将无人机技术和深度学习技术相结合，以监测洪泛区在环境水流作用下的变化

《Hydrobiologia》：Integrating drone and deep learning technology to monitor floodplain changes in response to environmental flows

　　无人机影像与卷积神经网络融合方法用于评估洪水平原植被动态及环境流响应，通过多区域数据验证模型泛化能力及高效性（91.12%总体精度）。

　　

摘要

木本多年生植被是洪泛区的重要组成部分，这些地区通常通过控制水流来管理，以减轻水流调节带来的影响。利用基于无人机的影像数据并结合深度机器学习进行分析，为在难以进入的区域监测植被响应提供了一种准确且可重复的方法。本研究提出了一种整合无人机影像和卷积神经网络（CNN）的方法，用于对洪泛区植被进行分类和评估其对外部水流的响应，重点研究洪泛区灌木Duma florulenta（又称“缠绕木质植物”）。研究使用了2023年和2024年在维多利亚州Mallee地区收集的18个地点的无人机RGB影像数据，以及2024年在维多利亚州Gaynor沼泽地收集的4个地点的影像数据作为输入数据。新南威尔士州Macquarie沼泽地的4个地点被用来验证该方法的通用性。CNN模型的构建过程从核心设计开始，最终得到分类结果，并进行了敏感性分析，同时将其运行性能与四种其他CNN框架进行了比较。我们的CNN模型在总体准确率（91.12%）和运行效率方面均优于其他CNN框架。这种基于无人机和CNN的空间分析方法能够高效、准确地重复评估Duma florulenta的分布范围和生长状态（休眠或茂盛），并判断其对洪水和干旱的响应。