标签高效的3D森林制图:用于实例分割、语义分割与树种分类的自监督与迁移学习

《Remote Sensing of Environment》:Label-efficient 3D forest mapping: Self-supervised and transfer learning for instance segmentation, semantic segmentation, and species classification

【字体: 大 中 小 】 时间:2026年07月22日 来源:Remote Sensing of Environment 12.3

编辑推荐:

  对森林结构的树木个体级分析对于森林生态分析以及指导林业经营管理至关重要。胸径(DBH)、树高和树冠尺寸等结构属性是估计断面积、生物量和碳等关键森林变量的基础。这些测量数据支持森林和生态系统建模,并可作为训练区域甚至全球经验模型的参考数据。传统野外调查方法耗时且

  
对森林结构的树木个体级分析对于森林生态分析以及指导林业经营管理至关重要。胸径(DBH)、树高和树冠尺寸等结构属性是估计断面积、生物量和碳等关键森林变量的基础。这些测量数据支持森林和生态系统建模,并可作为训练区域甚至全球经验模型的参考数据。传统野外调查方法耗时且成本高,难以满足气候变化背景下日益增长的更高时间分辨率需求。遥感技术提供了更频繁更新的解决方案,高质量遥感模型的建立仍依赖于野外调查校准数据。机载激光扫描(ALS)、 terrestrial laser scanning(TLS)、mobile laser scanning(MLS)和 drone laser scanning(DLS)可提供改进,但需要对点云中的树木木质部分进行准确提取。深度学习方法在从复杂3D森林环境中提取结构信息方面取得进展,但面临标注数据需求庞大的挑战。在茂密森林环境中,标注高密度3D点云因遮挡和重叠特别困难,人工标注耗时耗力且难以扩展。小样本学习方法和自监督学习(SSL),特别是对比学习,提供了利用大量未标记点云数据减轻标注负担的方案。然而,SSL衍生的特征可能无法完全捕捉特定任务的实例级信息,需要引入域适应技术。对于分类任务,采用层次迁移学习模型,先预训练区分广泛类别再微调进行物种级分类。在一项研究中,提出了一个统一3D深度学习框架,结合最先进的预训练、域适应和层次迁移学习进行分析。结果表明,在 instance segmentation中,结合SSL与域适应仅需0.01%标记点即可分割单木,而从头训练则失败。该研究为将原始点云转换为单木划分、结构分析和树种分类提供了可扩展的工作流程,即使在标签受限的环境中也能有效运行。
从精确林业、生物多样性监测和碳制图等应用需求来看,树木个体水平的精确分析至关重要。传统上通过野外样地测量获取胸径(DBH)、树高和树冠尺寸等结构属性,但受限于成本与时间,往往仅能覆盖较小区域。尽管机载激光扫描(ALS)结合异速生长方程可估计森林参数,但在密集且复杂的林分中准确识别与勾绘单木仍具挑战性。同时,利用陆地激光扫描(TLS)等直接估算单木生物量也依赖于从点云中精准提取木质组分。近年来,深度学习被引入3D森林点云分析以提取结构与语义信息。然而,模型的训练严重依赖大规模标注数据。在茂密林分中,人工标注3D点云因树冠遮挡和重叠十分耗时,实例级标注尤为困难。现有开源数据集规模与多样性有限,难以直接迁移至新区域。为应对标签稀缺与高昂的标注成本,研究人员开展了这项研究,旨在开发一种能在有限监督下运行且支持小样本学习方案的统一框架。该研究将自监督学习(SSL)、域适应和层次迁移学习集成,探讨其应用于3D森林点云的实例分割、语义分割及树种分类的效果。论文发表在《Remote Sensing of Environment》。该研究的重要意义在于显著降低深度学习在林业应用中的数据标注门槛,并提升了大规模森林监测的自动化潜力与可持续性。

本研究主要采用了以下关键技术方法:首先基于掩码场景对比(MSC)对比学习策略,在多国收集的多源激光雷达点云上进行未标记数据自监督预训练,以学习具有泛化性的点级特征;针对实例分割任务,引入域适应策略,先在来源域监督训练再在目标域微调,针对不平衡类与重叠实例采用错预测与聚类融合方法;针对语义分割采用稀疏卷积,配合交叉熵损失;针对树种分类,采用层次迁移学习,先在样本上训练区分针叶与阔叶的粗粒度模型,再使用几组未见物种小样本微调进行分类。

实例分割结果
在完整监督下,模型在不同森林类型的测试中展现出高分割精度,在部分高度结构化森林点云达到完美的精度。在有限监督下,采用均匀标签缩减策略时,直至降至1%的标签比例,性能依然保持稳定;在极度稀缺的0.01%标签(约每棵树4个点)时,结合自监督预训练与域适应的模型仍能分割单木,而从头训练完全失败。在树级标签缩减中,稀疏且多样的标签策略优于密集而稀少策略。

语义分割结果
在100%全监督设置下,预训练显著提升各类平均交并比及精度;在仅0.1%标签的极少监督场景下,经预训练的模型达到了与从头训练在全监督下相当的平均交并比,证明了自监督特征在点的类别分配中极优的泛化效率。

树种分类结果
使用层次迁移学习,先预训练区分针叶与阔叶再硬调控微调。在几种未见物种小样本评估中,初始化的模型显著优于从头训练。尤其是在更易的种间分类上,提升明显;同属种内分类虽难度更大,预训练特征同样提升了一定精度。证明了先学习广义分类特征对小样本分类极为有效。

性能评估及能耗分析
与现有方法的对比表明,该模型在基于深度学习的方法中准确率极高,误报极低。能耗监测显示,利用预训练权重的模型比从头训练收敛更快,在达到相近精度时减少了相当比例的能源消耗与碳排放。

讨论分析与总结结论
该模型在多变森林环境有较强检测能力,复杂异质林分因点云密度更低及结构几何多变极易导致漏检。与对象级分组难学的实例分割需要域适应不同,语义分割能直接受自监督特征支持。实验发现多样性的稀疏标记比密集少样标记更利于模型泛化,层次迁移学习亦显著降低了对特定物种标注数据的依赖。

结论指出,准确从3D森林点云提取结构与树种信息对林业至关重要,而大规模人工标注成本高昂。研究证明了小样本学习结合SSL、迁移学习和域适应策略,在大幅减少标记数据需求的同时能维持优异性能。对于实例分割,预训练与域适应结合在复杂林分中结果稳健;对于语义分割,仅自监督学习即可提升准确度;对于树种分类,层次迁移学习有效提升了分类能力。利用预训练模型还降低了能耗,为在有限的现实世界约束下自动化、数据高效的森林制图架起了桥梁。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号