农业机械学报

作者：孙钊，谢运鸿，丁志丹，李睿，谭军，袁新

单位：中国地质调查局军民融合地质调查中心,北京林业大学,北京林业大学,北京林业大学,中国地质调查局军民融合地质调查中心,中国地质调查局军民融合地质调查中心,

关键词：森林特征参数;深度学习;SfM算法;多视角立体视觉技术;SHAP可解释性分析

基金：中国地质调查局地质调查项目（DD20243093）

森林特征参数是评估森林生态系统生长状况的关键指标，为高效、精确地估测森林特征参数，本研究探索结合无人机技术和DNN（Deep neural network）模型的森林特征参数的估测方法，并通过SHAP（Shapley additive explanations）方法提高模型预测的可解释性。使用无人机高分辨率影像作为数据源，利用DNN对平均胸径（Average diameter at breast height，AD）、林分胸高断面积（Area of forest stand at breast height，BA）、Lorey’s树高（Lorey’s tree heights，HL）、样地地上生物量（Above-ground biomass of sample plots，AGB））等森林特征参数进行估测。设计了多层次的DNN模型处理和分析影像数据，预测森林特征参数。同时，采用SHAP方法对DNN模型的预测结果进行可解释性分析，以理解每个特征在模型预测中的作用。深度学习DNN模型可以利用DAP（Digital aerial photograph）数据中获取的二维光谱特征和三维点云特征进行森林特征参数的估测模型构建。BA和AGB参数的估测模型性能从大到小为DOM+DAP点云、DOM（Digital orthophoto mosaic）、DAP点云，BA和AGB最优模型的R2平均值分别为0.7438、0.7762，而AD和HL的参数估测模型性能从大到小排序为DOM+DAP点云、DAP点云、DOM，AD和HL最优模型的R2平均值分别为0.6133、0.7276。SHAP值反映了每个特征变量对预测结果的贡献，树高变异系数在各模型中均占据了较为重要的位置，点云高度变量对特征参数具有更高的解释能力。DNN模型具有较高的估测精度，而SHAP方法提升了模型预测结果的解释性，同时强调了点云变量在整体预测模型中的重要性。这表明现代遥感技术与先进的机器学习方法相结合，可为利用无人机数字航空摄影技术进行森林资源调查监测提供必要的技术支持。

来源：2025年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第11期