面向森林資源監測方法的人工智能算法

中圖分類號：S771.8 文獻標識碼：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

森林資源監測是生態環境保護和可持續發展的重要組成部分，對于林業管理、碳匯計算和生物多樣性保護等方面具有關鍵作用。近年來，遙感技術在森林監測領域為林業工作和環境保護提供了豐富的影像數據。通過結合光學、雷達和激光雷達等多源數據融合分析，極大提高了森林資源調查的全面性和細節刻畫能力2。同時，人工智能技術的引入使得遙感影像分析由傳統的專家知識解譯逐步向深度學習驅動的自動化處理轉變，全卷積網絡（FullyConvolutionalNetwork，FCN）、U 型網絡（U-Net）和深度實驗室版本3增強版（DeepLabVer-sion3Plus，DeepLabV3+）等卷積神經網絡在森林分類、林相分割和病蟲害監測等方面展現出較高的應用價值[3-4。然而，在陜西省復雜的山地環境中，傳統的分類方法對地形陰影、混交林類型識別仍存在較大誤差。U-Net具備編碼器一解碼器結構，能夠有效保留森林邊界信息。采用注意力機制優化特征提取過程，可以提高對混交林、針闊葉混合林的識別能力。針對陜西省地形復雜、森林類型多樣的特點，研究以高分二號遙感影像為主要數據源，選用引入擠壓-激勵（SqueezeandExcitation，SE）模塊的改進U-Net算法，結合多模態數據融合策略對森林資源進行監測。研究的創新點在于保證高精度的同時提升模型在復雜地形環境中的適應性，并利用遷移學習策略提高模型在小樣本場景下的魯棒性，為當地森林資源監測提供更具適用性的人工智能解決方案。

1 研究區概況

陜西省位于中國大陸中部偏西，地勢總體由西北向東南傾斜，呈現“南北高、中部低\"的特征。北部的陜北高原、中部的關中平原和南部的秦巴山區構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、關中平原區和秦嶺山地區等六大地貌區域。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^° 。黃土高原區占全省面積 40% ，溝壑縱橫，水土流失顯著。關中平原區平均海拔 546m ，地勢平坦，為農業核心區。秦嶺山地區平均海拔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，棕壤主要見于秦嶺、大巴山等中山地區，草甸土集中于河谷地帶，如千河下游階地。

2 研究方法

2.1基于高分二號遙感圖像的數據預處理

數據預處理階段是遙感應用研究中最重要的環節之一，尤其是當前使用較廣泛的中國高分二號衛星數據，由于其全色波段空間分辨率達到 |0.8m ，多光譜波段也達到 |3.2m ，因此對影像的質量要求更為嚴苛。因為衛星傳感器捕獲的原始數據受太陽輻射、傳感器特性、大氣條件等多種因素的綜合影響，高分二號數據的原始影像在應用前必須經過輻射定標和大氣校正。輻射定標通常是基于衛星傳感器參數，將傳感器記錄的數字灰度值轉換為具有實際物理意義的輻射亮度或反射率數值。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，使地物光譜信息更加真實、穩定，確保后續分類或分割模型學習到的光譜特征是真實而可靠的。

地形校正在陜西這種地勢起伏劇烈的省份尤其重要。陜西省從北到南，經歷了黃土高原、關中平原，再到秦嶺及秦巴山區，地形差異明顯，山地丘陵地區陰影遮擋、地形起伏對光譜信息干擾嚴重。因此，為了對高分二號影像進行地形校正，引人數字高程模型（DEM）數據；同時為了解決數據標注量不足或小樣本分布不均的問題，引入數據增強技術。當完成了輻射、大氣和地形校正后，需要對不同類型數據進行整合，構建多通道輸人數據。高分二號遙感影像本身提供了豐富的多光譜波段信息，同時額外納入地形數據作為輸入通道，可以為模型提供額外的上下文信息。

2.2基于改進U-Net的森林資源監測方法

U-Net憑借獨特的對稱U型架構，能有效實現圖像特征的多尺度融合，精準分割復雜圖像細節，為構建高精度森林資源監測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； 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} 表示卷積核權重，對應空間位置 （m，n） 、輸人通道 c 以及輸出通道 k，b_k 為偏置頂。對于融合高分二號多光譜數據X_ms 與地形因子數據 ?X_geo 的策略，采用加權融合模型，其表達式為

F=?（W_ms?X_ms+W_geo?X_geo+b）

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

式中： Z_c 為特征圖進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； 為經過加權后的輸出值；H和W分別為輸出特征圖的高度和寬度； S_c 為縮放因子。針對語義分割任務，Diceloss（式中記為 L_Dice ）常用于度量預測與真實標簽之間的重疊區，其優勢在于對目標邊界的敏感性高，能有效處理類別不平衡問題。其公式為

式中： p 是模型預測的像素概率值； 是真實標簽的二值指示。為了緩解類別不平衡的問題，采用Focalloss，Focalloss可以通過動態調整樣本權重，聚焦于難分樣本，提升模型對少數類樣本的檢測能力 ΔL_FL []。其公式為

L_FL=-α_t（?1-p_t）^γlogp_t

式中： p_t 表示針對正確類別的預測概率； α_t 是用于平衡正負樣本的類別權重； γ 是聚焦參數，用于降低易分類樣本的損失貢獻。基于高分二號遙感影像數據，構建一種融合SE注意力機制的U-Net深度學習模型，用于森林資源監測。具體運行如圖1所示。

在圖1中，改進U-Net算法針對森林資源監測需求，首先對高分二號等遙感影像進行幾何校正、輻射校正及歸一化處理，通過嵌入SE模塊和空間注意力機制優化特征提取，融合光譜特征與地形數據增強植被邊界識別能力。之后采用Focalloss與Diceloss聯合優化訓練過程，結合小批量數據增強緩解樣本不足問題，最終通過多尺度特征融合和遷移學習策略提升模型泛化性。

3結果與分析

為了對改進U-Net算法的性能進行評估和分析，將FCN、極端梯度提升（eXtremeGradientBoost-ing，XGBoost）算法作為對比算法。選取高分二號遙感影像作為數據來源，覆蓋典型森林類型和復雜地形區域，確保試驗數據的代表性。標注數據來源于林業調查數據，并對訓練集和測試集按照7：3劃分，以保證試驗的科學性和客觀性。試驗在高性能計算環境下進行，硬件配置包括IntelCorei9處理器、NVIDIARTX3090GPU、32GB內存以及大容量高速SSD存儲，以支持深度學習模型的訓練需求。軟件環境采用Python3.8，深度學習框架為PyTorch1.10，結合GDAL進行遙感影像處理，Scikit-learn用于XG-Boost等傳統機器學習模型的訓練。模型超參數的選擇采用實驗驗證和調優策略，其中U-Net的學習率設為1e-4，優化器選擇Adam，并采用FocalLoss或DiceLoss以優化類別不平衡問題；FCN的超參數則參照經典配置，采用交叉熵損失函數；XGBoost的參數則通過網格搜索優化，確保每種算法的最佳表現。訓練過程中采用GPU加速計算，以提升計算效率，同時利用數據增強來增加樣本多樣性，提高模型的泛化能力。所有模型均進行多次訓練，以減少隨機因素對實驗結果的影響。如圖2所示。

圖2特征數量對監測算法的影響

由圖2（a）可知，隨著特征數量的增加，3種算法的分類精度總體呈現上升趨勢，且改進U-Net算法始終保持明顯優勢。其中，在特征數量為24時，改進U-Net的精度達到峰值，為 91.6% ；同時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U-Net的Kappa系數依然維持在優于FCN和XGBoost的較高水平。隨著特征數量的增加，XGBoost的Kappa系數略有提升，而FCN算法的波動較大。同樣是在24處的特征數量U-Net算法的Kappa系數最高，為 0.89 以上結果說明特征數量并不是越多越好，在特征數量為24時改進U-Net算法表現出較強的泛化能力。進一步對算法的預測精度進行驗證，針對個體選擇油松（Pinustabuliformis）銳齒槲櫟（Quercusalienavar.acutiserrata）華山松（Pinusar-mandii）、側柏（Platycladusorientalis）4種樣本進行測試，具體結果如圖3所示。

圖3蓄積面積預測準確率和測試樣本分布效果對比

在圖3（a）中，改進U-Net算法預測準確率最高，時，預測準確率達到 92.3% 。而XGBoost曲線波動大，對森林蓄積量估算穩定性不足，最終預測準確率僅達 69.7% 。而在圖3（b）中，改進U-Net算法在不同植被類型的樣本分布精度均表現最優，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到 93.6% 和 92.8% 。以上結果說明本研究提出的算法在精細分類和復雜樣本識別上具有顯著的優越性。為了評估改進U-Net在不同樹種分類任務中的適用性，針對油松、秦嶺冷杉（Abieschensiensis）這樣的典型樹種進行單獨預測精度測試，用戶精度（UserAccuracy，UA）和生產者精度（ProducerAccuracy，PA）具體結果如圖4所示。

在圖4（a）中，改進U-Net算法在油松的用戶精度表現最為突出，達到約 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U-Net算法對油松樣本的預測則更加精準可靠。在圖4（b）中，改進U-Net算法依然表現最優，生產者精度高達約 95.7% ，而FCN算法和XGBoost算法的生產者精度明顯落后于改進U-Net。改進U-Net對秦嶺冷杉這一高生態價值樹種的高精度識別，表明其對關鍵保護樹種的檢測精度具備顯著優勢，具有實際生態保護應用的高度價值與潛力。整體而言，該算法在單一樹種識別精度上表現出的穩定性和高效性明顯優于對比方法。

4結論

森林資源監測中，現有深度學習算法存在多模態數據融合不充分、植被邊界及細節特征提取能力不足等問題。研究改進U-Net算法，嵌入通道注意力模塊促進光譜與地形等多模態數據融合。結果顯示，該方法對于油松的UA為 96.4% ，針對秦嶺冷杉預測的PA為 95.7% ，顯著提升了森林資源監測的準確性與細節識別能力。結果表明，改進U-Net算法有效強化了模型對森林資源的分析能力。目前研究數據覆蓋區域有限，后續可擴大數據采集范圍，融合Transformer等新型模型，進一步提升算法在復雜森林場景下的泛化能力與監測效率。

參考文獻：

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

[2]胡建錦，熊偉，方陸明，等.基于距離相關系數和Catboost方法的森林蓄積量估測[J].中南林業科技大學學報，2023，43（5）：27-35.

[3]張水花，秦琳，黃寧輝，等.基于深度學習的森林資源變化圖斑自動提取[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].地球信息科學學報，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，謝運鴻，等.聯合U-Net和分水嶺算法的高郁閉度杉木純林樹冠信息提取[J].應用生態學報，2023，34（4）：1024-1034.

[8]高埂，肖風麗，楊飛.基于改進MobileNetV3-Small的色素減退性皮膚病診斷[J].計算機與現代化，2024（5）：120-126.

[9]田會娟，翟佳豪，柳建新，等.基于SRN-UNet的低質量虹膜分割算法[J].光子學報，2022，51（2）：241-249.

[10]苗月，吳陳.基于RF-FL-LightGBM算法的信用風險評估模型研究[J].計算機與數字工程，2024，52（3）：808-813.