利用混合自注意力U-Net在航空影像中进行枯树检测与分割的双任务学习

《International Journal of Applied Earth Observation and Geoinformation》：Dual-task learning for dead tree detection and segmentation with hybrid self-attention U-Nets in aerial imagery

提出一种混合后处理框架，结合分水岭算法与自适应过滤，提升基于自注意力U-Net的深学习模型在密集植被中实例分割精度，在针叶林区域实验中实现41.5%的树干实例IoU提升和57%的位置误差降低，为森林健康监测、火灾风险评估和碳汇估算提供可靠工具。

　　森林健康评估、生物多样性监测和野火风险缓解是当前生态研究和管理中的重要议题。传统方法在这些任务中存在局限性，主要体现在高密度树冠结构、活体与死体植被光谱重叠以及过分割误差等方面。随着遥感技术的进步，特别是高分辨率航空影像的广泛应用，提供了更精细的森林信息。然而，现有方法在这些复杂环境中仍然难以实现准确的树冠分割与个体识别。为了解决这些问题，本文提出了一种融合深度学习与分水岭算法的混合后处理框架，该框架能够优化实例分离和边界精度，从而实现对死树的高精度识别。这一研究不仅提升了对森林健康和生物多样性的影响评估，还为大规模森林管理提供了支持，尤其是在需要精确树冠识别的区域，如北欧的针叶林。

### 研究背景与意义

树死亡是森林健康的重要指标，其检测对于追踪碳排放、评估野火燃料负荷以及监测栖息地丧失具有深远的意义。近年来，多模态数据的融合与任务特定的后处理技术被广泛应用于遥感实例分割，以提升分割精度。例如，RGB与近红外（NIR）影像的结合能够增强植被状态的区分，而LiDAR-RGB融合则有助于树冠结构的精确划分。然而，这些方法在实际应用中仍然面临诸多挑战，包括领域偏差、数据集缺乏多光谱信息、分割误差以及计算效率问题。

### 混合后处理框架的创新性

本文提出的TreeMort-3T-UNet框架，通过结合多任务学习与混合后处理技术，解决了现有方法在高分辨率航空影像中的不足。该框架采用三头解码器，同时预测分割掩码、中心热图和混合边界图，从而实现多任务优化。此外，利用分水岭算法对分割结果进行后处理，有助于提高树冠的分离精度。该方法不仅提高了分割精度，还有效减少了中心定位误差，使死树的识别更加精确，为森林管理提供了可靠的数据支持。

### 混合损失函数的设计

为了实现多任务学习，本文设计了一种混合损失函数，结合了二元交叉熵（BCE）损失、Dice损失、焦点损失（Focal Loss）和均方误差（MSE）损失。这些损失函数分别针对分割、中心定位和边界预测任务，以确保模型在不同任务上的性能平衡。通过调整各损失项的权重，可以优化分割与定位的精度，同时缓解类别不平衡问题。实验结果显示，该损失函数能够显著提升分割和定位性能，为复杂场景下的死树识别提供了更精确的预测结果。

### 数据集与实验设计

本研究使用了来自芬兰国家土地测绘局（NLS）的高分辨率航空正射影像，覆盖了芬兰的多种生态环境，尤其是以 Scots pine（Pinus sylvestris）、Norway spruce（Picea abies）和 birch（Betula pendula 和 Betula pubescens）为主的针叶林区域。影像数据包括红、绿、蓝和近红外四个波段，以确保能够捕捉到植被状态的细微差异。此外，影像数据经过正射校正，以提高地理定位的准确性。实验中，数据集被分为训练集、验证集和测试集，比例为70%、20%和10%，以确保模型的训练和评估具有代表性。通过这种空间感知的划分方式，可以减少空间自相关性对模型性能的影响。

### 实验结果与分析

实验结果表明，TreeMort-3T-UNet在树冠分割和中心定位方面显著优于传统方法和现有深度学习模型。具体而言，该方法在树冠分割精度（Tree IoU）上比U-Net提高了41.5%，同时将中心定位误差降低了57%。这些改进主要归功于混合后处理框架的引入，以及对多光谱数据的有效利用。此外，通过调整损失函数的权重，该方法能够在不同任务之间取得更好的平衡，从而提升整体性能。

### 方法的局限性与未来方向

尽管TreeMort-3T-UNet在当前数据集上表现出色，但其主要适用于针叶林生态系统，可能需要进一步调整以适应其他类型的森林环境。例如，引入高光谱数据或开发自动标注方法，以减少专家标注带来的主观性偏差。此外，未来研究可以探索混合架构，如结合UNet++与多任务分支，以提升模型的适应性和计算效率。同时，利用卫星数据与无人机数据的融合，可扩展该方法的应用范围，使其适用于全球尺度的森林监测和生态管理。

### 实际应用价值

TreeMort-3T-UNet的高精度分割和中心定位能力，使其在实际应用中具有重要价值。例如，在野火风险评估中，能够准确识别燃料热点，从而指导预防和管理措施；在碳储量估算中，有助于追踪碳排放和碳汇变化；在生物多样性保护中，能够监测栖息地碎片化，为生态保护提供数据支持。此外，该方法的计算效率也使其适用于大规模森林监测，为精准林业和生态管理提供了可行的技术方案。

### 结论

本文提出了一种融合深度学习与分水岭算法的混合后处理框架，显著提升了高分辨率航空影像中死树的分割与识别精度。通过结合多光谱数据和多任务学习，该方法不仅克服了传统方法在密集树冠结构中的不足，还为大规模森林监测提供了高效的解决方案。未来，该方法可进一步扩展，用于全球范围内的森林健康评估和生态管理，为精准林业和气候变化应对提供数据支持。