准确获取每株树木的位置、冠幅、树高和森林类型，是森林资源调查、碳储量评估和生物多样性保护的重要基础，也是山地森林真实场景构建和数字孪生的关键信息。然而，复杂山地森林地形起伏大、树冠相互遮挡和粘连，准确识别单株树木面临巨大挑战。现有单木属性提取方法通常针对单一属性分别建模，各任务之间缺乏信息共享，难以形成支撑山地数字孪生的完整单木属性库。针对这些问题，成都山地灾害与环境研究所山地定量遥感与数字孪生科研团队提出了一种基于深度学习的山地森林单木识别与多维属性协同提取方法。该方法融合深度学习、传统图像处理和知识迁移技术，可协同获取单木位置、冠幅、树高和森林类型等信息，为山地森林真实场景构建与数字孪生提供精细数据支撑，并推动山地森林遥感监测由林分尺度向单木尺度、由单一属性提取向多维属性协同提取转变。

研究以王朗国家级自然保护区5km×5km典型山地森林为实验区，利用空间分辨率为0.2　m的无人机RGB影像和典型样地无人机LiDAR数据，构建了单木分割与多维属性提取的多任务协同框架。该框架首先将引入自注意力机制的U－Net＋＋模型与标记控制分水岭算法相结合，形成“深度学习初步识别—分水岭精细分割”的两阶段单木分割方法；随后采用顺序迁移学习，将单木分割任务中学习到的树冠边界、纹理、空间结构语义特征迁移至树高预测任务和森林类型识别任务，实现单木位置、冠幅、树高和森林类型的协同提取。

研究结果表明，两阶段方法有效降低了树冠遮挡和粘连造成的欠分割问题。与单独使用深度学习模型相比，单木漏分率由9.12％降至4.67％，F1值由0.9298提高至0.9537；冠幅估算的均方根误差为0.4307米。顺序迁移学习显著提升了单木属性预测能力，树高预测的均方根误差由7.1504　m降低至3.4825　m，森林类型分类总体精度由81.68％提高至92.51％。研究最终在试验区识别出290192株单木，形成了包含单木位置、冠幅、树高和森林类型的一体化空间数据。研究成果可为山地森林三维真实场景构建和数字孪生提供基础，并服务于森林资源调查、碳储量评估、生物多样性监测及野生动物栖息地研究。

该研究得到国家自然科学基金（U23A2019，42271398，W2412146）、国家重点研发计划（2020YFA0608702］）和四川省科技计划（2026NSFSC0213）等项目资助。研究成果以“A　multi－task　collaborative　method　for　individual　tree　segmentation　and　multi－dimensional　attribute　extraction　in　mountainous　areas　using　deep　learning　technologies”为题，发表于该领域TOP期刊International　Journal　of　Applied　Earth　Observation　and　Geoinformation上。成都山地所雷光斌副研究员和李爱农研究员为论文共同第一作者。

链接

基于深度学习的山地森林单木识别与多维属性协同提取方法流程

两阶段单木分割方法逻辑架构

王朗典型实验区单木分割结果

王朗典型实验区单木树高预测结果

王朗典型实验区单木树种类型分类结果

来源：数字山地研究中心

审核：刘丽君