在过去的几年时间内，无人机在生态学应用领域取得了快速发展（Koh et al., 2012; Anderson et al., 2013; Whitehead et al., 2014a）。通过与激光雷达、多光谱、高光谱和红外光谱等传感器相结合，无人机技术在生物多样性、动物行为及其数量调查、物候监测、生境监测、野生动植物保护、自然保护区管理、恢复生态学、入侵生态学等领域都得到广泛的应用（郭庆华 等，2016；孙中宇 等，2017；胡健波 等，2018）。我是在2013年开始接触无人机，并关注和尝试将其应用于本人的生物多样性研究中。在近几年的学习和交流过程中，经常有人问我一些无人机相关的问题，比如：应该购买什么型号的无人机？无人机应该飞多高？怎样处理海量的影像数据？怎么提取某个关注的变量信息？我也看到一些研究者以无人机为平台收集了大量的生物与环境数据，却找不到准确的科学问题和适合的研究方法对这些数据进行深入的分析和挖掘。究竟怎样才能将无人机放入生态学家的工具箱呢？什么才是“生态＋无人机”的“正确”打开方式呢？本文将结合自身有限的无人机生态学研究经历来分享我对这些问题的一些认识（因学科背景、专业水平等的差异，本文所提到的不成熟的观点不一定适合所有人）。
由简入繁——从生态学问题出发：我的研究背景和一些生态学工作者比较相似，主要通过野外监测来获取群落结构、组成与生物多样性等方面的数据，来回答生物多样性维持机制、物种分布规律、群落动态变化规律等相关的生态学问题。例如，我感兴趣的一个具体的生态学问题是：森林冠层结构的变化对生物多样性会产生怎样的影响？这个问题至少可以追溯到岛屿生物地理学的奠基人之一Robert MacArthur和他的父亲John MacArthur在1961年发表在《Ecology》上的一篇文章。基于这个问题，我早期已经开展了一些研究工作（Hao et al., 2007; Zhang et al., 2013; 2016a,b），但如何准确地测量林冠层和树木的高度一直都困扰着森林生态学家们。2013年，当我阅读了与无人机相关的一些文章（Koh et al., 2012; Anderson et al., 2013）时，很快意识到无人机遥感具有高时效、高分辨率、高机动性和云下低空飞行等优势，可以很好地应用到林冠层的监测中来，进而有了我们在广东鼎湖山的工作（Zhang et al., 2016a）和目前正在开展的其他相关工作。从这些经历中，我感受到，无论最初考虑使用无人机是否是由生态学问题所驱动，在计划以无人机为工具进行研究时，都需要首先想清楚几个问题：我要回答的核心生态学问题是什么？无人机平台获得的数据是否能够有效地帮助我回答这一问题？如果传统的方法已经可以很好地解决我的需求，是否还有必要用无人机呢？从所关心的生态学问题出发，由简入繁，可能是一种最有效的“生态＋无人机”的打开方式。
化繁为简——别忘记生态学问题：对于像我一样缺少无人机行业相关经验的人来说，由于无人机与普通（可见光）相机结合所提供给我们的“所见即所得”的形式，即无人机应用中的“简”（图1），我们起初都会觉得无人机在生态学中的应用门槛很低。但在慢慢接触的过程中，我意识到将无人机与生态学很好地结合起来，需要各方面的知识来支撑（图2），既需要遥感科学、地理信息系统、计算机编程、无人机飞行野外经验和大数据等专业技术，也需要生态学理论、生态学野外经验、空间统计学和法律法规（航空管制）等知识背景。无人机的操作技术、数据收集和处理等对传统的以野外调查和控制实验为主要研究手段的生态学家而言，都存在很多技术上的挑战（Whitehead et al., 2014b），这些挑战不仅存在于数据采集阶段，还存在于后期的数据处理与分析中。由于涉及的知识面比较广，很多生态学工作者不得不从头学习，花费大量时间和精力去解决不断出现的一个个技术问题（即无人机应用中的“繁”）。当面临这些问题时，我采取的方式是化繁为简，知难而退。首先，毋庸置疑，我需要花一些时间去了解与无人机相关的基本原理和基础知识，由此才能知道我面临的困难在哪；其次，当我认识到自己的困难和能力局限后，我选择知难而退，寻找无人机专家、遥感专家和图像处理专家等进行交流合作，请他们来一起解决所面临的问题。方法手段上的困难如果能寻求到合作者的辅助，这种借力就是化繁为简。因此，更重要的是，需要时刻谨记自己所试图回答的生态学问题，这样才能化繁为简，而不被快速发展的技术所束缚。
简而言之，无人机遥感以其诸多难以替代的优势，为需要以大范围和长时间尺度数据为基础的生态学研究提供了诸多便利，为生态学、保护生物学等相关学科的发展注入新的活力。生态学研究人员需要围绕所关心的生态学问题，通过与其他领域专家的交流合作，由简入繁，化繁为简，使之真正成为我们解决生态学问题的一把“利器”。
局域尺度上爆发点的识别与监测是薇甘菊（Mikania micrantha）入侵研究的一个难点，无人机遥感为此提供了新的研究手段。采用无人机搭载RGB相机获取研究地的正射影像，采用波段运算、影像分割和深度学习3种方法对盛花期薇甘菊的爆发点进行识别。结果表明：高分辨率的RGB拼接影像可直接用于目视识别薇甘菊的爆发点。过绿指数（EGI）、归一化过绿指数（NEGI）、蓝绿差异指数（BGDI）、绿红差异指数（GRDI）、归一化绿红差异指数（NGRDI）以及植被色素比值指数（PPR）均无法分离薇甘菊和其附主植物；但PPR指数可为面向对象的多尺度分割提供参数支持。面向对象的多尺度分割可自动识别薇甘菊的爆发点，但会低估其爆发面积。基于深度学习（Deeplab V3+）的自动识别方法，能准确识别薇甘菊的爆发点和爆发面积，测试集的平均交并比（mIoU）为78.46%，像素精度为88.62%。无人机遥感数据为局域尺度上的薇甘菊扩散机制研究提供了基础，也为薇甘菊入侵的监测、预警和精准防治提供了有力支撑。
使用固定翼无人机、消费级旋翼无人机和专业级旋翼无人机获取广东珠海淇澳岛红树林保护区多类型无人机遥感影像，使用基于面向对象分类的K-最近邻与随机森林分类器对研究区影像进行红树林树种精细分类和对比分析，并探讨了不同类型无人机平台在红树林资源调查应用中的优缺点。结果表明：1）固定翼无人机、消费级旋翼无人机和专业级旋翼无人机数据使用K-最近邻法的分类精度分别为：73.8%、72.8%和79.7%；使用随机森林法的分类精度分别为：81.1%、84.8%和89.3%。3种平台类型的无人机数据均适用于红树林精细分类研究，对于无人机红树林遥感数据，随机森林的分类方法优于K-最近邻方法。2）以拍摄面积与用时之比估算采集效率，固定翼无人机、消费级旋翼无人机和专业级旋翼无人机分别为0.036、0.013和0.003 km2/min。固定翼无人机的采集效率具有明显优势。3）固定翼无人机适合大范围红树林数据采集，要求较高；消费级旋翼无人机适于获取小范围精细数据，成本低且易学易用；专业级旋翼无人机适合搭载质量稍大的如成像光谱仪、LiDAR等专业传感器获取多源数据。最后给出了无人机在红树林遥感研究中的注意事项和建议。
基于小型无人机搭载可见光镜头作为数据获取手段，通过对比可见光波段差异植被指数（VDVI）、过绿指数（ExG）、过绿减过红指数（ExG-ExR）、归一化绿红差异指数NGRDI和绿叶指数（GLI）5种可见光波段颜色指数方法应用于喀斯特高原峡谷区典型经济作物火龙果植株识别的适宜性，结合可视化空间建模工具模型构建器，提出一种以单植株平均面积分割株丛的思想，对火龙果进行植株识别分割和单株提取方法研究，结果表明：1）VDVI相比EXG、NGRDI、ExG-ExR、GLI等植被指数更适宜作为火龙果的识别分割方法；2）当VDVI的OTSU阈值取0.037时，能最大程度地分割目标地物与背景地物；3）通过人机交互基地实测获取的实际株数与提取株数验证，获得火龙果植株单株提取精度为91.7%。结果证实：以低空无人机可见光波段影像为数据源，VDVI指数作为识别方法，株丛分割应用于喀斯特高原峡谷区火龙果的单株识别提取具有可行性。
以位于中国科学院内蒙古草原生态研究定位站灌丛化样地实验平台为研究区，基于低空无人机遥感影像，结合实地调查，开展草原灌丛遥感辨识方法研究。通过对灌丛、草地和裸地归一化植被指数（NDVI）的方差统计分析，确定了裸地与植被的分割阈值为-0.08，并使用该阈值提取植被覆盖区，然后分别利用面向对象的决策树（DT）、贝叶斯（Bayes）、K最邻近（KNN）、支持向量机（SVM）机器学习分类器进行灌丛辨识。研究表明：借助Estimation of Scale Parameter（ESP）最优分割尺度评价工具可以快速确定分割参数，获取灌丛、草地影像对象；利用特征空间优化工具选取了18个的对象特征，可以有效避免盲目选择而导致的计算量增大；通过对不同分类器分类结果的对比和样本数量敏感性实验得出：Bayes分类器精度稳定、无需设置参数，灌丛分类精度最高，总体精度和Kappa系数分别达到92%和0.83，结果与影像地物嵌合最好，能够精确识别单株灌丛；根据Bayes分类器分类结果统计得研究区灌丛盖度为14.74%，平均冠幅为0.6 m2，与样方调查结果基本一致。由于4种分类器的算法特征以及对训练样本数量的敏感性各不相同，因此选择合适的分类器还需根据具体影像的地物特征、空间分辨率和研究区范围来确定。
以广东省一村级河长监管河段岸线管理范围为研究区域，利用民用轻型无人机采集现场数据，经影像拼接、目标解译和相关资料叠加分析，快速获取了岸线侵占后的界桩、围栏与补种乔灌草等整改措施实施情况，通过整改设计图与遥感判读出的现状结果对比，精准筛查整改措施未落实或整改不到位等监管所需掌握的现存问题区域。研究结果显示：相比传统现场核查，基于无人机遥感方法对于点状目标（如界桩）和线状目标（如围栏）的排查更加高效直观，对面状分布目标（如植被栽植）的复核更具备现场核查所无法比拟的优势，部分不易到达区域的复核的任务也都能较好地解决。无人机遥感作为获取空间数据的重要手段之一，具有机动灵活、影像分辨率高等特点，基于无人机技术的岸线监管可较好解决当前日常监管中存在的问题，对河流岸线监管具有重要意义，应用前景广阔。
依托位于内蒙古自治区正蓝旗浑善达克沙地榆树疏林草原长期生态定位观测大样地（42°57′53″ N、115°57′30″ E），利用无人机获取的高精度数字高程模型数据和样地内3 768棵榆树空间位置和胸径、树高和冠幅的地面调查数据。综合坡度、坡向、坡向变率和小尺度的海拔高差，基于决策树分类的方法对样地地形进行分类，分析榆树疏林在不同地形上的数量、密度和榆树结构的空间特征。主要结果为：1）样地地形分为沙平地、沙甸、阳坡、阴坡和沙脊5种类型，各类型面积分别占样地总面积的52.89%、17.25%、12.47%、10.05%和7.35%。2）在沙平地、沙甸、阳坡、阴坡和沙脊5种地形下的榆树密度分别为28.9、17.0、41.2、141.7和65.2棵/hm2。3）位于沙地阳坡的榆树胸径、冠幅和树高最大，分别为18.9±7.52cm、5.19±2.33m和4.89±2.33 m。4）榆树在沙丘阴坡的分布密度最高，阳坡的榆树胸径、冠幅和树高显著大于其他地形部位。研究结果表明：基于综合地形因子的沙地微地形分类可更好地表征榆树疏林的空间分布规律，同时也证明了无人机可成为分析植物空间分布格局的有效工具。
采用无人机低空遥感与地面调查相结合的方法对邻海陆地、远海陆地和盐生沼泽生境的古银叶树群落健康进行评价，利用冠层高度、林窗特征、光合有效辐射截面比、归一化植被指数（NDVI）、氮素反射指数（NRI）、黄色波段指数（YI）以及森林健康指数（FHI）等遥感指标指征古银叶树群落的健康状况。空-地结合的调查结果表明：1）盐生沼泽生境的古树由于树龄高，其树洞大且数量多，生境内生物多样性最低，邻海陆地生境的生物多样性最高。2）盐生沼泽生境的冠层高度最低；林窗面积最大，数量最少，形状复杂度最低；光合有效辐射截面比最小。以上指标在邻海陆地和远海陆地间差异不明显。NDVI、NRI、YI以及FHI的数值均表现出盐生沼泽小于远海陆地和邻海陆地的趋势，而在远海陆地和邻海陆地间的差异较小。3）无人机遥感的评价结果与地面调查结果契合度较高，客观地反映了不同生境古银叶树的健康状态。基于无人机遥感的评价体系在针对具体植物群落修改完善后，可以作为一种快速、无损和定量化的古树群落健康诊断方法。
无人机水禽监测具有高时空分辨率、高机动性等特性，较传统方法在监测范围、观察视角及数量统计精度等方面均有不同程度质量提升。但因其飞行方式灵活，且在监测水禽过程中与对象物种或集群距离较近，会对其行为等方面造成直接影响。因此，亟需构建合理有序的无人机水禽监测模式。文章使用微型多旋翼无人机（大疆御2 Pro）针对国际重要湿地纳帕海3种集群水鸟：①体长在80~120 cm之间的大型鸟：黑颈鹤（Grus nigricollis）集群；②体长在40~80 cm之间的中型鸟：绿头鸭（Anas platyrhynchos）集群；③体长＜40 cm的小型鸟：骨顶鸡（Fulica atra）集群，通过不同飞行高度、拍摄角度等航拍方式对其进行无人机监测，并对比不同监测方式下，各水禽集群特征识别的差异及特点。文章列举了目前无人机水禽监测中对监测结果产生影响的部分问题，同时也提出了无人机水禽监测的一些原则供参考：1）无人机应尽量轻、小，以避免水禽将其误认为捕食者；2）在不惊飞水禽的前提下，尽量选择较低的飞行高度及合适速度；3）抵近水禽集群时，保持操作平顺与平稳，减少无人机状态突变；4）尽量减少无人机抵近水禽的时长，长时间监测应使无人机保持在水禽集群警戒距离之外，使用长焦镜头；5）因不同物种在不同时段、不同生境条件下对干扰的响应不同，因此无人机水禽监测时段和监测区的选择，应建立在对监测对象充分了解的基础上。
森林冠层和林窗的结构及其时空变化是理解森林生态系统格局、动态变化过程的重要基础。在当前生物多样性监测倍受关注的契机下，如何以合适的手段准确描述林窗面积、分布等特征，并与森林固定样地监测数据有效地结合，更好地回答群落构建的理论问题，使森林群落物种多样性维持机制得到更全面的认识，是目前亟待解决的问题。以鼎湖山南亚热带常绿阔叶林20 hm2固定监测样地为研究对象，基于不同遥感影像提取方法对其林窗和林冠表层数据进行提取分析。结果表明：基于监督分类的提取方法适合RGB波段航片林窗的提取，在林窗分类中，应首先确定林窗高度、边界木与最小面积，不同分类方法差异主要表现在林冠分类中，林窗分类生产者精度和用户精度表现都较为一致。无人机航拍识别率受地形因素影响较大，在地形复杂林地应按坡度分区域进行飞行以降低误差。相对于地面调查，MD4-1000无人机航片的林窗识别率为98.7%；大疆Phantom4无人机航片的林窗识别率为72.3%，影像后期处理数据量小，同样适用于森林林窗定量研究，符合生态学、林业等从业人员对大型样地林窗长期监测的要求。无人机航拍南亚热带森林物种识别难度较大，基于MD4-1000无人机搭载的高分辨率相机，在地势平缓区域优选的4 hm2样地中可识别林冠表层物种数17种，共2 706个个体。搭载高分辨率无人机在降低飞行高度的基础上可进行部分物种识别。应用无人机近地面遥感对森林固定样地进行林冠监测，可为后期群落构建研究提供数据基础，有望从新的研究角度探讨森林群落物种多样性维持机制。
以花芽分化期荔枝为例，分析了荔枝冠层叶片养分质量分数的空间分布差异；选用18种光谱变量，研究了荔枝不同冠层叶片养分质量分数与光谱变量的关系及其对无人机多光谱遥感监测模型的影响。结果表明：荔枝不同冠层叶片的氮、钾质量分数随冠层高度降低而明显提高；冠层中、上层叶片氮质量分数与无人机正射数据计算的类胡萝卜素反射指数（CRI）相关性最高（r＝0.86，p＜0.01）；冠层中、下层叶片钾质量分数与无人机正射数据的光谱变量显著相关，且与标准绿波段（NG）指数的相关程度最高（r＝-0.83，p＜0.01）。荔枝冠层叶片养分质量分数空间变化对基于垂直观测遥感数据建立的叶片养分质量分数估算模型精度有影响，无人机多光谱数据具有估算荔枝叶片氮、钾质量分数变化的潜力，但估算精度与冠层高度有关。
采用四旋翼无人机采集特色作物山药种植区影像，针对山药种植时间和管护水平差异导致的植株生长差异化特征，通过筛选红绿比值指数（RGRI）、过绿指数（ExG）和过绿减过红指数（ExG-ExR）等颜色指数获取山药植株最优颜色指数计算方法；以高斯高通滤波（GHPF）增强和保留山药植株高频信息，抑制杂草、玉米植株的噪声；结合田间测量山药植株数据，通过人机交互解译方法对图像滤波增强后的影像进行灰度分割和提取山药植株信息。结果表明：1）样区总体提取精度为91.14%，样区A、B、C的提取精度分别为90.94%、91.96%、90.81%，精度验证完整性为93.16%；2）随着山药植株多株连体生长复杂程度的增强，过绿指数具有的土壤与植被的分离性仍优于红绿比值指数和过绿减过红指数；3）使用高斯高通滤波能够有效消除杂草、玉米植株的影响，减小山药植株多株连接生长所产生的干扰；4）高斯高通滤波卷积核大小79×79适用于不同时相和不同生长情况的山药植株影像处理，针对不同的山药植株生长情况和不同时相的可见光影像，需调整灰度分割的阈值参数t，单株山药植株面积S由田间测量确定。该方法以快速灵活、低成本的方式识别和计算不同生长状态的山药植株数目，适用于喀斯特山区的精准农业监测研究和现代农业生产活动。
提出以无人机季节航拍影像为数据源，采用ENVI5.3软件中的CART方法对广西北部湾的典型岛群红树林景观类型进行解译，借助于Python语言实现CASA模型并将其引入到对岛群红树林生态系统的研究中，得出了不同海岛和红树林生态系统净初级生产力（NPP）的空间分布特征。结果表明：1）可见光波段差异性植被指数（VDVI）可以很好地区分海岛及红树林植被等典型地物，可应用在岛群红树林生态系统NPP的估算上；2）研究区NPP的总量为127.09 t·C/a，NPP的年均碳密度值介于0~1 437.12 g·C/m2，年均碳密度为399.85 g·C/m2。红树林生态系统的NPP值较高，而海岛生态系统的NPP值较低；3）季节尺度上NPP碳密度的大小与年内太阳辐射有直接的关系，夏季的NPP碳密度最大，冬季最小；4）白骨壤的单位面积NPP最大，为1 123.09 g·C/m2，而桐花树最小，为649.65 g·C/m2。红树林生态系统NPP平均碳密度低于实测样地和深圳福田红树林计算结果，这与不同红树林群落的植被光谱特征有关。
利用无人机倾斜摄影技术，对德庆县马圩镇典型崩岗区域进行2016和2017年连续2年的动态监测，结合ArcGIS软件对数据进行处理分析，分析了崩岗在空间上的变化特征。结果表明：1）研究区域2017年崩岗总面积比2016年增加16 401.2 m2，变化率为10.21%，说明研究区的崩岗仍处于发育状态；2）研究区西南偏南方向的崩岗面积减少最明显，总体侵蚀最严重的坡向集中在南向；3）崩岗侵蚀最为强烈的部位发生在海拔高程51~60 m和81~90 m处，整体侵蚀呈现出中下部位大于上部位的现象；4）研究区崩岗近2年的年侵蚀体积量为1 172.68×103 m3。无人机航测数据的质量能够满足无人机摄影测量的规范要求，与传统调查方法相比时效性更高、更方便和成本更低。
基于研究对象视角梳理轻小型无人机遥感手段在生态学研究中的应用现状，重点分析了无人机在不同生态对象应用的优势和局限：优势主要在于其能够高灵活性、高分辨率地获取各生态对象的数据，为较大规模的生态研究提供了便利。在农田生态系统应用中主要关注农田信息检测、自动化农作等方面，但在这方面的应用还比较单一，缺乏更深层更全面的系统化应用；在森林草地中主要关注植被结构参数提取、生物量反演等，在数据采集过程中应注意设备的稳定性避免对数据准确性造成影响；城市生态系统主要集中在城市环境监测和测绘方面，同时城市方面飞控政策尚待完善；水生生态系统主要关注水生动植物监测和潮间带观测等，大规模监测也对设备续航和数据标准化处理提出了要求；动物研究应用中主要关注动物迁徙规律、物种分布等方面，在监测过程中需注意不要对动物栖息造成干扰。总的来说，无人机应用局限主要在于其获取的数据处理尚未标准化，飞控政策尚未成熟和硬件续航等方面。在此基础上探讨了未来无人机遥感在生态学研究的应用趋势：随着无人机智能化的软硬件发展和云端生态大数据的建立，无人机数据的获取和处理将更加智慧化，多源的无人机遥感数据将会更好地服务于生态学研究。
利用2004—2018年Web of Science数据库中无人机生态遥感监测领域的相关文献，通过文献计量统计和可视化方法对发文量、作者、国家、机构、期刊和关键词等进行分析，从文献计量视角评价了国际无人机生态遥感监测研究的发展历程和进展。结果表明：检索到的381篇该领域的文献来自全球62个国家、646所机构的1 598位学者，2013年以来相关文献数量呈高速增长趋势。在该领域研究中，美国、中国和西班牙的综合科研力量最强；美国农业部、西班牙国家科学研究委员会和中国科学院的发文量全球领先；虽然全球有较多学者从事该领域研究，但国际学者间的交流和合作相对较少。Remote Sensing、International Journal of Remote Sensing和Precision Agriculture是该领域文献的主要期刊载体。除检索词“Unmanned Aerial Vehicle”“Drone”外，“Precision agriculture”“Vegetation indices”“Forest inventory”等是出现频次较高的关键词，表明无人机遥感在精准农业、植被调查等方面的应用是研究重点。为了促进无人机生态遥感监测研究，建议国内外学者间加强交流合作，增强技术创新并拓宽在生态监测领域的应用范围。
