为探索采用无人机（UAV）遥感影像进行亚热带树种识别的应用潜力，提出一种结合残差模块和有效通道注意力的网络（ECA-ResNet）对单木树冠影像数据集进行模型训练和识别。首先，利用单木分割算法提取单木树冠，构建不同尺度的UAV可见光影像单株树冠影像块样本数据集，并将其划分为训练数据、验证数据和独立测试集；其次，以ResNet50为主干网络，在瓶颈层插入有效通道注意力并调整网络结构，构建ECA-ResNet；最后，将数据集载入预训练的ECA-ResNet模型，进行参数迭代训练和验证并进行独立测试，择优确定单木树冠的合适窗口大小。结果表明：ECA-ResNet对64×64像素的单木树冠影像数据集中树种的识别效果更为理想，训练精度和验证精度分别达98.98%和96.60%，独立测试识别精度、Kappa系数分别达85.61%、0.8140；ECA-ResNet模型的训练、验证、独立测试精度分别高于ResNet50网络2.63个百分点、1.80个百分点、5.31个百分点。该研究结果证明卷积神经网络（CNN）能够充分提取可见光图像的空间特征，有效通道注意力能够有效提升CNN的单木树种识别能力。

从高分辨率遥感影像中提取单木树冠信息能够有效提高森林资源的调查与管理水平;针对现有单木树冠提取方法对郁闭度较高的阔叶林提取精度低的问题,提出一种基于迭代H-minima改进分水岭算法的高分辨率遥感影像单木树冠提取方法;首先利用形态学开操作对图像进行平滑处理,采用Sobel算子提取梯度图像,并利用均值滤波进行去噪处理;然后利用一组h值在梯度图像上迭代识别树冠标记,利用虚假标记检测方法过滤无效标记;最后引入对称原则来限制分水岭算法的淹没过程,避免树冠标记过生长与无标记树冠合并;以高分辨率遥感影像作为数据源,同时采用传统的标记控制分水岭算法和所算法提取单木树冠,从单木位置和树冠轮廓两个方面,以及样地和单木两个尺度上对单木树冠提取的精度进行评价。结果表明:所提算法提取树冠的F测度为92.71%,比标记控制分水岭算法提高了31.99%;所提算法能够有效抑制过分割、减少欠分割,从而提高单木树冠的提取精度。

树冠投影面积和树冠体积是研究单木生物量估测、 三维绿量测算等的重要测量因子。 针对树冠结构复杂、 形态各异， 树冠因子难以精确测量等问题， 为实现单木树冠投影面积和树冠体积的自动提取和精准测量， 以三维激光扫描获取的树木点云数据为数据源， 运用平面散乱点集凸包算法——Graham扫描算法和不规则体切片分割累加算法， 以VC++6.0和Matlab 7.0混合编程， 实现树冠投影面积和树冠体积的自动提取。 以实验区选取具有代表性的22株不同树种的样木为研究对象， 并与传统人工测量方法进行了对比分析。 试验结果表明， 树冠投影面积人工测量（A4）结果与点云数据的自动计算（AV）结果相关性较好， r=0.964（p<0.01）， A4高于AV的平均值为25.5%。 近似规则几何体方法树冠体积测量（VC）结果与基于点云数据的自动计算（VVC）结果之间呈现较强的相关性， r=0.960（p<0.001）， VC低于VVC的平均值为8.03%。 该方法基于高精度单木点云数据， 实现了树冠结构的高精度快速重构、 单木树冠投影面积和树冠体积的无损自动提取， 可以为单木树冠结构的研究提供参考， 在精准林业领域具有推广应用价值。

分割算法的改进和特征空间的优化是采用面向对象技术提高退耕地树冠信息提取精度的关键, 也是利用高分辨率影像提取树冠信息急需解决的问题。 文章采用光谱阈值对QuickBird多光谱影像进行一级分割, 获得了植被区域, 并采用改进的基于边缘的算法对非线性滤波处理后的全色影像进行二级分割, 选取光谱、 形状和纹理特征组成的特征空间对退耕还林地树冠信息进行提取。 结果表明, 提取总体精度为84.67%, 较传统方法提高17%, KAPPA系数为0.795 3, 较传统方法提高0.168。 该研究方法能实现较为精确的树冠信息提取, 可为管理部门实施准确的监测提供依据, 对快速评价退耕还林效果具有重要意义。