面向森林資源監(jiān)測(cè)方法的人工智能算法

中圖分類號(hào)：S771.8 文獻(xiàn)標(biāo)識(shí)碼：A doi：10.13601/j.issn.1005-5215.2025.05.013

Artificial Intelligence Algorithms for Forest Resources Monitoring Methods

Han Shigang

（ShaanxiForestrySurveyandPlanninglnstitute（ShaanxiForestResources MonitoringCenter），Xi'an71oo82，China）

AbstractForestresource monitoring isthecore technical meansof ecologicalprotectionandsustainableforestrymanagement. Obtainingforestcoverage，trespeciesdtributionanddynamicchangeinformationtroughemotesensingandartficialintellience methodscanprovidescientificsupportforecologicalasessent，carbonsinkcalculationandforestdisasterwaringThereareome problemsinthecurrntdeepleaingalgorithm，suchasinsuficientfeaturefusionweakabilityofvegetationboundaryanddetail featureextraction.InordertoimprovetheaccuracyofforestresourcemonitoringbasedontheimprovedU-shapednetwork algorithm，anembeddedchanelatentionmodulewasintroducedtodsignaforestresourcemonitoringalgorithm.Theesultssowed thatwhenthenumberoffeatures was24，theoverallaccuracyof the improvedalgorithmwasthe best，which was 91.6% .Atthe same time，theKapppcofcientwas0.89.Intermsofindiviualselection，tedistributionaccuracofthealgoritmforfoursaplesof Pinustabuliformis，Ouercusalienavar.acuteserrata，PinusarmandiandPlatycladusorientaliswasmaintainedat 85%-95% .The improvedU-shapednetworkalgorithmsignificantlyimprovesthaccracyanddetailrecogitionabilityofforestresourcemoitoring， andprovidesamore accurate technical path for dynamic monitoring of forest resources.

Keywords forest resource monitoring;remote sensing images;U-Net;atention mechanism;data fusion

森林資源監(jiān)測(cè)是生態(tài)環(huán)境保護(hù)和可持續(xù)發(fā)展的重要組成部分，對(duì)于林業(yè)管理、碳匯計(jì)算和生物多樣性保護(hù)等方面具有關(guān)鍵作用。近年來(lái)，遙感技術(shù)在森林監(jiān)測(cè)領(lǐng)域?yàn)榱謽I(yè)工作和環(huán)境保護(hù)提供了豐富的影像數(shù)據(jù)。通過結(jié)合光學(xué)、雷達(dá)和激光雷達(dá)等多源數(shù)據(jù)融合分析，極大提高了森林資源調(diào)查的全面性和細(xì)節(jié)刻畫能力2。同時(shí)，人工智能技術(shù)的引入使得遙感影像分析由傳統(tǒng)的專家知識(shí)解譯逐步向深度學(xué)習(xí)驅(qū)動(dòng)的自動(dòng)化處理轉(zhuǎn)變，全卷積網(wǎng)絡(luò)（FullyConvolutionalNetwork，F(xiàn)CN）、U 型網(wǎng)絡(luò)（U-Net）和深度實(shí)驗(yàn)室版本3增強(qiáng)版（DeepLabVer-sion3Plus，DeepLabV3+）等卷積神經(jīng)網(wǎng)絡(luò)在森林分類、林相分割和病蟲害監(jiān)測(cè)等方面展現(xiàn)出較高的應(yīng)用價(jià)值[3-4。然而，在陜西省復(fù)雜的山地環(huán)境中，傳統(tǒng)的分類方法對(duì)地形陰影、混交林類型識(shí)別仍存在較大誤差。U-Net具備編碼器一解碼器結(jié)構(gòu)，能夠有效保留森林邊界信息。采用注意力機(jī)制優(yōu)化特征提取過程，可以提高對(duì)混交林、針闊葉混合林的識(shí)別能力。針對(duì)陜西省地形復(fù)雜、森林類型多樣的特點(diǎn)，研究以高分二號(hào)遙感影像為主要數(shù)據(jù)源，選用引入擠壓-激勵(lì)（SqueezeandExcitation，SE）模塊的改進(jìn)U-Net算法，結(jié)合多模態(tài)數(shù)據(jù)融合策略對(duì)森林資源進(jìn)行監(jiān)測(cè)。研究的創(chuàng)新點(diǎn)在于保證高精度的同時(shí)提升模型在復(fù)雜地形環(huán)境中的適應(yīng)性，并利用遷移學(xué)習(xí)策略提高模型在小樣本場(chǎng)景下的魯棒性，為當(dāng)?shù)厣仲Y源監(jiān)測(cè)提供更具適用性的人工智能解決方案。

1 研究區(qū)概況

陜西省位于中國(guó)大陸中部偏西，地勢(shì)總體由西北向東南傾斜，呈現(xiàn)“南北高、中部低\"的特征。北部的陜北高原、中部的關(guān)中平原和南部的秦巴山區(qū)構(gòu)成三大自然地理單元，其中秦嶺山脈與北山是重要的地理分界線[5]。全省地貌類型多樣，包括黃土高原區(qū)、關(guān)中平原區(qū)和秦嶺山地區(qū)等六大地貌區(qū)域。全省海拔范圍 500～2000m ，平均海拔1 127m ，最高峰為秦嶺主峰太白山。地勢(shì)由西向東傾斜，坡度以25^° 以上為主，平均坡度 19.9^° 。黃土高原區(qū)占全省面積 40% ，溝壑縱橫，水土流失顯著。關(guān)中平原區(qū)平均海拔 546m ，地勢(shì)平坦，為農(nóng)業(yè)核心區(qū)。秦嶺山地區(qū)平均海拔1 1 295m ，山高谷深，生物多樣性豐富。該省以暖溫帶半干旱區(qū)針葉矮林和落葉闊葉矮林為主。褐土廣泛分布于低山丘陵及平原區(qū)，棕壤主要見于秦嶺、大巴山等中山地區(qū)，草甸土集中于河谷地帶，如千河下游階地。

2 研究方法

2.1基于高分二號(hào)遙感圖像的數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理階段是遙感應(yīng)用研究中最重要的環(huán)節(jié)之一，尤其是當(dāng)前使用較廣泛的中國(guó)高分二號(hào)衛(wèi)星數(shù)據(jù)，由于其全色波段空間分辨率達(dá)到 |0.8m ，多光譜波段也達(dá)到 |3.2m ，因此對(duì)影像的質(zhì)量要求更為嚴(yán)苛。因?yàn)樾l(wèi)星傳感器捕獲的原始數(shù)據(jù)受太陽(yáng)輻射、傳感器特性、大氣條件等多種因素的綜合影響，高分二號(hào)數(shù)據(jù)的原始影像在應(yīng)用前必須經(jīng)過輻射定標(biāo)和大氣校正。輻射定標(biāo)通常是基于衛(wèi)星傳感器參數(shù)，將傳感器記錄的數(shù)字灰度值轉(zhuǎn)換為具有實(shí)際物理意義的輻射亮度或反射率數(shù)值。隨后，利用光譜超立方體的快速視線大氣分析（FLAASH）或快速大氣校正（QUAC）等大氣校正模型消除大氣的散射、吸收效應(yīng)，使地物光譜信息更加真實(shí)、穩(wěn)定，確保后續(xù)分類或分割模型學(xué)習(xí)到的光譜特征是真實(shí)而可靠的。

地形校正在陜西這種地勢(shì)起伏劇烈的省份尤其重要。陜西省從北到南，經(jīng)歷了黃土高原、關(guān)中平原，再到秦嶺及秦巴山區(qū)，地形差異明顯，山地丘陵地區(qū)陰影遮擋、地形起伏對(duì)光譜信息干擾嚴(yán)重。因此，為了對(duì)高分二號(hào)影像進(jìn)行地形校正，引人數(shù)字高程模型（DEM）數(shù)據(jù)；同時(shí)為了解決數(shù)據(jù)標(biāo)注量不足或小樣本分布不均的問題，引入數(shù)據(jù)增強(qiáng)技術(shù)。當(dāng)完成了輻射、大氣和地形校正后，需要對(duì)不同類型數(shù)據(jù)進(jìn)行整合，構(gòu)建多通道輸人數(shù)據(jù)。高分二號(hào)遙感影像本身提供了豐富的多光譜波段信息，同時(shí)額外納入地形數(shù)據(jù)作為輸入通道，可以為模型提供額外的上下文信息。

2.2基于改進(jìn)U-Net的森林資源監(jiān)測(cè)方法

U-Net憑借獨(dú)特的對(duì)稱U型架構(gòu)，能有效實(shí)現(xiàn)圖像特征的多尺度融合，精準(zhǔn)分割復(fù)雜圖像細(xì)節(jié)，為構(gòu)建高精度森林資源監(jiān)測(cè)方法提供了有力支撐[7]。在U-Net的編碼器和解碼器中，基本卷積層計(jì)算公式為

式中： y_i，j，k 表示輸出特征圖在位置 （i，j） 和通道k處的值； σ 為Sigmoid激活函數(shù)； x_{i+m，j+n，c} 表示輸出特征圖在位置 （i+m，j+n） 和通道 c 處的像素值； w_{m，n，c，k} 表示卷積核權(quán)重，對(duì)應(yīng)空間位置 （m，n） 、輸人通道 c 以及輸出通道 k，b_k 為偏置頂。對(duì)于融合高分二號(hào)多光譜數(shù)據(jù)X_ms 與地形因子數(shù)據(jù) ?X_geo 的策略，采用加權(quán)融合模型，其表達(dá)式為

F=?（W_ms?X_ms+W_geo?X_geo+b）

式中： F 為融合后的多通道輸人數(shù)據(jù)； ? 為特征變換映射函數(shù)； X_ms 為包含紅、綠、藍(lán)、近紅外等波段的光譜數(shù)據(jù)； X_geo 為包括DEM、坡度和坡向等的地形數(shù)據(jù)；W_ms?W_geo 分別為 W_ms 和 W_geo 的權(quán)重矩陣； b 為偏置頂。為提升對(duì)關(guān)鍵信息如植被光譜差異的關(guān)注，引入擠壓一激勵(lì)（Squeezeand Excitation，SE）模塊。SE模塊能夠自適應(yīng)地調(diào)整特征通道的權(quán)重，有效提升模型對(duì)重要特征的捕捉能力。對(duì)每個(gè)通道進(jìn)行全局平均池化獲取描述向量，計(jì)算縮放因子對(duì)原始特征圖進(jìn)行加權(quán)的具體表達(dá)式為

式中： Z_c 為特征圖進(jìn)行全局平均池化后的值； X_i，j，c 是輸人特征圖在空間位置 （i，j） 及通道 的值； 為經(jīng)過加權(quán)后的輸出值；H和W分別為輸出特征圖的高度和寬度； S_c 為縮放因子。針對(duì)語(yǔ)義分割任務(wù)，Diceloss（式中記為 L_Dice ）常用于度量預(yù)測(cè)與真實(shí)標(biāo)簽之間的重疊區(qū)，其優(yōu)勢(shì)在于對(duì)目標(biāo)邊界的敏感性高，能有效處理類別不平衡問題。其公式為

式中： p 是模型預(yù)測(cè)的像素概率值； 是真實(shí)標(biāo)簽的二值指示。為了緩解類別不平衡的問題，采用Focalloss，F(xiàn)ocalloss可以通過動(dòng)態(tài)調(diào)整樣本權(quán)重，聚焦于難分樣本，提升模型對(duì)少數(shù)類樣本的檢測(cè)能力 ΔL_FL []。其公式為

L_FL=-α_t（?1-p_t）^γlogp_t

式中： p_t 表示針對(duì)正確類別的預(yù)測(cè)概率； α_t 是用于平衡正負(fù)樣本的類別權(quán)重； γ 是聚焦參數(shù)，用于降低易分類樣本的損失貢獻(xiàn)。基于高分二號(hào)遙感影像數(shù)據(jù)，構(gòu)建一種融合SE注意力機(jī)制的U-Net深度學(xué)習(xí)模型，用于森林資源監(jiān)測(cè)。具體運(yùn)行如圖1所示。

在圖1中，改進(jìn)U-Net算法針對(duì)森林資源監(jiān)測(cè)需求，首先對(duì)高分二號(hào)等遙感影像進(jìn)行幾何校正、輻射校正及歸一化處理，通過嵌入SE模塊和空間注意力機(jī)制優(yōu)化特征提取，融合光譜特征與地形數(shù)據(jù)增強(qiáng)植被邊界識(shí)別能力。之后采用Focalloss與Diceloss聯(lián)合優(yōu)化訓(xùn)練過程，結(jié)合小批量數(shù)據(jù)增強(qiáng)緩解樣本不足問題，最終通過多尺度特征融合和遷移學(xué)習(xí)策略提升模型泛化性。

3結(jié)果與分析

為了對(duì)改進(jìn)U-Net算法的性能進(jìn)行評(píng)估和分析，將FCN、極端梯度提升（eXtremeGradientBoost-ing，XGBoost）算法作為對(duì)比算法。選取高分二號(hào)遙感影像作為數(shù)據(jù)來(lái)源，覆蓋典型森林類型和復(fù)雜地形區(qū)域，確保試驗(yàn)數(shù)據(jù)的代表性。標(biāo)注數(shù)據(jù)來(lái)源于林業(yè)調(diào)查數(shù)據(jù)，并對(duì)訓(xùn)練集和測(cè)試集按照7：3劃分，以保證試驗(yàn)的科學(xué)性和客觀性。試驗(yàn)在高性能計(jì)算環(huán)境下進(jìn)行，硬件配置包括IntelCorei9處理器、NVIDIARTX3090GPU、32GB內(nèi)存以及大容量高速SSD存儲(chǔ)，以支持深度學(xué)習(xí)模型的訓(xùn)練需求。軟件環(huán)境采用Python3.8，深度學(xué)習(xí)框架為PyTorch1.10，結(jié)合GDAL進(jìn)行遙感影像處理，Scikit-learn用于XG-Boost等傳統(tǒng)機(jī)器學(xué)習(xí)模型的訓(xùn)練。模型超參數(shù)的選擇采用實(shí)驗(yàn)驗(yàn)證和調(diào)優(yōu)策略，其中U-Net的學(xué)習(xí)率設(shè)為1e-4，優(yōu)化器選擇Adam，并采用FocalLoss或DiceLoss以優(yōu)化類別不平衡問題；FCN的超參數(shù)則參照經(jīng)典配置，采用交叉熵?fù)p失函數(shù)；XGBoost的參數(shù)則通過網(wǎng)格搜索優(yōu)化，確保每種算法的最佳表現(xiàn)。訓(xùn)練過程中采用GPU加速計(jì)算，以提升計(jì)算效率，同時(shí)利用數(shù)據(jù)增強(qiáng)來(lái)增加樣本多樣性，提高模型的泛化能力。所有模型均進(jìn)行多次訓(xùn)練，以減少隨機(jī)因素對(duì)實(shí)驗(yàn)結(jié)果的影響。如圖2所示。

圖2特征數(shù)量對(duì)監(jiān)測(cè)算法的影響

由圖2（a）可知，隨著特征數(shù)量的增加，3種算法的分類精度總體呈現(xiàn)上升趨勢(shì)，且改進(jìn)U-Net算法始終保持明顯優(yōu)勢(shì)。其中，在特征數(shù)量為24時(shí)，改進(jìn)U-Net的精度達(dá)到峰值，為 91.6% ；同時(shí)FCN算法和XG-Boost算法的精度也是自身最高值，分別為 84.7% 和68.9% 。在圖2（b）中，改進(jìn)U-Net的Kappa系數(shù)依然維持在優(yōu)于FCN和XGBoost的較高水平。隨著特征數(shù)量的增加，XGBoost的Kappa系數(shù)略有提升，而FCN算法的波動(dòng)較大。同樣是在24處的特征數(shù)量U-Net算法的Kappa系數(shù)最高，為 0.89 以上結(jié)果說明特征數(shù)量并不是越多越好，在特征數(shù)量為24時(shí)改進(jìn)U-Net算法表現(xiàn)出較強(qiáng)的泛化能力。進(jìn)一步對(duì)算法的預(yù)測(cè)精度進(jìn)行驗(yàn)證，針對(duì)個(gè)體選擇油松（Pinustabuliformis）銳齒槲櫟（Quercusalienavar.acutiserrata）華山松（Pinusar-mandii）、側(cè)柏（Platycladusorientalis）4種樣本進(jìn)行測(cè)試，具體結(jié)果如圖3所示。

圖3蓄積面積預(yù)測(cè)準(zhǔn)確率和測(cè)試樣本分布效果對(duì)比

在圖3（a）中，改進(jìn)U-Net算法預(yù)測(cè)準(zhǔn)確率最高，時(shí)，預(yù)測(cè)準(zhǔn)確率達(dá)到 92.3% 。而XGBoost曲線波動(dòng)大，對(duì)森林蓄積量估算穩(wěn)定性不足，最終預(yù)測(cè)準(zhǔn)確率僅達(dá) 69.7% 。而在圖3（b）中，改進(jìn)U-Net算法在不同植被類型的樣本分布精度均表現(xiàn)最優(yōu)，整體精度集中在 85%～95% 的范圍，其中油松和銳齒槲櫟樣本的分類精度分別達(dá)到 93.6% 和 92.8% 。以上結(jié)果說明本研究提出的算法在精細(xì)分類和復(fù)雜樣本識(shí)別上具有顯著的優(yōu)越性。為了評(píng)估改進(jìn)U-Net在不同樹種分類任務(wù)中的適用性，針對(duì)油松、秦嶺冷杉（Abieschensiensis）這樣的典型樹種進(jìn)行單獨(dú)預(yù)測(cè)精度測(cè)試，用戶精度（UserAccuracy，UA）和生產(chǎn)者精度（ProducerAccuracy，PA）具體結(jié)果如圖4所示。

在圖4（a）中，改進(jìn)U-Net算法在油松的用戶精度表現(xiàn)最為突出，達(dá)到約 96.4% ，明顯高于FCN算法的 91.2% 以及XGBoost算法的 82.3% 。整體而言，改進(jìn)U-Net算法對(duì)油松樣本的預(yù)測(cè)則更加精準(zhǔn)可靠。在圖4（b）中，改進(jìn)U-Net算法依然表現(xiàn)最優(yōu)，生產(chǎn)者精度高達(dá)約 95.7% ，而FCN算法和XGBoost算法的生產(chǎn)者精度明顯落后于改進(jìn)U-Net。改進(jìn)U-Net對(duì)秦嶺冷杉這一高生態(tài)價(jià)值樹種的高精度識(shí)別，表明其對(duì)關(guān)鍵保護(hù)樹種的檢測(cè)精度具備顯著優(yōu)勢(shì)，具有實(shí)際生態(tài)保護(hù)應(yīng)用的高度價(jià)值與潛力。整體而言，該算法在單一樹種識(shí)別精度上表現(xiàn)出的穩(wěn)定性和高效性明顯優(yōu)于對(duì)比方法。

4結(jié)論

森林資源監(jiān)測(cè)中，現(xiàn)有深度學(xué)習(xí)算法存在多模態(tài)數(shù)據(jù)融合不充分、植被邊界及細(xì)節(jié)特征提取能力不足等問題。研究改進(jìn)U-Net算法，嵌入通道注意力模塊促進(jìn)光譜與地形等多模態(tài)數(shù)據(jù)融合。結(jié)果顯示，該方法對(duì)于油松的UA為 96.4% ，針對(duì)秦嶺冷杉預(yù)測(cè)的PA為 95.7% ，顯著提升了森林資源監(jiān)測(cè)的準(zhǔn)確性與細(xì)節(jié)識(shí)別能力。結(jié)果表明，改進(jìn)U-Net算法有效強(qiáng)化了模型對(duì)森林資源的分析能力。目前研究數(shù)據(jù)覆蓋區(qū)域有限，后續(xù)可擴(kuò)大數(shù)據(jù)采集范圍，融合Transformer等新型模型，進(jìn)一步提升算法在復(fù)雜森林場(chǎng)景下的泛化能力與監(jiān)測(cè)效率。

參考文獻(xiàn)：

[1]吳恒，周紅斌，朱麗艷.芬蘭森林資源調(diào)查監(jiān)測(cè)體系分析及啟示[J].世界林業(yè)研究，2024，37（5）：86-93.

[2]胡建錦，熊偉，方陸明，等.基于距離相關(guān)系數(shù)和Catboost方法的森林蓄積量估測(cè)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2023，43（5）：27-35.

[3]張水花，秦琳，黃寧輝，等.基于深度學(xué)習(xí)的森林資源變化圖斑自動(dòng)提取[J].按樹科技，2023，40（2）：35-40.

[4]MOWLAMN，ASADID，MASUMS，etal.AdaptiveHierarchicalMulti-HeadedConvolutionalNeuralNetworkWithModifiedCon-volutional Block Attention for Aerial Forest Fire Detection[J].IEEEAccess，2024，12（3）：3412-3433.

[5]謝靜，陳楠，林傯蔚.基于地形音樂的地形定量分析與空間分異研究—以陜北黃土高原為例[J].地球信息科學(xué)學(xué)報(bào)，2023，25（5）：924-934.

[6]YUANS，VANDENENDEM，LIUJ，etal.Spatial deepdecon-volution u-net for traffic analyseswith distributed acoustic sensing[J].IEEE Transactions on Intelligent Transportation Systems，2023，25（2）：1913-1924.

[7]李睿，孫釗，謝運(yùn)鴻，等.聯(lián)合U-Net和分水嶺算法的高郁閉度杉木純林樹冠信息提取[J].應(yīng)用生態(tài)學(xué)報(bào)，2023，34（4）：1024-1034.

[8]高埂，肖風(fēng)麗，楊飛.基于改進(jìn)MobileNetV3-Small的色素減退性皮膚病診斷[J].計(jì)算機(jī)與現(xiàn)代化，2024（5）：120-126.

[9]田會(huì)娟，翟佳豪，柳建新，等.基于SRN-UNet的低質(zhì)量虹膜分割算法[J].光子學(xué)報(bào)，2022，51（2）：241-249.

[10]苗月，吳陳.基于RF-FL-LightGBM算法的信用風(fēng)險(xiǎn)評(píng)估模型研究[J].計(jì)算機(jī)與數(shù)字工程，2024，52（3）：808-813.