树木是全球生态系统和经济社会活动的重要组成部分。基于高分辨率遥感影像的大规模、准确的树木识别对我们理解全球尺度的生态学至关重要。尽管在深度学习算法的加持下，树冠识别的准确率有了很大提升，但是实现大尺度、精细化的树冠识别研究仍面临诸多挑战。首先，现有的方法鲜有针对树冠在遥感影像上密集排列且尺寸较小的特点进行算法的设计。其次，目前缺乏对树木精细生长状况的识别工作，并且面临样本不平衡、分类准确率低等问题。此外，在大尺度树冠识别研究中，由于遥感影像多源复杂且标注成本较高，大规模的树冠标注不切实际。针对上述挑战，本研究以深度学习为主要方法，从树冠识别的“高精度”、“精细化”和“低成本”三个层面展开研究，从而支撑大尺度、精细化的树冠识别。
第一，我们以太平洋环礁椰子树识别为例，针对树冠在遥感影像上的特点设计了一套“高精度”的树冠识别方法。首先，该方法设计了基于树冠形态大小的区域候选框生成方式；其次，通过融合不同特征尺度的信息，该方法有效增强了提取小尺寸树冠的能力。该方法在阿克翁环礁群的椰子树识别上实现了 86.46% 的平均F1 分数，相比于其他方法有 4∼12% 的提升。基于树冠识别的结果，我们还对该地的生物多样性和生态环境进行了详细的分析。
第二，我们以印度尼西亚的油棕榈树种植园为例，将油棕榈树划分为精细的五个类别，分别是健康的、死亡的、管理不当的、未成熟的和带黄叶的油棕榈树，并且提出了“精细化”的树木生长状况识别算法。该方法能有效提升样本数量严重缺少的类别在训练中的权重，从而缓解样本不平衡的问题。相比其他方法，该方法在树木生长状况识别上高出 8∼20%。基于以上结果，我们还提出了补种区域识别框架，有效帮助种植园的智能化管理和提升经济效益。
第三，我们以马来半岛的跨区域油棕榈树识别为例，提出了一个“低成本”的跨区域树冠的识别方法。借助基于对抗学习思想的多注意力机制，该方法能够度量不同遥感影像之间的迁移能力。同时，该方法提升了困难样本的置信度。该方法相比其他迁移学习方法有 3∼14% 提升，并且在部分任务下接近模型上限。因此，该方法为实现大尺度、多源遥感影像下的树冠识别提供了可迁移、高鲁棒的算法。
因此，本研究针对大尺度精细树冠识别需求，通过提出新的深度学习网络结构，完成小目标识别、样本平衡和迁移学习，实现高效、准确的树冠识别。

树木识别,深度学习,人工智能