海岸带沉积物的输运过程决定着海岸带的地貌形态及生物的栖息环境，沉积物资料对于沉积动力学、地貌动力学和生态系统动力学的研究中都起着关键作用。然而，野外采集和实验室分析沉积物样品是十分耗时耗力的，这对于大规模、快速监测沉积物的时空变化带来很大的挑战。解决上述挑战的一条可能的技术路线是利用无人机平台和机器学习方法进行沉积物特征的快速监测。本研究在中国东海之畔的南田岛大沙沙滩采集了64个表层沉积物样品，利用3种无人机平台取得了10种空间-光谱数据，建立了将离散型变量沉积物类型进行数字化的规则，采用机器学习和传统线性回归方法从空间-光谱域数据预测了沉积物的5个属性特征，包括沉积物类型、含水率、平均粒径、分选系数、偏态。结果表明，研究区沉积物特征的空间变化与高程具有一定联系；在预测5种沉积物特征时，Near-Infrarer、Red Eage、DSM、Red、Slope等5个空间-光谱数据起了较大的作用，这印证了无人机空-谱域数据结合的必要性；Near-Infrarer对于含水量最为敏感，含水率与平均粒径呈正相关关系，在预测平均粒径时，含水率是不可忽略的因素。就沉积物特征的预测结果而言，机器学习比线性回归方法具有更稳定的精度，在验证集和测试集上的R²平均值到达了0.86和0.82，比线性回归高出0.28和0.12，预测结果的空间分布格局也更符合基于沉积物的实验室分析数据得到的空间异质性。此外，用预测的三个粒度参数的规则网格数据代入Gao-Collins模型分析大沙沙滩的粒径趋势，与沙滩的地表高程变化（能指示短期的沉积物输运格局）有良好的对应关系。由于本研究所用方法获取的沉积物特征值的空间分布是规则的，避免了常规沉积物采样带来的采样站位形状不规则、站位间距不一致的问题，能大幅提高Gao-Collins模型需要的数据分辨率，也弱化了该模型固有的边缘效应，从而拓展该模型的适用性。本研究提出的方法，能精准快速地辨识沉积物特征，弥补了传统的采样-实验室分析技术路线的不足，建议应用到更多的海岸类型，特别是在交通不便的区域。
 

海岸带沉积物；无人机空间-光谱数据；机器学习；微地貌；Gao-Collins方法