基于无人机遥感和深度学习的布氏田鼠洞群识别.pdf

基于无人机遥感和深度学习的布氏田鼠洞群识别堂格斯1，2，包玉龙1，2，孙长青1，2，特日格乐1，2，包玉海1，2，图布新巴雅尔1，2，金额尔德木吐1，2（1.内蒙古师范大学 地理科学学院，内蒙古 呼和浩特 010022；2.内蒙古自治区遥感与地理信息系统重点实验室，内蒙古 呼和浩特 010022）摘要 草原鼠害是典型的次生灾害，是草原退化引起的一种生物灾害，发生后不仅加剧草原退化程度，也会引起鼠疫等极度危险的传染病。因此，精确、及时监测鼠害状态对防治鼠害、草原退化工作具有重要实际意义。以内蒙古呼伦贝尔和锡林郭勒草原区发生的布氏田鼠灾害区为例，通过野外实地调查，采集了5个不同生境区无人机正射影像，分析每个区域布氏田鼠洞群结构和影像特征，并采集和建立样本库，分别构建深度学习（SSD、RetinaNet、YOLOv3和Faster R-CNN）识别模型，进行了布氏田鼠洞群识别。结果表明：FasterR-CNN模型在准确率上表现出更高的可靠性，其mAP达到了84.4%；SSD模型效果最弱，mAP只有45.4%，但在检测速度上较快。因此，可采用Faster R-CNN模型作为布氏田鼠洞群识别模型的核心算法。关键词 无人机遥感；布氏田鼠；深度学习；洞群识别中图分类号 S443；V279文献标志码 A文章编号 1671-0185（2023）05-0448-10UAV-based Remote Sensing and Deep Learning for theIdentification of Burr s Vole Hole ClustersTanggesi1，2，BAO Yulong1，2，SUN Changqing1，2，Terigele1，2，BAO Yuhai1，2，Tubuxinbayaer1，2，JIN Eerdemutu1，2（1.College of Geographical Sciences，Inner Mongolia Normal University，Hohhot 010022，China；2.Inner MongoliaKey Laboratory of Remote Sensing and Geography Information System，Hohhot 010022，China）Abstract：Grassland rodent damage is a typical secondary disaster and a biological disaster caused by grasslanddegradation.This disaster often aggravates grassland degradation and also causes extremely dangerous infectiousdiseases such as pestis.The breeding speed of mouse pests is fast，and the expansion of affected areas is alsovery rapid.Therefore，accurate and timely monitoring of mouse damage status is of important practical signifi-cance for the premise and basic work of preventing and controlling mouse damage and grassland degradation.Inthis paper，taking the outbreak of Brandt s vole disaster areas in Hulunbuir and Xilingol grasslands in Inner Mon-golia as an example，drone orthophoto images from five different habitat areas were collected through field investi-gations，the image characteristics of burrow groups of Brandt s voles in each area were analyzed，and in-depthlearning（SSD，RetinaNet，YOLOv3，and Faster R-CNN）recognition models were constructed to identify the bur-row groups of Brandt s voles.The results showed that the Faster R-CNN model shows higher reliability in accu-racy，with its mAP reaching 84.4%.The SSD model had the weakest effect，with only 45.4%of mAP，but it isfaster in detection speed.Therefore，the Faster R-CNN model can be adopted as the core algorithm for identifying基金项目：内蒙古自治区科技重大专项课题（2021ZD004503）；内蒙古自治区自然科学基金项目（2021MS04016）；内蒙古自治区重点研发与成果转化计划项目（2022YFSH0070）；内蒙古师范大学基本科研业务费专项资金资助项目（2022JBTD011）作者简介：堂格斯，内蒙古师范大学地理科学学院硕士研究生。通讯作者：包玉龙，内蒙古师范大学地理科学学院副教授，博士，硕士研究生导师。DOI：10.14045/ki.15-1220.2023.05.012第38卷第5期内蒙古民族大学学报（自然科学版）Vol.38No.52023年09月Journal of Inner Mongolia Minzu UniversitySept.2023the burrow group of Brandt s voles.Key words：UAV remote sensing；Brandt s voles；Deep learning；Hole group recognition草原作为我国最主要的陆地生态系统，是“大力推进生态文明建设”战略决策中的主要阵地，约占国土面积的41.7%1。作为最重要的自然资源之一，草原不仅对牲畜供食牧草，还在整个生态系统的碳氧循环、空气净化、水资源涵养和保护生物多样性等多种生态服务功能中发挥着重要作用2。内蒙古草原面积为8 800万hm2，占全区土地面积的73.4，是我国畜牧业发展的重要物质基础3。近几十年，在内蒙古接连发生草原鼠害，其中，如布氏田鼠（Lasiopodomys brandtii）、长爪沙鼠（Meriones unguiculatus）、达乌尔鼠兔（Daurian pika）、大沙鼠（Rhombomys opimus）、狭颅田鼠（Microtus gregalis）、蒙古兔尾鼠（Lagurus przewalskii）等为鼠害主要种类4，在内蒙古锡林郭勒和呼伦贝尔东部等典型草原上，主要以布氏田鼠为优势种群5-6，它们不仅啃食牧草，导致草场载畜量下降，而且挖掘洞穴、掘土造丘等行为使土壤母质和有机物直接遭受风蚀或水蚀后形成次生裸地，从而使草原生态系统的抵抗力和恢复力下降，最终造成草原地区进一步退化4，7-8。据内蒙古自治区林业和草原局统计，截至2021年8月，全区草原鼠害危害面积约达494万hm2，这严重威胁着北方地区人民的生命财产和生态系统安全9。因此，高效、精准、实时地监测草原鼠害迫在眉睫。传统的鼠洞调查法（夹日法、定点观测和标志重捕法等）不仅费事耗力，而且难以胜任大面积草原的实时动态监测10。遥感技术能够动态、高效和精准地识别鼠洞，目前已取得一定成果11-13。上述研究虽然体现了遥感对鼠害监测的实时性，但在影像解译上仍使用目视解译和传统机器学习法（最大似然法、面向对象分类法）。目视解译法不仅受主观影响，而且费时费力，对研究者的专业技术需求较高；传统机器学习法在效率和时效性方面虽有一定的提升，但其准确率仍需提高。深度学习法在遥感影像的地物识别和提取上取得了不错的成绩14。将无人机（Unmanned Aerial Ve-hicle，UAV）影像和深度学习法相结合，运用于布氏田鼠鼠害的监测与防治是可行的。王小燕等15运用YOLOv3、RetinaNet和Faster R-CNN等模型对垃圾进行分类。王涛等16利用SSD、YOLOv3等模型对4种阔叶材材种进行辨别，2种模型的mAP（mean average precision）均达到90%以上。崔博超等17利用UAV影像和YOLOv3模型对新疆大沙鼠鼠洞进行识别，其mAP达到92.37%。上述研究均体现出深度学习法在影像上精确识别的优势。将机器视觉的精准、自动化等特点与UAV影像的空间分辨率高等优点相结合，并运用于草原鼠害研究，不失为一种新方向。笔者以内蒙古呼伦贝尔和锡林郭勒典型草原区鼠害优势种布氏田鼠为研究对象，采用UAV的RGB影像数据与深度学习法的SSD、RetinaNet、YOLOv3和Faster R-CNN等4种模型，根据布氏田鼠洞群周围植被特征进行检测识别，为内蒙古呼伦贝尔和锡林郭勒典型草原布氏田鼠洞群识别和鼠害防治提供一定的科学数据支撑。1数据源与方法1.1研究区概况研究区以布氏田鼠鼠害较为严重的内蒙古呼伦贝尔市新巴尔虎左旗（117 33 120 12 E，47 10 49 47 N）、新巴尔虎右旗（115 31 117 43 E，47 36 49 50 N）和锡林郭勒盟的东乌珠穆沁旗（115 10 120 07 E，44 41 46 10 N）等为研究区域。呼伦贝尔草原位于内蒙古自治区东北部，属中温带大陆性草原气候，冬季寒冷、夏季凉爽，大兴安岭山脊和两麓气候差异明显，其特点是冬季寒冷漫长，夏季温凉短促，春季干燥风大，秋季气温骤降、霜冻早，年平均气温为-52；降水期集中于78月的植物生长旺期，且雨热同期；地势东高西低、南部高于北部，微有波状起伏。东乌珠穆沁旗居于内蒙古自治区锡林郭勒盟东北部，属北温带大陆性气候，年平均气温为1.6，平均年生长期（日均5 以上）为95 d，无霜期为120 d。内蒙古自治区草原上共栖息着 50 多种鼠类，其中包括布氏田鼠、长爪沙鼠等，大量害鼠不仅啃食刚返青的牧草，还阻碍牧草正常生长，极大地减少了草场生物单产，与牲畜形成争草之势18。本研究于2021年10月38日进行野外调查，并采集了调查地无人机影像，采用无人机飞行试验和第5期堂格斯等：基于无人机遥感和深度学习的布氏田鼠洞群识别449内蒙古民族大学学报2023年实地地面调查法进行了数据采集。从研究区中根据鼠害严重程度分别选择了轻、中和重度等共5个调查区，即新巴尔虎右旗多根葱草原中度成害区（以下简称A区）、新巴尔虎右旗裸土地重度成害区（以下简称B区）、新巴尔虎左旗阿木古楞镇西边常年放牧区中度成害区（以下简称C区）、新巴尔虎左旗围封网围栏里轻度成害区（以下简称D区）和东乌珠穆沁旗乌里雅苏台镇北侧重度成害区（以下简称E区）。1.2数据采集与处理使用大疆精灵4RTK无人机获取试验区影像，其最大起飞海拔高度6 000 m，最大上升速度6 m s-1（自动飞行）、5 m s-1（手动操控），最大下降速度3 m s-1，最大水平飞行速度50 km h-1（定位模式）、58 km h-1（姿态模式），最大可倾斜角度25（定位模式）、35（姿态模式），最大旋转角速度150 s-1（姿态模式），飞行时间约30 min，工作环境温度040。搭载高清航测相机和厘米级定位精度的GNSS（Global NavigationSatellite System）定位系统，提供精准航测影像输出，支持多种任务场景下的作业与后处理需求。大疆精灵4RTK无人机的相机针对航空摄影任务进行了深度优化，采用等效于25.4 mm对角线长度的大幅面传感器，影像分辨率2 000万像素（5 4723 648），搭配8.8 mm定焦镜头（等效焦距24 mm），通过全局机械快门曝光模式降低飞机高速运动引起的果冻效应。以不同试验区布氏田鼠的洞群作为识别对象，在5个试验区分别采集数据。使用千寻网络RTK进行精确定位，获取厘米级无人机影像数据；无人机航线设计时，航向重叠率设置为70%，旁向重叠率设置为80%，飞行高度和影像分辨率见表1。采集时间范围为10：0014：00，应用pix4d软件进行无人机数据拼接处理，最终获得试验区的5个影像数据。表1飞行高度和影像分辨率Tab.1 Table of flight altitude and image resolution编号ABCDE试验区新巴尔虎右旗多根葱草原中度成害区新巴尔虎右旗裸土地重度成害区新巴尔虎左旗阿木古楞镇西边常年放牧区中度成害区新巴尔虎左旗围封网围栏里轻度成害区东乌珠穆沁旗乌里雅苏台镇北侧重度成害区飞行高度/m10050755075影像分辨率/cm312121.3研究方法深度学习近年来基于其强大的特征学习能力，被广泛应用于图像处理和目标检测。目前，基于深度学习的目标检测方法可以分为2大类，其中，两阶段方法是通过提取候选区域并进行深度学习来实现检测和分类，此方法通常比其他方法具有更高的准确率19。高精度无人机不仅有快速、低成本的特点，还具有获取高分辨率图像及农情信息的特点，尤其适合复杂农田环境的信息采集作业20。现阶段，学者多基于深度学习利用高精度无人机影像对农作物进行分类或识别21。因此，本试验也使用深度学习，从高精度无人机影像上识别布氏田鼠洞群。2结果与分析2.1布氏田鼠洞群特征分析2.1.1布氏田鼠洞群结构地面特征分析布氏田鼠洞群由十几个向心的洞口组成，洞口由明显的鼠道连接在一起，洞口有布氏田鼠掘洞时抛出的土所形成的土丘，其特征为自洞群区中心向外土壤硬度逐渐增大，湿度降低，植被平均覆盖度、高度和植物种类明显增加（图1）。在实地考察中，通过挖掘布氏田鼠洞口土丘发现，洞口处并无任何植被生长；但在洞穴和土丘废弃23年时，土丘上长满了猪图1布氏田鼠洞群组成结构示意图Fig.1 Brandt s vole composition sketchof structure of the hole450毛菜（Salsola collina）、黄蒿（Artemisia annua）等一年生先锋植物，时间相对较长的洞群旁土丘上生长了狭叶青蒿（Artemisia dacunculus L.）；时间较长的洞群土丘上已经长出狭叶锦鸡儿（Caragana stenophylla Po-jark）等木本植物。植被高度比周围羊草（Leymus chinensis）、冷蒿（Artemisia frigida）、针茅（Stipa capilla-ta）、糙隐子草（Cleistogenes squarrosa）等高。其不同生境区的不同鼠害受灾特征如下：A区是一个多根葱草原，布氏田鼠洞群土丘上长满了灌木，显绿色，周围植被以多根葱为主，显黄色，比周围的植被高度要高；B区是一个居民点附近严重退化的草原，布氏田鼠洞群土丘上无任何植被，土丘为深灰色，周围也无任何植被覆盖，显浅灰色；C区中度成害区是一个公路两侧的草原，布氏田鼠洞群土丘上无任何植被，土丘为黑灰色，周围植被以多根葱、羊草、冷蒿为主，显绿色；D区是一个围封的沙化草原，布氏田鼠洞群土丘上长满了猪毛菜，由于猪毛菜已枯萎，显棕色，周围植被以羊草、针茅和糙隐子草为主，显黄色，比周围的植被高度要高；E区是一个居民点附近的草原，布氏田鼠洞群土丘上无任何植被，土丘为红棕色，周围植被以针茅和羊草为主，显黄色（图2）。A-新巴尔虎右旗多根葱草原中度成害区，B-新巴尔虎右旗裸土地重度成害区，C-新巴尔虎左旗阿木古楞镇西边常年放牧区中度成害区，D-新巴尔虎左旗围封网围栏里轻度成害区，E-东乌珠穆沁旗乌里雅苏台镇北侧重度成害区。下同。图2布氏田鼠洞群地面特征Fig.2 Map of the ground characteristics of the Brandt s voles burrow group2.1.2无人机影像上的布氏田鼠洞群特征分析A区：布氏田鼠洞群周围土丘上长满了灌木，UAV影像上显绿白色斑斓；周围植被以多根葱（Alliumpolyrhizum Turcz.ex Regel）为主，显黄色；形状为椭圆、圆和不规则状。B区：布氏田鼠洞群土丘上无任何植被，UAV影像上土丘显深灰色；周围无任何植被覆盖，显浅灰色；形状为椭圆和不规则状。C区：布氏田鼠洞群土丘上无任何植被，遥感影像上土丘为黑灰色；周围植被以多根葱、羊草、冷蒿为主，显绿色；形状为椭圆、圆和不规则状。D区：布氏田鼠洞群土丘上长满了猪毛菜，由于猪毛菜已枯萎，故在UAV影像上显棕色；周围植被以羊草、针茅和糙隐子草为主，显黄色；形状为椭圆、圆和不规则状。E区：布氏田鼠洞群土丘上无任何植被，土丘在UAV影像上显红棕色；周围植被以针茅和羊草为主，显黄色；形状为花瓣状和不规则状。见图3。图3布氏田鼠洞群遥感影像特征Fig.3 Remote sensing image feature map of Brandts voles cave group第5期堂格斯等：基于无人机遥感和深度学习的布氏田鼠洞群识别451内蒙古民族大学学报2023年根据UAV影像上的这些不同特征，建立一个较全面的样本库，使用深度学习目标方法识别布氏田鼠洞群。2.2布氏田鼠洞群识别2.2.1构建布氏田鼠洞群识别模型（1）SSD检测模型SSD（Single Shot MultiBox Detector）是一种onestage方法22，SSD模型是指在不同深度的特征图上均匀地进行密集抽样，且抽样时需采用不重复的尺度和长宽比，不同尺度的特征图需要进行预测和端到端的训练，最后直接回归目标类别和位置。SSD是一个单一卷积神经网络形式的对象检测器，其体系结构与提取的特征映射和生成的边界框一起工作，这些边界框称为默认边界框。该网络在每次迭代中使用不同的过滤器将默认边界框和预测类的偏移量与训练样本的地面真实值进行比较，从而简单地执行损失计算，然后利用反向传播算法根据计算出的损耗值更新所有参数。在这种方法中，它尝试学习能够检测到目标特征的最佳滤波器结构，并对训练样本进行泛化以降低损失值，从而在评估阶段获得较高精度23。其最大优势是速度快，整个过程只需要一步。因此，本研究中使用该模型对布氏田鼠的洞群进行目标检测，并与其他单阶（RetinaNet，YOLOv3）和两阶目标检测器（Faster R-CNN）进行比较研究，其识别精度的AP值部分展示见图4。（2）RetinaNet检测模型RetinaNet是LIN等24提出的单阶目标检测网络。RetinaNet模型结构主要由3个部分组成，即残差网络（ResNet）为其主干特征提取网络，特征金字塔网络（Feature Pyramid Network，FPN）为其颈部特征融合网络，最后由 2 个全卷积子网络（Fully Convolutional Network，FCN）分别实现分类和回归任务25。RetinaNet使用焦点损失（Focal loss）作为其损失函数，该算法能有效减少易分类样本的权重，增加难分类样本的权重，解决目标检测任务中正负样本不平衡导致的网络朝着非理想方向优化的问题。RetinaNet模型作为单阶检测模型，在目标检测精度和速率上实现了较高的平衡。因此，本研究中也采用了该模型，其识别精度的AP值部分展示见图5。6050403020100损失012345678处理批次/万次训练验证主干网络：resnet34学习率：slice（2.0893e-04，2.0893e-03，None）平均精度：Mousehole group：0.669117333883593812108642000.51.01.52.02.53.03.5处理批次/万次主干网络：resnet101学习率：slice（3.3113e-0.5，3.3113e-04，None）平均精度：Mousehole group：0.7224837489992328训练验证损失图4SSD模型在A区的AP值图5RetinaNet模型在A区的AP值Fig.4 The AP value of the SSD model in AFig.5 The AP value of the RetinaNet model in A（3）YOLOv3检测模型YOLO（You Only Look Once）v126是一个使检测任务表述统一、端到端的回归问题，最终在高维特征图上对目标检测和分类的全连接层。但神经网络粗糙、对小目标检测有限制的问题也随之产生。YOLOv2的出现提高了 YOLOv1 的目标精准性和检测速度，而随着计算机技术的提高，学者在继承 YOLOv1 和YOLOv2的优点后，使其可进行多目标检测，方便应用于不同尺度大小的目标检测。YOLOv327修改了主干网络，引入残差结构进行特征提取，使用卷积层替代最大的池化层达到了检测效果优化的目的23。该检测模型通过主干网络中提取3个不同尺度大小的特征图，将采样和特征拼接使高维特征图信息与低维452特征图信息相融合，完成低维特征图可以进行高精度预测的同时，结合高维特征图中的语义信息，最终对特征图进行多尺度检测，从而能够完成模型提升对小目标的检测效果。YOLOv3使用了Darknet的一个变体，该变体具有53个使用ImageNet分类数据集训练的层。对于对象检测任务，增加了53层，并使用Pascal VOC数据集训练了改进的架构。通过这种结构设计，YOLOv3的性能优于大多数检测算法。在残余连接和上采样的帮助下，该架构可以在结构特定层的3个不同尺度（1313、2626、5252）上执行检测28。相比于YOLOv1、YOLOv2系列模型，YOLOv3采用端到端的方式，直接使用单个网络对整张图像进行目标检测，从而实现方法的实时性29-33。YOLOv3应用广泛，涉及农业、生物、医学和勘测等诸多方面，也有效结合其他有效模型，扬长避短，精准完成小目标检测记忆所需图像网络的细化。因此，本研究中采用了该模型，其识别精度的AP值部分展示见图6。（4）Faster R-CNN检测模型Faster R-CNN是Ross Girshick在2015年提出的一个很经典的检测网络结构，Faster R-CNN34算法综合了R-CNN35和Fast R-CNN36出现的新型算法，该网络整合了特征抽取（Feature Extraction）、区域建议、边界框回归（bounding box regression）和分类37，其中，算法核心是用RPN（Region Proposal Network）全卷积网络代替分割算法生成候选框，迅速生成检测框。RPN利用CNN卷积神经网络直接产生候选区域，在锚框（anchor box）机制和边框回归作用下能够得到多长宽比、多尺度的候选区域38，同时，PRN网络可以针对生成检测建议框的任务实现端到端的训练，预测目标物体的边界和分数，主要用于提取高质量建议区域的特征并对建议区域进行分类操作。Faster R-CNN网络在数据标注过程中，不仅标注类别，还标注矩形框（正、负样本）内的目标物体，该网络在进行训练时不仅可以识别目标物体，还能够得到目标在图像中所处的位置和大小39，是两阶目标检测器的代表网络模型。因此，本研究中采用了该模型，其识别精度的AP值部分展示见图7。4 0003 0002 0001 0000损失主干网络：DarkNet53学习率：slice（1.4454e-04，1.4454e-03，None）平均精度：Mousehole group：0.6447730997405854训练验证处理批次/万次012345678012345678处理批次/万次76543210损失训练验证主干网络：resnet101学习率：slice（1.3183e-05，1.3183e-04，None）平均精度：Mousehole group：0.8486450056103386图6YOLOv3模型在A区的AP值图7FasterR-CNN模型在A区的AP值Fig.6 The AP value of the YOLOv3 model in AFig.7 The AP value of the FasterR-CNN model in A2.2.2精度验证选择精确率（Precision）、召回率（Recall）、平均精度（Average Precision，AP）和平均精度均值（meanAverage Precision，mAP）作为不同生境区布氏田鼠洞群影像4种识别模型的性能度量标准，平均精度与精确率P（Precision）和召回率R（Recall）有关。P=TPTPFP100%（1）R=TPTPFN100%（2）式（1）和式（2）中，TP（True Positive）为正确检测出的目标对象数量；FP（False Positive）为错误检测的目标对象数量；FN（False Negative）为未检测出的目标对象数量。mAP是每个主题的AP的平均值，AP和mAP综合了精确率和召回率对模型效果的评价，是多识别模型中较为常见的评价指标。在5个试验区UAV影像上分别标注布氏田鼠洞群作为样本，构建样本库，见图5中矩形框。为包含更多UAV影像特征信息，在标注样本时选择了较清晰和形状相对完整的洞群，以便检测模型更精准地识第5期堂格斯等：基于无人机遥感和深度学习的布氏田鼠洞群识别453内蒙古民族大学学报2023年别布氏田鼠洞群，样本数量见表2，选择10%的样本作为验证模型的验证样本。使用SSD、RetinaNet、YOLOv3和Faster R-CNN等4种模型分别对5个试验区数据集进行模型训练，模型训练时批量大小选择默认值2，并得到各自训练模型的识别精度，识别结果见图8、图9和图10。表25个试验区样本数量表Tab.2 Table of sample sizes for 5 test areas编号ABCDE试验区新巴尔虎右旗多根葱草原中度成害区新巴尔虎右旗裸土地重度成害区新巴尔虎左旗阿木古楞镇西边常年放牧区中度成害区新巴尔虎左旗围封网围栏里轻度成害区东乌珠穆沁旗乌里雅苏台镇北侧重度成害区样本数量/个1 00060300140200a-样本；b-提取结果（方形为识别结果，圆点为地面真是样本）。图8样本和提取结果（新巴尔虎右旗多根葱草原中度成害区）Fig.8 Sample and extraction results graph（Moderate damage area ofthe multi-rooted scallion grassland in the New Balhu Right Banner）100806040200平均精度/%A区B区C区D区E区6772856465708122871465885467497887892747SSDRetinaNetYOLOv3FasterR-CNN平均精度/%100806040200SSDRetinaNetYOLOv3 FasterR-CNN45.467.059.084.4图10各模型对布氏田鼠洞群的识别平均精度均值Fig.10 Plot of the average precision mean degreeof each model for the identification of theBrandt s voles hole group population图9各检测模型对布氏田鼠洞群的识别平均精度Fig.9 Plot of the average accuracy of each model for theidentification of Brandt s vole hole clusters454在5个试验区无人机影像上用Faster R-CNN检测模型识别布氏田鼠洞群时，采用不同主干网络时其模型精度也不同，分别选择Faster R-CNN模型的ResNet18、ResNet34、ResNet50、ResNet101、ResNet152等5个骨干模型时的AP和mAP见表3和表4。使用Faster R-CNN检测模型并选择不同的主干网络在UAV影像上识别布氏田鼠洞群时，ResNet101 获得了最高的精度（mAP 为 83.6%），ResNet34 最差（mAP 为54.0%）。表3Faster R-CNN检测模型不同主干网络的布氏田鼠洞群识别平均精度Tab.3 AP of Brandt s voles hole group recognition with differentbackbone networks of Faster R-CNN detection model编号ABC试验区新巴尔虎右旗多根葱草原中度成害区新巴尔虎右旗裸土地重度成害区新巴尔虎左旗阿木古楞镇西边常年放牧区中度成害区骨干模型ResNet18ResNet34ResNet50ResNet101ResNet152ResNet18ResNet34ResNet50ResNet101ResNet152ResNet18ResNet34ResNet50ResNet101ResNet152平均精度（AP）/%414270858472738080816552898786编号DE试验区新巴尔虎左旗围封网围栏里轻度成害区东乌珠穆沁旗乌里雅苏台镇北侧重度成害区骨干模型ResNet18ResNet34ResNet50ResNet101ResNet152ResNet18ResNet34ResNet50ResNet101ResNet152平均精度（AP）/%51617578714242758888表4Faster R-CNN检测模型不同主干网络的布氏田鼠洞群识别平均精度均值Tab.4 The mAP of Brandt s voles hole group recognition with different backbonenetworks of the Faster R-CNN detection model骨干模型ResNet18ResNet34ResNet50平均精度均值（mAP）/%54.254.077.8骨干模型ResNet101ResNet152平均精度均值（mAP）/%83.682.03讨论与结论3.1讨论试验区准确性评估结果证明，根据AP和mAP指标，Faster R-CNN模型比其他检测模型得到更高的精度，RetinaNet和YOLOv3模型排名第二和第三，鼠洞识别效果较好，SSD检测模型效果最弱。尽管UAV影像中标记的布氏田鼠洞群样本大小不同，并且影像具有亮度差异、背景复杂性，但Faster R-CNN检测模型提供的缺失对象较少，其mAP达到了84.4%，能够很好地满足草原布氏田鼠鼠害研究的数据要求。所以，选择Faster R-CNN模型作为布氏田鼠洞群识别模型的核心算法。本方法实现了从UAV影像上识别提取布氏田鼠洞群及其数量，且有效降低了人工成本，提高了数据获取的效率。使用Faster R-CNN检测模型并选择不同的主干网络在UAV影像上识别布氏田鼠洞群时，ResNet101获得了最高的精度，ResNet34最差。因此，在使用Faster R-CNN检测模型识别布氏田鼠鼠洞时，选择ResNet101作为其特征提取网络时，能获得更高的精度。综合分析UAV影像中布氏田鼠洞群特征，不同生境区布氏田鼠洞群地理结构较为复杂，对识别精度第5期堂格斯等：基于无人机遥感和深度学习的布氏田鼠洞群识别455内蒙古民族大学学报2023年影响较大。为更好地识别布氏田鼠洞群，下一步研究中准备增加样本量和样本多样性，并在不同植被指数上进行识别的同时，进一步调整检测模型及主干网络，改善数据集以提高机器学习识别精度。此外，本次UAV影像使用的是R、G和B波段，其大多是针对自然图像开发的。然而，在卫星成像仪可以包含更多的光谱波段。因此，在未来以多光谱和高光谱影像进行目标物提取，使其包含更多的地面信息和光谱信息，以供检测器及其主干网络能更全面地获取目标特征来提高其精度和速率。3.2结论在内蒙古呼伦贝尔和锡林郭勒草原5个试验区使用无人机获取了遥感影像，用机器学习深度学习方法从UAV影像上识别了布氏田鼠洞群，分别使用了SSD、RetinaNet、YOLOv3和Faster R-CNN等4种检测模型。结果证明：使用Faster R-CNN检测模型时，5个试验区的AP分别为新巴尔虎右旗多根葱草原中度成害区为85%，新巴尔虎右旗裸土地重度成害区为81%，新巴尔虎左旗阿木古楞镇西边常年放牧区中度成害区为88%，新巴尔虎左旗围封网围栏里轻度成害区为78%，东乌珠穆沁旗乌里雅苏台镇北侧重度成害区为89%。Faster R-CNN模型AP值在5个试验区均为最高。4种检测模型的mAP分别为45.4%、67.0%、59.0%、84.4%。通过综合分析和比较，Faster R-CNN模型在检测中表现出更好的可靠性和更高的准确率，YOLOv3的性能排名第二，RetinaNet和SSD分别排第三和第四。基于UAV影像识别布氏田鼠洞群的检测，此方法可以更好地为鼠害研究提供数据和研究方法。因此，可采用Faster R-CNN算法作为布氏田鼠洞群识别模型的核心算法。参考文献1 刘宇晨.草原生态补偿标准设定、优化及保障机制研究以内蒙古为例 D.呼和浩特：内蒙古农业大学，2018.2 丁勇，侯向阳，吴新宏，等.气候变化背景下草原生态系统研究热点探讨 J.中国草地学报，2013，35（5）：124-132.3 马崇勇，张卓然，单艳敏，等.内蒙古草原鼠害及其绿色防控技术应用现状 J.中国草地学报，2017，39（5）：108-115.4 钟文勤.啮齿动物在草原生态系统中的作用与科学管理 J.生物学通报，2008（1）：1-3.5 苏力德，杨劼，万志强，等.内蒙古地区草地类型分布格局变化及气候原因分析 J.中国农业气象，2015，36（2）：139-148.6 ZHANG Z B，PECH R，DAVIS S，et al.Extrinsic and intrinsic factors determine the eruptive dynamics of Brandts volesMicrotus brandtiin Inner Mongolia，China J.Oikos，2003，100（2）：299-310.7 花立民，柴守权.中国草原鼠害防治现状、问题及对策 J.植物保护学报，2022，49（1）：415-423.8 苏永志，宛新荣，王梦军，等.典型草原区布氏田鼠鼠害防治的经济阈值 J.动物学杂志 2013，48（4）：521-525.9 李云平.内蒙古草原用绿色防控技术遏制鼠害和虫害 J.（2021-08-20）2023-05-07.http：/ 张涛，杜健民，张海军，等.基于无人机高光谱荒漠草原鼠洞识别方法研究 J.光电子 激光 2022，33（2）：120-126.11 轩俊伟，郑江华，倪亦非，等.基于动力三角翼平台的草原鼠害遥感监测研究 J.中国植保导刊，2015，35（2）：52-55.12 温阿敏，郑江华，陈梦，等.荒漠生态林区大沙鼠鼠洞密度的无人机遥感监测技术初探 J.林业科学，2018，54（4）：186-192.13 马涛，郑江华，温阿敏，等.基于UAV低空遥感的荒漠林大沙鼠洞群覆盖率及分布特征研究以新疆古尔班通古特沙漠南缘局部为例 J.生态学报，2018，38（3）：953-963.14 ALGANCI U，SOYDAS M，SERTEL E.Comparative Research on Deep Learning Approac