基于随机森林和高分辨率航拍影像的河川木材自动检测与量化研究

本研究针对河川木材(RW)管理难题，开发了基于随机森林(RF)机器学习和外源指数的自动检测模型。利用法国国家地理与林业信息研究所(IGN)0.2米分辨率的近红外航拍影像，在Meurthe河120公里河段实现多类别RW检测，并在Loire等三条河流验证了75.41-86.57%的检测率。创新性地量化了RW长度、直径等形态参数，为河流生态系统管理提供了高效决策工具。

　　

河川木材(River Wood, RW)在塑造水生和河岸栖息地方面发挥着关键作用，同时影响着沉积物和水体动力学。然而长期以来，RW管理面临两难困境：一方面其生态价值被广泛认可，另一方面又可能加剧洪水风险。法国自1993年洪水后颁布的Barnier法律第23条明确规定，河道中的RW沉积物必须清除以维持自然水流，这使得高效监测RW分布成为迫切需求。传统人工调查方法效率低下，而现有自动检测技术多局限于二元分类，难以准确反映复杂河道环境。

针对这一技术瓶颈，中国科学院的研究团队在《Environmental Modelling》发表创新研究，首次开发出基于随机森林(Random Forest, RF)机器学习的多类别RW自动检测系统。研究利用法国国家地理与林业信息研究所(IGN)提供的0.2米分辨率近红外航拍影像(BD Ortho? IRC)，在Meurthe河建立四分类模型（RW、植被、砂砾坝、水体），并通过空间推理在Loire等三条不同类型河流验证模型泛化能力。结果显示，模型总体精度达92%，在过滤后对异源河流的RW检测率达75.41-86.57%，同时实现了RW长度、直径等形态参数的精准估算。

关键技术方法包括：1)采用地理分层策略划分训练集与测试集；2)基于树结构模式估计器(Tree Structured Pazern Estimator, TPE)算法优化RF超参数；3)融合NDVI、亮度指数(BI)等外源特征提升分类性能；4)开发连接组件标记算法降噪；5)建立最小定向边界框(Minimal Oriented Bouding Box, MOBB)量化RW形态指标。研究选取Meurthe、Bu?ch、Loire和Doubs四条水文地貌特征各异的法国河流作为验证场地，通过人工数字化339个RW多边形建立基准数据集。

研究结果部分：

3.1 数据呈现
光谱特征分析显示，RW在红色波段(108反射率)与近红外波段(89反射率)具有独特特征，与砂砾坝存在显著差异(p<0.05)。通过曼-惠特尼U检验证实四类别在三个波段均存在统计学差异(U值达1.35×10¹¹)。

3.2 随机森林监督分类
渐进式特征工程将模型性能从86%提升至92%。关键发现包括：

• 加入纹理特征(GLCM同质性)使RW召回率从12%提升至39%
• 亮度指数(BI)有效区分干燥RW与砂砾坝
• 最优模型参数：967棵树、最大深度18、最小分裂样本数10

4.3 河川木材指标
创新性体积计算公式V=c×L×D²×π/4，通过面积校正因子c=A/A_b优化估算：

• 孤立树干(IT)长度预测R²=0.97，RMSE=1.10m
• 木材堆积(LJ)体积预测R²=0.93，校正后RMSE降至171.88m³
• Bu?ch河检测率75.41%，验证模型对辫状河流的适应性

讨论与结论：
该研究突破了传统二元分类局限，首次实现多河流系统的RW自动检测与量化。空间推理验证表明，模型可适应从山区辫状河(Bu?ch)到平原曲流河(Loire)等不同地貌类型，解决了RW管理中的尺度转换难题。提出的MOBB测量方法和体积校正公式，为估算RW存量提供了新范式。

技术层面，研究证实纹理特征(HOM/ENT)对改善RW检测至关重要，这源于RW与水体/砂砾坝的微观结构差异。尽管存在砂砾坝误检(28.95%)等局限，但相比传统航拍解译方法，该自动化流程效率提升显著，单机即可处理百公里级河道数据。

生态应用价值体现在三方面：1)为实施欧盟水框架指令提供监测工具；2)支持洪水风险区的RW预警系统建设；3)量化RW对栖息地异质性的贡献。开源的RiverDetectWood软件(CC BY-NC 4.0许可)集成于GitHub平台，其模块化设计便于整合LiDAR等新型数据源，为智慧河流管理奠定技术基础。