用于生物多样性监测的无人机 RGB 数据集与实例树冠分割方法

为何从空中计数树木很重要

健康的森林在无声中调节气候、储存碳并为无数物种提供栖息地。然而，仅靠地面观测要在大范围内追踪单株树木的生长、死亡或疾病状况极为困难。本研究展示了如何利用现成的相机无人机与巧妙的图像分析，自动勾勒出密集热带森林中单个树冠的轮廓。这种能力是实现详尽且可负担的生物多样性监测与更好森林管理的重要一步，尤其在气候变暖的背景下。

在一片绿海中识别单株树木

从上方看成熟森林常常像一块连绵不断的叶毯，而实际上它由许多重叠的、不同物种与不同大小的树冠组成。要评估森林健康或碳储量，科学家需要知道一棵树的边界在哪里结束、下一棵树从哪里开始。这一任务称为实例树冠分割，在密集的热带森林中尤为困难：相邻树冠互相融合，阴影、季节变化和相似的形状会使人类和算法都难以区分。传统方法要么遗漏树木、将多棵树合并为一体，要么依赖昂贵的传感器如激光雷达。作者则着重于用无人机拍摄的普通彩色照片做更多工作，这类设备价格低廉且更容易在全球部署。

一套新的热带森林图像库

为了训练与测试算法，研究人员创建了一个名为 ForestSeg 的新图像集合。研究者在越南河内附近一处生物多样性丰富的森林上空使用两台市售无人机，分四次在不同高度与不同月份开展飞行。基于这些航拍，他们生成了高分辨率的俯视图并将其切成小的正方形图块，每块为 1024×1024 像素，通常包含 6 到 10 棵树。人工专家仔细描绘出每个可见树冠的轮廓，最终在四个子集里创建了共计 2,944 个带注释的图块。由于这些航次覆盖了季节与高度差异，ForestSeg 捕捉到了光照、叶色与显见树冠大小的变化，构成了对任何宣称能长期稳定工作的方法的苛刻测试集。

先把树冠切成小块再还原整冠

团队没有试图一次性画出树冠轮廓，而是设计了一个名为 TreeCoG 的两步策略。首先，他们有意对林冠进行“过度分割”。一个现代边缘检测网络在无人机图像中标记出细小边界，把森林切成许多不太可能同时包含多棵树部分的小片段。其次，这些片段被作为图中的节点，附近的碎片会被连接并进行比较。对于每个碎片，方法测量简单的形状属性（如面积和伸长率），并分析相邻补丁在色彩和纹理上的相似性。一个图神经网络从大量带标签的样本中学习哪些相邻碎片属于同一棵树并应合并，哪些属于不同的树则必须保持分离。最终得到的掩模比早期方法更清晰地勾勒出单个树冠。

该方法在实地中的表现如何

为评估性能，作者将 TreeCoG 与流行的目标分割深度学习工具（包括 Mask R-CNN 与最新的 YOLO 模型）进行了比较。在 ForestSeg 数据集上，TreeCoG 在准确率上位列最高，同时运行速度也快于竞争方法，使其在大范围调查中具有吸引力。它在一个名为 BAMFORESTS 的独立欧洲基准数据集上也表现出色，表明该方法可以迁移到其他地区的森林。通过分析四个 ForestSeg 子集的结果，研究进一步揭示了昼时、季节与飞行高度如何影响成功率：更清晰的图像与较低的太阳角度通常有助于获得更清楚的树冠边界，但即便条件不理想，该方法仍保持稳健。

这对森林与生物多样性意味着什么

简而言之，这项工作表明廉价无人机和智能算法可以在地球上一些最复杂的森林中可靠地识别单株树木。ForestSeg 数据集为研究人员提供了一个具有挑战性的新基准，而 TreeCoG 则提供了一套将原始航拍照片转化为详细树冠地图的实用方案。这些地图可以用于后续步骤，如物种识别、生长追踪与健康评估，最终帮助科学家与森林管理者比仅靠实地调查更频繁、以更大范围监测生物多样性和碳库。

引用: Do, M.V.H., Phung, DT., Pham, H.D.L. et al. A UAV RGB dataset and method for instance tree crown segmentation for biodiversity monitoring. Sci Rep 16, 5788 (2026). https://doi.org/10.1038/s41598-026-36541-y

关键词: 无人机林业, 树冠制图, 生物多样性监测, 遥感, 深度学习分割