使用无人机图像和深度学习对象检测模型的年轻白松检测
Abishek Poudel1, Eddie Bevilacqua1
1Department of Sustainable Resources Management, State University of New York College of Environmental Science and Forestry, Syracuse, NY 13210, USA.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
无人机 (UAV) 图像与深度学习 (DL) 结合,准确地监测白松再生. 这种高效的方法减少了手动森林评估的需求.
科学领域:
- 林业林业 林业 林业 林业
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 森林再生监测对于可持续森林管理至关重要.
- 评估年轻树的传统野外工作是劳动密集型和耗时的.
- 整合先进技术可以提高森林监测的效率和准确性.
研究的目的:
- 评估将无人机 (UAV) 图像和深度学习 (DL) 结合起来,以监测白松 (Pinus strobus) 再生的有效性.
- 为了比较各种DL物体检测模型的性能,用于识别和评估白松苗.
- 为了确定最佳的UAV-DL系统配置,用于运营森林再生评估.
主要方法:
- 使用无人机飞行获取高分辨率RGB和多光谱正方体.
- 在ArcGIS Pro.中评估了20个深度学习对象检测模型.
- 在纽约圣劳伦斯县的不同白松大小类别和密度中测试模型性能.
- 使用混矩阵分析来确定整体准确性.
主要成果:
- 更快的R-CNN (F-RCNN) 模型表现出卓越的性能,平均精度为0.88.
- 在中密度和高密度的白松树木中,F-RCNN模型的整体准确率分别为91%和90%.
- 在RGB和多光谱图像类型中,模型性能一致.
结论:
- 基于无人机的深度学习系统为监测白松再生提供了准确有效的方法.
- 这项技术大大减少了大量手工现场工作的需要.
- 这些发现支持UAV-DL用于森林再生评估的操作实施.
