基于深度学习的森林以外树木映射与分类
计算机视觉与模式识别
2025-10-30 v1
摘要
森林以外树木（TOF）在农业景观中发挥着重要作用，包括支持生物多样性、封存碳和调节微气候。然而，大多数研究将 TOF 视为单一类别，或依赖刚性规则阈值，限制了生态解释和跨地区的适应性。为此，我们使用新生成的数据集和来自德国四个农业景观的高分辨率航空图像，对 TOF 分类进行深度学习评估。具体而言，我们比较了卷积神经网络（CNN）、视觉转换器以及混合 CNN-Transformer 模型 across 六种语义分割架构（ABCNet、LSKNet、FT-UNetFormer、DC-Swin、BANet 和 U-Net），以映射四类植被：森林、斑块、线性和树木，这些类别源自前期研究和政府产品。总体而言，各模型在四个景观中均取得良好的分类准确率，其中 FT-UNetFormer 表现最佳（平均交并比 0.74，平均 F1 分数 0.84），凸显了在 TOF 映射与分类中理解空间语境的重要性。我们的结果显示，森林和线性类别表现良好，但在面对高边缘密度的复杂结构时（尤其是斑块和树木类别）仍存在挑战。我们的泛化实验结果表明，为确保可靠的大规模映射，需采用具有区域多样性的训练数据。数据集和代码已公开于 https://github.com/Moerizzy/TOFMapper。
引用
@article{arxiv.2510.25239,
title = {Mapping and Classification of Trees Outside Forests using Deep Learning},
author = {Moritz Lucas and Hamid Ebrahimy and Viacheslav Barkov and Ralf Pecenka and Kai-Uwe Kühnberger and Björn Waske},
journal= {arXiv preprint arXiv:2510.25239},
year = {2025}
}