基于LiDAR和深度学习的沟渠与自然溪流语义分割不确定性量化方法比较研究

研究人员针对LiDAR衍生数字高程模型(DEM)中沟渠与自然溪流自动识别的不确定性量化问题，系统比较了网络概率、MC dropout(含预测熵与互信息)和保形预测(含特征保形预测FCP与保形回归)五种方法。研究发现FCP在不确定性映射中表现最优(AUSE=0.09)，而网络概率在误分类检测方面效率最高(仅需修正3%像素即可达到MCC=0.95)。该研究为遥感地物分类的可靠性评估提供了方法论指导，对生态敏感区域管理决策具有重要实践价值。

　　

在可持续土地管理和生态保护领域，准确识别沟渠(ditch)与自然溪流(natural stream)至关重要。这两种水文特征在LiDAR衍生的数字高程模型(DEM)中形态相似却面临截然不同的管理规范——自然溪流受严格生态保护，而沟渠允许机械维护。传统人工测绘方法难以应对大范围作业需求，深度学习语义分割技术虽能实现自动化识别，但其预测可靠性存在显著空间异质性，过度自信的误判可能导致生态破坏或管理失效。

针对这一难题，研究人员开展了针对性的不确定性量化方法比较研究。通过设计10折交叉验证实验，在0.5m和1m两种分辨率DEM数据上，系统评估了网络概率、MC dropout衍生指标(预测熵与互信息)以及两种保形预测方法(FCP和保形回归)的性能差异。研究采用改进的U-Net架构，创新性地使用双对数变换标签和具体化丢弃(concrete dropout)技术，并引入面积稀疏化误差曲线下面积(AUSE)和面积校正误差曲线下面积(AUCE)等新型评估指标。

关键技术包括：(1)基于500×500像素芯片的U-Net语义分割框架；(2)蒙特卡洛丢弃(MC dropout)采样1000次计算预测熵与互信息；(3)特征保形预测(FCP)在特征空间实施保形回归；(4)结合Mondrian分层的保形回归方法；(5)使用瑞典12个区域LiDAR数据构建校准集与测试集。

4.1 测绘性能
在0.5m分辨率DEM上模型表现显著优于1m分辨率(MCC=0.76 vs 0.61)，但对自然溪流的识别始终最具挑战性(F₁^(s)=0.43)，反映小样本类别的学习困难。

4.2 不确定性量化性能
FCP在AUSE指标上表现最优(0.09)，其生成的不确定性地图能有效凸显边界模糊区域；而网络概率在AUCE指标领先，仅需修正3%最高不确定像素即可使MCC从0.76提升至0.95。值得注意的是，MC dropout方法对沟渠/溪流像素普遍赋予高不确定性，导致大量正确预测被误标记。

4.3 保形预测性能
保形回归生成的90%置信度地图覆盖60%区域且MCC达0.82，显著优于原始预测水平。但FCP因预测区间重叠严重，难以生成有效置信地图。

研究结论揭示：针对不确定性映射任务，FCP凭借特征空间扰动分析展现最优性能；而误分类检测场景则适宜采用网络概率策略。保形回归可生成可靠置信地图但计算成本较高。分辨率提升虽改善分类性能，却可能导致网络概率的过度自信问题。该研究为遥感地物分类的可靠性评估建立了方法论框架，其提出的校正曲线概念为质量管控提供了量化工具。特别在生态敏感区域，该方法能有效识别需要人工复核的关键区域，平衡自动化效率与生态保护需求。研究结果对LiDAR大规模测绘应用中的质量控制具有重要指导价值，为后续研究奠定了基准比较体系。