森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多...森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.展开更多
森林特征参数是评估森林生态系统生长状况的关键指标,为高效、精确地估测森林特征参数,本研究探索结合无人机技术和DNN(Deep neural network)模型的森林特征参数的估测方法,并通过SHAP(Shapley additive explanations)方法提高模型预测...森林特征参数是评估森林生态系统生长状况的关键指标,为高效、精确地估测森林特征参数,本研究探索结合无人机技术和DNN(Deep neural network)模型的森林特征参数的估测方法,并通过SHAP(Shapley additive explanations)方法提高模型预测的可解释性。使用无人机高分辨率影像作为数据源,利用DNN对平均胸径(Average diameter at breast height,AD)、林分胸高断面积(Area of forest stand at breast height,BA)、Lorey's树高(Lorey's tree heights,HL)、样地地上生物量(Above-ground biomass of sample plots,AGB)等森林特征参数进行估测。设计了多层次的DNN模型处理和分析影像数据,预测森林特征参数。同时,采用SHAP方法对DNN模型的预测结果进行可解释性分析,以理解每个特征在模型预测中的作用。深度学习DNN模型可以利用DAP(Digital aerial photograph)数据中获取的二维光谱特征和三维点云特征进行森林特征参数的估测模型构建。BA和AGB参数的估测模型性能从大到小为DOM+DAP点云、DOM(Digital orthophoto mosaic)、DAP点云,BA和AGB最优模型的R2平均值分别为0.7438、0.7762,而AD和HL的参数估测模型性能从大到小排序为DOM+DAP点云、DAP点云、DOM,AD和HL最优模型的R2平均值分别为0.6133、0.7276。SHAP值反映了每个特征变量对预测结果的贡献,树高变异系数在各模型中均占据了较为重要的位置,点云高度变量对特征参数具有更高的解释能力。DNN模型具有较高的估测精度,而SHAP方法提升了模型预测结果的解释性,同时强调了点云变量在整体预测模型中的重要性。这表明现代遥感技术与先进的机器学习方法相结合,可为利用无人机数字航空摄影技术进行森林资源调查监测提供必要的技术支持。展开更多
文摘森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.
文摘森林特征参数是评估森林生态系统生长状况的关键指标,为高效、精确地估测森林特征参数,本研究探索结合无人机技术和DNN(Deep neural network)模型的森林特征参数的估测方法,并通过SHAP(Shapley additive explanations)方法提高模型预测的可解释性。使用无人机高分辨率影像作为数据源,利用DNN对平均胸径(Average diameter at breast height,AD)、林分胸高断面积(Area of forest stand at breast height,BA)、Lorey's树高(Lorey's tree heights,HL)、样地地上生物量(Above-ground biomass of sample plots,AGB)等森林特征参数进行估测。设计了多层次的DNN模型处理和分析影像数据,预测森林特征参数。同时,采用SHAP方法对DNN模型的预测结果进行可解释性分析,以理解每个特征在模型预测中的作用。深度学习DNN模型可以利用DAP(Digital aerial photograph)数据中获取的二维光谱特征和三维点云特征进行森林特征参数的估测模型构建。BA和AGB参数的估测模型性能从大到小为DOM+DAP点云、DOM(Digital orthophoto mosaic)、DAP点云,BA和AGB最优模型的R2平均值分别为0.7438、0.7762,而AD和HL的参数估测模型性能从大到小排序为DOM+DAP点云、DAP点云、DOM,AD和HL最优模型的R2平均值分别为0.6133、0.7276。SHAP值反映了每个特征变量对预测结果的贡献,树高变异系数在各模型中均占据了较为重要的位置,点云高度变量对特征参数具有更高的解释能力。DNN模型具有较高的估测精度,而SHAP方法提升了模型预测结果的解释性,同时强调了点云变量在整体预测模型中的重要性。这表明现代遥感技术与先进的机器学习方法相结合,可为利用无人机数字航空摄影技术进行森林资源调查监测提供必要的技术支持。
