61 / 2024-08-14 11:07:03

跨模态融合算法在多源航空影像上的森林树冠检测

多源航空遥感,深度学习,树冠检测,森林监测,树木死亡率

      植树造林是增加陆地碳汇、减缓气候变化的有效手段，在国家“碳中和”战略中起着重要作用。对造林存活率、树木生长状态的监测是评估森林生态系统碳储量及其动态的基础。传统的森林碳汇动态评估依赖于地面监测，耗时长、成本高，难以满足快速、准确评估的需求。与依赖人工的地面调查相比，遥感手段具有高时空分辨率的优势，为高频监测森林碳汇动态提供了可能性。树冠检测是遥感评估森林碳汇的核心方法，现有的树冠检测方法主要包括基于高分辨率遥感影像的深度学习检测方法、机载激光扫描（LiDAR）的数据分析方法、基于平面切片的算法、基于生成对抗网络（GAN）的抗阴影检测方法以及基于拉绳传感器和其他物理测量工具的地面调查法。机载激光扫描方法适用于景观规模的森林库存，但对于数据预处理和森林结构的要求较为复杂，且不适合大规模检测场景；平面切片算法和GAN抗阴影检测方法解决了部分环境干扰问题，但对环境因素敏感；物理测量工具虽然精确，但在大规模应用时存在硬件和操作难度的限制。相对而言，以上方法中，基于深度学习的高分辨率遥感影像检测方法更适用于大范围高精度森林资源调查，但现有的此类方法在实际应用时仍面临以下几个主要问题：

1.不同森林类型之间的泛化性差。当将在一种森林类型上训练的模型应用到另一种森林类型时，检测准确度会显著下降。这是由于不同森林类型的树冠特征存在较大差异，导致模型在新环境中的适应性不足；

2.低矮树冠的检测准确度较低。这可能是由于低矮树冠在遥感图像中的可见度较差，导致当前检测算法难以准确识别；

3.遮挡问题严重影响检测效果。在树冠相互遮挡的情况下，自动检测算法难以精确分割出每个单独的树冠。这在一些密集的森林类型中尤为突出，进一步降低了检测的准确性和可靠性。



      综上所述，现有基于深度学习的高分辨率遥感影像检测方法在泛化性、低矮树冠检测及遮挡处理方面存在不足，其主要原因在于现有方法仍主要基于RGB图像进行识别，没有提供在树冠检测这个场景下鲁棒性更强的特征信息，导致模型对于图像纹理特征和数据量过于依赖。



      基于以上问题，本研究提出了一种多源航空遥感数据的树冠检测模型，该模型基于跨模态融合模型（Cross-Modality Fusion Transformer）设计，能够结合RGB正射、近红外正射、DSM三种模态的数据获取树冠检测和成活结果。其中DSM数据可以提供高度信息来增强树冠之间的区分度，近红外可以提供树木成活判别所需信息，能够更好的学习到多个模态数据之间的相关性，从而提高模型在不同地区、不同树种之间的检测鲁棒性。



      本文所使用的航空遥感数据位于河北省保定市有代表性的区域，面积约2.6平方公里，数据类别包括RGB、近红外DOM以及同区域的DSM数据。通过SAM(Segment Anything Model)辅助标注的方式标注树冠多边形样本共18152个，每个样本均由RGB、近红外、DSM三种图像组成，作为模型训练和测试数据。对树冠稀疏区和密集区分别进行测试，实验结果显示，多源航空遥感树冠检测模型的准确率分别为0.893和0.798，与仅使用RGB数据的最优模型相比，准确率分别提高了4%和2%。模型部署在Nvidia 4090上时可实现每平方公里分钟级的推理速度。以上实验结果表明，本研究所使用的多源遥感数据以及数据融合识别方法有助于提高森林树冠识别的准确率，在保证准确率的同时兼顾了推理速度，显示出其在大范围、高效率监测中具备一定可行性。