用于生物多样性研究的城市花园地面覆盖语义分割无人机影像数据集

从空中看城市花园为何重要

走进一个社区花园，你会看到草径、菜地、覆盖物（如覆草或木屑）、石子和裸露土壤交织成一块块拼图式的地面。这些“地面覆盖”在悄无声息中影响着花园支持蜜蜂、自然害虫控制和土壤健康的能力。然而在传统地图和卫星影像中，这些细节往往被模糊掉。该研究表明，无人机与现代图像分析技术可以以惊人的细节放大城市花园，提供一个新的开放数据集，帮助研究者和规划者理解脚下的地面如何支撑城市生物多样性。

花园地面隐藏的多样性

城市花园不仅仅是点缀的绿色空间。不同的地面覆盖——例如草地、草本植物、稻草覆盖、木屑、石子和裸土——为授粉者提供食物和栖息地，为捕食害虫的昆虫提供猎场，也为土壤生物提供生活空间。它们共同参与养分循环、固持土壤，并在原本被建筑覆盖的街区中连接起野生动植物。由于这些特征在几米范围内就会产生变化，粗糙的卫星影像或费时的现场调查往往难以捕捉，从而在试图设计有利于野生动植物的城市时留下重要的信息缺口。

无人机：会飞的放大镜

为弥补这一缺口，研究人员在2021年和2022年多次飞访德国慕尼黑的五个社区花园，使用搭载相机的小型无人机拍摄。研究团队从2,521张原始照片拼接出24幅超清“正射马赛克”图像——在这些图像中地面每个像素仅代表3.2到7.9毫米的真实尺寸。马赛克能以高细节呈现单株植物、通道和覆盖层。随后团队人工精细描绘了数千个区域，标注出八类常见地面覆盖：草、草本植物、枯叶等凋落物、裸土、石子、稻草、实木（如木板和木段）以及松散木屑。得到的标注层作为相机实际观测到地面的参考地图。

教计算机识别花园图样

借助这些带标签的图像，团队测试了不同计算模型按像素自动识别各类地面覆盖的能力。他们将依赖手工设计的纹理和颜色特征的传统方法，与直接从图像块中学习模式的深度学习方法进行了比较。为保持任务的现实性，研究者将24幅马赛克划分为独立的训练、验证和测试组，使模型在评估时始终面对训练时未“见过”的花园图像。两种深度学习模型——UNet，尤其是DeepLabV3+——明显优于随机森林和梯度提升树等经典方法，整体上约正确标注了93%的像素，并且在视觉上难以区分的类别（如土壤与石子）上的表现更好。

新数据集提供了什么

这项工作的核心是一个公开可用的数据集，而不是单一的最终地图。它包括完整的无人机马赛克图像、对应的标注掩码，以及便于输入现代神经网络的基于图像块的版本。配套的元数据表列出飞行高度、图像尺寸和处理设置等细节，使得数据可用于多种用途。研究人员可以基于这些数据构建新算法、比较不同建模策略，或将这些地图与其他信息（如昆虫计数或土壤样本）结合，以探索特定地面覆盖组合如何支持特定的生态益处。

从像素到更绿色的城市

对非专业读者来说，主要结论是：无人机现在可以在足够细的尺度上映射城市花园的细部，使计算机能够区分草地与木屑的界限。研究表明，深度学习模型可以将这种视觉马赛克翻译为可靠的地面覆盖地图，从而为生物多样性、害虫控制和土壤健康方面更好的花园设计与管理提供信息。通过向公众发布他们的数据和代码，作者为未来可能帮助园丁、城市规划者和生态学家理解地面小规模设计选择如何累积成更健康城市生态系统的工具奠定了基础。

引用: Afrasiabian, Y., Lu, C., Belwalkar, A. et al. A drone imagery dataset for semantic segmentation of urban garden ground covers in biodiversity studies. Sci Data 13, 590 (2026). https://doi.org/10.1038/s41597-026-07152-z

关键词: 城市花园, 无人机影像, 语义分割, 地面覆盖, 生物多样性监测