基于深度学习的树冠分割及生物量估算

Canopy Segmentation and Biomass Estimation Based on Deep Learning

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（R² ）为0.881 4，均方根误差（RMSE）为231.37 kg，平均绝对误差（MAE）为140.47 kg，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。

Abstract

Aboveground biomass reflects the growth of vegetation and the magnitude of carbon storage， and the accuracy of this parameter is crucial for carbon cycle research and climate change mitigation. In this study， a new idea of using deep learning to realize banana canopy detection segmentation and aboveground biomass estimation was proposed. Firstly， the deep learning algorithm YOLOv8s-seg was used as the basic framework improvement， and UAV remote sensing images were applied to realize banana canopy detection segmentation. Then， the canopy coverage area of banana trees was extracted， combined with the measured aboveground biomass data for fitting， and the aboveground biomass estimation model of banana was established by linear regression， K-Nearest Neighbor （KNN）， support vector machine， random forest and XGBoost （eXtreme Gradient Boosting）. Finally， the model estimation results were compared and analyzed to determine the optimal model. The results showed that the improved YOLOv8s-seg model can quickly and effectively detect and segment banana canopies. Through verification， it was found that the fitting effect and prediction error of the aboveground biomass estimation model based on XGBoost were better than those of other models， with R² of 0.881 4， root mean square error （RMSE） of 231.37 kg， and mean absolute error （MAE） of 140.47 kg， which could predict the aboveground biomass more accurately and was more suitable for the inversion of the aboveground biomass of bananas， which further verified the feasibility of using UAV and deep learning methods to extract canopy information to estimate the aboveground biomass.

Graphical abstract

关键词

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

Key words

YOLOv8s-seg / UAV remote sensing / aboveground biomass / canopy coverage area / XGBoost

0 引言

植被生物量是衡量生态系统健康和生产力的重要指标，也是进行碳循环碳储量研究的基础^［1］，主要是指单位面积内植被的根、茎、叶、花、果实、种子和调落物等的干质量总量^［2］，通常示为kg/m²或 t/hm²。植被生物量包括地上生物量（Above-Ground Biomass，AGB）和地下生物量（Below-Ground Biomass，BGB），其中，地上生物量在植被生物量占较大比重^［3］，因此，准确估算植被的地上生物量，对于了解生态系统中碳储存和分配情况，对于生态系统健康管理、改善区域生态环境、优化生态工程布局以及全球碳平衡具有重要意义，同时为气候变化研究提供重要的数据支持，为碳达峰及碳中和目标的实现提供重要依据^［4-5］。

传统的地上生物量估算方法主要依赖人工采样和实地调查的称重测量，这种方法虽然精度高，但费时费力且工作效率低，对植被有一定的破坏性，仅适用小范围，在大尺度生物量测量上存在一定的局限性^［6］。随着地理信息系统的飞速发展，采用遥感技术和计算机视觉技术对植被地上生物量进行无损估算已成为一种新的研究方法，主要分为2类：一类是利用相关遥感衍生变量数据，如植被指数、温度参数和纹理特征等来建立与地上生物量估算模型^［7-9］；另一类是通过获取植被表型信息包括植被高度、胸径、冠层覆盖度和叶面积指数等，分析与植被地上生物量之间的关系，构建生物量估算模型^［10-12］。

虽然可以从遥感数据中计算出许多特征信息，但大量特征的提取是一项繁琐的任务，近年来，越来越多的学者将遥感技术与深度学习结合起来^［13-14］，为实现植被地上生物量的无损监测提供参考依据。国内外已有学者使用Mask R-CNN算法实现不同目标植被的检测分割^［15-16］，这种方法虽然在分割精度上有不错的效果但受限于复杂场景。受单阶段分割模型YOLACT^［17］的影响，Mubashiru^［18］提出了一种轻量级的YOLOv5算法，从4种特征相似的植物中准确分割果实，对复杂多变的环境具有鲁棒性，并且能够快速、准确地部署在低功耗的计算平台上。虽然该方法获得了更快的分割速度，但仍需要进一步优化分割的精度。Yue等^［19］提出改进的YOLOv8s-Seg网络，对番茄果实进行实时有效的分割，为番茄的健康监测和智能采收提供了技术支持。

芭蕉作为一种重要的经济作物，在许多热带和亚热带地区广泛种植，但是目前关于芭蕉树冠分割和地上生物量估算的相关研究还比较少。因此，本研究以芭蕉作为研究对象，提出一种利用深度学习实现芭蕉树冠有效分割和地上生物量估算的新思路，通过改进YOLOv8s-seg算法有效地从遥感影像中提取树冠信息，利用不同方法建立树冠覆盖面积-地上生物量模型，找到适合芭蕉的地上生物量估算模型，为芭蕉的抚育管理和资源有效利用提供科学依据。

1 研究区域与数据

1.1 研究区域概况

该研究数据来源于公开数据集森林碳储量基准（ReforesTree）数据集^［20］，该数据集包含了厄瓜多尔农林业6个站点的高分辨率无人机正射遥感影像以及人工实地采集的6个站点的树木数据。研究区域如图1所示，每个站点约0.5 hm²，主要包括芭蕉树和可可树，种植于2016—2019年。主要的采集数据包括胸径、林分年、立地ID、树种、纬度、经度和高度信息。无人机空间分辨率为2 cm。

1.2 芭蕉树冠标注

为确保标注结果与影像的完整信息一致，本研究使用遥感处理软件ENVI对研究区域中无人机采集的2块样地影像中的芭蕉树冠进行标注，用于芭蕉树冠分割模型的构建。通过目视解译手动勾勒原始大尺寸遥感影像中的芭蕉树冠，并将其转换为背景为0、芭蕉树冠为255的二值掩码图像，以便在标注过程中保留和捕捉影像的完整信息和上下文，标注结果如图2所示。将原始遥感影像数据以及标注好的芭蕉树冠影像统一裁剪为640×640大小像素。先标注后裁剪的目的是保持标注的准确性，利用更全面和丰富的影像信息进行后续模型的训练和分析。如果直接对裁剪后的小尺寸图像进行标注，会导致信息的丢失和片面性，使得标注信息无法准确地对应到原始大尺寸影像中，从而影响标注的准确性。将制作好的芭蕉树冠数据集按照7∶2∶1划分为训练集、验证集和测试集，分别用于芭蕉树冠分割模型的训练、验证与测试。

2 研究方法

在整个芭蕉地上生物量的估算过程包括树冠信息提取、回归建模和精度评估3个步骤。首先，在YOLOv8s-seg基础上，通过引入EMA（Efficient Multi-Scale Attention）高效多尺度注意力模块对芭蕉树冠进行检测分割，提取芭蕉树冠的信息，包括树冠的覆盖面积和树冠覆盖率。然后，采用线性回归、K最近邻算法（K-NearestNeighbor，KNN）、支持向量机、随机森林和XGBoost（eXtreme Gradient Boosting）5种回归建模方法，构建基于芭蕉树冠覆盖面积的地上生物量的估算模型。最后，根据评价指标对所建立回归模型的预测精度进行评估。研究技术路线如图3所示。

2.1 高效多尺度注意力机制

注意力机制本质上类似于人类的注意力，都能够从众多信息里选择性地关注当前任务场景中的关键信息。通过引入注意力机制，为输入数据的不同片段分配不同的权重来促进网络模型的学习过程，从而使模型能够优先考虑重要信息并增强其性能和泛化能力。

EMA（Efficient Multi-Scale Attention）高效多尺度注意力模块^［21］在保留通道信息的基础上，将部分通道转化为批量维度，并将通道维度分组为多个子特征，在降低计算成本的同时有效保留通道特定信息，确保使空间语义特征均匀分布在每个特征组中。EMA模块采用并行处理结构结合跨空间学习，将2个1×1分支和3×3分支并行放置来提取特征图的注意力权重，实现多尺度的特征聚合，有效减少网络深度。在1×1分支中，利用2个一维全局平均池化操作沿x和y 2个空间方向对通道进行编码，然后将沿图像垂直方向的2个编码特征连接起来，共享1×1卷积层，再拆分1×1卷积为2个向量之后应用非线性Sigmoid函数拟合生成注意力权重。并行地，3×3分支使用3×3对分组输入特征进行卷积运算以扩大特征空间。利用二维全局平均池化操作对每个分支的输出采用Softmax函数进行编码，最后，通过对前面提到的并行处理阶段的结果进行矩阵点积运算，在同一处理阶段采集不同尺度的空间信息。EMA模块结构如图4所示，G代表通道维度的G个子特征组；C代表输入通道数；H、W代表输入特征图的高和宽；//代表并行分支。

2.2 基于YOLOv8s-seg的树冠检测分割

传统的语义分割通常是基于像素级别的标注数据，通过对每个像素进行分类，来实现图像的语义分割^{［14，22］}，考虑到分割性能和轻量化的要求，本研究对芭蕉树冠的检测分割选用YOLOv8s-seg为基线模型，并在此基础上加以改进。YOLOv8s-seg模型是YOLOv8目标检测模型的扩展，将目标检测和语义分割的任务结合在一个模型中，利用目标检测的信息准确地定位和识别图像中的物体，在输出目标检测结果的同时输出对应的语义分割结果，这种结合大大提高模型的分割性能和效率。

YOLOv8s-seg主要由骨干网络Backbone、颈部网络Neck和头部Head组成，其中Backbone由多个Conv模块、C2f模块和1个空间金字塔池化融合（SPPF）模块构成，负责从输入图像中提取不同尺寸的特征，Neck将Backbone部分的3个特征层提取到的不同尺度特征信息进行融合，并将这些特征传递给Head，进行最终的回归预测。在Head设计中，采用Anchor-Free和解耦头的结构，可以更好地适应不同尺寸和形状的物体，通过检测分支和分割分支分别学习，检测分支预测目标类别和边界框，分割分支输出掩码系数和与之对应的原型图，将掩码系数与原型图相乘后求和，得到图像分割结果，大大减少了超参数的数量，在提高分割性能的同时提高了模型的灵活性和稳定性。YOLOv8s-seg的基本网络结构如图5所示。

2.3 地上生物量估算模型建立

目前，地上生物量估算以统计模型为主，估算模型分为有确定解析式的参数模型（线性回归模型、对数模型和指数模型等）和没有明确数学解析式的非参数模型（KNN模型、支持向量机模型、随机森林模型和XGBoost模型等）^［23］。通过分析树冠覆盖面积、树冠覆盖率与地上生物量相关性，而后建立回归关系，并计算决定系数R²，均方根误差RMSE和平均绝对误差MAE来评价不同模型的反演效果，确定最优估算模型。

线性回归模型通过不同特征的线性组合，最佳的拟合训练数据，使得模型真实值和预测值之间的残差平方和最小化。K最近邻算法（K-NearestNeighbor，KNN）作为一种基于实例的学习方法，通过对训练集中K个最近邻的响应求平均值得到预测值。支持向量机是一种监督学习模型，通过将原始空间映射到高维特征空间，然后寻找最优超平面，以最小化训练数据和映射值之间的误差。随机森林基于多个决策树构建，最终预测值是通过这些树预测结果进行平均来确定的。XGBoost（eXtreme Gradient Boosting）采用决策树作为弱学习器，将多个决策树进行组合，每个决策树都在前一棵树的残差基础上进行训练，通过多次迭代逐步减小残差，最后多个学习器相加进行最终预测。

本研究中，以树冠覆盖面积作为自变量，结合对应样地的地上生物量数据，通过与地上生物量建立回归关系来进行生物量估算分别构建覆盖面积-地上生物量的线性回归模型、KNN模型、支持向量机模型、随机森林模型和XGBoost模型，如图6所示。

2.4 评价指标

为了检验模型拟合效果，利用决定系数（R² ）、均方根误差（RMSE）和平均绝对误差（MAE）对所建立模型的预测精度进行评价。R² 取值在0~1，越接近于1，表示该模型的拟合效果越好，均方根误差（RMSE，式中记为R_MSE）和平均绝对误差（MAE，式中记为M_AE）越小表示模型预测精度和稳定性越好。其计算公式为

R^{\mathrm{2}}=\mathrm{1}-\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(\widehat{y_i}-y_i\right)}^{\mathrm{2}}}{{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-\overline{y_i}\right)}^{\mathrm{2}}}。（1）

R_{\mathrm{M}\mathrm{S}\mathrm{E}}=\sqrt[]{\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(\widehat{y_i}-y_i\right)}^{\mathrm{2}}}。（2）

M_{\mathrm{A}\mathrm{E}}=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}\left|y_i-\widehat{y_i}\right|。（3）

式中：y_i代表样本的实测值；{\widehat{y}}_i代表样本的预测值；{\overline{y}}_i代表样本的平均值；n代表样本数量。

3 结果与分析

3.1 改进的YOLOv8s-seg_EMA模型

EMA（Efficient Multi-Scale Attention）的优点是在不进行通道降维的情况下学习有效的通道描述，从输入数据中提取与当前任务相关的重要信息，从而减少不相关信息对模型的干扰。通过将EMA高效多尺度注意力模块添加到C2f模块中，提出YOLOv8s-seg_EMA模型。由图7可知，C2f模块将Bottleneck模块采用梯度分流连接，在保证轻量化的同时获得更加丰富的梯度流，通过对不同尺度目标进行有效特征提取和信息融合，使模型更好利用细节信息和语义信息。改进后的C2f模块，能够更加有效聚合多尺度空间结构信息，同时还保留C2f模块出色的特征提取和融合能力，显著提高了模型的分割精度和鲁棒性。C2f_EMA模块结构如图8所示。

3.2 树冠分割模型训练与评估

本试验在Windows操作系统上，搭载Intel（R）Core（TM） i5-8300H CPU@ 2.30GHz处理器，显卡使用NVDIA Geforce GTX 1050Ti，模型训练基于PyTorch深度学习框架，使用Python3.8构建网络，进行芭蕉树冠分割的训练和测试。在本研究中，使用精确度（precision）、召回率（recall）和平均精度均值（mAP@0.5）来评估改进后的YOLOv8s-seg的性能。3个参数越高，分割效果越好，见表1。

由表1可以看出，相同条件下，YOLOv8s-seg原模型对比YOLOv5s-seg模型的精确度、召回率、平均精度均值分别提高0.002、0.016、0.033，所以本研究选择在YOLOv8s-seg模型的基础上进行改进。加入EMA注意力机制后的YOLOv8s-seg模型相比于加入CBAM和ECA注意力机制的模型、YOLOv8-seg原模型，精确度分别提高了0.035、0.028、0.047，召回率分别提高0.003、0.008、0.012，平均精度均值（mAP@0.5）指标分别提高0.015、0.025、0.018，综合比较各指标，最终选择YOLOv8s-seg_EMA模型对芭蕉树冠进行分割。

3.3 树冠信息提取

3.3.1 树冠像素统计

利用YOLOv8s-seg_EMA模型对测试集进行测试，输出文件为txt格式，将格式转换为二值掩码图。利用OpenCV计算二值掩码图中白色像素点的数量获得树冠像素点个数。本研究中，将手动标注得到的作为真实目标区域像素点数，YOLOv8s-seg_EMA模型分割提取得到的树冠像素作为预测值，利用决定系数（R² ）表示样地内像素点数预测值和真实值之间的关系，如图9所示，决定系数R² 为0.95，表明使用改进后的YOLOv8s-seg模型提取的像素点数与真实值高度一致。

3.3.2 树冠覆盖面积与树冠覆盖率的计算

树冠覆盖面积是指树冠实际的垂直投影面积。GSD为空间分辨率，指一个像素点代表的空间距离。树冠覆盖率是指样地内所有树冠覆盖的总面积与土地面积的比例^［24］。在目前大多实际应用中，树冠覆盖面积根据树冠区域像素数乘空间分辨率的平方来计算，树冠覆盖率通常用图像中树冠所占的像素数除以图像的总像素数得到。其计算公式分别为

S=C_{\mathrm{r}\mathrm{o}\mathrm{w}\mathrm{n}\mathrm{a}\mathrm{r}\mathrm{e}\mathrm{a}}\times G_{\mathrm{S}\mathrm{D}}^{\mathrm{2}}。（4）

C_{\mathrm{r}\mathrm{o}\mathrm{w}\mathrm{n}\mathrm{c}\mathrm{o}\mathrm{v}\mathrm{e}\mathrm{r}}=\frac{C_{\mathrm{r}\mathrm{o}\mathrm{w}\mathrm{n}\mathrm{a}\mathrm{r}\mathrm{e}\mathrm{a}}}{I_{\mathrm{m}\mathrm{a}\mathrm{g}\mathrm{e}\mathrm{a}\mathrm{r}\mathrm{e}\mathrm{a}}}。（5）

式中：S为树冠覆盖面积；C_{rown area}为树冠区域像素数；G_SD为空间分辨率；C_{rown cover}为树冠覆盖率；I_{mage area}为图像像素点数。

3.3.3 树冠分割模型应用

将研究区域中6个站点的遥感影像裁剪大小为4 000×4 000，利用YOLOv8s-seg_EMA树冠分割模型对区域内的芭蕉树冠进行检测分割，并提取树冠信息，图10为芭蕉树冠分割应用示例。

3.4 回归模型建立与分析

3.4.1 相关性分析

为了选取芭蕉地上生物量估算模型变量，将树冠覆盖面积S、树冠覆盖率C_{rown cover}与对应区域的芭蕉地上生物量A_GB进行相关性分析，如图11所示。图11中横纵轴分别对应不同的变量，不同方块颜色对应不同的相关系数，中间数字为2个变量之间的相关系数。相对系数取值范围为［-1，1］，绝对值越接近于1，表明2个变量之间的线性相关性越强。由图11可以看出，A_GB与S相关系数为0.91，存在显著的相关性，A_GB与C_{rown cover}相关系数仅为0.27，相关性较弱，所以利用树冠覆盖面积作为自变量，用于构建芭蕉地上生物量估算模型是可行的。

3.4.2 芭蕉地上生物量估算模型

为了训练和验证模型，将190个样本数据按接近7∶3的比例随机分成训练集和测试集，其中，133个作为训练集用于建立覆盖面积-地上生物量的线性回归模型、KNN模型、支持向量机模型、随机森林模型和XGBoost模型；57个作为测试集用于模型的精度分析。由图12可知，将各模型获得的芭蕉地上生物量的预测值与真实值进行回归分析，可以直观地发现，样地内芭蕉地上生物量预测值与真实值之间呈良好的线性关系，预测值和真实值之间存在较小误差。

为了评估各模型的预测精度，通过计算比较各模型在训练集和测试集上的R² 、RMSE、MAE，对模型的拟合结果进行评估，结果见表2。从整体上比较建模与验证结果发现，各模型在芭蕉地上生物量估算中均取得了较高精度，各模型训练集的R² 在0.829 5~0.928 1。相较于非参数模型，线性回归模型可解释性较强，但在训练集上的R² 为0.836 3，RMSE为272.81 kg，MAE为171.84 kg，估算精度明显低于KNN模型、随机森林模型和XGBoost模型。XGBoost模型的R² 为0.928 1，较其他模型来说，值更接近于1，拟合效果更好，而且RMSE、MAE的表现也优于其他模型，值分别为180.76、115.52 kg，相比其他模型的值更小，表明XGBoost模型在训练数据上的预测误差较小，即模型对训练数据的拟合程度较好，这说明XGBoost模型能够更准确地预测训练数据中的芭蕉地上生物量。

通过测试集验证发现，各模型中测试集的R² 均在0.80以上，其中线性回归模型表现最差，R² 为0.800 1，RMSE为300.34 kg，MAE为179.08 kg，XGBoost模型在R² 、RMSE、MAE的表现均优于其他模型，地上生物量的估测精度最高，测试集的R² 为0.881 4，RMSE为231.37 kg，MAE为140.47 kg，说明该模型的预测误差较小。出现这种结果的原因主要是XGBoost通过不断迭代优化损失函数，可以更准确地捕捉数据中的非线性关系和交互作用，同时，还可以通过控制树的复杂度和正则化项来减少过拟合风险，进一步证实了XGBoost模型更适于进行芭蕉地上生物量的反演，可以作为地上生物量最优估测模型。

4 结论

植被覆盖情况反映土地的植被状况及土地利用类型，地上生物量则代表着植被的生长状况和生态系统的生产力，这2个参数也是育种和遗传研究中评估植物生长、产量潜力的重要因素，更是植被碳储量估算的关键。本研究提出一种利用深度学习实现芭蕉树冠有效分割和地上生物量估算的新思路，通过改进YOLOv8s-seg模型从图像中快速地分割芭蕉树冠，进而提取树冠覆盖面积和树冠覆盖率，结合实测地上生物量数据，建立线性回归模型、KNN模型、支持向量机模型、随机森林模型和XGBoost模型估测芭蕉地上生物量，最后对地上生物量估算模型进行验证确定最优模型。本研究得出主要结论如下。

1）通过改进YOLOv8s-seg模型，引入EMA注意力机制，构建YOLOv8s-seg_EMA芭蕉树冠检测分割模型。结果表明，相比于加入CBAM和ECA注意力机制的模型、YOLOv8s-seg原模型，精确度分别提高了0.035、0.028、0.047，召回率分别提高0.003、0.008、0.012，平均精度均值mAP@0.5指标分别提高0.015、0.025、0.018，改进后的模型可以快速有效地对芭蕉树冠进行检测分割。

2）基于XGBoost的地上生物量估算模型建模效果和验证精度均优于其他模型，在训练集中的R² 为0.928 1，RMSE为180.76 kg，MAE为115.52 kg，测试集中的R² 为0.881 4，RMSE为231.37 kg，MAE为140.47 kg。表明XGBoost模型拟合效果和预测误差优于其他模型，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。

本研究结果验证了利用无人机和深度学习进行林分参数提取和估算地上生物量的可行性，对其他植物物种的表型分析以及生态碳汇能力的评估有一定参考意义。

参考文献

[1] 邓安健，郭海波，胡洁，GOSAT卫星数据监测中国大陆上空CO₂浓度时空变化特征［J］.遥感学报，2020，24（3）：319-325.

[2] DENG A J， GUO H B， HU J，et al.Temporal and distribution characteristic of CO₂ concentration over China based on GOSAT satellite data［J］.National Remote Sensing Bulletin，2020，24（3）：319-325.

[3] 郭娜，刘剑秋.植物生物量研究概述（综述）［J］.亚热带植物科学，2011，40（2）：83-88.

[4] GUO N， LIU J Q.A review of research on plant biomass［J］.Subtropical Plant Science，2011，40（2）：83-88.

[5] MA H Z， MO L D， CROWTHER T W，et al.The global distribution and environmental drivers of aboveground versus belowground plant biomass［J］.Nature Ecology & Evolution，2021，5（8）：1110-1122.

[6] 赵苗苗，赵娜，刘羽，森林碳计量方法研究进展［J］.生态学报，2019，39（11）：3797-3807.

[7] ZHAO M M， ZHAO N， LIU Y，et al.An overview of forest carbon measurement methods［J］.Acta Ecologica Sinica，2019，39（11）：3797-3807.

[8] 付晓，张煜星，王雪军.2060年前我国森林生物量碳库及碳汇潜力预测［J］.林业科学，2022，58（2）：32-41.

[9] FU X， ZHANG Y X， WANG X J.Prediction of forest biomass carbon pool and carbon sink potential in China before 2060［J］.Scientia Silvae Sinicae，2022，58（2）：32-41.

[10] 刘茜，杨乐，柳钦火，森林地上生物量遥感反演方法综述［J］.遥感学报，2015，19（1）：62-74.

[11] LIU Q， YANG L， LIU Q H，et al.Review of forest above ground biomass inversion methods based on remote sensing technology［J］.National Remote Sensing Bulletin，2015，19（1）：62-74.

[12] 张正健，李爱农，边金虎，基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究［J］.遥感技术与应用，2016，31（1）：51-62.

[13] ZHANG Z J， LI A N， BIAN J H，et al.Estimating aboveground biomass of grassland in Zoige by visible vegetation index derived from unmanned aerial vehicle image［J］.Remote Sensing Technology and Application，2016，31（1）：51-62.

[14] PRAKRITI S， LARRY L， JIYUL C，et al.Above-ground biomass estimation in oats using UAV remote sensing and machine learning［J］.Sensors，2022，22（2）：601.

[15] 舒时富，李艳大，曹中盛，基于无人机图像的水稻地上部生物量估算［J］.福建农业学报，2022，37（7）：824-832.

[16] SHU S F， LI Y D， CAO Z S，et al.Estimation of aboveground rice biomass by unmanned aerial vehicle imaging［J］.Fujian Journal of Agricultural Sciences，2022，37（7）：824-832.

[17] 李滨，刘可宁.基于无人机光学遥感的森林生物量估算研究［J］.森林工程，2022，38（5）：83-92.

[18] LI B， LIU K N.Forest biomass estimation based on UAV optical remote sensing［J］.Forest Engineering，2022，38（5）：83-92.

[19] 吴培强，任广波，张程飞，无人机多光谱和LiDAR的红树林精细识别与生物量估算［J］.遥感学报，2022，26（6）：1169-1181.

[20] WU P Q， REN G B， ZHANG C F，et al.Fine identification and biomass estimation of mangroves based on UAV multispectral and LiDAR［J］.National Remote Sensing Bulletin，2022，26（6）：1169-1181.

[21] 余楚滢，龚辉，曹晶晶，基于无人机影像的无瓣海桑单木提取与地上生物量估算［J］.热带地理，2023，43（1）：12-22.

[22] YU C Y， GONG H， CAO J J，et al.Individual tree crown delineation and aboveground biomass estimation of Sonneratia apetala based on unmanned aerial vehicle remote sensing images［J］.Tropical Geography，2023，43（1）：12-22.

[23] 南玉龙，张慧春，郑加强，深度学习在林业中的应用［J］.世界林业研究，2021，34（5）：87-90.

[24] NAN Y L， ZHANG H C， ZHENG J Q，et al.Application of deep learning to forestry［J］.World Forestry Research，2021，34（5）：87-90.

[25] 黄美益.基于深度学习算法的图像传感器误差自动校正研究［J］.自动化技术与应用，2023，42（5）：8-11.

[26] HUANG M Y.Research on automatic error correction of image sensor based on depth learning algorithm［J］.Techniques of Automation and Applications，2023，42（5）：8-11.

[27] 陆清屿，李秋洁，童岳凯，基于Mask R-CNN的行道树实例分割方法［J］.林业工程学报，2021，6（5）：154-160.

[28] LU Q Y， LI Q J， TONG Y K，et al.Instance segmentation method of street trees based on Mask R-CNN［J］.Journal of Forestry Engineering，2021，6（5）：154-160

[29] MAR A， JOÃO V， LAMMERT K，et al.Estimation of spinach（Spinacia oleracea） seed yield with 2D UAV data and deep learning［J］.Smart Agricultural Technology，2023，3（11）：100129.

[30] BOLYA D， ZHOU C， XIAO F，et al.YOLACT： real-time instance segmentation［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul，Korea （South），2019：9157-9166.

[31] MUBASHIRU O L.YOLOv5-LiNet： A lightweight network for fruits instance segmentation［J］.PloS one，2023，18（3）：e0282297.

[32] YUE X， QI K， NA X，et al.Improved YOLOv8-Seg network for instance segmentation of healthy and diseased tomato plants in the growth stage［J］.Agriculture，2023，13（8）：1643.

[33] REIERSEN G，DAO D， LÜTJENS B，et al.ReforesTree： A dataset for estimating tropical forest carbon stock with deep learning and aerial imagery［C］//Proceedings of the 36th AAAI Conference on Artificial Intelligence.2022，36（11）：12119-12125.

[34] OUYANG D， HE S， ZHANG G，et al.Efficient multi-scale attention module with cross-spatial learning［C］//ICASSP 2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing （ICASSP）.IEEE，2023：1-5.

[35] 严毅，邓超，李琳，深度学习背景下的图像语义分割方法综述［J］.中国图象图形学报，2023，28（11）：3342-3362.

[36] YAN Y， DENG C， LI L，et al.Survey of image semantic segmentation methods in the deep learning era［J］.Journal of Image and Graphics，2023，28（11）：3342-3362.

[37] 郝晴，黄昌.森林地上生物量遥感估算研究综述［J］.植物生态学报，2023，47（10）：1356-1374.

[38] HAO Q， HUANG C.A review of forest aboveground biomass estimation based on remote sensing data［J］.Chinese Journal of Plant Ecology，2023，47（10）：1356-1374.

[39] 杨德菲，杨存建，钱可敦.基于无人机遥感的银杏树木株数及其树冠覆盖率估算［J］.艺术科技，2019，32（5）：49-50.

[40] YANG D F， YANG C J， QIAN K D.Estimation of the number of Ginkgo biloba trees and their canopy coverage based on UAV remote sensing［J］.Art Science and Technology，2019，32（5）：49-50.

基金资助

国家重点研发计划项目(ZKJB230100003)