基于深度学习的高分辨率航空影像橄榄园自动分类与树木计数方法研究

《Smart Agricultural Technology》：Automated Olive Grove Classification and Tree Counting in Very High Resolution Aerial Imagery using Deep Learning

本研究针对橄榄园精准管理需求，结合遥感技术与深度学习算法，开发了一套自动化橄榄园分类与树木计数系统。通过EfficientNet实现地块级分类（Cohen's κ=0.982），并利用YOLO算法完成单株检测（F1=91.5%），为智慧农业提供了高效可靠的技术方案，显著提升了农业资源监测的精度与效率。

　　

橄榄树作为地中海农业系统的核心经济作物，其种植管理直接关系到橄榄油产业的可持续发展。然而，传统人工勘察方式难以应对大范围种植区的监测需求，尤其在高异质性的农业景观中，精准识别橄榄园边界并统计树木数量一直是农业遥感领域的难点。现有研究多依赖半自动化方法或小样本数据集，缺乏兼顾自动化与统计稳健性的解决方案。

为突破这一瓶颈，来自意大利巴里大学的研究团队在《Smart Agricultural Technology》发表了一项创新性研究，他们整合超高分辨率（Very High Resolution, VHR）RGB航空影像与前沿深度学习（Deep Learning, DL）算法，构建了一套完整的橄榄园智能识别与计数流程。该研究覆盖意大利南部443.8 km2的农业区，通过双重深度学习框架实现了从地块分类到单株检测的无缝衔接。

研究团队首先从意大利农业基金机构（AGEA）获取分辨率为20 cm的航空正射影像，并基于土地注册系统与土地利用数据筛选出648个农业地块（总面积11.6 km2）。通过专家人工标注，将地块划分为“橄榄园”与“其他类型”两类，其中108个橄榄园地块进一步标注了近23,000棵橄榄树的精确位置及行间距信息。为适配深度学习模型输入要求，每个地块被随机裁剪为200个128×128像素的图像块（patch）。

关键技术方法包括：

1. 1.
   基于EfficientNet-B1的迁移学习（Transfer Learning）模型进行地块级分类，采用空间交叉验证（Spatial Cross-Validation）防止数据泄露；
2. 2.
   利用YOLO（You Only Look Once）单阶段目标检测算法实现橄榄树自动定位与计数，并与传统行间距估算法、RetinaNet模型进行对比；
3. 3.
   通过混淆矩阵（Confusion Matrix）、Cohen's κ系数、F1分数（F1 Score）、平均绝对误差（Mean Absolute Error, MAE）等指标全面评估模型性能。

5.1 橄榄园分类结果

EfficientNet-B1在30轮交叉验证中表现出色，地块级分类的Cohen's κ达0.982（95%置信区间0.946-1.0），总体精度（Overall Accuracy, OA）为99%。其性能显著优于VGG16、MobileNet等对比模型（p<0.01）。值得注意的是，通过聚合地块内所有图像块的预测结果，有效缓解了因局部特征模糊（如田埂或混合植被）导致的误分类问题。模型与欧盟农业补贴系统（LPIS）数据的一致性较高（OA=86.6%，κ=0.72），但针对密集种植区或暗色背景区域仍存在少量误判。

5.2 树木检测与计数结果

YOLO算法在留一法交叉验证（Leave-One-Out Cross-Validation）中取得中位数F1分数91.5%（精度93.0%，召回率90.5%），树木密度预测的均方误差为11.4棵/公顷，决定系数R²=0.90。相较于依赖行间距的解析法（Analytical Method）与基于森林数据预训练的RetinaNet模型，YOLO在检测稳定性与抗干扰能力上优势明显。然而，在树木间距过近或背景噪声较强的区域，算法仍存在漏检现象。

讨论与意义

本研究首次将EfficientNet与YOLO组合应用于橄榄园多尺度监测，其全自动化流程避免了传统方法对人工参数的依赖，且通过大规模数据集与严谨的空间验证框架确保了结果的泛化能力。相较于既往研究（如Peters等采用的随机森林方法或Marin等使用的DeepForest模型），本方案在检测精度与自动化程度上均有显著提升。

未来，该技术框架可进一步扩展至种植密度分级、栽培模式识别（如规则网格与不规则布局）等领域，并为灌溉规划、产量预估、病虫害监测提供数据支撑。结合多光谱或高光谱影像，算法还有望实现品种鉴别与植株生理状态反演，最终推动橄榄种植向数字化、智能化管理转型。