经过改进的YOLOv7网络结合无人机和Sentinel-2影像，实现了对莫索竹茎密度的精确测绘

《Ecological Indicators》：An improved YOLOv7 network achieved precise mapping of Moso bamboo stem density by UAV combined with Sentinel-2 images

本研究提出基于无人机、深度学习和卫星遥感的协同框架，通过改进YOLOv7模型（CACFP-YOLOv7）生成高精度样本数据集，结合随机森林回归模型实现毛竹全区域茎密度估算。实验表明CACFP-YOLOv7模型AP达85.0%，RMSE为112.69棵/公顷，RF模型全县总竹量估算误差最小，最终全县毛竹密度为2079棵/公顷，总数量约1.92亿棵，验证了该技术的高效性与准确性。

　　在现代森林生态系统研究中，竹林作为亚热带地区特有的森林类型，具有快速生长和高产量的特性，其碳汇能力显著优于传统树种。这种高效的碳吸收能力使其在维护区域乃至全球碳平衡中发挥着不可或缺的作用。因此，对竹林进行准确的调查和监测具有重要的科学和实践意义。传统的人工地面调查方法虽然能够提供准确的竹林数据，但存在成本高、实施难度大等问题，尤其是在地形复杂、海拔差异大的地区。此外，竹林的生长周期较短，且不同生长阶段的竹林密度变化较大，这使得人工调查在时效性方面也存在不足。因此，发展一种高效、精准的竹林密度估算技术成为研究的迫切需求。

为解决上述问题，本研究结合“无人机（UAV）-深度学习-卫星遥感”技术，开发了一种基于UAV图像的竹林密度智能估算方法，并将其与Sentinel-2卫星遥感数据相结合，实现了对整个研究区域的竹林密度估算。该方法主要包括以下三个步骤：1）构建一种改进的YOLOv7目标检测模型，该模型融合了坐标注意力（Coordinate Attention, CA）机制和中心特征金字塔网络（Center Feature Pyramid Network, CFPNet），以提升特征提取能力，并引入一种新的损失函数——智慧交并比（Wise-IoU）损失函数，以进一步提高模型的训练效果；2）利用改进的YOLOv7模型对UAV飞行区域内的竹林密度进行预测，并生成大量与Sentinel-2遥感图像匹配的竹林密度样本；3）使用这些样本构建三种回归模型（随机森林（Random Forest, RF）、人工神经网络（Artificial Neural Network, ANN）和多元线性回归（Multiple Linear Regression, MLR），对整个研究区域的竹林密度进行估算。研究结果表明，改进的YOLOv7网络在样本级的竹林密度智能检测中表现出明显优势，其测试集的平均精度（Average Precision, AP）达到85.0%，且均方根误差（Root Mean Square Error, RMSE）仅为112.69株/公顷。在回归模型中，RF模型表现出最高的精度，其测试集的R2值为0.753，而MLR模型精度最低，R2值仅为0.523。基于RF模型，研究估算出安吉县的竹林密度为2,079株/公顷，总共有191,572,603株竹子。研究结果表明，融合UAV与卫星遥感的估算技术能够实现对竹林密度的高效和准确评估。

竹林密度是研究竹林地上生物量（Aboveground Biomass, AGB）和生产力的重要指标。传统的人工调查方法受限于地形、海拔等条件，需要大量的人力物力资源。此外，竹林生长周期短，且在不同阶段密度变化显著，使得人工调查的时效性不足。因此，亟需利用新的技术手段进行竹林的快速、精确调查，以获取可靠的竹林密度样本。近年来，基于高分辨率卫星和无人机影像的个体树检测（Individual Tree Detection, ITD）技术已成为森林资源监测的重要方法，并在许多单株计数研究中取得了良好效果。与中低分辨率卫星影像相比，高分辨率遥感卫星具有米级甚至亚米级的空间分辨率，能够有效捕捉个体树冠形态和空间分布特征。然而，高分辨率遥感卫星的影像获取成本较高，使得大范围区域估算面临挑战。此外，阴影、冠层遮挡、云层覆盖和空间异质性等因素可能导致树冠的漏检或误检。相比之下，无人机平台在高分辨率影像获取方面具有显著优势，不仅克服了高分辨率卫星遥感在重复周期长、运营成本高的缺点，还提供了更高的空间分辨率和更丰富的树冠结构信息。因此，利用无人机影像结合深度学习技术进行个体树检测和密度估算成为一种高精度、高效率的方法。

然而，目前的无人机检测技术仍存在一些局限性。例如，无人机的检测范围较小，难以实现县域尺度的竹林密度估算。因此，中低分辨率卫星影像仍然是大规模竹林参数反演的主要手段。基于此，本研究提出了一种“无人机+深度学习+卫星”的协同反演框架。该框架通过无人机和深度学习获取高精度的垂直样本，再结合卫星影像构建反演模型，从而将估算范围从样本点扩展到区域尺度。此外，竹林冠层密集分布，且竹株冠宽差异较大，这给目标检测算法的应用带来了显著挑战。当前竹林领域的深度学习检测数据集相对稀缺，导致模型的迁移学习能力较弱，特征识别效果不佳。因此，本研究提出了一种改进的YOLOv7目标检测算法，结合Sentinel-2影像，以实现大范围竹林密度的估算。

在本研究中，改进的YOLOv7网络（CACFP-YOLOv7）通过引入坐标注意力（CA）机制和中心特征金字塔网络（CFPNet）结构，显著提升了模型的特征提取能力和检测精度。CA模块通过赋予不同位置的特征不同的重要性权重，将位置信息嵌入到通道中，不仅考虑了通道间的相关性，还整合了位置信息，使模型能够捕捉更广泛的信息，同时避免了计算资源的过度消耗。CFPNet结构则通过显式的视觉中心（Explicit Visual Center, EVC）和全局集中调节（Global Centralized Regulation, GCR）进一步提升了模型对全局上下文信息和局部边缘特征的捕捉能力，从而减少了竹林的漏检问题。此外，本研究采用Wise-IoU损失函数替代传统的交并比（Intersection over Union, IoU）损失函数，提升了模型的训练效果。Wise-IoU通过动态非单调聚焦机制克服了传统静态聚焦机制的局限性，引入了异常度参数和非单调聚焦系数，使模型能够更有效地抑制低质量样本带来的有害梯度，从而提高模型的整体性能和鲁棒性。

为了获得足够的训练和测试样本数据，本研究对UAV飞行区域内的69个样本点图像进行了裁剪，以30%的重叠率生成了16个子图，总计1104张图像。每个子图的大小为640像素×640像素。基于视觉解释方法和地面调查方法，本研究使用LabelImg对每个样本点的图像子图进行了树冠标注，并将这些标注保存为PASCAL VOC数据集格式。数据集按照6:2:2的比例划分为训练集、验证集和测试集，共计553个训练样本和184个测试样本。为了减少网络模型的过拟合风险，本研究对训练集图像进行了数据增强处理，包括旋转、镜像、对比度调整等操作。具体的数据集信息如表3所示。

本研究还利用Sentinel-2影像计算了七种不同的植被指数（如比值植被指数RVI、差值植被指数DVI、加权差值植被指数WDVI、红外百分比植被指数IPVI、归一化差值植被指数NDVI、45°归一化差值指数NDI45和绿度归一化差值指数GNDVI），并提取了基于灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）的八种纹理特征，包括3×3、5×5和7×7三种窗口大小。此外，本研究还从数字高程模型（Digital Elevation Model, DEM）数据和ENVI 5.3的地形建模工具中提取了十二种地形因素，如坡度、坡向、阴影地形、剖面凸度、平面凸度、纵向凸度、横向凸度、最小曲率、最大曲率、均方根误差和坡度百分比等。这些植被指数和地形因素为后续的竹林密度估算提供了重要的输入变量。

为了构建竹林密度估算模型，本研究采用了三种回归算法：随机森林（RF）、人工神经网络（ANN）和多元线性回归（MLR）。其中，RF模型在测试集中的R2值达到0.753，表现最佳；而MLR模型的R2值仅为0.523，表现最差。基于RF模型，本研究对安吉县的竹林密度进行了估算，得出安吉县的竹林密度为2,079株/公顷，总共有191,572,603株竹子。这些估算结果表明，RF模型在大范围竹林密度反演中具有较强的泛化能力和鲁棒性。

在模型的精度评估方面，本研究采用了精度（Precision）、召回率（Recall）、平均精度（AP）、R2值和均方根误差（RMSE）作为主要的评估指标。其中，精度衡量模型在所有预测为正类的实例中正确识别的正类比例，召回率衡量模型成功检测到的实际目标比例。AP则是通过计算精度-召回率曲线下的面积来评估模型的整体检测性能，R2值用于衡量模型预测结果与观测值之间的拟合度，而RMSE则直接量化预测误差的平均大小。研究结果表明，CACFP-YOLOv7模型在测试集中的AP值达到0.850，且RMSE仅为112.69株/公顷，显示出其在竹林密度检测中的优越性能。

本研究的模型比较实验表明，CACFP-YOLOv7在精度和R2值方面均优于其他检测模型，如YOLOv5、YOLOv7、YOLOv8、Faster R-CNN和SSD。其中，YOLOv5和YOLOv8在精度和R2值方面表现较好，而SSD和Faster R-CNN在检测精度方面存在明显不足。通过引入CA模块和CFPNet结构，CACFP-YOLOv7在检测精度方面实现了显著提升，特别是在处理竹林冠层密集分布和遮挡问题时表现出更强的鲁棒性。此外，Wise-IoU损失函数的引入有效提升了模型的训练效果，减少了低质量样本对模型性能的负面影响。

在样本集生成方面，本研究通过将UAV飞行区域的影像按照Sentinel-2像素进行划分，生成了984个30米×30米的UAV影像单元，这些单元与Sentinel-2的单个像素相匹配。由于UAV飞行区域中存在非竹林区域（如居民区、农田和河流），这些样本单元需要被排除。最终，研究获得了737个竹林单元和247个非竹林单元。通过CACFP-YOLOv7模型对每个样本单元的竹林密度进行预测，生成了大量与Sentinel-2影像匹配的竹林密度样本，用于整个县域的密度估算。研究将样本集按3:1的比例划分为训练集和测试集，分别包含553个和184个样本。

在模型的精度评估方面，本研究对三种回归模型（RF、ANN和MLR）进行了测试，其中RF模型的精度最高，其R2值为0.753，而MLR模型的精度最低，R2值仅为0.523。通过RF模型对安吉县的竹林密度进行估算，得出安吉县的竹林密度为2,079株/公顷，总共有191,572,603株竹子。研究还对不同区域的竹林密度进行了空间分布分析，发现竹林密度在县域的东南部和西北部较高，而在县域的东部和南部较低。这种空间分布模式与样本的代表性密切相关，表明在不同区域，竹林的生长条件和密度存在显著差异。

在模型的不确定性分析中，本研究通过重复随机预测方法对RF模型的预测结果进行了不确定性评估。结果表明，大约90%的竹林区域表现出中等不确定性（标准差范围为10-20株/公顷），说明该模型在密度估算方面具有较强的稳定性和准确性。高不确定性区域（标准差>20株/公顷）和低不确定性区域（标准差<10株/公顷）在研究区域中所占比例较小，分别约为5%。高不确定性区域主要分布在县域的西北部和西南部，这些区域由于远离UAV飞行区域，空间异质性较高，导致预测结果波动较大。相比之下，位于UAV飞行区域附近的中东部区域由于特征一致性较高，模型稳定性更强。因此，未来的研究应扩展UAV的覆盖范围，以提高训练样本的空间代表性，从而增强模型在异质环境中的泛化能力。

此外，本研究提出的“无人机-深度学习-卫星”协同反演框架实现了从样本点到区域尺度的精度过渡。这一过程涉及误差的传播和累积，因此总误差包括基于UAV的检测误差和基于卫星的反演误差。通过对69个独立验证样本点的分析，总误差（RMSE）为241.91株/公顷，其中基于UAV的检测误差为164.22株/公顷，而基于卫星的反演误差为177.63株/公顷。这表明，在大范围反演过程中，RF模型本身引入的误差高于UAV检测误差。因此，提高样本集的精度和卫星反演模型的鲁棒性是未来研究的重要方向。

本研究的结果不仅为竹林地上生物量的定量评估提供了基础，还为森林碳汇监测和生态系统服务评价提供了支持。竹林密度作为竹林地上生物量的重要指标，其准确估算有助于揭示竹林在生态系统中的碳汇潜力，并为竹林的科学管理提供依据。此外，本研究提出的方法在减少人力成本、缩短调查周期和提高大范围密度估算精度方面具有显著优势，为未来竹林监测和管理提供了新的技术路径。