多方法无人机测绘与森林冠层空隙的几何分析：阈值分割、OBIA和深度学习方法的比较

《Australian Forestry》：Multi-method UAV mapping and geometric analysis of forest canopy gaps: a comparison of thresholding, OBIA and deep learning approaches

无人机影像与CHM阈值法结合实现97.46%精度的林冠间隙制图，YOLO11-seg模型在复杂森林中表现优异，几何复杂度分析验证了模型匹配度。

　　

摘要

无人机（UAV）能够提供高分辨率的数据，这些数据对于绘制森林冠层空隙图至关重要。在这项研究中，我们利用无人机影像和遥感技术生成了伊朗戈勒斯坦省达兰德森林公园内混合阔叶林冠层空隙的详细地图，并分析了这些空隙的几何特征。我们比较了多种提取方法，包括基于冠层高度和表面坡度的阈值分割方法（这些数据来自冠层高度模型，CHM），以及利用无人机影像的光谱特征和YOLO11-seg深度学习模型进行的目标分类方法。为了评估每种方法的性能，我们分别进行了基于点和基于多边形的验证。最终，通过使用CHM中5米的高度阈值获得了最准确的空隙图，其总体准确率为97.46%，Kappa系数为0.94。接下来，YOLO11-seg模型的表现优于其他目标分类算法（准确率为96.95%，Kappa系数为0.93）。基于多边形的验证结果也证实了这一点：高度阈值的准确率为94.96%，YOLO11-seg模型的准确率为92.66%。通过使用“空隙形状复杂性指数”进行的几何分析表明，YOLO11-seg模型在空隙的大小、形状和复杂性方面与实际测量结果非常吻合。这些发现凸显了基于无人机的技术在复杂森林生态系统中进行精确冠层空隙分析的潜力。