RCB-UNet:基于改进U-Net的混合林树冠提取

《Trees, Forests and People》:RCB-UNet: mixed forest tree canopy extraction based on improved U-Net

【字体: 大 中 小 】 时间:2026年07月23日 来源:Trees, Forests and People 3.6

编辑推荐:

  树冠的精确提取可有效评估森林的生长状况与生产力。然而,由于混合林环境复杂,精确提取树冠相当困难,难以满足实际应用需求。针对上述问题,研究人员提出RCB-UNet模型:在编码器部分,将集成卷积块注意力模块(Convolutional Block Attentio

  
树冠的精确提取可有效评估森林的生长状况与生产力。然而,由于混合林环境复杂,精确提取树冠相当困难,难以满足实际应用需求。针对上述问题,研究人员提出RCB-UNet模型:在编码器部分,将集成卷积块注意力模块(Convolutional Block Attention Module, CBAM)的ResNet50用于替代传统U-Net的下采样过程,不仅抑制了错误分割,还增强了多尺度特征提取能力;在解码器部分,采用双线性插值(bilinear interpolation)方法替代反卷积(deconvolution)操作,在减少模型参数量的同时,避免了反卷积过程中学习大量冗余信息的问题。结果表明,RCB-UNet在混合林树冠提取任务中表现出显著优势。它有效区分了针叶林中相似光谱与形态引起的相互混淆,并改善了阔叶林下层树冠因多层空间结构易被误分为林地(Forest ground)的问题。与原始U-Net相比,其总体精度(Overall Accuracy, OA)、平均精确率(mean precision)、平均召回率(mean recall)和平均交并比(mean Intersection over Union, mIoU)分别提高了3.33%、3.05%、3.58%和5.83%。此外,在对比实验中,RCB-UNet的所有精度指标均优于其他模型。研究结果表明,RCB-UNet显著减少了类间混淆,缓解了阔叶林下层树冠因多层空间结构被误分为林地的问题,优于现有模型,为混合林高精度树冠提取提供了实用解决方案。
研究背景方面,树冠提取是林业遥感与生态研究的核心技术,对准确估算森林生物量、监测森林健康状况及评估生态系统服务功能至关重要。在多样的森林类型中,混合林因其高度异质的群落结构给树冠提取带来典型挑战。具体而言,树木空间分布不规则,郁闭度维持较高水平,常见干扰包括树冠重叠与遮挡、林下植被纹理混杂及光照条件波动。这些综合因素导致树冠轮廓模糊,特征提取难度增加,严重制约了提取精度的提升。因此,开发适应复杂混合林场景的高精度树冠提取方法成为林业遥感领域的迫切研究需求。传统树冠信息获取依赖人工野外测量,存在作业强度大、效率低及主观误差明显等局限;早期遥感影像空间分辨率不足,难以准确识别森林树冠形状与边界;传统图像分割技术如阈值法、分水岭算法及区域生长法分别存在受光照与林分密度影响大、对噪声敏感易过分割、依赖种子点选择易导致欠生长或过生长等缺陷,均无法满足复杂混合林场景的高精度提取要求。近年来,深度学习方法凭借强大的特征学习与表征能力在树冠提取任务中展现显著优势,经典分割模型如U-Net、DeepLabV3+、PSPNet、FCN及Segformer已广泛应用于林业场景并验证了其在提取树冠纹理与形状等复杂特征的有效性。其中U-Net独特的编码器解码器对称结构可直接融合高分辨率浅层细节特征与低分辨率深层语义特征,完整保留树冠边缘与纹理等精细信息,且更关注局部特征细节提取而非全局上下文信息聚合,能有效避免复杂混合林场景中冗余背景干扰,整体结构轻量简洁、计算复杂度低、训练收敛快、模块扩展灵活性极高,契合本研究混合林树冠提取的优化目标。为进一步提效,注意力机制与多尺度特征提取成为深度学习分割模型重要优化方向,但针对混合林交错树种、光谱重叠及空间分层等核心问题的协同优化方案仍不足,整合判别性特征提取、空间信息恢复与噪声抑制的高效框架尚未完全建立。为填补上述研究空白,研究人员基于现有FORTRESS数据集构建DJP-FORTRESS数据集,以U-Net为基线模型,从集成注意力机制与细化多尺度特征提取两个核心维度优化网络,提出RCB-UNet模型,旨在解决复杂混合林场景下树冠提取精度低与严重错分割的突出问题,为森林生态参数反演、森林资源动态监测及生态系统功能评估提供可靠技术支持。
研究人员开展研究用到的主要关键技术方法包括:基于德国南黑森林地区与海尼希国家公园51公顷温带林区、分辨率优于0.02米且含红绿蓝三波段的FORTRESS数据集,筛选CFB008等5幅影像并合并稀有类别为林地(Forest ground)以保留6类目标,切割为512×512尺寸并对少量样本进行旋转与翻转数据增强,按6:2:2划分训练验证测试集并增设非相邻CFB045作为第二测试集Test2以防空间数据泄漏;模型改进方面以ResNet50替换U-Net下采样部分并在STAGE1至STAGE4嵌入卷积块注意力模块(CBAM)以增强特征提取,解码器以双线性插值(bilinear interpolation)替代反卷积(deconvolution),设计6组消融实验与DeepLabV3+、PSPNet、FCN、Segformer的对比实验,统一采用Dice_Loss、初始学习率1e-4的余弦退火策略至1e-6、Epoch 200、Batch size 8、Adam优化器且均不使用预训练权重,以总体精度(OA)、平均精确率(mPrecision)、平均召回率(mRecall)、平均交并比(mIoU)为评价指标并进行三次独立测试评估稳定性。
研究结果部分保留小标题并说明如下:
4.1. Results of ablation experiments 消融实验结果显示,U-Net的OA为91.95%、mPrecision为91.78%、mRecall为91.43%、mIoU为84.53%;RCB-UNet较U-Net分别提升3.33%、3.05%、3.58%、5.83%,除mPrecision略低于RC-UNet 0.04%外其余指标最优,训练时间仅增加不足1小时。可视化表明U-Net错分割最多,尤其针叶林类别混淆与阔叶林下层树冠误分为林地,随模型改进错分割持续减少,RCB-UNet最接近真值。三次独立测试均值与标准差显示RCB-UNet的OA为95.23±0.04%、mPrecision为94.76±0.08%、mRecall为95.05±0.04%、mIoU为90.32±0.05%,标准差均≤0.06%,证实性能提升为结构优势而非随机波动,损失曲线显示RCB-UNet训练与验证损失降至约0.25且无过拟合,优于其他模型。
4.2. Results of comparison experiments 对比实验显示DeepLabV3+、PSPNet、FCN、Segformer的OA分别为93.07%、94.98%、85.67%、93.97%,mIoU分别为85.68%、89.64%、74%、87.49%,RCB-UNet各项指标均居首;统一骨干为ResNet50后FCN提升显著但RCB-UNet仍最优,OA与mIoU达95.28%与90.36%;可视化表明RCB-UNet错分割最少、类别边界更准确,DeepLabV3+捕捉林界细微特征不足,PSPNet难准确整合局部纹理差异,Segformer训练效率最低,FCN深层语义学习与边界恢复受限;损失曲线同样显示RCB-UNet损失降至约0.25且无过拟合。
4.3. Results of generalization experiments 泛化实验以非相邻Test2测试集显示U-Net的OA为76.33%、mPrecision为74.92%、mRecall为71.58%、mIoU为64.87%,RCB-UNet分别为82.56%、81.94%、79.35%、73.42%,两者精度均下降但RCB-UNet全面优于U-Net,证实其有效性与鲁棒性,同时表明跨域泛化仍有提升空间。
讨论部分总结如下:5.1. Analysis of ablation experiments 引入ResNet50显著提升复杂树冠特征提取能力,双线性插值替代反卷积有效改善上采样稳定性,二者具正向协同;集成CBAM可强化有效特征并抑制冗余噪声,RCB-UNet结合深特征提取、注意力增强与稳定上采样的多模块协同优化在复杂森林场景必要且有效;单次运行与三次均值微小差异源于随机初始化与训练动态,小标准差证实为结构优势;可视化渐进取代误分类缓解阔叶林下层误分为林地问题,剩余少量错分割反映高分辨率混合林复杂性为后续方向;稳定性测试中RCB-UNet在最优精度下保持优异稳定性,mIoU约90.3%且标准差≤0.06%,验证多模块协同对旋转鲁棒性的积极作用。
5.2. Analysis of comparison experiments FCN在复杂场景特征提取与边界恢复有限,表现最差;DeepLabV3+与Segformer虽优于FCN但仍逊于PSPNet与RCB-UNet;PSPNet接近RCB-UNet但核心指标略低且训练时间更长;可视化与梯度差异表明RCB-UNet在特征判别提取、空间信息恢复与噪声抑制具综合优势,精度与训练效率平衡更佳;统一骨干为ResNet50后各模型提升,RCB-UNet仍全面最优,证实ResNet50适于混合林分割且RCB-UNet能解决光谱混淆与多层结构误分类。
5.3. Analysis of generalization experiments 泛化实验中两模型精度均降,但RCB-UNet各指标持续优于U-Net,原测试集与新测试集优势一致,进一步确认相较原始U-Net的有效性与鲁棒性,同时揭示跨域泛化尚有较大改进余地。
研究结论部分翻译总结如下:在混合林中,因树种多样性、生长环境差异、形状大小各异、层次复杂及枝繁叶茂,单木树冠划分难度加剧。研究人员基于开源FORTRESS数据集创建DJP-FORTRESS数据集并提出改进RCB-UNet模型。该模型以集成CBAM的ResNet50整体替换U-Net下采样部分并在STAGE1至STAGE4添加CBAM以增强特征提取,以稳定双线性插值替代反卷积以避免复杂场景下训练不足导致的不稳定学习与冗余信息。实验表明ResNet50、ResNet50结合CBAM及双线性插值均改善原始U-Net,其中RCB-UNet表现最佳,OA、mPrecision、mRecall、mIoU分别达95.28%、94.83%、95.01%、90.36%,较原始U-Net提升3.33%、3.05%、3.58%、5.83%,较DeepLabV3+等语义分割模型所有精度指标最优,有效减少错分割,缓解针叶林光谱形态相似混淆及阔叶林下层因多层空间结构误分为林地等问题。经少量参数调整,RCB-UNet有望适用于温带、亚热带等典型混合林区树冠提取;对无人机多光谱影像具一定适应性,仅需加简单波段特征融合模块即可尝试迁移;输入尺寸可灵活调为256×256或1024×1024等且主结构无需大幅修改;双线性插值策略有助减少参数量与计算成本,在普通GPU平台实现较高效推理,具备支持实际林业工程应用潜力。但研究存局限:仅验证于温带混合林,对热带、寒带混合林及高海拔干旱等极端环境适用性不明;当前类别不平衡处理策略无法有效提取稀有树种;泛化能力仍不足,新测试集性能显著下降,未来可借迁移学习或域适应技术改善跨域泛化,此为后续研究重点优化方向。论文发表于《Trees, Forests and People》。
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