《Frontiers in Physics》:Inversion of the forest dead fuel moisture content by UAV multisepectral image under the new leaves shade
编辑推荐:
森林死可燃物含水率(Forest Dead Fuel Moisture Content, FDFMC)是影响森林火灾发生与蔓延的重要因素。当叶片完全凋落时,由于无树叶遮蔽,利用无人机(UAV)多光谱相机可轻松获取光谱影像。然而,在春季防火期,因新叶遮蔽,研究人
森林死可燃物含水率(Forest Dead Fuel Moisture Content, FDFMC)是影响森林火灾发生与蔓延的重要因素。当叶片完全凋落时,由于无树叶遮蔽,利用无人机(UAV)多光谱相机可轻松获取光谱影像。然而,在春季防火期,因新叶遮蔽,研究人员难以获取完整光谱影像,因此FDFMC的反演精度会受其显著影响。本文提出一种改进的ConvNeXt卷积神经网络,基于2025年4月18日至25日在哈尔滨市城市林业示范区采集的无人机多光谱相机数据预测FDFMC。研究人员共拍摄6,031组照片,每组包含六张单波段影像。采用K-means聚类算法分割无人机多光谱影像,提取特征信息以降低新叶遮蔽的影响。训练后的模型达到了1.38%的平均绝对误差(MAE)和4.54%的均方根误差(RMSE)。实验结果表明,改进的ConvNeXt模型能准确预测FDFMC。本文提出的基于无人机多光谱影像预测FDFMC的新方法具有可行性和参考意义。
**论文解读:基于无人机多光谱影像与改进ConvNeXt模型的新叶遮蔽下森林死可燃物含水率反演**
**研究背景与问题**
森林死可燃物含水率(Forest Dead Fuel Moisture Content, FDFMC)是影响森林火灾发生与蔓延的核心生物物理参数,直接调控可燃物的易燃性、点燃概率及火势蔓延速率。FDFMC的精准反演被认为是火灾行为预测和森林火险天气预警的关键。现有研究方法包括平衡含水率估计法、遥感估计法、过程模型法和气象因子回归法。其中,平衡含水率法在小尺度上可靠但大尺度精度下降;卫星遥感法难以实现实时监测,因需保证遥感数据与地面采样日期及位置一致;而搭载多光谱相机的无人机(UAV)平台具有厘米级空间分辨率、灵活高效、实时性强的优势,可确保遥感数据与地面实测FDFMC的可比性。然而,春季防火期新叶的遮蔽导致难以获取完整光谱影像,严重影响了FDFMC的反演精度。为克服这一难题,研究人员提出基于改进ConvNeXt卷积神经网络与无人机多光谱影像的方法,旨在建立一套结合K-means分割与深度学习的处理流程,以实现新叶遮蔽条件下对森林地表死可燃物含水率的准确快速预测。
**研究内容与意义**
研究人员于2025年4月18日至25日在黑龙江省哈尔滨市城市林业示范区(126°37′458″E,45°43′464″N)采集无人机多光谱数据与地面实测样品。共飞行8天,获取6,031组六波段(450 nm、555 nm、660 nm、720 nm、750 nm、840 nm)多光谱影像,分辨率为1,280×960。同时设置60个样地采集地表死可燃物样品(每种不少于100 g),通过烘干法获得湿重与干重并计算FDFMC。采用K-means聚类算法分割无人机多光谱影像,将影像分为树木、阴影和地表三类,生成的掩膜仅保留地表死可燃物光谱信息。利用改进的ConvNeXt模型(通道维度C=(64,256,512,1024),块数B=(3,6,9,18))进行训练,最终模型在测试集上达到93%的分类准确率,MAE为1.38%,RMSE为4.54%。对比实验表明,ConvNeXt在FDFMC反演精度上优于Swin Transformer(MAE降低3.11%,RMSE降低1.93%)及其他ResNeXt变体。该研究证明了基于无人机多光谱影像与ConvNeXt模型预测FDFMC的可行性与参考价值,为春季防火期森林火险管理提供了高效、低成本的监测手段。论文发表在《Frontiers in Physics》。
**主要关键技术方法**
本研究采用以下关键技术:(1)无人机多光谱影像获取:使用大疆M300 RTK无人机搭载MS600 Pro多光谱相机(六波段:蓝450 nm、绿555 nm、红660 nm、红边720 nm、近红外750 nm、深红840 nm),飞行高度40 m,航速6.5 m/s,拍摄间隔1 s,拍摄面积65,688 m2,并通过Yusense Map软件完成波段对齐与辐射定标(校准灰板反射率见表1)。(2)K-means聚类分割:设定初始聚类数K=3,将无人机多光谱影像按像素强度分为树木、阴影和地表死可燃物三类,生成地表死可燃物掩膜,分割后Dice系数为0.84,IoU为0.75。(3)改进ConvNeXt模型:采用ConvNeXt-B架构,输入裁切至256×256的六波段影像,通过4×4卷积核(步长4)初始下采样,经四个阶段(块比3:3:9:9)提取特征,最后经全局平均池化、层归一化和全连接层输出8个含水率类别的置信度。模型使用AdamW优化器(初始学习率0.0001),训练300轮,保存最佳模型。样本队列来源为哈尔滨城市林业示范区,2025年4月18-25日采集,共60个样地,每个样品采自地表死可燃物(细枝、落叶、枯枝和分解木质残体)。
**研究结果**
**3.1 K-means图像分割**:通过设定K=3的K-means算法对6,031组多光谱影像进行无监督聚类,有效分离出树木、阴影和地表死可燃物。分割后生成的掩膜仅保留地表FDFMC相关光谱信息,Dice系数为0.84,IoU为0.75,满足后续实验要求。进一步将1,280×960像素影像从灰度值最高区域裁切并缩放至256×256,以提升相关信息比例并减少计算量,最终按8:1:1划分为训练集、验证集和测试集(训练集4,824张,验证集604张,测试集603张),并采用随机旋转与水平/垂直翻转进行数据增强。
**3.2 ConvNeXt反演FDFMC**:采用ConvNeXt-B模型(输入256×256×6影像),通过4×4卷积核(步长4)下采样至64×64×64,经四个阶段(通道数:64→256→512→1024,块数:3→6→9→18)逐步提取特征,最后经全局平均池化、层归一化和全连接层输出8类含水率置信度(Softmax函数)。模型使用AdamW优化器(初始学习率0.0001,300轮),最终测试精度达93%,MAE为1.38%,RMSE为4.54%。为评估各波段贡献,将六波段拆分为单波段及三波段组合分别训练。单波段中,450 nm(波段1)反演效果最佳(MAE=3.08%,RMSE=7.72%);三波段组合中,由450 nm、720 nm、750 nm组成的波段1、4、5(即145)表现最优(MAE=1.17%,RMSE=3.95%,R
2=0.82),优于六波段输入(六波段MAE=1.38%,RMSE=4.54%),原因在于ConvNeXt结构更适合三通道输入。
**3.3 比较实验**:选用ResNeXt50、ResNeXt101、ResNeXt101-ECA(整合ECA通道注意力模块)及Swin Transformer四种对比模型,均在相同数据集上使用AdamW优化器(初始学习率0.0001,300轮)训练。结果如表6所示:ConvNeXt的MAE(1.38%)和RMSE(4.54%)均低于其他模型;相比Swin Transformer,MAE降低3.11%,RMSE降低1.93%;相比ResNeXt50,MAE降低32.91%,RMSE降低14.78%;相比ResNeXt101-ECA,MAE降低46.54%,RMSE降低19.44%;相比ResNeXt101,MAE降低41.63%,RMSE降低24.66%。ConvNeXt的优越性能归因于其融合了CNN的归纳偏置与Transformer的先进设计(大卷积核7×7、层归一化、GELU激活函数),在保持计算效率的同时提升了特征提取能力。
**讨论与结论**
讨论部分指出,ConvNeXt作为受Transformer启发的纯卷积模型,通过集成改进的归一化和激活函数,在本任务中优于其他对比模型。其成功主要原因在于:(1)FDFMC反演本质上依赖光谱反射率与含水率之间的局部像素级物化关系,CNN的局部感受野比旨在捕捉全局依赖的Transformer更直接高效;(2)Swin Transformer的全局注意力机制引入了不必要的计算冗余,甚至可能过度拟合新叶阴影等背景噪声。相比之下,ConvNeXt在计算复杂度与反演精度之间实现了最佳平衡。该方法相比传统人工采样显著降低了劳动和时间成本,无人机平台可在短时间内覆盖大面积区域(8天采集6,000余张图像),且不依赖密集气象站网或卫星重访周期,为森林管理者提供了从“点监测”向“面监测”转变的能力,实现了高频、精准的早期预警。
**研究结论翻译**:本文提出了一种基于无人机遥感预测春季新叶遮蔽下森林地表FDFMC的新方法。该方法利用无人机平台配备多光谱相机获取森林表面多光谱影像,对多光谱影像进行K-means聚类分割,仅保留地表死可燃物的多光谱影像,并将该影像与野外实测含水率值作为ConvNeXt模型的输入,训练地表死可燃物多光谱影像与含水率之间的对应关系,实现了通过春季防火期森林表面多光谱影像对FDFMC的估计。