2、无人机遥感基础：无人机平台类型、传感器及选型原则
无人机遥感是将无人机作为低空遥感平台，搭载不同传感器获取地表信息的技术体系。理解平台与传感器的匹配关系，是绘制生态图谱的前提。本章聚焦三类主流平台、四类核心传感器，并给出可落地的选型决策路径。
2.1 无人机平台类型与适用场景
核心原理
无人机平台决定了作业的空间尺度、时间窗口和载荷能力。生态遥感中，平台选择直接影响数据覆盖效率与成本。三类平台的核心差异在于升力产生方式与能量消耗模式：多旋翼依靠多个旋翼直接产生升力，垂直起降灵活但能耗高；固定翼依靠机翼在前进中产生升力，气动效率高但需要跑道或弹射；垂直起降固定翼（VTOL）融合两者，兼顾垂直起降与平飞效率。
| 平台类型 | 典型航时 | 载荷能力 | 作业效率 | 起降要求 | 生态应用场景 |
|---|---|---|---|---|---|
| 多旋翼 | 20~45 min | 0.5~3 kg | 低（单架次覆盖 0.1~1 km²） | 垂直起降，场地灵活 | 样地精细调查、单木尺度监测、多光谱/热红外小范围采集 |
| 固定翼 | 1~2 h | 1~5 kg | 高（单架次覆盖 5~20 km²） | 需跑道/弹射/伞降 | 流域尺度植被制图、大面积树种分类、地形测绘 |
| 垂直起降固定翼 | 1~1.5 h | 1~4 kg | 中高（单架次覆盖 3~10 km²） | 垂直起降，无需跑道 | 复杂地形区域（山地、河谷）的中尺度生态调查 |
判断方法或操作流程
平台选型可遵循“三步过滤法”：
- 面积过滤：作业面积 < 1 km² 优先多旋翼；1~5 km² 考虑 VTOL；> 5 km² 选择固定翼。
- 地形过滤：高差 > 300 m 或起降点受限时，排除常规固定翼，选择 VTOL 或多旋翼。
- 精度过滤：需要 < 2 cm 分辨率（如单木冠幅测量）时，多旋翼低速飞行更易满足重叠度要求。
案例拆解：山地流域植被制图的平台选择
背景与约束：某研究团队需对 8 km² 的山地流域进行树种分类制图，地形高差约 400 m，起降点仅有一处平坦河滩。初始方案采用多旋翼，但估算需 12 个架次、耗时 3 天，且电池补给困难。
分析判断：面积超过 5 km²，多旋翼效率不足；常规固定翼无法在河滩起降。VTOL 成为唯一兼顾效率与场地约束的方案。
实际操作：选用垂直起降固定翼搭载多光谱传感器，规划 3 条航线，航高 300 m，地面分辨率 10 cm，单架次完成全部覆盖，耗时 1.5 小时。
结果对比：相比多旋翼方案，外业时间缩短 85%，数据一致性更好（同一天内完成采集，光照条件均匀）。
复盘经验：平台选择本质是效率-精度-场地的三角权衡。VTOL 虽单价较高，但综合成本（时间+人力+风险）往往更优。
2.2 核心传感器类型与生态应用
核心原理
传感器是生态图谱绘制的“眼睛”。不同传感器记录地物在不同电磁波段的反射或辐射特征：
- 可见光（RGB）：0.4~0.7 μm，模拟人眼感知，适合纹理、颜色、结构判读，但无法区分“绿色”背后的生理差异。
- 多光谱：通常包含蓝、绿、红、红边、近红外等 5~10 个窄波段，可计算 NDVI、NDRE 等植被指数，反映叶绿素含量、冠层结构。
- 热红外：8~14 μm，记录物体自身热辐射，用于植物水分胁迫、土壤水分、动物体温监测。
- LiDAR：主动发射激光脉冲，获取三维点云，穿透植被冠层，直接测量树高、郁闭度、地形。
| 传感器 | 输出数据 | 典型分辨率 | 生态参数 | 局限性 |
|---|---|---|---|---|
| 可见光 | RGB 影像 | 0.5~5 cm | 树种纹理、物候、枯死木 | 无生理信息，易受阴影影响 |
| 多光谱 | 多波段影像 | 2~20 cm | NDVI、LAI、叶绿素含量 | 波段数有限，无法区分相似树种 |
| 热红外 | 热辐射影像 | 5~30 cm | 冠层温度、水分胁迫 | 分辨率低，受大气影响大 |
| LiDAR | 三维点云 | 5~50 点/m² | 树高、生物量、地形 | 无光谱信息，数据量大 |
判断方法或操作流程
传感器选型需回答三个问题：
- 目标参数是什么？如果是树种分类，多光谱优于可见光；如果是碳储量估算，LiDAR 是首选；如果是干旱监测，热红外不可替代。
- 精度要求多高？单木尺度（< 1 m）需要高分辨率 RGB 或多光谱；景观尺度（> 10 m）可接受较低分辨率。
- 数据成本是否可控？LiDAR 数据处理耗时是影像的 3~5 倍，需评估团队处理能力。
案例拆解：城市森林碳汇估算的传感器组合
背景与目标：某城市生态评估项目需估算 3 km² 城市森林的碳储量，要求精度误差 < 15%。初始方案仅用多光谱影像，但城市树木高度差异大（3~25 m），仅靠光谱指数估算生物量误差达 30%。
关键输入数据：多光谱影像（分辨率 5 cm）、LiDAR 点云（密度 20 点/m²）、地面实测样方 20 个（树高、胸径）。
分析判断：碳储量与树高、冠层体积高度相关，必须引入 LiDAR 结构参数。但 LiDAR 无光谱信息，无法区分树种，需与多光谱联合。
实际操作：① 从 LiDAR 点云提取单木树高和冠幅；② 从多光谱计算 NDVI 和纹理特征；③ 建立随机森林回归模型，输入 12 个特征变量；④ 用 20 个样方验证。
结果对比：融合模型 R² = 0.87，RMSE = 12.3 t/ha，满足精度要求；仅用多光谱的模型 R² = 0.65，RMSE = 21.8 t/ha。
风险与代价：LiDAR 数据采集成本增加约 40%，处理时间增加 2 天。但精度提升带来的决策价值远超成本。
复盘经验：生态参数反演中，结构参数（LiDAR）与生理参数（多光谱）互补是提升精度的关键路径，而非单纯追求更高分辨率。
2.3 平台与传感器的选型原则
核心原理
选型不是“最好的平台+最好的传感器”，而是在约束条件下寻找最优组合。约束条件包括：预算、空域限制、天气窗口、数据处理能力。选型决策应遵循“目标倒推”逻辑：先明确生态参数需求，再确定传感器，最后匹配平台。
判断方法或操作流程
推荐使用“选型决策矩阵”进行量化评分：
- 列出候选平台与传感器组合（如：多旋翼+多光谱、固定翼+LiDAR、VTOL+热红外）。
- 设定权重：精度 30%、效率 25%、成本 20%、风险 15%、易用性 10%。
- 对每个组合按 1~5 分打分，加权求和。
- 选择得分最高且单项不低于 2 分的组合。
| 组合方案 | 精度(30%) | 效率(25%) | 成本(20%) | 风险(15%) | 易用性(10%) | 加权总分 |
|---|---|---|---|---|---|---|
| 多旋翼+多光谱 | 4 | 2 | 4 | 4 | 5 | 3.65 |
| 固定翼+LiDAR | 5 | 5 | 2 | 2 | 2 | 3.60 |
| VTOL+多光谱+LiDAR | 5 | 4 | 2 | 3 | 3 | 3.70 |
常见误区与总结复盘
- 误区一：分辨率越高越好。高分辨率带来数据量激增和处理时间延长。对于 10 km² 以上的区域，5 cm 分辨率的数据量是 20 cm 的 16 倍，处理成本不成比例。
- 误区二：多光谱一定能区分树种。多光谱对常绿针叶树种的区分度有限，需结合纹理特征或 LiDAR 结构信息。
- 误区三：热红外“一拍了之”。热红外影像受大气、风速、太阳辐射影响极大，需在飞行前后采集地面同步温度数据用于校正。
- 误区四：忽略天气窗口。多光谱和 LiDAR 需无云、无风条件；热红外需在晴朗夜间或清晨采集以减小太阳辐射干扰。