基于深度学习的阿尔卑斯山草原中Ochotona curzoniae诱导的赤裸斑块的细分算法
Jia-Zhen Li1, Lian-Guo Wang1, Li-Min Hua2
1College of Information Science and Technology, Gansu Agricultural University, Lanzhou 730070, China.
Ying yong sheng tai xue bao = The journal of applied ecology
|November 6, 2025
概括
一种新的深度学习方法使用无人机 (UAV) 图像准确地识别了由Ochotona curzoniae (pika) 干扰引起的赤裸斑. 这种波波增强的U-Net模型提供了高效和精确的生态损害评估.
科学领域:
- 生态监测 生态监测
- 遥感是一种远程传感.
- 深度学习应用程序深度学习应用程序
背景情况:
- 准确识别来自Ochotona curzoniae干扰的赤裸斑块对于评估生态损害至关重要.
- 传统的赤裸补丁识别方法在计算上是密集的和低效的.
研究的目的:
- 开发一种高效,准确的基于深度学习的方法,用于在无人机图像中分割赤裸的补丁.
- 为了改善因Ochotona curzoniae引起的裸斑的识别.
主要方法:
- 提出了一种波形增强的U形卷积神经网络 (W-UNet) 分段方法.
- 使用了U-Net架构与VGG16骨干,结合了坐标注意力 (CA) 和波形变换卷积 (WTConv).
- 使用复合损失函数 (焦点损失和子损失) 来处理类不平衡.
主要成果:
- 在W-UNet模型中,实现了平均交界度超过联盟 (MIoU) 的81.2%,平均像素精度 (MPA) 的89.4%,整体精度 (ACC) 的95.8%.
- 提出的方法显著优于传统的UNet-Vgg模型.
- 证明了高频信息的提取和细粒度特征的恢复的改进.
结论:
- W-UNet方法提供了一个强大的框架,可以有效和准确地监测由Ochotona curzoniae引起的裸斑.
- 这种深度学习方法提高了使用无人机图像的生态损害评估能力.
- 该研究强调了先进的深度学习技术在生态研究中的潜力.
