基于深度学习和多模态航空影像的大规模围栏检测：生态连通性与土地利用管理的新视角

本研究针对围栏生态影响评估中缺乏自动化检测工具的难题，创新性地结合高分辨率正射影像与数字表面模型(DSM)，开发了基于UNet和D-LinkNet的多模态深度学习框架。通过构建首个开放围栏语义分割数据集MultiFranceFences，系统评估了早期/晚期特征融合策略，发现RGB-DSM融合可使F1-Score提升至45.87%，为景观破碎化研究和可再生能源设施生态评估提供了新工具。

　　

围栏作为人为景观要素，在土地管理和生态保护中扮演着双重角色：既是农牧业生产的必要设施，又是野生动物迁徙的隐形屏障。随着全球可再生能源设施和基础设施的快速扩张，围栏导致的栖息地破碎化问题日益严峻。然而，传统依靠人工勘测或卫星影像解译的方法难以实现大规模围栏制图，特别是对于宽度仅数十厘米的线性结构，现有遥感技术面临巨大挑战。

法国斯特拉斯堡大学（Université de Strasbourg）的研究团队在《Remote Sensing Applications: Society and Environment》发表的研究中，创新性地将深度学习与多模态航空影像相结合，开发了大规模围栏自动检测系统。研究团队利用法国国家地理与林业信息研究所(IGN)提供的0.2米分辨率正射影像和LiDAR HD点云数据，构建了包含10,691个标注样本的MultiFranceFences数据集，系统比较了UNet和D-LinkNet架构在不同数据融合策略下的性能表现。

关键技术包括：(1)采用256×256像素的影像切块策略处理全国范围数据；(2)开发Delauany三角剖分算法处理LiDAR点云生成DSM；(3)对比早期融合（输入级联）与晚期融合（特征级联）策略；(4)评估Dice Loss、Binary Cross-Entropy(BCE)及其组合损失函数；(5)引入地理分层抽样验证模型泛化能力。

研究结果显示：

1. 多模态融合提升检测精度
   通过对比UNet_RGB（F1-Score 43.67%）与UNet^RGB+DSM_Concat（45.87%），证实DSM数据在复杂场景中可提供额外高度信息，但性能增益仅2.2%，提示需权衡计算成本与精度提升。

2. 损失函数影响显著
   Binary Cross-Entropy(BCE)表现最优（45.87%），优于Dice Loss（44.09%），反映像素级分类对细长结构的检测优势。组合损失函数L_CombinedBCE（λ₁=0.7）在晚期融合中达到47.39%的峰值性能。

3. 数据标准化策略比较
   DSM数据采用局部最小-最大归一化（patch-wise min-max）较全局标准化提升明显，UNet_mmDSM模型IoU达29.37%，证实局部高度差异比绝对高程更具判别力。

4. 地理分层的泛化挑战
   地理分层抽样测试集性能（F1-Score 34.25%）显著低于随机抽样（44.09%），揭示围栏特征存在显著区域异质性，为后续跨区域迁移学习指明方向。

讨论部分强调，该研究首次实现了国家尺度的围栏自动化检测，虽然当前45.87%的F1-Score尚不足以完全替代人工解译，但已为生态风险评估提供了可行工具。特别在光伏电站等新兴基础设施的环评中，该方法可快速识别围栏网络对景观连通性的累积影响。研究开源的MultiFranceFences数据集和代码库，为后续研究建立了重要基准。未来工作可结合LiDAR点云分类技术，进一步区分围栏材质类型，建立考虑结构异质性的"摩擦系数"模型，更精确量化不同围栏对物种迁移的阻碍效应。这项技术框架的普适性使其可扩展至德国等其他具备高分辨率航空数据的国家，有望推动全球围栏生态影响的系统性评估。