基于倾斜摄影的红树林冠层结构估测方法

朱明杰; 常亚丽; 田震; 朱建华; 薛志泳; 李尉尉

doi:10.12404/j.issn.1671-1815.2508069

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (30) :12961-12971 DOI: 10.12404/j.issn.1671-1815.2508069

论文：农业科学

基于倾斜摄影的红树林冠层结构估测方法

朱明杰 ¹ ,
常亚丽 ² ,
田震 ¹ ,
朱建华 ¹^,^* ,
薛志泳 ¹ ,
李尉尉 ¹

作者信息 +

Estimation Methods for Mangrove Canopy Structure Based on Oblique Photogrammetry

Author information +

文章历史 +

摘要

红树林是重要的海洋生态系统,其冠层结构参数是评估红树林生长状况和碳汇能力的重要依据。当前红树林冠层参数获取多依赖于机载激光雷达,存在成本高、普及性弱等问题,而无人机倾斜影像在该领域的应用研究较为缺乏。因此,以海南红树林修复区为研究对象,自主构建红树林实例分割数据集,并将YOLACT实例分割创新应用于红树林的冠层结构估测,构建了一套针对红树林冠层结构的高效监测方案,并与分水岭分割、点云距离判别聚类和层堆叠等传统方法进行对照实验。结果表明:无人机倾斜影像能够实现修复区单木精细识别,4种分割算法总体精度均大于0.80、F评分在0.90左右,其中YOLACT模型表现最佳(OA=0.93, F=0.96)。在冠层结构参数估测实验中, YOLACT模型拟合效果最优、误差最小,平均绝对误差占比较其他算法降低2%~12%。总体来看,所采用的YOLACT模型在单木识别与冠层结构估测方面表现出更高可靠性,可有效支撑红树林监测与管理工作。

Abstract

Mangroves are important marine ecosystems, and their canopy structure parameters are important bases for evaluating the growth status and carbon sequestration capacity of mangroves. Currently, mangrove canopy parameters are mainly acquired using airborne LiDAR. The main drawbacks of airborne LiDAR are its high cost and limited accessibility. Meanwhile, the application of UAV oblique photogrammetry in this field is relatively limited. Therefore, the mangrove restoration area in Hainan was taken as the research object. A mangrove instance segmentation dataset was independently constructed. The YOLACT instance segmentation model was innovatively applied to the estimation of mangrove canopy structure. An efficient monitoring scheme for mangrove canopy structure was established. Comparative experiments were carried out with traditional methods including watershed segmentation, point cloud distance discrimination clustering, and layer stacking. The results show that UAV oblique images can realize fine identification of individual trees in the mangrove restoration area. The overall accuracy of the four segmentation algorithms is all greater than 0.80, with F-scores around 0.90. Among them, the YOLACT model performs the best (OA=0.93, F=0.96). In the experiments of estimating canopy structure parameters, the YOLACT model exhibits the optimal fitting effect and the smallest error, and the mean absolute error percentage was reduced by approximately 2%~12% compared with other algorithms. Overall, the YOLACT model adopted in this study shows higher reliability and application potential in individual mangrove tree identification and canopy structure estimation. This provides a technical reference for mangrove monitoring and management.

Graphical abstract

关键词

无人机 / 倾斜影像 / 红树林 / 单木分割 / 冠层结构 / YOLACT实例分割

Key words

UAV(unmanned aerial vehicle) / oblique imagery / mangrove forest / individual tree segmentation / canopy structure / YOLACT instance segmentation

引用本文

引用格式 ▾

朱明杰, 常亚丽, 田震, 朱建华, 薛志泳, 李尉尉. 基于倾斜摄影的红树林冠层结构估测方法[J]. 科学技术与工程, 2026, 26(30): 12961-12971 DOI:10.12404/j.issn.1671-1815.2508069

ZHU Ming-jie, CHANG Ya-li, TIAN Zhen, ZHU Jian-hua, XUE Zhi-yong, LI Wei-wei. Estimation Methods for Mangrove Canopy Structure Based on Oblique Photogrammetry[J]. Science Technology and Engineering, 2026, 26(30): 12961-12971 DOI:10.12404/j.issn.1671-1815.2508069

登录浏览全文

4963

注册一个新账户忘记密码

红树林是由常绿乔木与灌木构成的耐盐性木本植物群落,主要分布在热带及亚热带海岸的潮间带区域^[1]。作为海洋生态系统的重要组成部分,红树林群落具备极为重要的生态系统服务功能,具体包括固碳释氧、防风固堤和促进海陆物质循环等^[2]。然而,受人为活动干扰与自然环境变化的双重影响,红树林生态系统已成为全球范围内最为脆弱的生态系统之一^[3]。在中国工业化进程初期,受经济开发与近海工程建设影响,红树林生态系统长期遭受严重破坏,加之其生态价值未得到足够关注,最终导致面积锐减,生境面临严重威胁^[4-5]。近年来,“退塘还林”举措已成为中国保护与修复红树林生态环境的核心手段,在改善红树林生态状况方面发挥了重要作用^[6]。红树林的冠层结构参数与其健康状况、生长状况紧密相关,是反映红树林生态系统状态的关键指标^[7]。因此,对红树林冠层结构参数进行精准监测与科学评估,对于研究人员和决策者准确判断红树林生态修复成效、掌握其碳储存能力变化规律具有重要意义^[8]。

在传统研究中,红树林冠层结构数据的获取多依赖野外实地测量。该方法虽能保证较高的数据精度,在全球范围内被广泛应用于红树林研究与管理工作,但存在明显局限性:数据获取效率低、人力与物力成本高,且在测量过程中可能对被调查物种所处的生态环境造成一定程度的破坏^[9]。此外,红树林生长区域常年面临台风、潮汐、高温高湿等极端环境影响,导致大规模、大范围的红树林野外实地测量工作难以持续开展,无法满足大范围监测需求^[10]。

无人机技术的快速发展,为红树林林分层面的物种分类、精细结构解析与单木尺度监测提供了有力支撑^[11]。当前,基于无人机摄影测量技术和激光雷达(light detection and ranging, LiDAR)技术,已成为获取红树林垂直结构特征的两种主要技术手段^[12]。在相关研究中,Yin等^[13]将激光雷达数据获取的红树林树高与实地测量结果进行了比较,发现偏差为-9~11 cm;王德智^[14]通过无人机搭载LiDAR获取了红树林冠层高度模型(canopy height model, CHM),为后续联合卫星遥感影像实现大面积红树林地上生物量反演奠定了基础。雷鹏^[15]以无人机激光雷达数据为基础,采用分水岭分割算法、区域增长算法、最近邻算法、区域卷积神经网络算法进行单木分割,探究不同算法下红树林识别与分割效果。虽然机载LiDAR在红树林垂直信息识别上具有很大潜力,但是高额的成本与庞大的数据量阻碍了其在红树林调查中的进一步应用。相比之下,无人机摄影测量凭借成本较低、数据处理相对简单等优势,成为机载LiDAR技术的有效补充,受到了研究人员的重点关注^[16]。Navarro等^[17]使用基于局部最大值的可变窗口滤波来检测树顶,采用标记控制分水岭分割法估测了天然红树林和人工红树林的高度、树冠直径和地上生物量。余楚滢等^[18]以无人机倾斜摄影生成的冠层高度模型为基础,采用种子区域生长算法进行无瓣海桑单木树冠提取。

综上,相较于机载LiDAR技术的相关研究,利用无人机倾斜摄影测量开展红树林冠层结构参数提取的研究仍存在诸多空白,不仅相关研究内容有限,针对不同算法在该场景下的识别效果、分割精度也缺乏系统性的对比分析与科学验证。针对上述研究短板,现以海南东寨港红树林修复区为研究区域,基于无人机倾斜摄影数据自主构建针对红树林的实例分割数据集,并将YOLACT(you only look at coefficients)实例分割模型创新应用于红树林的单木识别,与多种传统算法开展对比实验,探究不同算法的适用性与精度差异,为研究对象的监测与管理工作提供技术参考。

1 研究区域与数据

1.1 研究区域概况

研究区位于东寨港国家红树林保护区内,坐落在中国海南省的东北部地区(19°51'N~20°1'N, 110°32'E~110°37'E),如图1所示。该区域拥有红树林19科36种,在中国已知红树林物种中,超过90%都可以在保护区内发现^[19]。保护区气候属于典型热带季风气候,平均年降水量1 700 mm,年平均相对湿度约为85%^[20]。受历史海水养殖活动影响,保护区红树林曾遭破坏,后通过“退塘还林”修复工程逐步恢复^[21]。该区域主要采用人工种植的模式进行修复,其主要修复树种包含角果木、木榄及红海榄等。

1.2 无人机倾斜影像

使用大疆M300搭载五镜头倾斜摄影测量相机赛尔PSDK 102S,采用网络实时动态载波相位差分技术(real time kinematic, RTK)进行无人机定位,进行免像控点测量。无人机飞行速度为8 m/s,飞行高度为60 m,旁向重叠率70%,航向重叠率80%,共获取相片2 635张,航测作业面积总计9.2 hm²。飞行和载荷具体参数如表1所示。

1.3 地面验证数据

在研究区域内,采用均匀随机抽样法选取202个红树林样本点,通过华星RTK测量样本点的中心位置,并使用皮尺与手持激光测距仪开展冠层参数测量,采集红树林的冠层高度及冠幅信息(取东西向与南北向宽度的平均值)。由于冠层面积难以通过现场直接测定,后期基于样本点坐标,从无人机正射影像中人工勾绘提取该参数。研究收集的验证样本点统计数据如表2所示。

2 研究方法

研究主要分为3个阶段进行,具体流程如图2所示。第1阶段为无人机影像的数据预处理:对无人机倾斜影像进行预处理,获取单木分割所需的基础数据;第2阶段为单木检测与分割:选取4种算法开展分割实验,通过参数优化确定最优方案,完成红树林单木顶点定位与冠层边界提取;第3阶段为效果评估与精度验证:参考地面验证数据,利用多种精度指标对算法的单木分割效果进行评估,并对提取的冠层参数进行精度验证。

2.1 数据预处理

无人机倾斜影像预处理:首先借助三维建模软件Agisoft Metashape进行空中三角测量,通过同名点匹配,还原影像拍摄时相机的姿态及空间位置,生成稀疏点云;再经密集匹配算法得到稠密点云,并按修复区范围完成裁剪工作。然后,通过正射投影与纹理映射生成数字正射影像图(digital orthophoto map, DOM),并采用克里金插值法构建数字表面模型(digital surface model, DSM),如图3(a)和图3(b)所示。最后,基于“布料”滤波算法(cloth simulation filter, CSF)实现地面点与红树林点云的分离,以地面点为基础构建数字高程模型(digital elevation model, DEM);通过DSM与DEM的差值计算,建立红树林修复区CHM,如图3(c)和图3(d)所示。上述所有栅格图像的分辨率统一设定为3 cm,由于倾斜影像生成的点云数据存在较高冗余,其点云密度为1 500~2 500 个/m²,为提高后续实验处理效率,在保证实验精度不受影响的基础上,将点云重采样至500 个/m²左右。如图4所示,在该点云密度条件下,红树林在低郁闭度区域冠层和主干结构表现清晰明显,而在高郁闭度区域,倾斜摄影受限于被动成像机制,相较激光雷达缺乏垂直穿透能力,难以有效获取冠层内部及下层结构信息,导致红树林主干等关键结构信息存在不同程度的缺失。

2.2 单木检测与分割算法

2.2.1 YOLACT实例分割

YOLACT是一种高效、实时的实例分割算法。算法先通过主干网络提取图像特征,再利用特征金字塔生成多尺度特征图,同时输出两个关键分支:一是语义分割分支,预测像素级类别掩码;二是原型掩码分支,生成固定数量的基础原型掩码。针对每个检测到的目标,算法会学习一组系数,通过线性组合原型掩码得到该目标的实例掩码,无需复杂的掩码后处理。此外,算法引入锚框检测分支定位目标,结合非极大值抑制筛选候选框,最终实现类别、位置与实例掩码的同步输出^[22]。在大幅提升运算效率的同时满足实时场景需求,在目标密集场景下仍保持较好的分割精度。

研究将修复区红树林影像统一裁切为512×512像素的图像切片,随后剔除边界不规则的切片及包含采样点的切片,对剩余的1 905张有效切片按80%和20%的比例,分别划分为模型训练数据与验证数据。采用Labelme标注工具,对训练数据和验证数据影像中的红树林单木轮廓进行标注,共标注12 373棵红树林单木样本,在此基础上开展模型训练工作。训练阶段采用ResNet101作为骨干网络,迭代次数为55,批量大小batch_size为8,采用随机梯度下降(stochastic gradient descent, SGD)作为优化器,初始学习率lr=1×10^-3,并通过多步学习率(multi-step learning rate, MultiStepLR)策略进行动态调整,其余参数保持默认配置。随后利用训练后的模型对研究区域正射影像切片进行预测,最后依据坐标信息将预测后的切片拼接。各算法对红树林单木识别效果如图5所示,其中图5(a)为 YOLACT 实例分割模型的局部识别结果。

2.2.2 分水岭分割

分水岭分割(watershed segmentation)是一种常见的灰度图像分割算法^[23]。它的原理是将图像作为“地形图”,将灰度值作为海拔,从海拔最低点开始积水,随着水位上升,不同区域的水开始汇集,当水即将汇合时,修建“堤坝”,这些堤坝就是最终的分割边界,实现目标和背景的分离。对于高分辨率CHM,分水岭分割虽能精准捕捉树木冠层结构,但也会导致算法过度识别树枝凸起、冠层缝隙、局部纹理差异等细节特征,进而使CHM形成大量微小洼地,产生严重的过分割问题^[24]。

因此,将CHM重采样至0.1 m分辨率,采用可变窗口的局部最大值算法对红树林冠层顶点进行标记。结合地面验证样本数据,开展多次实验后,选定可变窗口系数k为0.12、高度阈值h_min为0.2 m。以红树林冠层顶点作为前景标记进行分水岭分割,分割过程中采用3×3高斯滤波(σ=2)对CHM进行处理,在保留冠层整体轮廓的前提下,有效平滑噪声,减少过分割现象,最终获得研究区域的红树林单木分割结果。分水岭分割识别效果如图5(b)所示。

2.2.3 点云距离判别聚类

树木在水平方向通常存在天然间距,且树木顶端的间距普遍大于树木底部。点云距离判别聚类算法核心是借助树木间的相对间距特征,采用由上至下的分类逻辑:对于目标树,间距超出指定阈值的点将被排除其归属范围;而间距未达阈值的点,则依据“最小间距规则”确定归属^[25]。如图6所示,点A作为最高点,被设定为树1(目标树)的顶部种子点。从该点出发对更低的点进行分类:首先, B点与A点的间距d_AB超过预设阈值,因此将其划分为树2;对于间距小于阈值的C点,通过对比d_AC与d_BC的大小,因d_AC更小,故将C点归属于树1;后续对D点进行判定时,由于d_BD<d_AD,最终将D点归类至树2,以此类推。根据现场调查获取的树冠结构特征,经过实验迭代优化,采用的最优间距阈值d_t=1 m,高度阈值h_min=0.2 m,分离出的单株红树林点云通过凸包算法计算轮廓线,结果如图5(c)所示。

2.2.4 层堆叠

层堆叠(layer stacking)是一种通过多层多边形堆叠识别树木中心,将复杂的森林冠层简化为二维问题处理,从而有效降低冠层识别难度的单木分割算法^[26]。该算法首先将点云进行归一化处理,接着按设定的高度间隔h将整个森林冠层点云水平切片,对最下层采用DBSCAN密度聚类(density-based spatial clustering of applications with noise, DBSCAN)过滤低矮植被点,保留树干结构,通过滑动窗口遍历CHM,识别最大值并作为种子点。以该种子点为核心对每层点云执行K-means聚类,为每个聚类添加多边形缓冲以优化边界,对所有层的聚类结果进行堆叠,过滤重叠次数少的无效区域,判定重叠次数最多的区域为树木核心区域,通过各层筛选后的聚类多边形还原单棵树的三维冠层结构。实验设定的高度间隔h=0.5 m,最小树间距为1 m,并通过凸包算法计算单木点云轮廓线,结果如图5(d)所示。

2.3 精度验证

2.3.1 单木分割精度评价

为评估不同算法的单木检测与分割效果,采用总体精度(overall accuracy, OA)、召回率(R)、精准率(P)及调和平均值(F-score, F)4项指标,对单木识别精度进行量化评价,对应计算公式为

(1)OA=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}+\mathrm{F}\mathrm{P}}$

(2)R=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$

(3)P=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$

(4)F=$\frac{2\mathit{R}\mathit{P}}{\mathit{R}+\mathit{P}}$

式中: TP为被正确检测与分割的红树林样本; FN为遗漏分割的红树林样本;FP为错误分割的红树林样本,通常以过分割情况为主。

2.3.2 冠层估测精度评价

为评估不同分割算法对红树林冠层的估测精度,选取决定系数(coefficient of determination, R²)、均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)和平均绝对百分比误差(mean absolute percentage error, MAPE)进行定量评估。其中,R²表示红树林冠层估测值与实测值的拟合程度;均方根误差RMSE代表红树林估测值与实测值之间的整体误差水平,平均绝对误差MAE通过计算所有红树林样本绝对误差的均值,反映误差的平均水平, MAPE反映平均相对误差占比,以比例的形式直观体现相对估测精度,具体公式为

(5)${\mathit{R}}^{2}=1-\frac{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}-{\dot{\mathit{y}}}_{\mathit{i}}{)}^{2}}{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}{-\stackrel{-}{\mathit{y}})}^{2}}$

(6)$\mathit{M}\mathit{A}\mathit{E}=\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}|{\mathit{y}}_{\mathit{i}}-{\dot{\mathit{y}}}_{\mathit{i}}|$

(7)$\mathit{R}\mathit{M}\mathit{S}\mathit{E}=\sqrt{\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}-{\dot{\mathit{y}}}_{\mathit{i}}{)}^{2}}$

(8)$\mathit{M}\mathit{A}\mathit{P}\mathit{E}=\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}\left|\frac{{\mathit{y}}_{\mathit{i}}-{\dot{\mathit{y}}}_{\mathit{i}}}{{\mathit{y}}_{\mathit{i}}}\right|\times 100\mathrm{\%}$

式中:y_i为冠层参数实测值;$\stackrel{-}{\mathit{y}}$为冠层参数实测平均值; ${\dot{\mathit{y}}}_{\mathit{i}}$为不同算法下冠层参数估测值;n为总样本数量。

3 实验结果与分析

3.1 单木检测与分割结果对比分析

如表3所示,从总体分割情况来看,所有算法的总体分割精度和F均大于0.8,说明在郁闭度低、冠层重叠少的红树林修复区,通过无人机倾斜影像进行单木检测与识别能够取得较为理想的效果。其中, YOLACT实例分割在该场景中算法表现最优,在202棵红树林验证样本中,该算法正确识别并分割的样本达187棵,且遗漏分割和错误分割数量均为最低,分别为9棵和6棵,总体识别精度达到0.93。

对比其他3种方法,分水岭分割和点云距离判聚类这种算法的单木分割效果接近,总体识别精度均接近0.9,正确识别的点位数量分别为179棵和175棵,其中分水岭分割总体表现更优秀。相比之下,层堆叠正确识别并分割的样本仅为163棵,即便在冠层重叠少、郁闭度较低和干扰因素较少的环境下,仍出现较多的遗漏分割(26棵)和错误分割(13棵),导致其总体识别精度仅为0.81, F为0.89,精度明显低于其他算法,说明该算法在该场景下单木检测与识别能力有待提升。

3.2 冠层结构估测结果对比分析

基于上述分割结果,对算法提取的红树林单木的冠层结构信息进行统计:冠层面积和冠幅由单木轮廓线直接进行矢量计算获得;冠层高度则通过在轮廓线范围内提取CHM局部最大值或利用单木点云的最大、最小高度差计算得到。为检验冠层结构估测的精度,以地面验证样本为参考标准,将其与算法估测值进行线性回归拟合并计算误差。在此基础上,进一步对比分析不同算法在红树林冠层结构估测方面的表现。

3.2.1 冠层高度估测结果对比分析

如图7所示,从总体情况看,冠层高度估测值和实测值具有较强的相关性(R²>0.7),其中YOLACT实例分割的拟合效果最好(R²=0.90, RMSE=0.16 m),层堆叠的拟合效果相对较弱(R²=0.74, RMSE=0.12 m)。算法估测的冠层高度平均偏差普遍在0.1 m,平均误差占比约10%。值得注意的是,基于栅格的分割算法(YOLACT实例分割、分水岭分割)冠层高度估测精度优于基于点云的分割算法(点云距离判别聚类、层堆叠),这一结果证实了在低龄林区域通过CHM获取冠层高度效率更高;点云聚类算法因参数复杂,难以达到同等准确度^[27]。

此外,4种算法构建的线性回归模型系数k都小于1,表明单木分割算法得到的红树林冠层高度相比实测值存在低估现象,这一偏差可能主要来源于两方面:一方面是基于无人机倾斜影像生成的CHM和点云数据,难以准确捕捉冠层最顶点。其根本原因在于倾斜摄影测量存在局限性:红树林冠层顶部由细小枝叶构成,具有高频几何特征,在倾斜影像密集匹配过程中,这类高频细节易受到平滑约束与噪声抑制的影响而被削减,从而导致生成的结果出现低估现象,即提取的冠层高度相较真实地物高度偏低;另一方面,数据处理中采用高斯滤波和重采样虽然提升了实验效率和单木分割的效果,但在一定程度上也影响了数据的精度,进一步放大了这种偏差。从冠层高度估测结果来看,各算法分割效果排序为:YOLACT实例分割>分水岭分割>点云距离判别聚类>层堆叠。

3.2.2 冠层面积估测对比分析

如图8所示,相比冠层高度估测精度,4类算法在冠层面积估测方面整体精度出现明显下降,其中YOLACT实例分割拟合效果依旧排在首位,各项指标均表现较好,R²=0.79, RMSE=0.12 m², MAE=0.09 m², MAPE=18.70%。虽然分水岭分割算法的决定系数体现出较强的相关性(R²=0.69),但算法平均绝对误差比达到了30.78%,与其他算法差距较大。造成这一现象的主要原因在于CHM原始分辨率过高容易导致过分割。为保证红树林单木识别效果,实验中通过重采样降低了分辨率,虽有效避免了过分割,但也导致冠层面积估测误差增大,且估测值普遍高于实测值。此外,两种基于点云的分割算法(点云距离判别聚类、层堆叠),其冠层面积估测效果相近:数据点虽整体分布于对角线附近,但部分点偏离对角线较远,离散程度较高; R²接近0.6, MAPE在25%左右,整体表现一般。

点云距离判别聚类与层堆叠等基于点云的分割算法多应用于北方针叶林等结构相对简单的森林类型,在此类森林中,树木冠层形态规则、垂直结构特征明显,算法通常能够取得较好的分割效果。然而,人工修复区中红树林多呈低矮灌木状,单木间冠层连续且存在遮挡现象。在此条件下,基于拓扑关系与空间几何特征的点云分割方法难以有效区分树冠重叠区域中不同个体的点云归属^[28]。相比之下, YOLACT实例分割算法能够充分利用影像中单木的轮廓信息(如纹理、形态及颜色特征),对复杂冠层结构具有更强的适应能力,在冠层面积估测中表现更好。从冠层面积估测结果来看,各算法分割效果排序: YOLACT实例分割>点云距离判别聚类>层堆叠>分水岭分割。

3.2.3 冠幅估测对比分析

如图9所示,冠幅估测结果与冠层面积估测结果呈现相似的规律, YOLACT实例分割在各项指标上均表现最优: R²=0.76, MAE=0.09 m,RMSE=0.11 m, MAPE=10.63%。分水岭分割算法在冠幅估测中仍然出现轻度高估现象,除R²=0.54优于点云距离判别聚类和层堆叠算法,其他指标依然表现最差,整体误差较大: MAE=0.13 m,RMSE=0.17 m, MAPE=16.12%。从冠幅估测结果来看,各算法分割效果排序: YOLACT实例分割>点云距离判别聚类>层堆叠>分水岭分割。

4 讨论

基于无人机倾斜影像,采用4种单木分割算法开展红树林生态修复区内的单木检测、识别及冠层参数估测研究。

从单木检测与分割结果来看,4种算法均表现出较好的效果, OA均超过0.8,R与F均处于0.9附近,且经预训练的YOLACT实例分割各项精度指标都超过传统算法,证明深度学习适用于单木分割场景且精度优势显著^[29]。层堆叠和点云距离判别这类基于点云的分割算法整体表现较差,一方面通过倾斜影像生成的密集点云和激光雷达主动扫描获取的点云存在一定差异:激光雷达通过主动发射激光脉冲获取点云信息,具备更强的垂直穿透能力,这对于刻画植被的垂直结构特征至关重要;而倾斜影像依赖影像重建生成点云,易受光照条件影响,对红树林冠层下部结构信息的获取能力相对有限。另一方面也受实验场景局限性的影响。后续将在不同区域进一步开展实验,对各类算法进行更加全面、系统的对比分析。

在冠层结构估测方面,各算法均表现出“冠层高度估测精度>冠幅估测精度>冠层面积估测精度”的规律,与其他学者得出的结论具有一致性^[30-32]。已有研究基于机载激光雷达获取红树林冠层结构信息,其单木识别精度F为0.75~0.93,树高、冠幅、冠层面积的估测均方根误差RMSE分别为0.07~0.49 m、0.20~0.38 m和1.13~2.75 {m²^{[13,15,28,32]}。相比之下,本研究利用倾斜影像结合YOLACT实例分割算法所得结果在精度上已达到与机载激光雷达相近的水平。通过后期人工校正,能够满足一般林业调查中对树木位置及高度信息获取的需求。但在冠幅及冠层面积估测方面,其精度离满足实际需求仍存在较大差距,有待进一步提升。

不同算法的精度差异与其核心原理密切相关。分水岭分割受限于原理特性,为避免冠层缝隙引发的过分割问题,通常需要降低CHM分辨率,进而导致识别的冠层轮廓与实际形态存在偏差,冠幅和冠层面积估测值显著偏高,对识别准确性产生明显干扰。所采用的YOLACT实例分割模型同样基于栅格层面进行冠层分割,但通过预先学习大量红树林样本的树冠特征,能够在冠层重叠交错和不规则的情况下更准确地识别单木树冠边界,从而有效提升单木分割精度。相比之下,层堆叠与点云距离判别聚类算法对点云分布特征较为敏感,在红树林修复区估测结果与实测结果离散程度较高,数据点偏离拟合线较远,整体表现较为一般。

从计算效率、人工成本与实际部署成本层面来看, YOLACT实例分割模型虽在精度上优势突出,但依赖大量高质量标注样本,数据标注周期长、人工成本高,且模型训练与调优过程耗时较长,对硬件资源要求相对较高,面向精细化监测更具优势;而分水岭分割、层堆叠与点云距离判别聚类等传统方法无需样本标注,模型训练与部署简单,适用于数据基础薄弱且对成本敏感的应用场景。

5 结论

以海南红树林修复区为研究对象,采用无人机倾斜影像作为数据源,构建了该区域首个针对红树林的实例分割数据集,完成12 373棵红树林单木样本的标注,构建了一套针对红树林冠层结构的高效监测方案,使用4种不同的算法开展红树林单木的检测与识别研究,并提取红树林冠层结构信息,最后利用地面验证数据对实验结果进行评估与分析,得出的如下结论。

(1)针对郁闭度低、冠层交错程度低的红树林修复区,无人机倾斜影像具有识别红树林单木的能力,4种算法都取得了较好的效果,总体精度大于0.8, F评分在0.9左右。其中经过预训练的YOLACT实例分割算法分割效果最佳,总体精度和F评分均超过0.9,体现出该算法较强的检测与识别能力。各算法红树林识别效果排序为: YOLACT实例分割>分水岭分割>点云距离判别聚类>层堆叠。

(2)在红树林冠层结构估测(冠层高度、冠层面积和冠幅)中,4种算法的估测精度与单木识别能力存在一定差异。其中YOLACT实例分割算法依旧优势明显,估测结果和实测数据之间拟合程度最高,且平均绝对误差占比较其他算法小2%~12%。分水岭分割算法虽在冠层高度估测中表现较好,但在冠层面积和冠幅中存在高估现象,估测误差较大。在红树林冠层高度估测效果方面, YOLACT实例分割>分水岭分割>点云距离判别聚类>层堆叠;在红树林冠层面积和冠幅估测效果方面, YOLACT实例分割>点云距离判别聚类>层堆叠>分水岭分割。

(3)倾斜影像与激光雷达数据获取原理、数据形态上存在一定差异性,基于点云的分割算法在倾斜影像上表现一般,难以发挥算法优势;而基于栅格的分割算法以DOM和CHM为基础,可以高效地捕捉红树林单木的轮廓与高度特征,减少无关因素的影响。特别是YOLACT实例分割算法,凭借深度学习强大的特征提取优势,在单木识别效果和冠层结构估测准确度上都领先其他算法。

(4)研究结论是在红树林人工修复区实验所得,其适用性在复杂林分条件下有待进一步验证。在高郁闭度天然红树林中,由于冠层结构更加复杂、单木冠层遮挡现象严重,基于栅格的分割算法可能出现稳定性下降甚至性能严重退化的问题。因此,未来将针对高郁闭度天然红树林场景开展深入研究,通过引入更具鲁棒性的深度学习模型,提升复杂林分条件下的红树林单木分割与冠层结构参数估测能力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Lymburner L, Bunting P, Lucas R, et al. Mapping the multi-decadal mangrove dynamics of the Australian coastline[J]. Remote Sensing of Environment, 2020, 238: 111185.

[2]	Chen S, Chen B, Chen G, et al. Higher soil organic carbon sequestration potential at a rehabilitated mangrove comprised of Aegiceras corniculatum compared to Kandelia obovata[J]. Science of the Total Environment, 2021, 752: 142279.

[3]	贾明明. 1973-2013年中国红树林动态变化遥感分析[D]. 北京: 中国科学院研究生院(东北地理与农业生态研究所), 2014.

[4]	Jia Mingming. Remote sensing analysis of mangrove dynamic changes in China from 1973 to 2013[D]. Beijing: Graduate University of Chinese Academy of Sciences (Northeast Institute of Geography and Agroecology), 2014.

[5]	陈燕丽, 孙明, 陈诚, 等. 基于GF1卫星的红树林病虫害遥感识别[J]. 科学技术与工程, 2023, 23(34): 14682-14690.

[6]	Chen Yanli, Sun Ming, Chen Cheng, et al. Remote sensing identification of mangrove diseases and insect pests based on GF-1 satellite[J]. Science Technology and Engineering, 2023, 23(34): 14682-14690.

[7]	雷文正, 罗天宇, 郭希, 等. 基于GEE的广西海岸带潮间带红树林潮滩分类[J]. 科学技术与工程, 2025, 25(18): 7493-7501.

[8]	Lei Wenzheng, Luo Tianyu, Guo Xi, et al. Classification of mangrove tidal flats in the intertidal zone of Guangxi coastal zone based on GEE[J]. Science Technology and Engineering, 2025, 25(18): 7493-7501.

[9]	王文卿, 张林, 张雅棉, 等. 红树林退塘还林研究进展[J]. 厦门大学学报(自然科学版), 2021, 60(2): 348-354.

[10]	Wang Wenqing, Zhang Lin, Zhang Yamian, et al. Research progress on mangrove restoration through pond reversion[J]. Journal of Xiamen University (Natural Science Edition), 2021, 60(2): 348-354.

[11]	Lucas R, van De Kerchove R, Otero V, et al. Structural characterisation of mangrove forests achieved through combining multiple sources of remote sensing data[J]. Remote Sensing of Environment, 2020, 237: 111543.

[12]	Yang Y, Liang X Q, Wang B, et al. Biophysical parameters retrieval of mangrove ecosystem using 3D point cloud descriptions from UAV photographs[J]. Ecological Informatics, 2022, 72: 101845.

[13]	李文博, 李继红. 应用无人机高密度点云对高郁闭度人工林单木分割[J]. 东北林业大学学报, 2023, 51(9): 76-82.

[14]	Li Wenbo, Li Jihong. Individual tree segmentation in high canopy density plantations using UAV high-density point clouds[J]. Journal of Northeast Forestry University, 2023, 51(9): 76-82.

[15]	Xia Q, Qin C Z, Li H, et al. Evaluation of submerged mangrove recognition index using multi-tidal remote sensing data[J]. Ecological Indicators, 2020, 113: 106196.

[16]	Shendryk Y, Vilas M P. Correction: detecting mangrove seedlings from UAV imagery using deep learning for restoration monitoring[J]. Scientific Reports, 2026, 16: 4590.

[17]	Otero V, Van De Kerchove R, Satyanarayana B, et al. Managing mangrove forest from the sky: forest inventory using field data and UAV imagery in the Matang mangrove forest reserve, peninsular Malaysia[J]. Forest Ecology and Management, 2018, 411: 35-45.

[18]	Yin D M, Wang L, Lu Y, et al. Mangrove tree height growth monitoring from multi-temporal UAV-LiDAR[J]. Remote Sensing of Environment, 2024, 303: 114002.

[19]	王德智. 结合UAV-LiDAR和卫星遥感数据的红树林多尺度观测方法研究[D]. 武汉: 中国地质大学, 2020.

[20]	Wang Dezhi. Research on multi-scale observation methods of mangroves combining UAV-LiDAR and satellite remote sensing data[D]. Wuhan: China University of Geosciences, 2020.

[21]	雷鹏. 基于无人机激光雷达的红树林单木结构参数估测研究[D]. 桂林: 桂林理工大学, 2022.

[22]	Lei Peng. Estimation of individual mangrove structural parameters based on UAV LiDAR[D]. Guilin: Guilin University of Technology, 2022.

[23]	Ye N, van Leeuwen L, Nyktas P. Analyzing the potential of UAV point cloud as input in quantitative structure modelling for assessment of woody biomass of single trees[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 81: 47-57.

[24]	Navarro A, Young M, Allan B, et al. The application of unmanned aerial vehicles (UAVs) to estimate above-ground biomass of mangrove ecosystems[J]. Remote Sensing of Environment, 2020, 242: 111747.

[25]	余楚滢, 龚辉, 曹晶晶, 等. 基于无人机影像的无瓣海桑单木提取与地上生物量估算[J]. 热带地理, 2023, 43(1): 12-22.

[26]	Yu Chuying, Gong Hui, Cao Jingjing, et al. Individual tree extraction and above-ground biomass estimation of Sonneratia apetala based on UAV imagery[J]. Tropical Geography, 2023, 43(1): 12-22.

[27]	李苑菱, 陈宗铸, 雷金睿, 等. 海口市东寨港红树林湿地植物多样性研究[J]. 热带林业, 2019, 47(2): 48-51.

[28]	Li Yuanling, Chen Zongzhu, Lei Jinrui, et al. Study on plant diversity of mangrove wetland in Dongzhaigang, Haikou[J]. Tropical Forestry, 2019, 47(2): 48-51.

[29]	邓湘娟. 东寨港红树林生态系统服务价值变化及提升方案[D]. 长沙: 湖南农业大学, 2018.

[30]	Deng Xiangjuan. Changes in ecosystem service value and improvement plans of mangroves in Dongzhaigang[D]. Changsha: Hunan Agricultural University, 2018.

[31]	田蜜, 钟才荣, 方赞山, 等. 基于多源遥感的东寨港不同模式退塘还林红树林演变分析[J]. 湿地科学与管理, 2023, 19(3): 4-8.

[32]	Tian Mi, Zhong Cairong, Fang Zanshan, et al. Evolution analysis of mangroves under different pond reversion modes in Dongzhaigang based on multi-source remote sensing[J]. Wetland Science & Management, 2023, 19(3): 4-8.

[33]	Bolya D, Zhou C, Xiao F Y, et al. YOLACT: real-time Instance Segmentation[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). Seoul: IEEE, 2019: 9157-9166.

[34]	Biswas H, Zhang K, Ross M S, et al. Delineation of tree patches in a mangrove-marsh transition zone by watershed segmentation of aerial photographs[J]. Remote Sensing, 2020, 12(13): 2086.

[35]	岳安志, 杨建宇, 张超, 等. 基于多尺度形态学滤波的高分辨率遥感影像分割[J]. 农业工程学报, 2013, 29(S1): 89-95.

[36]	Yue Anzhi, Yang Jianyu, Zhang Chao, et al. Segmentation of high-resolution remote sensing images based on multi-scale morphological filtering[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(S1): 89-95.

[37]	Li W K, Guo Q H, Jakubowski M K, et al. A new method for segmenting individual trees from the lidar point cloud[J]. Photogrammetric Engineering and Remote Sensing, 2012, 78(1): 75-84.

[38]	Ayrey E, Fraver S, Kershaw J A J, et al. Layer stacking: a novel algorithm for individual forest tree segmentation from LiDAR point clouds[J]. Canadian Journal of Remote Sensing, 2017, 43(1): 16-27.

[39]	朱泊东, 罗洪斌, 金京, 等. 高郁闭度人工林无人机激光雷达单木分割方法优化[J]. 林业科学, 2022, 58(9): 48-59.

[40]	Zhu Bodong, Luo Hongbin, Jin Jing, et al. Optimization of individual tree segmentation method for high canopydensity plantations using UAV LiDAR[J]. Scientia Silvae Sinicae, 2022, 58(9): 48-59.

[41]	张菁锐, 任广波, 吴培强, 等. 联合空地LiDAR的红树林单木生长参数提取方法[J]. 遥感学报, 2025, 29(3): 728-740.

[42]	Zhang Jingrui, Ren Guangbo, Wu Peiqiang, et al. Extraction method of individual mangrove growth parameters by combining airborne and terrestrial LiDAR[J]. Journal of Remote Sensing, 2025, 29(3): 728-740.

[43]	黄昕晰, 夏凯, 冯海林, 等. 基于无人机影像与Mask R-CNN的单木树冠检测与分割[J]. 林业科技开发, 2021, 6(2): 133-140.

[44]	Huang Xinxi, Xia Kai, Feng Hailin, et al. Detection and segmentation of individual tree crowns based on UAV imagery and Mask R-CNN[J]. Forestry Science and Technology Development, 2021, 6(2): 133-140.

[45]	Gessica A, Angela M, Vittoria P, et al. Use of high-resolution multispectral UAVs to calculate projected ground area in Corylus avellana L. tree orchard[J]. Sensors, 2022, 22(19): 7103.

[46]	Zhou L, Meng R, Tan Y, et al. Comparison of UAV-based LiDAR and digital aerial photogrammetry for measuring crown-level canopy height in the urban environment[J]. Urban Forestry & Urban Greening, 2022, 69: 127489.

[47]	魏晓博, 李志强, 陈昭光, 等. 基于无人机激光雷达的不同种类红树林单木分割[J]. 科学技术与工程, 2024, 24(3): 963-969.

[48]	Wei Xiaobo, Li Zhiqiang, Chen Zhaoguang, et al. Individual tree segmentation of different mangrove species based on UAV lidar[J]. Science Technology and Engineering, 2024, 24(3): 963-969.

基金资助

国家海洋技术中心创新基金(G6240Z001)

海南省科技厅科技专项基金(ATIC-2023010003)

中国海洋发展基金会海洋空间规划技术重点实验室基金(G6240QT08)

PDF (19416KB)

访问

被引

详细

导航

Received	Published	Revised
2025-11-23	2026-10-28	2026-04-21
Online Date
2026-11-10

摘要