基于无人机的深度学习工作流用于麋角珊瑚(Acropora palmata)高分辨率探测与制图

《Remote Sensing》:UAV-Based Deep Learning Workflows for High-Resolution Detection and Mapping of Elkhorn Coral (Acropora palmata)

【字体: 大 中 小 】 时间:2026年07月02日 来源:Remote Sensing 4.3

编辑推荐:

  麋角珊瑚(Acropora palmata)是一种受威胁的造礁物种,在加勒比海沿岸生态系统中发挥着关键作用。对A. palmata进行高效、大尺度监测对于评估恢复成效至关重要,然而传统的原位调查仍然成本高昂且空间受限。本研究

  
麋角珊瑚(Acropora palmata)是一种受威胁的造礁物种,在加勒比海沿岸生态系统中发挥着关键作用。对A. palmata进行高效、大尺度监测对于评估恢复成效至关重要,然而传统的原位调查仍然成本高昂且空间受限。本研究中,研究人员获取了美国维尔京群岛(USVI)圣克罗伊岛东端海洋公园(STXEEMP)珊瑚礁的高分辨率(1.8 cm)无人机(uncrewed aerial vehicle, UAV)影像,并应用深度学习目标检测技术识别单个A. palmata珊瑚群体。研究人员采用了两种卷积神经网络(convolutional neural network, CNN)架构——FasterRCNN和MaskRCNN。FasterRCNN被用作初步筛选工具,从多个候选数据集中确定最优影像数据集。在确定数据集后,研究人员使用MaskRCNN并结合迭代标注精化流程,其中初始模型预测结果被用于扩充训练数据,最终F1分数达到0.78。探测精度受珊瑚群体规格和表观水深的影响显著,对于宽度大于0.3 m的珊瑚(F1 = 0.87)以及位于较浅水域的珊瑚(F1 = 0.81),探测精度明显提高。除探测功能外,MaskRCNN的多边形输出还实现了单个珊瑚群体面积的测量以及高分辨率珊瑚密度图的生成。这些产品可补充更大尺度的预测与制图方法,并提供精细尺度的管理相关信息。尽管本研究在单一珊瑚礁点的单次采集期间进行,但结果表明,基于无人机的深度学习工作流为珊瑚礁监测提供了一种有前景的方法,有望支持恢复评估和保护决策,但仍有待于在更多站点、季节和环境条件下进行验证。
**基于无人机与深度学习的加勒比海关键珊瑚物种精准监测研究解读**

**一、研究背景与问题提出**

珊瑚礁生态系统正面临日益严峻的生存危机。由气候变化驱动的海温上升、风暴强度增加、沉积作用加剧及海洋酸化等多重胁迫因子交互作用,导致全球珊瑚礁大规模退化。Hughes等学者的研究表明,过去三四十年来,大规模珊瑚白化事件的强度和频率急剧增加。珊瑚礁不仅具有不可替代的生态价值,还承载着巨大的社会经济功能——据Conservation International 2008年估计,全球珊瑚礁的经济价值达298亿美元,其中加勒比海珊瑚礁每年通过旅游业、渔业、海岸防护、生物多样性维持及碳封存等生态系统服务贡献31至46亿美元。在此背景下,实施从局域到区域尺度的有效保护与管理策略已成为当务之急。

环境监测技术的进步,特别是遥感技术与机器学习的发展,为应对上述保护挑战提供了新途径。遥感技术的进步使得获取更高辐射分辨率和空间分辨率、覆盖更广空间范围的数据成为可能;而机器学习则为从海量复杂数据中提取有意义模式提供了强大工具。本研究聚焦于麋角珊瑚(Acropora palmata),这一加勒比海的关键造礁物种。A. palmata在过去5000年间一直是构建该区域珊瑚礁框架的基础物种,其复杂的分枝形态创造了结构多样的生境,支撑了广泛的海洋生物多样性,并通过消减波浪能量保护海岸线及邻近的海草床和红树林等生境。自1980年以来,广泛的白化事件和白带病爆发已导致A. palmata种群数量减少超过90%,该物种于2006年被列入美国《濒危物种法》保护名录。为应对持续的种群衰退,加勒比海地区已开展了大量主动恢复工作,如大自然保护协会(The Nature Conservancy, TNC)自2012年起在圣克罗伊岛实施的外植恢复项目,采用微片段化和辅助有性繁殖等技术促进种群恢复。

尽管无人机在珊瑚礁监测中具有独特优势——能够在低飞行高度(如<120 m)获取超高空间分辨率影像,同时减少大气干扰和加勒比地区持续云层的限制——但将实例分割架构如MaskRCNN应用于无人机影像进行物种级珊瑚探测的研究仍相对不足。早期研究指出,仅凭光谱数据难以可靠地在物种水平上识别珊瑚,而深度学习模型有望整合辐射度、几何信息以及详细的结构线索(如群体形态和空间背景),从而改善探测效果。本研究旨在评估MaskRCNN从约1.8 cm分辨率无人机正射影像中探测单个A. palmata群体的能力,检验模型在不同珊瑚规格和水深分层中的表现,实施迭代式人工引导标注精化策略以改进训练效果,并评估多边形级输出对于生成高分辨率珊瑚密度图的附加价值。

**二、主要技术方法**

研究选取美国维尔京群岛圣克罗伊岛东端海洋公园(STXEEMP)内的珊瑚礁作为研究区域,该海域属于禁捕区,是正在进行的长效A. palmata种群恢复工作的组成部分。数据采集方面,研究人员使用WingtraOne固定翼垂直起降无人机于2021年5月25日至6月2日间执行了10次飞行任务,覆盖1.48 km2,名义空间分辨率1–1.8 cm;同时由潜水员通过浮潜采集了A. palmata群体的水下地理配准照片和点位数据,并在浅水区补充使用了DJI Phantom 4四旋翼无人机获取更高分辨率(<1 cm)影像。

数据处理采用基于PyTorch 1.13和torchvision后端的深度学习框架,在Esri ArcGIS Pro 3.1中完成。具体技术路线包括:(1)使用FasterRCNN(ResNet-50骨干网络)作为快速筛选工具,从10个影像数据集中确定最优者;(2)以该最优数据集训练三种不同层深(ResNet-50/101/152)的MaskRCNN模型;(3)实施迭代标注精化策略——以初始MaskRCNN resnet101模型的输出为起点,由人工验证、修正边界、删除假阳性、补绘遗漏群体,将训练数据从约1500个多边形扩充至约3000个,覆盖扩展后的空间范围;(4)采用点-多边形匹配协议进行精度评估,计算精确率(Precision)、召回率(Recall)和F1分数,并按珊瑚宽度(0.10 m间隔分档)和水深(浅礁/深礁,约以1.5 m为界)进行分层分析。需要说明的是,651个精度评估点位于空间上与训练数据区完全分离的礁体边缘区域。

**三、研究结果**

**3.1 影像数据集筛选**

FasterRCNN模型对所有10个影像数据集的评估显示,2021年5月25日采集的影像(75 m飞行高度,部分多云)获得最高F1分数0.73(精确率0.90,召回率0.61),后续分析均基于此数据集。值得注意的是,飞行高度和云层覆盖未表现出对模型性能的一致影响,这表明影像质量受多重因素综合调控。

**3.2 MaskRCNN输出评估**

基于原始标注数据训练的MaskRCNN模型并未超越FasterRCNN基线表现。然而,经过迭代标注精化、训练数据量翻倍后,精化后的MaskRCNN模型全面超越了FasterRCNN的精度:其中ResNet-50模型表现最优,F1分数达到0.78(精确率0.76,召回率0.82)。虽然精度提升主要归因于训练数据量的增加而非架构本身,但MaskRCNN的多边形输出提供了单个珊瑚群体面积和总珊瑚覆盖面积的信息,这是FasterRCNN的边界框输出所无法实现的。

**3.3 珊瑚规格与水深的影响**

基于最优模型(精化MaskRCNN, ResNet-50)的分析揭示,珊瑚群体规格和水深对探测精度有显著影响。存在一个明显的规格阈值约0.3 m宽度:小于该阈值的珊瑚召回率仅0.56、精确率0.49、F1分数0.52;而大于该阈值的珊瑚则分别达到0.89、0.84和0.87。表观水深方面,浅水域F1分数为0.81,深水域降至0.51,这种差异主要由召回率的显著下降(浅水域0.86 vs. 深水域0.40)驱动,表明模型在深水区倾向于低估珊瑚数量,但对实际探测到的珊瑚仍保持较高可靠性。

**四、讨论与结论**

研究人员认为,MaskRCNN经迭代标注精化后是一种可行的A. palmata无人机影像探测方法,F1分数0.78的结果具有实际应用价值,而对大于0.3 m的珊瑚群体探测精度更高(0.87)则显示了该方法在目标规格适宜条件下的可靠性。迭代精化策略的有效性在于充分利用了MaskRCNN生成详细多边形边界的能力,其产出的训练数据比单纯人工数字化更能准确反映珊瑚群体的空间范围和形态特征。然而,深层网络(ResNet-101/152)在本研究中未表现出优势,提示对于中小规模数据集存在过拟合风险。

环境因子分析表明,空间分辨率是限制小珊瑚群体探测的主要瓶颈——小于0.3 m的群体在1.8 cm分辨率影像中仅占少量像素,导致模式识别失效。深水区精度下降则与水柱效应密切相关:光衰减、折射和焦散图案随深度增加而加剧,降低了珊瑚与周围底质的光谱和空间对比度。此外,马尾藻(Sargassum)因其在影像尺度上与A. palmata相似的尺寸、形状和颜色而成为意外的假阳性来源,未来应用应将马尾藻纳入训练类别以减少此类混淆。

在应用层面,基于MaskRCNN多边形输出的高分辨率珊瑚密度图(图10)可有效补充美国国家海洋和大气管理局(NOAA)基于环境协变量(如水深和粗糙度)的约20 m格网分辨率预测产品,在保留精细空间细节的同时提供可操作的站点级信息,对于恢复监测、种群评估和管理决策具有重要价值。该工作流还有望扩展至其他附着性生物的监测,甚至为浅水环境中移动较慢的非附着生物(如女王海螺Aliger gigas)的时序监测提供高时间分辨率数据基础。

**研究结论**:珊瑚提供着至关重要的生态和社会经济效益,其持续保护对加勒比海社区福祉至关重要。有效保护的基石在于可靠的监测,但传统调查方法往往昂贵、物流复杂且耗时。无人机影像结合深度学习技术为珊瑚监测提供了更快速、更具成本效益的途径,使研究人员和资源管理者能够做出更及时、基于数据的保护与恢复决策。本研究表明,MaskRCNN是从无人机影像中探测单个A. palmata群体的有效深度学习方法,经迭代标注精化后总体F1分数达0.78。标注精化策略将初始MaskRCNN输出纳入训练数据,显著提升了模型精确率。除改进探测精度外,MaskRCNN的多边形输出还实现了单个群体面积测量,这对于珊瑚普查、密度制图和恢复监测至关重要。探测精度在大于0.3 m的浅水珊瑚群体中最高(基于无人机摄影测量衍生的表观深度),表明传感器空间分辨率和水柱校正技术的改进有望进一步拓展该方法的适用范围。该工作流产出的高分辨率珊瑚密度图为较粗分辨率的区域预测产品提供了关键补充,提供了支持更精准的站点级保护与恢复决策的空间详细信息。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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