生物多样性研究新方法新技术 | 基于深度学习语义分割模型的草地植被盖度估算对比研究

点击蓝字，关注我们

基于深度学习语义分割模型的草地植被盖度估算对比研究

王永财^{1, 2},万华伟¹,高吉喜¹,孙海鹏³,胡卓玮²,张志如¹

1. 生态环境部卫星环境应用中心，北京　100094
2. 首都师范大学资源环境与旅游学院，北京　100048
3. 内蒙古自治区环境监测总站锡林郭勒分站，内蒙古锡林浩特　026000

摘要

草地植被盖度是评估草地生态系统健康和管理效果的重要指标。草地植被盖度常用经验目测或传统图像分类方法获得，存在植被盖度估算主观性较强、精度不够、模型泛化能力不足等问题。

本研究利用深度学习语义分割模型对草地植被图像进行分割，并基于分割结果估算草地植被盖度，在像素尺度比较3种深度学习语义分割模型(Unet++、DeepLabv3+、Segformer)和Canopeo模型以及经典机器学习模型随机森林(Random Forest)在草地植被分割任务上的性能，结果表明：①Unet++模型分割性能最优，其平均交并比(MIoU)达0.79，F1分数(F1-score)达0.87，明显优于其他模型；相比之下Random Forest模型的表现较差，其MIoU为0.47，F1-score为0.55。②在图像尺度草地植被盖度估算中，Unet++、DeepLabv3+和Segformer模型估算的草地植被盖度均与实测草地植被盖度较为一致，估算精度明显高于Canopeo模型和Random Forest模型，深度学习语义分割模型中Unet++模型估算的草地植被盖度精度最高，决定系数(R²)达0.98，均方根误差(RMSE)低于3.8%，说明深度学习语义分割模型能够较为准确地估算草地植被盖度。③由于Unet++模型具有比其他模型更优的草地植被分割性能，因此将Unet++模型作为最终的草地植被盖度估算模型，并应用于荒漠草原、典型草原和草甸草原3个实验样地，模型可快速准确地获取样地的草地植被盖度。

研究显示，Unet++等深度学习语义分割模型在草地植被盖度估算中表现出较高的准确性和适用性，能为草地植被盖度估算提供高效可靠的工具。