基于多任务深度学习网络和高分辨率航空影像的单木死亡分割

《Environmental Modelling & Software》：Individual tree mortality segmentation using a multi-task deep learning network and high-resolution aerial imagery

　　

- 开发 TreeMortSeg，一种用于死树分割的多任务学习网络。
- 通过结构感知和边缘感知辅助任务增强语义分割性能。
- 展示在不同森林群落间的强鲁棒性以及空间泛化能力。
- 为可靠的森林碳损失评估提供关键技术支持。

**引言**

气候变化加剧了极端干旱、热浪和虫害爆发的频率与强度，显著增加了森林生态系统中树木死亡的风险（Gazol 等，2025；Liu 等，2023；Yan 等，2024，2025）。近几十年来，全球范围内已记录了多起大规模树木死亡事件（Hammond 等，2022；Lu 等，2026；Yan 等，2024，2025）。例如，2012年至2016年间加利福尼亚州的持续高温和干旱导致超过2亿棵树死亡（Ma 等，2023）。同样，2021年6月太平洋西北部的一次极端热浪导致大面积植被枯萎，影响了约293,546公顷的森林（Sibley 等，2025）。此类大规模树木死亡事件不仅减少了森林覆盖率，而且在分解过程中释放大量碳，深刻影响全球碳平衡（Anderegg 等，2013；Carle 等，2025）。研究表明，树木死亡导致的年碳排放量约为10.9 ± 3.2 Pg C，大约相当于化石燃料排放量（9.5 Pg C/年）的115%（Seibold 等，2021）。值得注意的是，尽管树木死亡事件广泛存在，但它们通常在地表景观中呈现高度碎片化和分散的分布特征（Cheng 等，2024）。仅依赖粗尺度统计可能会忽略这些孤立的死树，从而导致森林碳核算中出现显著偏差。因此，将尺度细化到单木级别对于降低森林碳损失评估中的不确定性至关重要。

传统地面调查受限于人力成本和地理可达性，在覆盖范围和空间连续性方面存在显著局限。因此，它们难以提供大规模树木死亡的精细空间制图（International Tree Mortality Network，2025；Sylvain 等，2019；Tai 等，2023；Trugman 等，2020）。为弥补这些不足，遥感技术凭借其连续空间观测能力，已成为监测树木死亡的关键工具（Khatri-Chhetri 等，2024；Schiefer 等，2023）。然而，中低分辨率卫星影像——如 MODIS（250 m）、Landsat（30 m）和 Sentinel-2（10 m）——由于混合像元问题，难以识别单木死亡（Dixon 等，2023；Furniss 等，2020；Hart and Veblen，2015；Yan 等，2024；Zhang 等，2024）。尽管无人机影像可提供厘米级分辨率，但其单次飞行覆盖范围有限，难以满足大面积监测的需求（Briechle 等，2021；Campbell 等，2020；M?yr? 等，2025；Mosig 等，2024）。相比之下，航空影像通常提供亚米级高分辨率，既能支持详细的单木识别，又能覆盖广阔的空间范围。因此，航空影像已成为大规模监测单木死亡的关键数据源（Ma 等，2023；Wang 等，2025；Yeung 等，2025）。

此外，人工标注航空影像中的死树效率低下，难以扩展到大规模森林健康监测（J??skel?inen 等，2025）。随着深度学习的发展，U-Net 及其变体（如 EfficientUNet）等语义分割模型为树木死亡制图提供了自动化解决方案（Ronneberger 等，2015；Yeung 等，2025）。然而，在航空影像中准确描绘死树仍然具有挑战性。单棵死树或成片死树往往仅占航空影像中的少数像元。此外，林冠重叠、复杂的林下背景和光照变化会降低死树与健康植被之间的光谱、颜色和纹理对比度，导致目标形状不规则且边界模糊（Rahman 等，2025；Wang 等，2025）。这些因素容易导致较高的虚警和漏检误差，限制了树木死亡制图精度，并大幅增加森林碳损失评估等关键应用中的不确定性。

近年来，多项研究聚焦于改进精细遥感影像分割中目标结构和边界的模型表示（Jiang 等，2026）。例如，JAM-R-CNN 采用基于注意力的混合特征增强机制来捕获多尺度特征（Xie 等，2024）；FPENet 将边缘感知特征提取与全局上下文注意力相结合以细化地块边界（Xie 等，2025a）。类似地，CT-HiffNet 通过轮廓和纹理信息的层次融合来增强形状和边界表示（Wu 等，2025）。S2-IFNet 采用双分支架构分别提取空间和语义信息，从而减轻边界退化问题（Xie 等，2025b）。尽管取得了这些进展，单任务语义分割框架在复杂场景中仍难以保持结构完整性和锐利边缘。为克服这一局限，多任务学习范式应运而生，该范式联合优化辅助任务（如结构感知和边缘检测）与主要分割任务，以施加互补的空间约束。例如，CTHBNet 采用多任务学习策略协同提取形状和边界信息（Xie 等，2026）。TreeMort-3T-UNet 通过多任务学习增强死树边界定位能力（Rahman 等，2025）。然而，大多数现有架构依赖共享或紧密耦合的解码路径来生成特定任务的预测。鉴于语义分割、结构感知和边缘检测在特征尺度、空间细节和优化目标上的差异，单一解码路径容易引发任务间的特征干扰，最终限制了辅助任务的增益效果。因此，在多任务框架内有效解耦和协调结构与边缘先验仍然是高精度死树分割的关键挑战。

针对上述挑战，我们提出了 TreeMortSeg，一种用于树木死亡分割的多任务学习框架。该框架引入了结构感知和边缘感知辅助任务，每个任务配备专用解码器以提取形态和边界特征。这些特征进一步作为空间先验整合，以指导主要分割任务，从而提升死树分割性能。本研究的贡献总结如下：（1）我们开发了 TreeMortSeg，一种多任务学习框架，提高了航空影像中树木死亡分割的精度；（2）我们提出了一种协同解码器架构，利用辅助任务提供的结构先验和边缘先验来优化语义分割，尤其适用于分散且模糊的死树；（3）我们设计了多任务联合损失函数，同时优化主要任务和辅助任务，确保训练稳定有效。本研究为从航空影像高精度绘制树木死亡地图提供了新方法，并为森林碳损失评估提供了关键支持。

**章节摘要**

**模型架构**

鉴于航空影像中的死树分布分散、形状不规则且边界模糊，依赖单一语义分割任务的常规模型难以同时保证识别能力和边界精度。为此，我们提出了 TreeMortSeg，一种基于多任务学习的树木死亡分割网络。通过引入两个辅助任务——结构感知和边缘感知学习，该网络专门提取几何结构和边缘……

**数据集**

1）TreeFinder 数据集。该数据集使用0.6 m空间分辨率的 RGB-NIR 国家农业影像计划（NAIP）航空影像构建，用于单木死亡监测（Wang 等，2025）。数据集涵盖美国本土48个州的森林区域，包含1,000个代表性样地，人工标注面积超过23,000公顷（图6(a)）。这些数据被预处理为15,489对尺寸为224 × 224像素的图像块，以支持模型训练……

**模型组件和优化策略的贡献**

我们的结果表明，CBAM、结构感知解码器和边缘感知解码器各自对死树分割有所贡献，而它们的集成带来了最大的性能增益（表3）。从机制上看，CBAM 中的注意力机制可能增强了对判别性特征的聚焦，而双辅助解码器提供了互补的空间信息。具体而言，结构先验增强了对不规则死树树冠的定位能力，而边界先验……

**结论**

在本研究中，我们提出了 TreeMortSeg，一种基于多任务学习的网络，用于从高分辨率航空影像中进行单木死亡分割。通过引入结构感知和边缘感知辅助任务并采用协同解码策略，TreeMortSeg 增强了对死树树冠形态和边界细节的表示，从而改善了分散和模糊死树的分割效果。在 TreeFinder 数据集上，TreeMortSeg 达到了66.29%的F1分数和……的IoU……

**CRediT 作者贡献声明**

Ronghua Li：撰写——初稿、可视化、软件、方法论、形式分析、数据管理。Yuchao Yan：撰写——审阅与编辑、监督、资源、概念化。Youyue Wen：验证、资金获取。Yan Guo：撰写——审阅与编辑、形式分析。Yao Pan：撰写——审阅与编辑、数据管理。Haoming Zhuang：验证、资金获取。Jinpei Ou：验证。

**软件和数据可用性**

基于 PyTorch 库和 Python（版本 3.11）实现的 TreeMortSeg 代码可在 GitHub 上找到，地址为 https://github.com/RONGHUA-LI/TreeMortSeg。该仓库由 Ronghua Li（电子邮件：[e-mail]）于2026年创建，总大小为1,121 KB。作者的实验环境如下：

- 操作系统：Windows 11 Pro
- CPU：Intel(R) Core(TM) i7-14700 3.40 GHz
- 内存：64 GB
- GPU：NVIDIA GeForce RTX 4070 Ti

TreeFinder 数据集可在 Hugging Face 上免费获取，地址为 //huggingface.co/datasets/zhwang1/TreeFinder

**利益冲突声明**

作者声明不存在已知的可能影响本论文所述工作的竞争性经济利益或个人关系。

**致谢**

本研究得到了广东省基础与应用基础研究基金（项目编号：2026A1515010729）、国家自然科学基金委面上项目（编号：42577571）、中央公益科研院所基本科研业务费专项资金（编号：PM-zx703-202512-351）、广东省科技计划项目（编号：2023B1212070031）、国家自然科学基金委（项目编号：42401505）以及国家自然科学基金委的资助。

Ronghua Li | Yuchao Yan | Youyue Wen | Yan Guo | Yao Pan | Haoming Zhuang | Jinpei Ou