基于无人机和轻量级深度学习模型的湿草地中紫茎泽兰(Molinia caerulea)检测

《Global Ecology and Conservation》:UAV-Based Detection of Molinia caerulea in Wet Grasslands Using a Lightweight Deep Learning Model

【字体: 大 中 小 】 时间:2026年07月12日 来源:Global Ecology and Conservation 3.7

编辑推荐:

  研究人员开发了一种轻量级深度学习方法,利用在波兰东部异质性湿草地复合体上获取的高分辨率无人机RGB影像检测紫茎泽兰(Molinia caerulea)。研究人员构建并评估了一个基于MobileNetV2的卷积神经网络,使用了3564个手动标注的图像瓦片(til

  
研究人员开发了一种轻量级深度学习方法,利用在波兰东部异质性湿草地复合体上获取的高分辨率无人机RGB影像检测紫茎泽兰(Molinia caerulea)。研究人员构建并评估了一个基于MobileNetV2的卷积神经网络,使用了3564个手动标注的图像瓦片(tile),代表该物种的存在与不存在,其中包括2856个训练瓦片和708个验证瓦片。该模型实现了高分类性能(准确率0.944,F1分数0.940),并通过自助法(bootstrap)验证证实了其强大的鲁棒性。紫茎泽兰的连续斑块和孤立丛块均被可靠检测,误报极少。研究结果表明,计算效率高且轻量级的深度学习模型结合无人机影像,为复杂草地上物种级监测提供了一种实用且可扩展的工具,支持湿草地的保护规划和管理。
**研究背景与问题**
欧洲湿草地是全球最动态变化且脆弱的栖息地之一,受到气候变化和人为活动的双重影响。排水、不规律割草和养分富集等干扰破坏了其水文平衡和营养状态,导致生态演替加速和竞争性物种扩张。紫茎泽兰(*Molinia caerulea* L.)是湿草地中最具生态意义的扩张物种之一,其种群增加常与传统土地利用废弃和地下水位下降相关,引发植物群落单型化(monotypization)及生物多样性丧失。该物种的基部丛层(tussock base layer)可覆盖草甸表面约18%,对植被结构至关重要。传统地面监测耗时、空间有限且主观性强,而遥感技术(尤其是配备高分辨率传感器的无人机UAV)提供了大空间覆盖和可重复数据获取的优势。传统机器学习算法(如随机森林RF、支持向量机SVM)依赖人工设计的特征,而深度学习模型能自动从输入数据中学习层次特征,捕获复杂空间和光谱模式。尽管基于UAV的深度学习已用于多种植物检测,但尚无研究专门针对湿草地中的紫茎泽兰。因此,研究人员旨在开发并评估一种基于卷积神经网络(CNN)的方法,利用高分辨率无人机RGB影像检测紫茎泽兰。论文发表于《Global Ecology and Conservation》。

**主要关键技术方法**
本研究于2024年7月在波兰东部Krowie Bagno湿草地复合体南部进行,总研究面积25.6公顷,划分为5个子区域(A–E)。野外实地验证了与紫茎泽兰光学相似物种(如*Deschampsia caespitosa*、*Carex panicea*、*Carex nigra*)的共现情况。UAV数据采用大疆Mavic 3(RGB, 4/3″ CMOS, 20 MP, 24 mm等效焦距)在晴空条件下于50米高度采集(地面采样距离GSD约1 cm/px),航向重叠80%、旁向重叠50%。影像处理生成正射镶嵌图(orthomosaic),并划分为2.56×2.56米网格(256×256像素)。最终数据集包含3564个手动标注的影像瓦片(2856训练、708验证),基于野外清查数据标注紫茎泽兰存在与否。采用轻量级卷积神经网络MobileNetV2(预训练于ImageNet)作为基础架构,使用Adam优化器、二元交叉熵损失函数,超参数迭代优化(学习率0.001,批次大小32,最大训练周期60,早停法15轮)。性能评估基于验证子集,生成混淆矩阵并计算准确率、精确率、召回率、F1分数,利用受试者工作特征(ROC)曲线和约登指数(Youden index)确定最优决策阈值(t*),并通过1000次自助法(bootstrap)重抽样评估稳定性。

**研究结果**
共采集4171张无人机影像,生成覆盖256547 m2(25.64 ha)的正射镶嵌图,分析网格包含38028个瓦片。在默认决策阈值0.50时,混淆矩阵显示667个正确分类(313真阳性、354真阴性),41个错误分类(21假阳性、20假阴性),默认阈值指标为:准确率0.942、精确率0.937、灵敏度0.940、F1分数0.939。通过ROC分析和约登指数确定最优阈值t=0.49(与默认0.50几乎相同),在最优阈值下正确分类了一个额外存在瓦片(314真阳性、354真阴性、21假阳性、19假阴性),准确率0.944、精确率0.937、灵敏度0.943、F1分数0.940,主要降低了紫茎泽兰的遗漏误差(尤其是含小型或弱表达丛块的瓦片)。自助法分析证实模型高度稳定:2.5%–97.5%范围狭窄(准确率0.925–0.960,精确率0.910–0.962,灵敏度0.916–0.966,F1分数0.919–0.957),表明模型对验证样本随机波动不敏感,鲁棒性高。模型一致识别了紫茎泽兰的连续斑块和孤立小丛块,假阳性检测罕见且空间局限。

**讨论与结论**
讨论部分指出,结果代表网格单元水平(2.56×2.56 m)的检测,即使单元内仅有单丛也标记为“存在”。在异质性湿草地中实现高精度物种级检测是生态遥感的中心挑战,本研究中紫茎泽兰的检测准确率和灵敏度均>0.94,归因于其独特的丛状生长形态以及与形态相似物种(如丛生莎草*Carex* spp.)的训练区分。模型通过涵盖5个子区域(A–E)的多样性训练数据增强了泛化能力,减轻了植被背景异质性带来的误分类风险。实际应用需注意网络基于单一物候期影像训练,未来使用应在相似季节窗口内采集数据,或通过重新训练纳入多时期影像。UAV数据采集对于25.6 ha站点约需2小时,表明该方法可高效扩展至更大面积(每天100–200 ha),支持紫茎泽兰早期扩张迹象和空间格局的快速监测。
结论部分翻译如下:
本研究证明,高分辨率UAV影像结合轻量级深度学习模型为异质草地上紫茎泽兰的制图提供了一种稳健且高效的途径。该方法可靠检测了该物种的大片斑块和孤立丛块,提供了通过传统实地工作难以获得的精确空间信息。这种大面积、高分辨率的物种级监测可有力补充传统方法,实现栖息地结构的详细评估、演替变化的早期识别,并加强对保护区内及一般草地上保护决策的支持。所提方法可直接服务于湿草地的保护规划和恢复行动,促进更具成本效益的草甸管理,尤其适用于长期生态监测,可在连续年份和大空间范围内基于一致的方法论基础跟踪物种分布和植被动态。
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