《ISPRS Open Journal of Photogrammetry and Remote Sensing》：Optimizing bilberry yield models: Comparison of yield estimation strategies and inter-annual transferability
编辑推荐：
本研究采用一种全自动工作流程进行大规模越橘（Vaccinium myrtillus）产量估计，将众包网络应用与基于深度学习的计数方法相结合以获取训练数据，并利用机载激光扫描（ALS）与地理信息系统（GIS）衍生的特征进行大规模产量估计。在芬兰努克西奥（Nuuk
本研究采用一种全自动工作流程进行大规模越橘（Vaccinium myrtillus）产量估计，将众包网络应用与基于深度学习的计数方法相结合以获取训练数据，并利用机载激光扫描（ALS）与地理信息系统（GIS）衍生的特征进行大规模产量估计。在芬兰努克西奥（Nuuksio）6 km × 6 km测试区域内采集的图像通过YOLOv8进行处理，获得的浆果计数被划分为四个等级。研究人员从70个候选特征中通过贪婪前向选择法筛选出最相关的特征，并训练随机森林模型进行产量估计。特征选择在两种不同的优化策略下进行：最大化高产精度（产生空间上集中的高产斑块）或优化总体精度（产生中高预测产量的连续区域）。在所有数据集和优化策略中，特定环境特征被一致地选择为越橘产量的关键预测因子。水文特征（如到最近湖泊的距离和最近湖泊的大小）经常被选中，凸显了接近湿润环境的重要性。森林结构变量（包括冠层盖度和由冠层盖度及最大树高衍生的林缘特征）也常被选中，尤其是在总体精度优化的产量图中。湖泊相关和森林边缘特征始终是精度优化图最重要的特征。这两个发现强调了越橘植株接收日照量的重要性。地形高程被反复选择，反映了地形对越橘生长的影响。需要注意的是，所确定的特征集反映了努克西奥研究区的局部条件，不应假定能直接推广到其他区域。基于YOLO的平均和最大产量估计略优于目测平均产量估计，表明基于自动图像的数据采集相较于人工目视评估具有适度优势。可转移性测试证实，所开发的越橘产量模型在不同年份间具有稳健的泛化能力。当在不同2025年数据集上训练并基于2024年观测进行评估时，模型性能保持相对稳定，表明所选特征捕捉到了有意义的生态关系。然而，与精度优化模型相比，精度优化模型在16 m像素尺度上对年际产量波动表现出更高的敏感性。与Hyypp?等人（2026）的研究结果一致，浆果计数中的遗漏被确定为主要的误差来源，且随着越橘植株高度的增加，该效应更为显著。从多视角图像采集中选择可最大化可见浆果数量的拍摄角度，减轻了这种遗漏误差。此外，基于YOLO的自动框架检测方法通过高效识别浆果样方框，确保仅对目标区域内的浆果进行计数，进一步支持了该工作流程。最后，用户评估证实了所提出的产量图和网络应用的实际有用性，因为参与者报告无论其既往采集经验如何，其定位高产越橘区域的能力和在森林中导航的能力均有所提升。
**越橘产量建模与年际可转移性研究解读**
**一、研究背景与问题**
森林蕴含着巨大的非经济价值，对促进人类健康、福祉和文化认同具有重要作用。越橘（Vaccinium myrtillus）和红莓苔子（Vaccinium vitis-idaea）是北欧地区最具经济和文化遗产意义的非木质林产品之一，广泛用于个人消费和商业销售。在芬兰，近60%的人口每年参与浆果采摘，96%的成年人从事森林户外活动，这一广泛的公众参与得益于“所有人的权利”（everyone’s right），即允许任何人从几乎所有森林中采集浆果供个人食用和商业销售。然而，随着北欧地区向城市生活方式的转变，许多居民对森林景观不熟悉，缺乏寻找高产采摘地点所需的本地知识。这一差距可以通过提供可靠的高产区地图来解决。此外，大批量浆果采摘者也受益于最新的产量图，以更好地选择最优采摘区域。
早期越橘产量模型和基于国家森林清查（NFI）的经验建模方法依赖于专家知识或经验数据，使用立地和林分特征作为解释变量。稳健的统计方法，特别是广义线性混合模型（GLMMs），成为越橘产量建模的核心。这些研究表明，越橘产量与林分结构、森林立地类型和树种组成密切相关。然而，已有模型的独立验证研究显示，预测产量存在显著变异，只有相对较小比例的产量变异可被解释，模型不确定性仍然很高，典型均方根误差在150%至200%之间。近年来，机载激光扫描（ALS）和机器学习方法被引入浆果产量预测，深度学习与众包的结合也逐渐应用于自动化野外浆果计数。然而，已有研究尚未评估不同参考数据采集策略、年份间的时间可转移性，以及针对总体预测精度或高产采摘区识别等不同建模目标优化的模型。
**二、研究目标与意义**
本研究旨在解决上述研究空白，扩展越橘产量建模的科学理解和技术框架。研究的主要科学贡献包括：比较优化总体预测精度与高产精度的产量模型，为高产采摘区特征和高产相关特征组合提供新见解；使用两个生长季收集的野外数据评估基于ALS的产量模型的时间可转移性；评估基于多视角图像采集的误差缓解策略以减少自动化参考数据采集中的浆果遗漏，包括分析自动化浆果计数中的遗漏以及灌木高度对浆果可见性的影响；比较基于YOLO的自动化浆果计数和目测平均小区产量作为替代野外参考数据采集策略；以及通过众包用户测试评估生成的产量图在浆果采摘中的实际有用性。此外，研究还详细描述了扩展产量绘图框架的技术开发，包括用于众包训练数据收集和产量图可视化的网络应用、自动化浆果样方框提取过程、改进的浆果计数模型、扩展的ALS和GIS特征集，以及端到端自动化产量绘图框架的完整工作流程。
**三、关键技术方法**
研究人员在芬兰努克西奥地区（Kirkkonummi/Vihti/Espoo）选取了一个6 km × 6 km的测试区域，利用国家激光扫描5点/m2数据、努克西奥国家公园边界以及该地区越橘灌木覆盖的初步评估进行选择。数据采集涉及众包智能手机图像，分别于2024年和2025年进行。2024年约20名参与者（包括芬兰地理空间研究所FGI人员和当地定向运动俱乐部成员）贡献了9,765张图像，共881个测试小区用于生成越橘产量图。2025年8名FGI人员采集了12,377张图像，共1,216个测试小区。图像采集遵循标准化指南，使用0.5 m × 0.5 m可折叠浆果样方框，从上方或略有角度拍摄以最大化浆果可见性。采用YOLOv8（You Only Look Once version 8）模型进行浆果样方框分割和浆果计数，计数模型在包含18,464个标注越橘的535张图像上训练。从ALS和GIS数据中提取了70个特征，涵盖六个类别：地形特征、基于面积的森林度量、单木检测（individual tree detection, ITD）特征、邻域空间特征、水文特征和道路特征。采用贪婪前向选择算法对每个数据集进行特征选择，获得优化高产精度和总体精度的两组特征集，并训练随机森林分类器生成产量图。
**四、主要研究结果**
**1. 浆果样方框提取**
用于浆果样方框分割的YOLO模型在验证集上获得了0.98的F1分数（置信度阈值为0.72），推理阶段每个输入图像的处理时间约为6.1 ms，表明该模型高效且准确。
**2. 浆果遗漏和植株高度的影响**
线性回归分析显示，YOLO预测计数与人工标注计数之间具有较强的一致性（R2=0.93，RMSE=6.0，MAE=4.1）。相比之下，标注计数与田间实测计数之间的线性相关性明显较弱（R2=0.82，RMSE=12.3，MAE=8.1），表明遮挡导致的浆果遗漏对整体误差的贡献大于YOLO检测器本身。从每个小区采集的五张图像中选择可见浆果数量最高的图像可减少遗漏误差，同时保持较高的检测精度。研究还发现，浆果可见性随越橘植株高度的增加而降低。
**3. 面向高产精度和总体精度优化的产量图特征**
特征选择结果显示，精度优化特征反映了一种太阳能辐射、水分可用性和温度调节之间的平衡。水文特征（尤其是靠近湖泊环境）对越橘产量至关重要。基于YOLO的最大产量（2025）数据在特征选择中实现了最高的第4类精度（0.579）。总体精度优化模型强调冠层结构的不同方面，包括冠层盖度、树木高度指标和邻域开放性。不同数据集和年份之间的特征选择结果呈现一致模式，水文和森林边缘特征成为最具影响力的预测因子。
**4. 产量图**
研究人员比较了基于不同数据集和优化目标生成的产量图。精度优化图中，最高产量区域通常位于湖泊附近，呈局部分布。总体精度优化图则呈现更连续的高产区，并不仅限于湖泊附近。2025年各数据集生成的图彼此相似，而2024年产生的精度优化图与其他图存在差异，表明年际变化的影响。图中高产区域通常位于湖泊附近但并非紧邻湖岸线，并常在森林边缘、道路附近和较高海拔地区被发现。
**5. 产量图的用户评估**
2025年开展的用户测试中，22名参与者完成了166次野外测试。用户报告称，产量图将其定位越橘热点区域的能力提高了78%，在森林中的导航和定位能力提高了72%。参与者的浆果采摘经验与报告的有用性之间未观察到显著关系，表明产量图对经验丰富和经验不足的用户均有实用价值。
**6. 模型的时间可转移性**
以2025年数据训练、2024年数据测试的精度优化模型，第4类精度在0.367至0.406之间，总体精度在0.379至0.391之间，与2024年数据训练和测试的基线模型（第4类精度0.397）接近，表明模型在不同年份间具有良好的泛化能力。总体精度优化模型的总体精度在0.378至0.410之间，下降幅度有限。产量图之间的Pearson相关分析显示，2025年各数据集之间存在强相关性（精度优化图r=0.77–0.85；精度优化图r>0.86），而2024年与2025年之间的相关性较低（精度优化图r≈0.60–0.66；精度优化图r≈0.65–0.69），反映了年际产量变异性。精度优化模型在像素水平上对年份特定的量模式更敏感。
**五、讨论与结论总结**
研究表明，水文特征（如湖泊距离和大小）和森林边缘特征始终是识别高产越橘地点的最重要预测因子。接近湿润环境、充足日照和较低灌木覆盖有利于越橘生长。基于YOLO的浆果计数衍生产量等级比目测估计数据提供更可靠的预测性能。产量图在用户测试中显著提高了采摘效率。模型在不同年份间的可转移性得到验证，但精度优化模型对年际波动更敏感。浆果计数中的遗漏误差（尤其是植株较高时）是主要误差来源，多视角图像采集可有效缓解。
研究指出，所选特征集反映努克西奥研究区的局部生态条件，不应假定可直接推广至更大区域。气象变量因可用数据空间分辨率过粗（10 km网格）而未纳入，但在区域或国家尺度上可能成为重要预测因子。未来研究方向包括：将研究扩展到更大地理区域和多年份，纳入气象数据，应用更高密度ALS数据和深度学习点云处理架构，以及将该工作流推广至其他非木质林产品和地区（已成功应用于芬兰北部红豆越橘）。自动化的、精度优化的产量图可显著提高普通民众和专业采摘者的寻找效率，具有重要的社会经济意义。
