《Forests》：Spatial Prediction of Forest Fire Occurrence Integrating Human Proximity: A Machine Learning Approach for Korea’s Eastern Coast
Jeman Lee,
Sujung Ahn and
Sangjun Im
编辑推荐：
随着无人机（UAV）技术的进步，其在国家公园生态监测与安全管理中的应用显著扩展。然而，由于环境复杂性、背景干扰和遮挡，复杂场景中的目标检测仍然具有挑战性。为解决这些问题，研究人员提出了两种基于改进YOLOv8的模型，即YOLOv8-StarNet-CGA和SC
随着无人机（UAV）技术的进步，其在国家公园生态监测与安全管理中的应用显著扩展。然而，由于环境复杂性、背景干扰和遮挡，复杂场景中的目标检测仍然具有挑战性。为解决这些问题，研究人员提出了两种基于改进YOLOv8的模型，即YOLOv8-StarNet-CGA和SCS-YOLOv8，用于检测松材线虫病感染树木、在建农舍和森林火灾。在YOLOv8-StarNet-CGA中，StarNet模块和内容引导注意力机制（Content-Guided Attention, CGA）被集成到主干网络中，以增强全局特征提取，并通过动态权重调整聚焦关键区域。在SCS-YOLOv8中，原始CIoU损失被替换为SIoU损失，以优化形状和方向一致性，提高鲁棒性。在覆盖多种国家公园场景的无人机数据集上的实验证明了模型的有效性。结果表明，改进模型在精确率（Precision）、召回率（Recall）和平均精度（mAP50）上显著优于原始YOLOv8。对于由松材线虫（Bursaphelenchus xylophilus）引起的松材线虫病，YOLOv8-StarNet-CGA实现了精确率提高8.6%，mAP50提高11.7%，有助于疾病的早期诊断和干预。在建农舍场景中，精确率提高11%，mAP50提高10.1%，年度检查人力降低近30%，并改善了监管。对于森林火灾，SCS-YOLOv8更为有效，精确率提高7.2%，mAP50提高6.3%。改进的检测模型能够更早识别火点，从而为应急干预提供额外响应时间，有助于减缓火势蔓延和减少森林资源损失。两个模型还降低了GFLOPs和计算复杂度，在效率和准确性之间取得了平衡，显示出在无人机部署中的强大潜力。
国家公园作为生态保护与资源管理的核心区域，需要强有力的生态监测与安全保障，以维持生物多样性并降低生态风险。随着无人机（UAV）技术的普及，大规模、高频次的监测成为可能，但复杂森林环境中的目标检测仍面临挑战，包括背景干扰、目标形态多样、尺度变化剧烈等。现有主流检测器YOLOv8在复杂场景中表现出特征提取全局性不足、特征融合缺乏动态聚焦能力、损失函数对不规则目标适应性差等问题，难以在无人机边缘部署条件下同时保证精度与效率。为此，研究人员Jeman Lee、Sujung Ahn和Sangjun Im在《Forests》发表论文，针对国家公园多场景（松材线虫病感染树木、在建农舍、森林火灾）检测需求，提出两种基于改进YOLOv8的算法——YOLOv8-StarNet-CGA和SCS-YOLOv8，旨在提升检测精度、降低计算复杂度，并平衡效率与准确度，为无人机巡检提供技术支撑。
研究人员采用的关键技术方法包括：使用StarNet替换YOLOv8主干中的C2f模块，通过星型操作增强全局特征提取；引入内容引导注意力机制（CGA）替代传统特征拼接，动态调整特征权重以聚焦关键区域；在SCS-YOLOv8中用SIoU损失函数替换原CIoU，优化形状与方向一致性，提高边界框回归鲁棒性。数据集来自浙江钱江源-百山祖国家公园，使用大疆Phantom 4 Pro无人机（飞行高度70–80 m，图像分辨率1920×1080像素）采集，共1814张图像，涵盖松材线虫病感染树木（661张）、在建农舍（487张）和森林火灾（666张网络公开图像），按7:2:1随机划分为训练、验证、测试集。训练使用PyTorch 1.8.1，初始学习率0.01，批次大小32，图像尺寸640×640，训练300轮，早停法200轮，采用YOLOv8-COCO预训练权重。
研究结果如下：
**4.1 Overall Model Performance**：在三个场景数据集上分别进行对比实验。对于松材线虫病感染树木，YOLOv8-StarNet-CGA的精确率（Precision）、召回率（Recall）、F1-score、mAP50、mAP50-95分别较原始YOLOv8提升8.6%、13%、11.2%、11.7%、14.8%；在建农舍场景中，分别提升11%、10.2%、10.6%、10.1%、22.8%。对于森林火灾场景，SCS-YOLOv8表现最佳，精确率、召回率、F1-score、mAP50、mAP50-95分别提升7.2%、13%、10.1%、6.3%、10.2%。两个改进模型的GFLOPs均为13.8，仅为原始YOLOv8的48.6%，实现了高精度与低计算量的平衡。
**4.2 Ablation Study**：通过逐步引入StarNet、CGA和SIoU模块进行消融实验。在松材线虫病场景中，单独引入StarNet使精确率提升5.3%、mAP50提升8.8%；CGA单独贡献较小；StarNet与CGA结合（YOLOv8-StarNet-CGA）达到最优，精确率0.915（提升8.6%）、mAP50 0.955（提升11.7%）；加入SIoU后（SCS-YOLOv8）精确率0.909（提升8%）、mAP50 0.948（提升11%），略低于前者，但仍显著优于原模型。在建农舍场景中，StarNet与CGA结合同样最优，精确率0.983（提升11%）、mAP50 0.985（提升10.1%）。在森林火灾场景中，StarNet与CGA结合后精确率0.896（提升6.2%）、mAP50 0.91（提升6%）；加入SIoU后（SCS-YOLOv8）精确率0.906（提升7.2%）、mAP50 0.913（提升6.3%），达到最佳。GFLOPs从原始YOLOv8的28.4逐步降至13.8，证明StarNet和CGA有效降低了计算量。
**4.3 Comparison with Other Object Detection Models**：与EfficientNet、SSD、DETR以及YOLO-Drone、TSD-YOLO、YOLO-MS等改进模型对比，YOLOv8-StarNet-CGA和SCS-YOLOv8在三个场景的精确率、召回率和mAP50上均显著优于其他模型，验证了其性能优势。
讨论部分指出，YOLOv8-StarNet-CGA适用于规则目标（松材线虫病树木、在建农舍），SCS-YOLOv8适用于不规则动态目标（森林火灾）。但SIoU在规则目标场景中适应性不足，需场景自适应权重调整以降低角度和形状惩罚。此外，森林火灾数据集依赖网络公开资源，缺乏复杂地形、极端天气及夜间等低对比度场景的样本，限制了模型泛化能力。未来需构建实地采集数据集，开展不同海拔、植被类型及极端环境下的控制实验，并进一步验证连续巡逻条件下的早期火灾检测时间增益。
研究结论部分翻译如下：本研究提出了两种基于改进YOLOv8的多场景森林目标检测算法，即YOLOv8-StarNet-CGA和SCS-YOLOv8，针对国家公园生态监测中的松材线虫病感染树木、森林火灾和在建农舍进行优化。首先，引入StarNet替换YOLOv8主干中的C2f模块，以增强全局特征提取，CGA动态调整特征权重以聚焦关键区域。其次，将原始CIoU损失替换为SIoU，以提高边界框回归的鲁棒性。在无人机采集的国家公园数据集上评估了SCS-YOLOv8。与原始YOLOv8相比，SCS-YOLOv8在松材线虫病树木、在建农舍和森林火灾场景中mAP50分别提高了11%、9.3%和11.6%。同时，YOLOv8-StarNet-CGA在相应场景中的mAP50增益分别为11.7%、10.1%和9.7%，表明YOLOv8-StarNet-CGA更适用于松材线虫病树木和在建农舍，而SCS-YOLOv8在森林火灾场景中表现优异。此外，两个模型在精确率、召回率、mAP50和mAP50-95上均优于其他YOLO变体和主流检测模型。两个改进模型的GFLOPs从原始YOLOv8的28.4降至13.8，实现了计算效率与检测性能的提升。总体而言，这两个基于YOLOv8的改进模型表现出更强的检测能力，平衡了精度和效率，在复杂背景和多样化目标场景中表现优异，解决了国家公园多场景检测挑战，非常适合无人机巡检部署，为生态监测提供高效技术支持。
