深度学习结合智能手机实现城市森林胸径与地上生物量的智能估测——基于双LiDAR验证系统的创新方法

本文提出了一种基于目标检测辅助线和树干边缘的复合检测新方法，结合针孔成像原理、尺度变换、异速生长方程和YOLOv5算法，开发了可在智能手机上运行的树木结构参数测量与地上生物量（AGB）估测模型。该模型实现了胸径（DBH）、树高和AGB的实时估测，验证集显示DBH测量绝对误差（AE）0.05-1.86 cm，相对误差（RE）0.29%-12.62%，R2达0.94；AGB估测AE为0.02-17.99 kg，RE为0.04%-21.34%，R2为0.96。与传统调查和双LiDAR系统相比，本方法具有精度高、部署快、成本低、便携性强等优势，为城市森林资源调查提供了新思路。

　　

研究区域

本研究选取银杏（Ginkgo biloba, GB）、樟树（Cinnamomum camphora, CC）和玉兰（Yulania denudata, YD）三种树种，采样区域覆盖杭州市临安区乌苏街东段以及浙江农林大学的银杏大道和玉兰路。图1展示了采样树木的地理分布。银杏作为广泛栽培的落叶树种，其唯一原生栖息地位于浙江天目山。

模型评估

图10(a)展示了训练过程中精确率（P）、召回率（R）和平均精度均值（mAP）随训练轮次的变化趋势。在第55轮之前，三项指标均存在波动且呈下降趋势。但随着训练轮次增加，以及余弦函数动态调整学习率，模型逐渐收敛。至最终轮次时，P、R和mAP均达到较高水平。

边界框损失（Box_loss）、目标性损失（obj_loss）和分类损失（cla_loss）在前20轮急剧下降，此后下降趋势减缓并趋于稳定，最终维持在较低水平，表明模型具有良好的收敛性。

误差分析

对验证集中DBH测量的进一步误差分析表明，银杏（Phone_DBH_GB）的绝对误差（AE）、相对误差（RE）、均方根误差（RMSE）和相对均方根误差（rRMSE）均低于其他两种树种。这种更高的准确性可归因于银杏特定的种植环境与形态特征。首先，研究区域的银杏通常以间距较大的行植方式用于城市绿化，这促进了树冠的充分发育并减少了树木间的遮挡。