基于机器视觉算法的郁闭度自动识别研究

摘要

郁闭度是森林结构和生态评估中的关键参数，准确评估郁闭度对于森林防火和资源管理具有重要意义。人工目测或样地调查的传统郁闭度测量方法受地物条件和人为主观因素影响，测量耗时长、误差大，难以满足大面积测量需求；随着遥感技术的快速发展，无人机等高分辨率航空摄影可客观、高效地获取林冠等信息，通过信息自动提取处理，可为郁闭度快速精准评估提供新的途径。以某生物防火阻隔带建设项目为研究对象，依托无人机摄影测量，构建研究区高精度三维数字模型和数字正射影像图，综合应用3种典型机器视觉算法自动解算区域郁闭度。结果表明，3种方法解算的郁闭度结果较为一致，均能满足防火带设计阈值测量要求；其中，DeepLab-v3+深度学习分割方法的解算值最接近人工测量值，并在冠层交错区域展现更优的边缘识别能力；Trainable Weka Segmentation算法通过融合颜色、纹理等多维特征，显著提升了复杂背景下的分割精度；局部极值驱动分割方法则在离散林冠结构场景中效率突出。研究进一步探讨了光照条件与季节变化对识别结果的显著影响，成果可为生物防火阻隔带及类似林业工程郁闭度快速精准评价提供场景化决策依据。

关键词

郁闭度 / 林冠信息 / 图像处理 / 机器视觉 / 随机森林 / 深度学习