人工手动标注人为夸大了深度学习在封闭冠层RGB图像上的分割性能：基于TLS的验证

在个体树木尺度上监测森林动态对于准确评估生态系统对气候变化的响应至关重要，但传统依赖实地森林调查的方法劳动密集且空间覆盖有限。利用无人机获取的RGB图像结合深度学习模型进行个体树冠（ITC）分割的技术进步已展现出精确分割的前景；然而，现有方法通常基于人工标注图像进行验证，缺乏严格的独立真值。在本研究中，我们利用共定位的激光雷达（TLS）数据为无人机拍摄的混合未管理北方针叶林和地中海森林图像生成高保真度验证标签。我们评估了两种广泛使用的深度学习ITC分割模型——DeepForest（RetinaNet）和Detectree2（Mask R-CNN）——在这些数据上的性能，并与在地中海森林人工标注数据上的性能进行比较。当以地中海森林的TLS真值进行验证时，模型性能相比基于人工标注的评估显著下降（AP50: 0.094 vs. 0.670）。将评估限制在冠层树木上大幅缩小了这一差距（冠层AP50: 0.365），尽管性能仍远低于类似人工标注数据上的表现。模型在北方针叶林数据上表现也较差（AP50: 0.142），但在仅评估冠层树木时有所提高（冠层AP50: 0.308）。两种模型在更严格的IoU阈值下均表现出极差的定位精度，即使仅限于冠层树木（Max AP75: 0.051）。在使用机载LiDAR数据的研究中也观察到类似结果，表明封闭冠层森林中基于航空的分割方法存在根本性局限。