基于Mask R-CNN的平原造林地区单木树冠分割

利用无人机可见光影像,探索自动提取平原造林地区林木空间分布和数量的方法。以河北省张家口市怀来县造林斑块为研究对象,构建单木树冠数据集,选用不同卷积层的Mask R-CNN模型(R50-FPN-1x、R50-FPN-3x、R101-FPN-3x)进行训练和预测,比较各模型在独立测试集的精度。结果表明:各模型均可对造林地区的单木树冠进行分割,其中R101-FPN-3x模型精度最高,为75.33%,召回率为73.23%;基于Mask R-CNN的无人机影像单木分割方法能够快速、精准地自动检测造林地区单木目标,有效地分割单木树冠绘制树冠轮廓,提高中小范围平原造林区域单木调查监测的效率。

基于U-Net和分水岭算法的无人机单木树冠提取方法

高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础,而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割,以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点,提出了一种基于U-Net和标记控制分水岭(marker-controlled watershed,MCW)算法(简称U-Net+MCW算法)的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象,在南山实习林场采集积雪背景下无人机遥感影像作为试验数据,构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先,从无人机遥感影像中选取1 000张训练样本,128张测试样本,并对样本进行标注,通过数据增强将1 000张训练样本扩增为16 000张,按照4∶1分为训练集和验证集,对U-Net模型进行训练,在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后,利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后,在深度神经网络U-Net单木树冠提取的基础上,采用MCW算法对提取结果进行优化,并对单木树冠提取效果进行精度评估。结果表明,U-Net+MCW算法对于单木尺度的F测度为74.04%,比单一使用U-Net模型提高了28.52%,以该方法提取遥感影像中的天山云杉树冠信息为基础,计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此,U-Net+MCW算法能够有效解决自然光照条件下,由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素,导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题,是一种低成本、高效率的单木树冠提取方法,能够满足中小尺度山地森林资源调查和监测要求。

基于UAV可见光遥感的单木冠幅提取研究

为优选出云南松单木树冠的提取方法,以无人机获取的典型天然云南松纯林可见光影像为基础数据源,采用多尺度分割、标记分水岭分割和基于均值漂移的超像素分割3种方法,提取单木长冠幅、短冠幅及树冠面积,与地面实测数据对比,分析不同分割方法对单木冠幅信息提取精度的影响。结果显示:在单木尺度和样地尺度上,单木分割效果最优者均为标记分水岭算法,其准确率分别为82.23%和83.86%;基于均值漂移的超像素分割效果次之,其准确率分别为77.17%和77.11%;多尺度分割效果最差,其准确率分别为66.45%和67.66%。在单木尺度上,标记分水岭算法提取的单木冠幅信息精度最高,长冠幅、短冠幅和树冠面积提取的R^(2)分别为0.84、0.71、0.94,平均相对误差分别为9.20%、8.28%、14.05%。在样地尺度上,标记分水岭的单木树冠面积提取精度最高,平均相对误差为20.57%。对于重叠、粘连的树冠,标记分水岭算法能有效解决单木分割中合并和过度分割的问题,且能够精确提取单木冠幅信息。

基于多源遥感数据的输电线走廊树种分类

针对目前树冠提取中受背景影响和易出现过度分割的问题,首先,采用可见光差异植被指数和双边滤波对传统的单木树冠分割方法进行了改进;然后,以单木树冠为对象提取多维特征,并利用XGBoost算法进行特征重要性排序和特征选择;最后,使用随机森林、支持向量机、人工神经网络3种非参数分类器,设计了12种分类方案,进行了单木树种分类和精度评价。结果表明,改进的单木分割方法可以有效提高树冠提取精度,得到的树冠分割精度在80%以上;将Li DAR数据和航空正射影像相结合,采用XGBoost算法进行特征选择后,使用ANN分类器的分类方案精度最高,总体精度为86.19%,说明多源数据协同作用和特征选择可以提高树种分类精度,在单木尺度上ANN分类器对现有树种类型的分类能力最强。