摘要： 相比于高光谱遥感和多光谱遥感,在无人机上搭载 RGB 相机,不仅操作简单,而且成本低廉。 但是,目 前基于无人机 RGB 相机进行矿区典型植物分类的研究较少。 另外,开采沉陷对地表植物叶绿素含量的时空扰动规律 尚不清楚。 为解决上述问题,本研究融合 RGB 影像的光谱信息、纹理信息和点云的 3D 特征,使用神经网络、支持向量 机、随机森林 3 种机器学习分类算法,实现了对采煤沉陷区典型植被的分类。 基于多期影像的分类结果和植被指数, 分析开采沉陷对典型植物叶绿素含量的时空扰动规律。 研究表明,最佳的分类算法为支持向量机。 多特征融合可以 显著提高分类精度,相比于只用光谱特征,多特征融合后的总体分类精度提高了 9. 45%。 总体分类精度可达 90%, Kappa 系数为 0. 906,可满足矿区植被调查的需要。 通过分析针茅和柠条叶绿素含量的时空变化,发现采煤对拉伸区 植被的影响最大,其次是压缩区和中性区。 拉伸区应作为生态修复的重点区域。 地裂缝是生态修复的重点对象。 与 针茅相比,柠条能更好地适应采煤引起的干扰,可作为生态恢复的先锋物种。