无人机高分辨率多树种单木分割数据集 | 单木分割 无人机林业 树种识别 实例分割 点云 遥感数据集 深度学习 精准林业9047期
数据集概述
本数据集专注于无人机高分辨率遥感影像下的单木树冠分割与树种分类，服务于精准林业、生态监测及碳汇估算。数据融合正射影像、点云与矢量标注，适配实例分割、树种识别及森林参数提取等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 树种数量 | 14 类（详见完整类别列表） |
| 标注树冠 | 23000 个 |
| 数据构成 | 正射镶嵌tif影像、点云、ArcGIS标注矢量数据（shp格式，含树种属性）、附赠数据处理脚本与分割训练代码 |
| 采集设备 | DJI Phantom 4 RTK无人机（厘米级定位精度） |
| 数据规模 | 149 GB |
| 应用价值 | 1. 森林资源调查 ：支撑单木位置、冠幅、树高等参数的自动化提取，替代传统人工测量。 2. 树种分布制图 ：通过14类树种标注，分析森林群落结构与物种多样性。 3. 碳汇估算：结合树冠面积与树高信息，为生物量模型提供更精确的输入参数。 |
完整类别列表（共14类）
| 序号 | 物种代码 | 树种名称 | 科属 | 标注数量 |
|---|---|---|---|---|
| 1 | ABBA | 香脂冷杉 | 杉科 | 2895 |
| 2 | ACPE | 条纹枫 | 无患子科 | 751 |
| 3 | ACRU | 红枫 | 无患子科 | 5857 |
| 4 | ACSA | 糖枫 | 无患子科 | 1014 |
| 5 | BEAL | 黄桦 | 桦科 | 290 |
| 6 | BEPA | 纸桦 | 桦科 | 5894 |
| 7 | FAGR | 深座山毛榉/美洲山毛榉 | 壳斗科 | 222 |
| 8 | LALA | 落叶松 | 杉科 | 185 |
| 9 | Picea | 云杉（属级） | 杉科 | 1022 |
| 10 | PIST | 白松（美国白松/北美乔松） | 松科 | 569 |
| 11 | Populus | 白杨（属级） | 杨柳科 | 1114 |
| 12 | THOC | 东部白杉 | 柏科 | 1510 |
| 13 | TSCA | 东部红杉（加拿大铁杉） | 松科 | 59 |
| 14 | --- | （未命名类别） | --- | --- |
注：表中标注数量为各树种在数据集中的标注树冠数量，合计约 23000 个。
数据三要素解析
树种与标注规模
- 数据集覆盖 14 个树种（含属级类别，如 Picea、Populus），涵盖北方森林典型针叶与阔叶树种。
- 标注树冠总数约 23000 个，其中 红枫（ACRU） 与 纸桦（BEPA） 为主要优势种，标注数量较多；东部红杉（TSCA） 仅 59 个，属于稀有类别。
数据模态与格式
- 正射镶嵌影像（tif）：高分辨率RGB影像，经几何校正，可直接用于像素级分割与目标检测任务。
- 点云数据：反映树木三维结构，可提取树高、冠层垂直分布等参数。
- 矢量标注（shp）：通过ArcGIS精细标注每株树木的树冠边界，属性表中标明树木类型，是监督学习的核心标签。
- 附赠资源 ：提供原始遥感数据处理成深度学习训练格式的脚本，以及基于UNet等模型的分割训练代码（目前实现单木不区分类别的分割）。
应用与扩展
- 林分参数提取：结合点云与分割结果，可估算单木胸径、树高、冠幅，支撑森林蓄积量评估。
- 树种多样性监测：14类树种的分布数据可服务于生物多样性保护与外来物种入侵监测。
- 生态建模 ：多模态数据可融合用于碳循环、水文模型等大尺度生态过程研究。
知识普及：无人机单木分割的林业应用价值
传统森林调查依赖地面样地实测，耗时费力且难以覆盖大范围。基于无人机遥感与深度学习的单木分割技术，可实现 非接触、高效率、高精度 的林木普查。其核心流程包括：
- 数据采集：无人机搭载RTK模块获取高精度定位影像与点云。
- 数据处理：生成正射影像、冠层高度模型等衍生数据。
- 模型训练：使用标注的树冠边界训练实例分割网络（如Mask R-CNN、YOLOv8-seg），实现自动化树冠提取。
- 参数反演 ：基于分割结果与点云数据，提取单木尺度结构参数。
该技术已在东北红松林等场景中得到应用验证，其冠幅预测决定系数（R²）可达0.89。
快速开始（代码示例）
基于附赠的UNet示例代码，加载数据集进行分割训练：
python
import os
import cv2
import numpy as np
from unet import UNet # 假设附赠代码中定义了UNet模型
# 加载tif正射影像与对应的shp标注（需转换为栅格掩膜）
image_path = 'path/to/orthomosaic.tif'
mask_path = 'path/to/tree_mask.png' # 由shp转换的分割标签
# 实例化模型并训练
model = UNet(in_channels=3, out_channels=2) # 二分类：树冠/背景
model.train(epochs=50, batch_size=8)注：实际使用中需根据附赠脚本处理原始数据，并调整模型参数以适应具体树种与场景。
标签
单木分割 无人机林业 树种识别 实例分割 点云 遥感数据集 深度学习 精准林业