《Smart Agricultural Technology》：DeepTree: Deep Learning-Based Lightweight Instance Segmentation for Individual Tree Crown Delineation and Structural Trait Extraction
编辑推荐：
摘要翻译：
稀疏森林草原中木本植物物种及其结构性状的量化，对于准确估算草地生态系统碳储量至关重要。与人工林不同，天然稀疏林地与草原覆盖面积广阔，且树木分布具有高度异质性。现有深度学习模型（如Mask R-CNN）虽然能在相对简单场景中有效提取冠层信息，但其复
摘要翻译：
稀疏森林草原中木本植物物种及其结构性状的量化，对于准确估算草地生态系统碳储量至关重要。与人工林不同，天然稀疏林地与草原覆盖面积广阔，且树木分布具有高度异质性。现有深度学习模型（如Mask R-CNN）虽然能在相对简单场景中有效提取冠层信息，但其复杂的网络结构和冗余参数在异质环境中会降低准确率与召回率。为克服上述局限，本研究提出DeepTree——一种轻量级两阶段实例分割框架，通过两种变体优化Mask R-CNN设计：MobileNet–NAS-FPN Mask R-CNN（MNMS R-CNN），其中包含注重计算效率的小型变体MNMS R-CNN（S）和注重精度的大型变体MNMS R-CNN（L）。数据集包含用于模型训练与验证的8,724个单木冠层样本，以及用于评估的2,296个样本（其中166个为野外实测，2,130个为影像派生）。结果表明，MNMS R-CNN（S）和MNMS R-CNN（L）的推理速度分别提升88.2%和19.6%，F1分数分别达到78.3%和81.1%，均优于基线Mask R-CNN。MNMS R-CNN（L）在独立测试集上提取分割派生表型参数时展现了较高精度，冠幅和冠面积的R2值均为0.98，RMSE分别为0.30 m和2.66 m2。通过权衡效率与精度，DeepTree为复杂温带稀树草原环境中的单木监测与表型信息提取提供了一条可扩展的技术路径。
论文解读：基于DeepTree轻量级实例分割框架的温带稀树草原单木树冠描绘与结构性状提取研究
**一、研究背景与科学问题**
温带稀树草原疏林是北方典型生态过渡带，连接着密闭森林与开阔草地，具有丰富的生物多样性和重要的遗传资源储备功能。然而，学界长期关注草本植物多样性，对系统中灌木和树木的多样性及空间分布的认知相对不足。木本植物是维持草地生态系统稳定性与功能的关键组分，其空间格局与结构功能性状是估算草地景观碳储量的基础变量。由于天然稀树草原跨越较大环境梯度，木本植被在不同水热组合下表现出显著空间异质性，单木尺度表型差异极大。现有监测框架难以满足此类环境下单木尺度物种识别和性状解析的精度要求，亟需开发适用于典型稀树草原木本植物多样性评估的通用轻量级模型。
无人机（UAV）平台因低空获取超高分辨率影像、成本相对低廉和数据处理快速等优势，已成为森林资源监测的高效工具。传统图像处理方法如局部最大值法、标记控制分水岭分割、模板匹配、区域生长和边缘检测等，虽然在简单条件下有效，但在冠层结构复杂、异质性高的天然疏林中表现不佳。其受限的特征提取能力、对人工参数调节的依赖、低效率及弱泛化性，制约了可靠精确的树冠描绘。以卷积神经网络（CNN）为代表的深度学习方法为树木检测与冠幅描绘提供了有效途径。在实例分割框架中，Mask R-CNN应用最为广泛，衍生出Detectree2等多种开源工具。然而，Mask R-CNN在林业中的应用多集中于相对简单的场景，其在大范围、结构复杂、环境多变的森林景观中同时实现树木检测、冠幅测量和冠面积提取的能力尚未被充分探索。此外，标准Mask R-CNN采用的ResNet-50与特征金字塔网络（FPN）组合大幅增加了计算需求，网络中的冗余结构限制了细尺度冠层检测的适用性，导致精度与召回率不理想。因此，本研究旨在开发一种面向UAV遥感影像、适合温带稀树草原复杂场景的轻量级实例分割框架。
**二、研究内容与总体结论**
针对上述问题，研究人员提出了DeepTree框架——一种基于UAV影像的实例分割方法，专门用于冠层描绘和表型参数估算。研究引入了两种变体：MNMS R-CNN（S）侧重计算效率，MNMS R-CNN（L）侧重预测精度。在内蒙古浑善达克沙地与科尔沁沙地9个典型样地中，共标注8,724个单木冠层用于训练与验证，并以2,296个样本（含166个野外实测样本和2,130个影像派生样本）进行独立评估。结果表明，MNMS R-CNN（S）推理速度提升88.2%，MNMS R-CNN（L）提升19.6%，F1分数分别达78.3%和81.1%，均优于基线模型。MNMS R-CNN（L）在冠幅和冠面积提取中R2均达0.98，RMSE分别为0.30 m和2.66 m2。DeepTree在效率与精度之间实现了有效平衡，为复杂温带稀树草原环境中的单木监测与表型信息提取提供了可扩展的技术路径。该成果发表于《Smart Agricultural Technology》。
**三、主要关键技术方法**
研究以9个UAV样地（覆盖浑善达克和科尔沁沙地，部分样地面积25 ha，单一100 ha样地）的10 cm分辨率数字正射影像为数据源。采用滑窗法裁剪为1000×1000像素瓦片，使用Labelme进行人工冠层标注，按8:1:1划分训练、验证与测试集。模型构建上，以MobileNet V3替代ResNet-50为骨干网络，以NAS-FPN替代FPN进行多尺度特征融合，结合标准RoI Head（SRH）或SCNet RoI Head（SCRH）形成两个变体。评估指标包括推理速度、FLOPs、参数量、GPU内存、Box-AP、Segm-AP、精确率、召回率、F1分数、IoU、R2与RMSE，并与Mask R-CNN、YOLO11n-seg和HTC进行对比。野外实测数据于2021年9月在样地01采集，共166株榆树的结构测量记录用于独立验证。
**四、主要研究结果**
**4.1 模型轻量化性能与检测精度**
通过计算复杂度对比，MNMS R-CNN（S）推理速度从10.2 fps提升至19.2 fps（提升88.2%），计算量从248.0 GFLOPs降至5.6 GFLOPs，参数量从42.9 M降至3.8 M，GPU内存从6.2 GB降至1.5 GB。MNMS R-CNN（L）推理速度为12.2 fps（提升19.6%），计算量为9.0 GFLOPs，参数量8.1 M，GPU内存1.6 GB。精度方面，MNMS R-CNN（L）的Box-AP从34.9%提升至46.5%，Segm-AP从37.0%提升至45.8%，召回率从62.4%提升至81.2%，F1分数从74.4%提升至81.1%。按冠层密度分层分析显示，高密度场景下MNMS R-CNN（L）的召回率和F1分数达到84.9%和81.8%，远高于Mask R-CNN的45.5%和61.2%。低密度场景中所有模型召回率均偏低，但MNMS R-CNN（L）仍然最优（召回率46.5%，F1分数56.9%）。错误案例分析表明，漏检主要集中于小冠幅树木，尤其在低密度场景中。
**4.2 树冠表型参数提取与评估**
MNMS R-CNN（L）提取的冠幅范围为1.41–16.05 m，冠面积范围为1.33–203.71 m2，与参考值范围高度一致。拟合分析显示，冠幅提取的R2从Mask R-CNN的0.88提升至0.98，RMSE从0.67 m降至0.30 m；冠面积提取R2从0.89提升至0.98，RMSE从6.92 m2降至2.66 m2。绝对误差分析表明，MNMS R-CNN（L）的冠幅中位误差约0.22 m，冠面积中位误差约1.34 m2，显著低于其他模型。野外实测验证中，UAV派生冠幅与实测冠幅R2为0.82，树高R2为0.78，差异主要归因于2020年影像与2021年实测之间树木生长、GPS定位误差及冠幅测量口径不同。
**4.3 跨样地单木检测与表型制图**
将MNMS R-CNN（L）应用于全部9个样地，检测到的单木冠层数量为850–6,741个不等。经面积标准化后，树木密度约30.0–102.7株/ha，其中库伦旗（KLB）密度最高，正蓝旗样地（ZLB-01、ZLB-02）最低。冠层面积方面，ZLB-01约709 m2/ha，而浩勒报吉（HLWBB）高达3117 m2/ha。50×50 m网格统计显示，样地08（科左中旗）存在连续的高密度斑块，而样地09（正蓝旗）空间格局更破碎。独立样地09的交叉验证中，模型精确率75.8%、召回率76.0%、F1分数75.9%，表明模型具有较强的跨场景泛化能力。
**五、讨论与结论**
讨论部分指出，轻量化框架大幅降低了计算负担，同时提升了召回率和F1分数，说明基线网络中的冗余组件限制了异质场景下的冠层恢复能力。消融实验表明，MobileNetV3主要贡献于轻量化，NAS-FPN增强了多尺度特征融合，增强型RoI Head提升了检测完整性。与YOLO11n-seg和HTC对比，MNMS R-CNN（L）在精度与效率间取得了更优平衡。假阳性诊断显示，误检主要源于低矮灌木、类冠层纹理的草地背景以及相邻冠层边界偏移。研究局限性包括：手工标注在复杂环境中存在不确定性、RGB影像在冠层与背景光谱相似时受限、未进行系统超参数敏感性分析。未来应扩展标注数据集、引入多模态数据融合（如LiDAR、雷达、光谱数据），并在更大空间尺度和更广环境梯度下验证。结论部分明确指出，DeepTree框架在降低计算成本的同时提升了检测召回率、分割精度和冠层性状提取精度，为复杂稀树草原生态系统中单木树冠描绘与表型分析提供了实用且可扩展的解决方案，也为脆弱森林-草原过渡带的生物多样性评估和自然资源调查提供了技术途径。
