO 4軟件控制無人機的飛行軌跡，拍攝時使用軟件設置航向重疊度70%，旁向重疊度65%。設定作業航高400 m，航速10 m·s-1，共獲得RGB航攝影像69景，有效影像69景。在設定航高下影像空間分辨率為0.098 5 m，每景影像對應的水域面積為202 657 m2。將無人機遙感影像轉變為正射影像并拼接成一張影像。

水生植物以無性繁殖為主，有明顯的群集特性，展現在無人機遙感影像中為特征明顯的不同斑塊。劃船入湖對大泊口水域水生植物進行定性調查，確定不同水生植物斑塊在無人機遙感影像中的形態特征，將其一一對應（圖2），作為圖像解譯的主要依據。

圖1 滇池大泊口水域地理位置圖Fig.1 Location of Lake Dapokou, a sub-lake of Lake Dianchi

將拼接影像中顏色和紋理不同的斑塊用添加多邊形的方式描繪出來（圖3），共描繪74個斑塊。利用Google Earth Pro面積測量工具測定不同斑塊的面積。將代表不同水生植物的斑塊填充為不同顏色，再用ArcGIS 9（Esri Corp.，Redlands，CA，USA）進一步加工后導出水生植物分布圖。

2.2 水生植物生物量調查

根據水生植物分布圖，在不同水生植物的主要分布區域用20 cm×20 cm的采樣夾或鐮刀隨機采集10次水生植物，清洗干凈后稱質量，確定單位面積不同水生植物的生物量（李偉，1995）。不同片層的植物分別采集，結合不同水生植物的分布面積，計算其生物量。

2.3 固定樣點采樣調查水生植物

用網格法在大泊口水域布設19個樣點。樣點之間的間距均為200 m。用目測法估測每個樣點處水生植物的蓋度。全湖的蓋度為19個樣點處蓋度的平均值。采用多次隨機重復小樣方的取樣方法，每個樣點用20 cm×20 cm的采樣夾在約500 m2內隨機采集水生植物10次，將采集的水生植物清洗干凈、分類并稱質量（李偉，1995）。用ArcGIS 9繪制水上植物蓋度和生物量的分布。

2.4 數據處理

根據無人機遙感影像計算水生植物的種蓋度、層蓋度以及總蓋度。蓋度是指植物地上部分垂直投影面積占樣方面積的百分比（方精云等，2009）。種蓋度即每種植物的蓋度（或稱分蓋度），根據每種植物的斑塊面積計算種蓋度。同一生長型的植物種蓋度之和為該生長型的植物的層蓋度，分別計算挺水、浮葉和沉水型植物的層蓋度。總蓋度即整個水域水生植物覆蓋面積占水域面積的百分比。由于浮葉植物和沉水植物分布區域存在重疊，因此總蓋度小于種蓋度之和。

生物量以鮮質量計算。每種植物的生物量為該種植物斑塊面積之和乘以該種植物單位面積的平均鮮質量。除了艾格草（Egeria densa），其他斑塊均為單種或屬。在測定艾格草單位面積生物量時，采集的其他沉水植物也算入艾格草的生物量，最終計算的艾格草生物量為以艾格草為絕對優勢種的層片內所有沉水植物的生物量。各生長型植物的生物量分別求和得到各生長型水生植物的生物量。所有水生植物的生物量之和為該湖泊水生植物總生物量。

圖2 無人機遙感影像中不同水生植物的形態Fig.2 The morphological characteristics of different aquatic plants shown in the photography of unmanned aerial vehicle

圖3 利用Google Earth Pro描繪無人機航拍影像中斑塊的輪廓并對不同斑塊分類和填色示例Fig.3 Patches in aerial images were delineated, filled with different colors, and classified according to their morphological feature using Google Earth Pro

3 結果與分析

3.1 無人機遙感影像的識別

通過比較大泊口水域不同水生植物的無人機遙感影像，結合野外踏勘，在大泊口水域共發現8種類型的斑塊，對應8種水生植物。挺水植物包括蓮（Nelumbo nucifera）、香蒲（Typha orientalis）和菰（Zizania latifolia）（圖2a—c）；浮葉植物包括莕菜（Nymphoides peltata）、野菱（Trapa incisa）和睡蓮屬（Nymphaeaspp.）（圖2d—f）；沉水植物包括穗狀狐尾藻（Myriophyllum spicatum）和艾格草（圖2j—i）。挺水植物影像表面最為粗糙。其中菰和香蒲均呈現條狀紋理。與菰相比，香蒲葉片顏色更深，紋理更細密。蓮葉片呈圓形斑點。浮葉植物睡蓮、莕菜和野菱的顏色存在差異，分別為中綠、銀綠和藍綠（圖2d—f）。莕菜和野菱影像表面光滑、顏色均勻，而睡蓮影像表面粗糙。睡蓮的影像還可細分為粗糙度和顏色不同的兩種類型。顏色偏深且更為粗糙的為白睡蓮（Nymphaea alba），呈現挺水特征；另一種為睡蓮（Nymphaea tetragona）。由于在睡蓮屬的大部分斑塊中，兩種睡蓮都交織在一起，本文未對兩者進行分別統計。沉水植物穗狀狐尾藻和艾格草在遙感影像中呈現為灰色的斑點或斑塊（圖2g、h）。穗狀狐尾藻為天蓬型沉水植物，不同形式的調查均只在大泊口北部發現一片穗狀狐尾藻的單優群叢。艾格草為外來物種，在大泊口水域的擴增主要受到水深和透明度的限制。由于頻繁的水位波動和過度增殖，艾格草呈現浮葉植物的形態，受太陽光的照射后呈灰黑色。此外，在大泊口的西南部還發現被水綿（Spirogyra communis）覆蓋的艾格草群叢，影像呈深淺不均的亮綠色（圖2h）。

在近距離觀察和采樣中，還發現金魚藻（Ceratophyllum demersum）、蓖 齒 眼 子 菜（Potamogeton Pectinatus）、伊樂藻（Elodea nuttallii）、苦草（Vallisneria natans）、黑藻（Hydrilla verticillata）和海菜花（Ottelia acuminata）。這些沉水植物伴生于艾格草群叢中，或零星分布，除苦草外均未見面積超過5 m2的單優群叢。

3.2 利用無人機遙感影像繪制大型水生植物分布圖

利用Google Earth Pro描繪出無人機遙感影像中每個斑塊的邊界，根據斑塊的形態特征將其分為不同的類型，并對每種類型斑塊填充不同的顏色（如圖3）。通過湖內調查，將斑塊的類型與水生植被的類型一一對應。最終確定不同水生植物在整個水域的分布特征，并繪制出水生植物分布圖。在大泊口南部水域，較小的水深（＜1 m）和較高的透明度（＞0.6 m）適宜水生植物的生長。在該區域植物生長密集，不同植物層片緊密連接，但依然有清晰的界限。浮葉植物層片和沉水植物層片分布區域高度重疊，但相互獨立。因此，需結合船舶近距離觀察和GPS定位最終確認沉水植物分布面積。

根據斑塊對應的水生植物種類填充不同的圖案，最終繪制水生植物分布圖。水生植物分布圖中沉水植物分布區域根據無人機遙感影像和船舶調查共同確定。由圖4可知，沉水植物主要分布在大泊口南部水域，且沉水植物分布面積最大。

3.3 利用無人機遙感影像評估水生植物蓋度及與生物量

圖4 大泊口水生植物分布圖Fig.4 The distribution of aquatic vegetation in Lake Dapokou

表1 基于無人機遙感計算的大泊口水域水生植物組成、分布和生物量Table 1 The composition, coverage, and biomass of aquatic vegetation based on the photography of UAV

通過無人機遙感影像分析，大泊口水域面積為516 814 m2，其中水生植物覆蓋面積為89 054 m2，全湖水生植物蓋度為17.23%（表1）。沉水植物的分布面積最大，為51 957 m2，沉水植物層蓋度為10.05%。浮葉植物覆蓋面積為27 319 m2，層蓋度為5.29%。挺水植物覆蓋面積為17 054 m2，層蓋度為3.30%。由于沉水植物層和浮葉植物層有一定重疊，挺水、浮葉和沉水植物層蓋度之和大于水生植物總蓋度。

大泊口水域共有水生植物斑塊74個。睡蓮分布的區域最廣，有斑塊33個。最小斑塊面積為7.33 m2，最大為4 783 m2。各斑塊內睡蓮均生長茂密。睡蓮蓋度為2.37%。其次為莕菜，共有15個斑塊，種蓋度為1.36%。挺水植物斑塊12個，最小面積為38.7 m2，最大為4 619 m2。沉水植物斑塊2個，一個為位于大泊口北部的穗狀狐尾藻群落，該群落內未見其他種類沉水植物，面積為3 824 m2，種蓋度為0.74%。另一個為艾格草斑塊，層片內以艾格草為絕對優勢種，還分布有金魚藻、苦草、海菜花、黑藻、伊樂藻和篦齒眼子菜。該斑塊面積為48 113 m2，種蓋度為9.31%。

通過監測不同層片單位面積水生植物的生物量（鮮質量，kg·m-2），估算整個層片的總生物量。結果表明，整個大泊口水生植物鮮質量為676 t。其中挺水植物90 t，占總生物量的13.31%；浮葉植物97 t，占總生物量的14.35%；沉水植物1 125 t，占總生物量的72.34%。其中艾格草層片的總鮮質量為736 t，在大泊口總生物量的占比最大（70.12%），其次為睡蓮和菰。

3.4 水生植物固定樣點采樣調查

通過網格法調查了19個樣點的水生植物蓋度和生物量（圖5）。目前，大泊口水域北部和南部被沉底防水布分割開，南部的透明度遠大于北部。南部0.20 km2水域的8個監測點的平均蓋度達73.3%，而北部0.33 km2水域11個點均未監測到水生植物，蓋度為0。全湖19個樣點的平均蓋度為30.8%。

圖5 固定樣點采樣調查的大泊口水域水生植物蓋度（%）和生物量（kg·m-2）分布Fig.5 The coverage and biomass of aquatic vegetation in Lake Dapokou based on grid method

19個采樣點中，北部11個樣點水生植物生物量為0 kg·m-2，南部8個樣點的生物量為2.03—11.4 kg·m-2。南部水域單位面積平均生物量為7.03 kg·m-2，0.20 km2水域總生物量為1 406 t。南部加北部生物量之和為1 406 t。全部水域單位面積平均生物量為7.03 kg·m-2，該密度乘以大泊口水域面積得大泊口水域總生物量為1 826 t。

通過固定樣點采樣調查估算的蓋度和生物量都遠高于無人機遙感的結果。由圖4可知，大泊口北部分布著一些水生植物斑塊，其中穗狀狐尾藻斑塊和睡蓮斑塊面積較大，但監測樣點并未分布在這些斑塊中。由于水生植物分布的高異質性，僅靠固定樣點監測并不能準確反映湖泊水生植物的實際分布狀況。

4 討論

本研究通過無人機遙感結合針對性的采樣調查，不僅獲得了全湖水生植物蓋度和生物量，同時也獲得了不同種類和生長型的水生植物的蓋度和生物量及其分布。這些數據有利于定量研究水生態修復過程中，水生植被的恢復與清水穩態維持的相互作用關系。首先，利用無人機采集大泊口水域水生植物影像，通過地理位置的校準和正射影像的拼接，獲得整個水域的水生植物分布的矢量圖。之后，采用人工識別的方式提取出74個斑塊。準確識別出每個斑塊代表的水生植物類型，測定其面積，結合采樣調查獲得不同斑塊水生植物的生物量，最終獲得大泊口水域水生植物的分布區域、蓋度和生物量等。由于水生植物的群集特性，在本研究中，采用人工識別的方式即可簡單、快速地對無人機遙感影像中的斑塊進行分類和識別。衛星遙感影像的分類一般采用逐像元分類或面向對象的分類。由于逐像元分類忽視像元間的空間結構關系，且攜帶數碼相機的無人機無法提供大量光譜信息，因此逐像元分類方式不適合本研究中水生植物的分類（Xie et al.，2008）。目前，已有商品化的面向對象的分析軟件——eCognition（Definiens，Germany）（杜鳳蘭等，2004）。eCognition軟件可能會提高無人機遙感影像的識別效率。盡管如此，人工識別依然是水生植物遙感影像識別中常用的一種方式（Biggs et al.，2018）。

固定樣點采樣調查，難以準確測定水生植物的蓋度和生物量。根據Mikulyuk et al.（2010）推薦的網格法最佳樣點計算公式計算，大泊口水域最佳的樣點數為18—47個。在本研究中，我們設置了19個監測樣點，監測了各樣點的水生植物種類組成、蓋度和生物量。由于水生植物的群集特征，大泊口北部11個樣點處沒有被監測到水生植物。而根據無人機遙感繪制的水生植物分布圖及全湖考察，大泊口北部有一個穗狀狐尾藻的群叢及多個睡蓮群叢，但是這些群叢并未在所設置的樣點附近。19個樣點處水生植物的平均蓋度和生物量均高于基于無人機遙感計算的結果。無人機遙感監測更能反映水生植物的分布狀況，結合針對性的采樣調查，能更準確地獲得水域水生植物蓋度和生物量信息。

“淺水湖泊穩態轉換理論”認為在適當的營養條件下，水體可能處于兩個不同的狀態，即一個為浮游植物占優勢的濁水穩態，另一個為沉水植物占優勢的清水穩態；這一理論的核心是植被與水體透明度之間的正反饋：水生植物促進水體透明度的提高，而水體透明度的提高又促進水生植物的生長（Scheffer et al.，2007）。維持湖泊的清水穩態，水生植物蓋度必須達到一定的數值以上，即最小植被蓋度閾值，如30%（Jeppesen et al.，2007）。在熱帶和亞熱帶地區的溫暖湖泊中，可能需要更大的水生植物蓋度（Jeppesen et al.，2007）。在本研究區域大泊口水域開展的生態修復工程是滇池治理的一個典型案例。無論是無人機遙感影像分析還是固定位點采樣調查，均表明大泊口南部0.20 km2的水域水生植物蓋度遠高于北部0.33 km2的水域。固定位點采樣調查結果表明，南部水生植物蓋度為73.3%，北部蓋度為0%。無人機遙感監測結果表明，南部水生植物蓋度為44.2%，北部蓋度為2.0%。無論根據哪種監測方法獲得的數據，在大泊口水域南部，水生植物蓋度均高于30%，大部分區域清澈見底，透明度高且濁度低。這些都說明生態修復措施在大泊口水域南部0.20 km2內取得了較好的效果。

水生植物促進清水穩態維持的一個重要原因是降低沉積物的再懸浮，降低的程度主要受水生植物的類型和生物量決定，其中沉水植物是最重要的類群。大泊口水域中以艾格草為絕對優勢種的沉水植物層片分布面積最大，接近全湖的10%。這與崔心紅等（1999）的調查結果一致，即以單一層片為唯一優勢層片的沉水植物群落構成了湖泊水生植被的主體。同時也發現在艾格草蓋度達100%的區域，有成片的莕菜和野菱分布。這說明浮葉植物和沉水植物層片分布區域存在重疊。李偉（1995）認為，蓋度和生物量評價水生植物優勢度最準確的指標。在本次調查中也發現，艾格草不僅蓋度高，其生物量也高達9.36 kg·m-2（鮮質量），換算成干質量為1.51 kg·m-2。王興民等（2007）認為維持湖泊生態系統的良性循環，水生植物的生物量至少要大于1 kg·m-2（鮮質量）。Li et al.（2008）比較了4種水生植物對沉積物再懸浮的影響，結果發現300 kg·m-2（干質量）的微齒眼子菜最有利于抑制沉積物的再懸浮。因此，高生物量和蓋度的艾格草是促進和維持大泊口水域南部清水穩態的關鍵。

5 結論

本研究開發了利用無人機遙感技術與針對性采樣調查相結合的水生植物監測方法，成功用于滇池大泊口水域水生植物的蓋度和生物量的監測：

（1）通過無人機遙感調查，共分辨出74個相互獨立的斑塊，分別被鑒定為挺水植物蓮、香蒲和菰，浮葉植物莕菜、野菱和睡蓮，以及沉水植物層穗狀狐尾藻和艾格草。繪制出大泊口水生植物分布圖，獲得了不同水生植物的分布格局和分布區面積。

（2）根據不同斑塊的面積，計算出大泊口水生植物總蓋度為17.23%，其中挺水、浮葉和沉水植物層蓋度分別為3.30%、5.29%和10.05%。

（3）在不同水生植物分布區進行針對性地采樣調查，獲得不同種類水生植物單位面積的生物量，結合其分布區面積，計算出水生植物總生物量為676 t，其中挺水、浮葉和沉水植物的生物量分別為90、97、489 t。

（4）在通過無人機遙感確定水生植物分布規律后進行針對性地采樣調查，可準確測定水生植物的種類組成、蓋度和生物量，相比固定樣點采樣調查有更高的準確度。無人機遙感可作為常規水生植物的常規監測手段進行推廣。