《International Journal of Applied Earth Observation and Geoinformation》：Individual sapling-level leaf chlorophyll content estimation in
Ginkgo biloba with weed background: A novel deep-learning approach coupling APUNet-YOLO with PROSAIL-DNN
编辑推荐：
叶绿素含量的精确估算有助于理解幼树的生理健康状况。传统的田间测量方法限制了大规模应用，而遥感监测方法虽然提高了效率，但在数据处理与分析方面仍面临挑战。其中一个关键挑战是在杂草植被的干扰下提取单木冠层并估算叶绿素含量。为克服这一挑战，本研究开发了一种新型耦合深度
叶绿素含量的精确估算有助于理解幼树的生理健康状况。传统的田间测量方法限制了大规模应用，而遥感监测方法虽然提高了效率，但在数据处理与分析方面仍面临挑战。其中一个关键挑战是在杂草植被的干扰下提取单木冠层并估算叶绿素含量。为克服这一挑战，本研究开发了一种新型耦合深度学习方法。首先，研究人员提出了一种注意力与金字塔U-Net（Attention and Pyramid U-Net, APUNet），以提高多光谱无人机图像中银杏幼苗冠层边界的分割精度。其次，对You Only Look Once（YOLO）模型的超参数组合进行了优化，以提高高杂草覆盖度复杂条件下的幼苗检测精度。随后，开发了一种滑动窗口方法以减少整幅图像中所有幼苗检测的重复检出率，并利用APUNet与检测结果的交集实现单木分割。最后，建立了用于叶绿素估算的PROSAIL-深度神经网络（Deep Neural Network, DNN）模型，并研究了利用APUNet-YOLO去除杂草像素对叶绿素估算的影响，以及分割过程中的过度覆盖与欠覆盖如何影响叶绿素估算精度。结果表明，与U-Net相比，APUNet的分割性能有所提升，交并比（Intersection over Union, IoU）从0.697提高至0.736。通过网格搜索进行超参数优化后，YOLOv8l模型实现了0.968的mAP50，且将该模型应用于滑动窗口全图检测时，其重复检出率（duplicate detection rate, ddr）较常规方法降低了11.2%。在叶绿素反演方面，使用APUNet-YOLO减少杂草像素干扰后叶绿素估算精度达到最高，R2为0.752，均方根误差（Root Mean Square Error, RMSE）为7.143 μg/cm2。同时，分割误差对叶绿素估算精度影响的敏感性分析表明，与欠覆盖分割相比，过度包含分割导致叶绿素估算精度下降更为显著。该新型耦合模型能够在复杂背景条件下有效监测银杏幼树的叶绿素含量，为实现精准林业提供了实践可能。
**论文解读：杂草背景下银杏幼树单木叶绿素含量估算——基于APUNet-YOLO与PROSAIL-DNN的耦合深度学习方法**
**一、研究背景与意义**
叶绿素作为光合作用的关键色素，是评估植被健康状况的重要指标。准确监测单株树木的叶绿素含量有助于评估生长状况并指导精细化管理策略，进而通过筛选更健康、更有活力的苗木为精准营林提供支撑。然而，传统的叶绿素测量方法耗时费力且具有破坏性，难以大规模推广。尽管卫星遥感技术克服了这一困难，但其较低的空间分辨率、有限的重访周期以及大气干扰等限制，不利于对幼树的精确监测。近年来，搭载多光谱传感器的无人机（Unmanned Aerial Vehicle, UAV）能够获取覆盖可见光至近红外波段的高分辨率影像，具有数据量大、维度高、信息丰富等优势。然而，传统图像处理和统计方法在处理大规模、高维图像数据时信息提取能力相对有限。深度学习技术擅长从复杂数据中学习高维特征，为处理无人机图像提供了有效途径。因此，将无人机遥感数据与深度学习技术相结合，能够有效克服上述问题，实现单木幼树叶绿素含量的精准监测。
当前，单木分割算法主要分为三类：基于数字图像处理的方法（如分水岭分割、多尺度滤波、区域生长等）、图像处理与机器学习相结合的方法（如支持向量机（Support Vector Machine, SVM）、K-means聚类等）以及基于深度学习的方法。前两类方法分别在参数适应性、复杂背景泛化能力方面存在局限，而深度学习凭借自适应特征学习能力、不依赖人工设计、能有效提取多层次特征信息并展现更强泛化能力等优势，成为实现本研究目标最合适的技术路径。然而，现有深度学习分割研究多聚焦于大型成熟树木，针对幼苗分割的研究，特别是在复杂杂草背景下的研究相对匮乏。同时，叶绿素估算的遥感方法可分为经验模型、机器学习、物理模型和混合模型。经验模型依赖波段间固定关系，时空可靠性较差；机器学习方法依赖昂贵且有限的标注数据；物理模型可能因参数组合不同而产生高度相似的冠层反射率，导致反演结果存在模糊性和非唯一性。为克服这些局限，近年研究日益探索将PROSAIL辐射传输模型与机器学习算法相结合的混合方法。然而，现有PROSAIL-ML/DL混合反演研究主要集中于干扰较少的冠层条件，在杂草丛生的苗圃环境中的研究相对稀缺。事实上，杂草背景会影响反射率提取精度，从而干扰遥感定量反演过程。因此，克服杂草信号干扰至关重要。
**二、研究内容与技术方法**
本研究旨在利用无人机多光谱高分辨率影像实现银杏幼树的高精度单木分割与叶绿素含量估算。研究区域位于中国江苏省邳州市兴楼镇（34°38′2.36″N, 117°53′7.74″E），面积约6500 m2，属暖温带季风气候。试验地为以银杏（Ginkgo biloba L.）为主的苗圃，幼树在数据采集时树龄为三年，因药用栽培目的未施用除草剂，导致杂草严重滋生，增加了监测难度。研究人员使用搭载MicaSense RedEdge Dual MX 10波段多光谱成像系统的DJI Matrice 300 RTK（M300）无人机采集多光谱数据，飞行高度30 m，航向与旁向重叠率均为80%，获取的正射影像空间分辨率为2.1 cm。同期待测的50株银杏幼树样本中，平均树高为1.25 ± 0.32 m，采用分光光度法测定的叶绿素含量为35.39 ± 14.35 μg/cm2。
主要关键技术方法包括：（1）提出一种注意力与金字塔U-Net（APUNet），在U-Net瓶颈层中集成自注意力（Self-Attention, SA）模块和空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块，以提高复杂冠层结构、模糊边界和杂草干扰下的冠层边界提取精度；（2）基于网格搜索对You Only Look Once（YOLO）模型进行超参数优化，并开发滑动窗口方法实现全图幼苗检测与重复检测抑制；（3）构建PROSAIL-深度神经网络（DNN）耦合模型进行叶绿素估算，利用PROSAIL前向模拟生成训练数据，并通过光谱匹配构建DNN训练集；（4）通过形态学腐蚀与膨胀操作模拟分割误差，开展叶绿素估算精度的敏感性分析。
**三、主要研究结果**
**1. 消融实验与不同模型性能对比**
五次重复随机子采样消融实验表明，与原始U-Net相比，APUNet将Accuracy、F1-score和IoU分别提高了0.6、2.7和3.9个百分点。各模块均对性能有正向贡献，组合后达到最佳效果，表明所提出组件间存在协同效应。与主流语义分割模型（SegNet、FCN、DeepLabV3+）相比，APUNet在所有评估指标上均取得最高分数，IoU超过0.7，而其他模型均低于该阈值。视觉对比结果显示，SegNet、FCN和U-Net在杂草区域存在明显过分割噪声，DeepLabV3+虽边界更平滑但精度较低，而APUNet实现了最接近参考冠层多边形的精细边界描绘。此外，仅使用RGB三波段输入的APUNet较10波段多光谱输入的APUNet，IoU下降1.6个百分点、F1-score下降1.1个百分点，表明更丰富的光谱信息有助于提升单木分割和检测性能。
**2. YOLO单木幼苗检测结果**
通过网格搜索系统测试不同超参数组合，YOLOv8m模型在批大小为8、图像尺寸为320时mAP50达到最大值0.96885。采用滑动窗口方法进行全图检测，80幅小图像中共含1,454株银杏单木，滑动窗口法检测出1,518株，而常规方法检测出1,791株。在五幅大图像上，滑动窗口方法的平均mAP（IoU=0.5）为0.919，重复检出率（ddr）为0.033；常规方法的平均mAP为0.867，ddr为0.145，表明滑动窗口算法能有效减少冗余检测。将YOLO检测结果与语义分割掩膜求交集后获得单木冠层分割结果，与人工标注冠层面积相比，RMSE为127.3 cm2，R2为0.933，表明该方法在冠层面积估算方面具有较高精度和可靠性。
**3. 叶绿素含量估算结果**
为研究杂草像素对叶绿素估算的干扰，实验分为两组：第Ⅰ组为APUNet-YOLO杂草去除组，第Ⅱ组为YOLO未去除杂草组。同时对两组分别测试12种不同深度的DNN架构，结果表明当DNN采用两个隐藏层且每层8个神经元时，两组均达到最佳性能，R2分别为0.752和0.478，RMSE分别为7.143 μg/cm2和16.187 μg/cm2，表明去除杂草像素干扰可有效提高叶绿素反演精度。Bootstrap重采样结果显示，APUNet-YOLO组最优网络结构下DNN模型的95%置信区间为（0.612, 0.843），表明模型在小样本独立验证条件下具有稳健的拟合性能。此外，研究还测试了PROSAIL-RF（R2=0.696）、PROSAIL-SVM（R2=0.378）和PROSAIL-LUT（R2=0.640），结果表明PROSAIL-DNN模型优于这些对比模型。空间回归制图结果显示，研究区无杂草区域的预测叶绿素含量略低于杂草区域，模型在无杂草区域的RMSE为6.235 μg/cm2，在杂草区域的RMSE为7.435 μg/cm2，两个区域的估算精度相当。
**4. 分割误差敏感性分析结果**
敏感性分析实验表明，当对APUNet-YOLO分割结果分别进行膨胀和腐蚀操作以模拟过度包含和欠覆盖场景时，从分割掩膜中提取的光谱信息会出现波动，进而影响叶绿素估算精度。过度包含会引入杂草像素，由于银杏冠层反射率通常高于杂草背景，导致反射率降低。该光谱偏差具有波段依赖性：近红外、红边和绿波段的反射率下降更为显著，而蓝光和红光波段的影响相对较小。相反，欠覆盖会移除位于冠层边缘、阴影区域或低对比度区域的冠层边界像素，导致反射率升高。研究还发现，过度包含对叶绿素估算精度的影响大于欠覆盖。当腐蚀和膨胀均为1像素时，R2分别下降0.214和0.109，表明杂草像素干扰对叶绿素估算的影响更为严重。
**四、讨论与结论评述**
在讨论部分，研究人员分析了杂草像素污染的机制及其对估算的影响。杂草像素构成研究中最主要的污染源，由于杂草与银杏冠层之间存在显著的光谱差异，杂草像素的混入会改变冠层平均反射率，导致PROSAIL-DNN框架中叶绿素估算精度下降。通过开发集成ASPP和SA模块的APUNet，有效区分树冠与杂草、改善冠层边界定位，从而减少冠层平均光谱的系统性偏移并提高叶绿素估算精度。关于浅层DNN优于深层架构的现象，研究人员从域偏移（domain shift）和模型容量与泛化能力的关系两个角度进行了解释。由于训练数据主要由PROSAIL模拟光谱组成，而真实样本仅用于独立验证，训练分布与真实验证分布之间存在不可避免的差异和噪声。在域偏移和噪声影响下，深层网络虽然拟合能力更强，但更容易学习仅对模拟域有效的特征，对输入扰动或分布变化更敏感，导致真实验证集上性能波动或泛化能力下降。
研究结论表明，本研究提出了一套基于无人机多光谱影像的幼苗分割与叶绿素含量估算集成系统，为精准林业监测提供了技术支撑。首先，提出的APUNet通过在U-Net中集成ASPP和SA模块，将IoU从0.697提高至0.736，Accuracy从0.935提高至0.941，F1分数从0.820提高至0.847，优于其他三种对比模型，在幼苗冠层提取方面表现出更优性能。其次，通过网格搜索优化YOLO超参数组合，优化后的YOLOv8l表现出最高的单木幼苗检测能力（mAP50=0.968）。同时提出的滑动窗口方法将重复检出率较常规方法降低了11.2%，并通过叠加APUNet结果实现单木分割，冠层面积估算误差为0.012 m2，R2为0.934。第三，开发了PROSAIL-DNN耦合模型用于叶绿素估算，并设计两组实验研究去除杂草像素对叶绿素估算的影响。结果表明，去除杂草像素的APUNet-YOLO组在采用两个隐藏层且每层八个神经元时达到最佳性能（R2=0.752，RMSE=7.143 μg/cm2）。最后，通过敏感性分析实验发现，当分割结果出现过度包含或欠覆盖时，提取的光谱信息会发生波动，影响叶绿素估算精度，且过度包含的干扰比欠覆盖对叶绿素估算的影响更为严重。本研究提出的耦合模型有效去除了杂草像素干扰，实现了单木幼苗健康状况的精准监测，为精准树木栽培提供了可靠支持，并为精准林业创造了新的机遇。
