融合无人机影像与卷积神经网络在陡坡林地地形中制图与分类土壤扰动的研究

《Forests》:Integrating Unmanned Aerial Vehicle Imagery and Convolutional Neural Networks for Mapping and Classifying Soil Disturbance in Steep Forest Terrain Jaewon Seo, Ikhyun Kim and Byoungkoo Choi

【字体: 大 中 小 】 时间:2026年04月03日 来源:Forests 2.5

编辑推荐:

  在韩国平均坡度达53.4%的2.50公顷陡坡采伐迹地,机械化采伐作业引发的土壤扰动缺乏高效、系统的评估手段。传统地面调查受地形复杂与安全限制,存在劳动强度大、空间覆盖有限及难以规模化实施的缺陷。研究人员开发并验证了一种基于卷积神经网络(CNN)的语义分割模型,

  
在韩国平均坡度达53.4%的2.50公顷陡坡采伐迹地,机械化采伐作业引发的土壤扰动缺乏高效、系统的评估手段。传统地面调查受地形复杂与安全限制,存在劳动强度大、空间覆盖有限及难以规模化实施的缺陷。研究人员开发并验证了一种基于卷积神经网络(CNN)的语义分割模型,利用高分辨率无人机(UAV)正射影像与数字高程模型(DEM)数据检测土壤扰动。采用U-Net架构,输入包含红绿蓝(RGB)与DEM通道,在优化阈值0.65下的集成预测实现了0.55的交并比(IoU)与0.71的F1分数。尽管该性能低于平缓地形相关研究,但反映了陡坡森林环境的固有挑战。基于DEM的深度估计实现了扰动严重程度分类,其中轻度扰动占主导。利用38处测针板测量进行的野外验证表明,该方法具备可靠的空间检测能力(斯皮尔曼相关系数ρ=0.567,均方根误差RMSE=6.45厘米)。该研究为山地森林监测提供了一种替代传统方法的途径,尤其在无法实施系统性作业道规划的地形条件下,可支持可持续森林管理中的采伐影响循证评估。
本研究由Seo Jaewon、Kim Ikhyun与Choi Byoungkoo开展,发表于期刊《Forests》。研究针对全球林业机械化采伐向陡坡区域延伸过程中,土壤扰动监测面临的传统方法失效问题展开。现有保护策略如季节限制、残留物铺垫及作业道规划在陡坡地形下因机器稳定性优先于预设路线而难以实施。同时,土壤压实与车辙会改变土壤容重、孔隙度、渗透性及微生物群落,进而影响碳固存、水文调节与森林更新,亟需精准的采伐后评估工具。研究人员将高分辨率无人机(UAV)影像与深度学习结合,构建了适用于平均坡度53.4%的陡坡林地的土壤扰动自动化制图与分级体系。结果表明,该方法虽受地形限制导致交并比(IoU)为0.55,但能有效识别扰动空间分布并完成严重程度量化,野外验证证实了其在复杂地形下的实用价值,为山地森林可持续经营提供了可扩展的监测方案。
作者采用的关键技术方法包括:在韩国江原国立大学实验林2.50公顷陡坡采伐迹地,使用大疆Matrice 300无人机搭载Zenmuse H20T相机获取地面采样距离2.33厘米的正射影像与数字高程模型(DEM);基于半自动标注流程构建含450个样本的语义分割数据集,采用集成空间分块的五折交叉验证策略;构建四通道输入的U-Net卷积神经网络(CNN)模型,融合RGB与归一化DEM数据,利用二元交叉熵(BCE)与Dice损失的组合函数训练,并通过像素权重差异化策略处理标注不确定性;基于局部平面消除与75百分位参考面法,从DEM中提取车辙相对深度,依据McMahon分类标准划分轻、中、重度扰动;利用38处测针板实地测量数据,通过斯皮尔曼相关分析与均方根误差(RMSE)评估深度估算精度。
研究结果如下:
3.1 基于CNN的土壤扰动检测性能
五折交叉验证的最优训练轮次介于27至115轮之间,测试集平均交并比(IoU)为0.4138±0.0133,F1分数为0.5853±0.0133,精确率低于召回率,表明假阳性多于假阴性。集成预测在0.65阈值下达到最佳性能,F1分数为0.7130,IoU为0.5540。模型共识别出0.186公顷扰动区,占总面积的7.44%。空间误差分析显示,假阴性(FN)主要集中于扰动斑块边缘(边缘FN率48.5%,内部FN率24.0%),假阳性(FP)则多源于光谱特征相似的阴影区域。
3.2 基于DEM的深度估计与严重程度分类
深度估计成功应用于96.4%的检测像素,深度范围为0至36.5厘米,均值15.3±8.2厘米。依据5厘米阈值过滤后,扰动面积缩减15.6%至0.157公顷。在有效扰动中,轻度扰动(5–15厘米)占60.7%(0.095公顷),中度扰动(15–30厘米)占36.5%(0.057公顷),重度扰动(>30厘米)仅占2.8%(0.004公顷)。
3.3 野外验证
38处实地测量的最大车辙深度介于8.2至30.6厘米(均值19.8±4.9厘米)。DEM估算深度与测针板实测值呈中度正相关(ρ=0.567,p<0.001),均方根误差(RMSE)为6.45厘米。所有实地点位均在0.30米缓冲区内被模型成功检出。
讨论部分指出,U-Net模型的性能低于平缓地形研究,主要归因于陡坡环境下扰动形态不规则、边界过渡模糊及阴影干扰。尽管绝对深度估算存在误差,但相对严重程度分类仍具可靠性。研究未对DEM垂直精度进行独立控制点验证,且单一样本量限制了统计强度。此外,数字高程模型(DEM)对深度估算的具体贡献及权重参数敏感性有待进一步量化。未来需开展多站点验证、分层抽样扩大样本量,并比较不同时空差分算法与模型架构。
结论部分表明,研究假设得到部分支持。融合无人机影像与卷积神经网络(CNN)的方法在陡坡环境中实现了可靠的土壤扰动空间检测与严重程度分类,但在实际部署前仍需优化。基于数字高程模型(DEM)的分类结果显示,受限于挖掘机作业特性,轻度扰动占主导。该方法为传统监测手段受限的山地森林提供了可行的自动化制图方案,有助于实现兼顾环境保护与木材生产的可持续森林管理决策。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号