利用无人机图像和深度学习技术来改进北方森林中枯木的测绘工作

《Remote Sensing of Environment》：Using UAV images and deep learning to enhance the mapping of deadwood in boreal forests

枯木监测；无人机图像；YOLOv8实例分割；冠层覆盖；数据集泛化；精度评估；三维结构分析；遥感技术

　　在芬兰的针叶林中，死木和腐朽木材是维持生物多样性的关键组成部分，约有四分之一的植物和动物依赖于这些结构。然而，目前芬兰在林地层面的死木数据极为匮乏，因为传统的实地调查往往集中在大范围的估算，或完全忽略死木的记录。这种数据缺失限制了我们对森林生态质量的评估能力，特别是在对小范围林地的监测方面。鉴于此，无人机（UAV）技术作为一种低成本且高效的远程测绘手段，成为获取更精细死木数据的可行方法。

UAV可以提供比商业卫星和航空摄影更高空间分辨率的图像，后者通常具有30厘米的地面采样距离，而UAV能够达到5厘米左右的精度。这使得UAV在识别如倒伏的死木等小型对象方面具有显著优势。在本研究中，我们采用YOLOv8实例分割模型，利用高分辨率的RGB无人机图像对芬兰两个地理上不同的研究区域（Hiidenportti国家公园和Evo）中的直立和倒伏死木进行识别和分割。我们手动标注了约13,800个死木实例，用于训练和验证模型。此外，我们还比较了这些标注数据与Hiidenportti地区实地测量数据的匹配度，以评估从UAV图像中可以观察到多少死木。同时，我们还研究了不同区域的训练数据对模型性能的影响，以及模型在不同区域的表现差异。

通过将Hiidenportti和Sudenpes?nkangas的数据合并使用，我们发现模型的性能显著提高。具体而言，Hiidenportti数据集上的测试掩膜mAP50得分为0.682，而Sudenpes?nkangas数据集上的得分为0.651。这表明，使用来自不同区域的数据训练模型能够提升其泛化能力。然而，仅使用单一区域的数据进行训练会导致模型表现显著下降，尤其是在Sudenpes?nkangas区域，使用Hiidenportti数据训练的模型在mAP50得分上平均低0.2。这一发现支持了之前的研究结论，即多区域训练数据有助于提高模型在不同环境下的表现。

本研究的主要目标之一是评估高分辨率无人机图像在死木检测中的可行性。我们发现，尽管UAV图像能够捕捉到大部分可见的死木，但其检测能力仍然受到林冠覆盖率的显著影响。在Hiidenportti研究区域，平均约有46%的实地测量死木被UAV图像捕捉到，而平均林冠覆盖率约为58%。这一结果表明，林冠覆盖率越高，死木的可见性越低，但同时也会导致死木被分割成多个较短的实例，从而增加检测数量。这种现象在Hiidenportti和Sudenpes?nkangas两个研究区域都得到了验证，表明在密集林冠下，死木的检测面临更大的挑战。

在检测倒伏死木时，UAV图像的高分辨率使得专家能够识别和标注这些对象，但模型的性能仍需进一步提升。对于直立死木，由于其树冠可能部分或完全缺失，模型在检测时需要处理更多的误判问题。尤其是在林冠密集的区域，直立死木与活树难以区分，而倒伏死木由于其细长的形态，容易在图像中产生较大的包围框，但实际覆盖面积较小，从而影响模型的检测精度。此外，倒伏死木可能重叠或密集分布，这也会导致包围框重叠，增加后处理的复杂性。

为了评估模型的性能，我们使用了多个指标，包括精度（Precision）、召回率（Recall）、AP50和mAP。其中，AP50表示在IoU阈值为0.5时的平均精度，而mAP则是基于多个IoU阈值计算的平均精度。这些指标能够全面反映模型在定位和分类上的表现。我们还比较了模型在不同区域的性能差异，发现使用本地数据训练的模型在Hiidenportti和Sudenpes?nkangas两个区域的检测效果都优于仅使用另一区域数据训练的模型。此外，模型的精度和召回率也随着参数量的增加而提高，但训练和推理时间也随之增加。

在实际应用中，UAV图像能够为森林资源调查提供有价值的参考数据，尤其是在需要对稀有或分散的森林对象进行精确识别时。然而，尽管UAV技术在提高检测效率方面具有显著优势，它仍无法完全替代传统的实地调查。特别是在需要测量生长量、基部面积等参数时，UAV图像可能无法提供足够的信息，需要结合其他方法进行补充。此外，由于UAV图像仅能识别从上方可见的对象，一些被林冠遮挡的死木可能无法被检测到，这限制了其在某些情况下的应用范围。

尽管如此，本研究的结果表明，UAV图像在死木检测和分割任务中具有很高的潜力。通过使用YOLOv8模型，我们能够以较高的精度识别可见的死木，尽管在某些情况下仍然存在低估的现象。特别是对于倒伏死木，模型在高分辨率图像中表现良好，但仍然受到林冠覆盖率和地面植被的影响。为了进一步提高模型的性能，需要对这些因素进行更深入的研究，并在模型训练中引入更多的多样性。

本研究还探讨了如何通过结合不同区域的训练数据来提升模型的泛化能力。我们发现，使用多个区域的数据进行训练能够显著提高模型在不同区域的检测效果。这表明，在森林研究中，采用多区域数据训练模型可能是未来的发展方向。此外，随着计算机视觉和人工智能技术的不断进步，出现了更多可用于死木检测的模型和方法，如Segment Anything、DINOv2和Grounding DINO等。这些模型能够更全面地处理图像数据，甚至可以通过文本提示进行更精确的分割。

尽管当前的UAV图像技术存在一些局限性，但它们仍然为森林资源调查提供了重要的补充。通过高分辨率的图像，可以更精确地识别和分割死木，从而为森林管理和生态评估提供更可靠的数据。未来的研究可以进一步探索如何结合不同的遥感技术，如UAV激光雷达（LiDAR）和光学数据，以提高死木检测的准确性和全面性。同时，还需要对模型的性能进行更深入的验证，特别是在不同林冠覆盖率和地面植被条件下的表现。

总的来说，本研究为利用UAV图像进行死木检测和分割提供了一个可行的框架，并展示了其在提高森林生态质量评估方面的潜力。尽管目前的技术还不能完全取代传统的实地调查，但它们在某些情况下能够提供更高效、更精确的数据。随着技术的不断发展和数据的积累，UAV图像在森林资源调查中的应用前景将更加广阔。