森林单木数量量化与连续森林结构表征的衔接：一种基于森林结构区（Forest Structural Zones，FSZs）从无人机（Unmanned Aerial Vehicle，UAV）影像整合树木计数与树冠结构的框架

《Land》：Bridging Tree-Level Quantification and Continuous Forest Structural Characterization: A Framework Integrating Tree Counts and Crown Structure from UAV Imagery Using Forest Structural Zones

　　

目标检测与实例分割（Instance Segmentation）方法已广泛用于从航空影像中定位树木并勾绘单木树冠，为估算树木丰度、密度和空间分布提供有价值的单木级信息。这些变量是森林与城市绿地定量评估的重要输入，包括热环境、污染物扩散与去除、碳储存与固存分析。然而，现有方法仍以单木或树冠为中心，缺乏森林结构状况的空间连续表达，导致离散单木对象与连续森林结构格局之间存在鸿沟。为弥补该鸿沟，研究人员开发了一种地理空间多层监督分类框架，联合估算可见树顶丰度并制图连续森林结构区（FSZs），从而将树木计数信息与空间显式结构表征相整合。该FSZ工作流在A域与YOLO11n和FastViT-T8-FPN Faster R-CNN对比评估，并在B域（城市边缘人工栽植景观）独立评估；其在A域总体精度（Overall Accuracy，OA）为0.825、绝对总计数相对误差（Total-Count Relative Error，TCRE）为14.29%，在B域OA为0.856、绝对TCRE为19.15%，显示两类场景均具良好适用性。通过将树顶丰度与景观尺度结构格局关联，FSZ框架为森林与城市绿地量化提供互补空间数据产品，并为后续微气候调节、空气污染防治、碳核算与绿色基础设施绩效评估奠定基础。

研究背景方面，准确的树木计数对生态监测、生物量核算和森林清查十分重要。单木估计描述种群丰度与空间配置，而冠层覆盖和树冠结构指标描述植被在空间上的占据、连续性与组织方式。高分辨率遥感尤其是无人机（UAV）影像可灵活获取超高分辨率冠层表面观测，但在密茂异质森林中，航空影像主要记录上层冠层与单木树冠的暴露部分，光照树冠顶、阴影树冠面、重叠枝条、冠层空隙与背景地物共同形成复杂空间模式。现有光学家具识别方法，包括单阶段YOLO系列、两阶段Faster R-CNN、视觉Transformer（Vision Transformer，ViT）以及实例分割方法，虽能提取单木位置、树冠边界与冠层特征，但均以单木或树冠为中心，缺少对密冠、疏林、冠层空隙和林缘等连续结构状况的表达，难以支撑微气候调节、污染去除、碳储与城市绿色基础设施的定量评估。因此，研究人员开展了一种地理空间多层监督分类框架，用以同时估算可见树顶丰度并制图连续森林结构区（Forest Structural Zones，FSZs），把单木计数与空间显式结构表征整合在同一框架中，论文发表于《Land》。

关键技术方法方面，研究人员使用DJI Mavic 3M获取RGB与四波段多光谱影像，使用DJI Mavic 3T获取热红外（Thermal-Infrared）影像，经摄影测量生成冠层高度模型（Canopy Height Model，CHM）=数字表面模型（DSM）?数字高程模型（DEM）。研究区为主实验区湖北十堰密林A域与城市边缘栽植景观B域。FSZ方法采用随机森林（Random Forest）对六类结构区分类，再经连通组件分析、峰值拆分与非极大抑制提取树顶；对照方法为YOLO11n与FastViT-T8-FPN Faster R-CNN两种RGB目标检测器；评估采用混淆矩阵、用户精度（User’s Accuracy，UA）、生产者精度（Producer’s Accuracy，PA）、F1、总体精度（OA）、Cohen’s kappa、平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）、偏差（bias）与总计数相对误差（TCRE）。

研究结果部分，3.1节六区FSZ地图精度与输入消融表明，多光谱+相对热红外+CHM全配置在A域OA为0.825、kappa为0.724、macro-F1为0.709；去除相对热红外后OA降至0.809，去除多光谱后OA最低为0.804，说明多光谱是基础驱动，相对热红外可抑制树顶与浅冠混淆，CHM在当前分辨率下贡献有限；树顶像素始终易被误分为浅冠。

3.2节YOLO11n与FastViT-T8-FPN Faster R-CNN检测性能显示，在640×640像素C域初评中，YOLO11n召回更高，FastViT-T8-FPN Faster R-CNN精度更高，二者mAP@50接近但mAP@50:95均较低，说明原生检测指标与后续计数评估不可等同。

3.3节树木计数标准化评估显示，在A域9个416×416像素独立文件中参考树顶77个，FSZ工作流预测66个、TCRE为?14.29%，YOLO11n预测60个、TCRE为?22.08%，FastViT-T8-FPN Faster R-CNN预测62个、TCRE为?19.48%；配对bootstrap置信区间均含零，因此九图评估不足以判定工作流间 definitive 排名。

3.4节城市边缘人工景观独立验证显示，B域原始六区分类OA为0.856、kappa为0.778、macro-F1为0.751；经空间后处理预测38个树顶、参考47个，UA为63.16%、PA为51.06%、F1为56.47%，TCRE为?19.15%，说明人工表面与分散树距增加后处理难度，但结构分类优于A域。

讨论部分指出，A域树顶像素F1低而六区macro-F1较高，连通组件与峰值拆分可补偿局部误分；B域结构识别更好但对象级低估更大，源于plot边界破碎、人工表面与冠间距散。FSZ框架价值在于把离散树顶计数嵌入连续结构背景，不同于把树作为孤立实例的RGB检测器。跨场景适用性依赖共配准质量与局部参数校准；死树干、暗上层冠、下层植被与裸面可作为生境、遮阴、更新与侵蚀风险的空间代理。城市绿地监测中，FSZ可重复清点树顶并表达冠层组织，但是否区分屋顶、道路与建筑阴影需进一步拓展。

结论部分翻译如下：本研究开发了一种多层FSZ工作流，从共配准UAV影像整合可见树顶量化与森林结构状况的墙到墙表征。通过结合多光谱、相对热红外与冠层高度信息，该工作流生成六区FSZ地图，并通过空间后处理推导树顶估计，其首要贡献是在单一框架中联合表达离散树顶丰度与连续森林结构格局。该工作流在两场景中评估：A域密异质林显示聚合计数一致，B域城市边缘栽植景观显示结构分类与树顶提取具良好适应性。组件提取与峰值拆分可降低局部像素误差对总计数的影响，但不能保证每株树都被准确识别。鉴于本研究具站点性与探索性，结果为更广泛应用提供初步基础；未来应针对本地条件校准FSZ分类器与空间后处理参数，该整合框架可为多源UAV监测在各类森林与城市环境中扩展提供实用基础。