基于混合自注意力 U-Net 的航拍图像枯死树检测与分割双任务学习

绘制站立枯死树图谱对于评估森林健康、监测生物多样性和减轻野火风险至关重要，而航拍图像已被证明对此十分有用。然而，密集的冠层结构、活体与枯死植被之间的光谱重叠以及过分割错误限制了现有方法的可靠性。本研究引入了一种混合后处理框架，通过将分水岭算法与自适应滤波相结合，改进了基于深度学习的树木分割，增强了边界描绘，并减少了复杂森林环境中的假阳性。在北方森林的高分辨率航拍图像上进行测试，该框架将实例级分割准确率提高了 41.5%，并将位置误差减少了 57%，在植被密集区域展现出鲁棒的性能。通过平衡检测准确率和过分割伪影，该方法能够精确识别单株枯死树，这对于生态监测至关重要。该框架的计算效率支持可扩展的应用，例如利用航拍或卫星图像对大地理区域进行全覆盖树木枯死测绘。这些能力直接有益于野火风险评估（识别可燃物积累）、碳储量估算（追踪腐烂生物质的排放）和精准林业（针对抢救性采伐）。通过将先进的遥感技术与实际森林管理需求相结合，这项工作推进了大规模生态保护和气候韧性规划的工具。