基于深度学习的树冠分割及生物量估算

国家重点研发计划项目（ZKJB230100003）

摘要

地上生物量反映植被生长状况和碳储量的大小，该参数的准确性对于碳循环研究以及减缓气候变化至关重要。以芭蕉树为研究对象，提出一种利用深度学习实现芭蕉树冠检测分割和地上生物量估算的新思路。首先，以深度学习算法YOLOv8s-seg为基础框架改进，并应用无人机遥感影像，实现芭蕉树冠检测分割；然后，提取芭蕉树冠覆盖面积，结合实测地上生物量数据进行拟合，使用线性回归、K最近邻算法（K-NearestNeighbor,KNN）、支持向量机、随机森林和XGBoost(eXtreme Gradient Boosting)方法分别建立芭蕉地上生物量估算模型；最后，对模型估测结果进行比较分析确定最优模型。结果表明，改进后的YOLOv8s-seg模型可以快速有效地对芭蕉树冠进行检测分割。通过验证发现，基于XGBoost的地上生物量估算模型拟合效果和预测误差优于其他模型，决定系数（R~2）为0.881 4，均方根误差（RMSE）为231.37 kg，平均绝对误差（MAE）为140.47kg，能够更准确地预测地上生物量，更适于进行芭蕉地上生物量的反演，进一步验证了利用无人机和深度学习方法提取树冠信息实现估算地上生物量的可行性。

关键词

YOLOv8s-seg / 无人机遥感 / 地上生物量 / 树冠覆盖面积 / XGBoost