采用YOLO算法和無人機影像的松材線蟲病異常變色木識別

黃麗明，王懿祥，徐 琪※，劉青華

（1.浙江農(nóng)林大學(xué)環(huán)境與資源學(xué)院，杭州 311300；2.浙江農(nóng)林大學(xué)，省部共建亞熱帶森林培育國家重點實驗室，杭州 311300；3.浙江農(nóng)林大學(xué)，浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點實驗室，杭州 311300；4.中國林科院亞熱帶林業(yè)研究所，杭州 311300）

0 引 言

松材線蟲?。≒ine Wilt Disease，PWD）是中國乃至全球森林生態(tài)系統(tǒng)中最具危險性、毀滅性的病害之一[1]。近年來，松材線蟲病傳播速度加快，危害日益加重，截至2020年，松材線蟲病已在中國18個省726個縣級行政區(qū)發(fā)生[2]，危害對象由馬尾松（Pinus massomiana）、黑松（Pinus thunbergii）擴大到紅松（Pinus koraiensis）、落葉松（Larix gmelinii）等種類[3]，疫情直接威脅中國近6 000萬hm2松林資源安全。松材線蟲病異常變色木的監(jiān)測是松材線蟲病防控的關(guān)鍵，通過監(jiān)測可以及時掌握病害情況并據(jù)此做出相應(yīng)的防治工作，有利于松材線蟲病的治理。

在各縣市的疫情防控中，異常變色木調(diào)查大部分采用人工地面調(diào)查的方法。人工地面調(diào)查耗時耗力，地勢險要區(qū)域人員無法到達，不利于松材線蟲病防治工作的開展。近年來隨著無人機技術(shù)的發(fā)展與普及，無人機遙感開始運用到松材線蟲病異常變色木監(jiān)測中。無人機能夠快速采集大面積的高分辨率影像，解決地面調(diào)查面臨的人力資源不足、覆蓋率低、效率低、不及時等問題[4]，在松材線蟲病的監(jiān)測中展現(xiàn)了巨大的潛力。

松樹受到溫度、水分、營養(yǎng)等非生物因子的脅迫或遭遇病蟲害侵襲等生物因子影響后，綠色的松針葉易發(fā)生變色（黃色、黃褐色或紅色），呈現(xiàn)枯死狀[5]。無人機遙感監(jiān)測松材線蟲病最關(guān)鍵的技術(shù)問題是如何高效、準確地從無人機影像上識別出松材線蟲病異常變色木。目前，利用遙感影像識別異常變色木的方法主要有目視識別和自動識別。目視識別效率低，主觀性大，故一些學(xué)者利用無人機影像開展了異常變色木自動識別的研究。劉遐齡等[6]基于研究區(qū)無人機影像，用模板匹配和面向?qū)ο蟮姆椒▽λ刹木€蟲病異常變色木進行自動化識別，提升了監(jiān)測效率。李浩等[7]用最大類間差和超綠特征因子相結(jié)合的方法，對研究區(qū)松木進行二值化，從而區(qū)分健康松木和病蟲害松木，實現(xiàn)對無人機遙感影像中的松樹病害木的有效提取。近兩年有學(xué)者開始將深度學(xué)習算法運用到異常變色木的識別中。徐信羅等[8]利用Faster R-CNN算法，根據(jù)異常變色木冠幅的大小修改錨框尺寸，自動識別異常變色木并對異常變色木進行定位，考慮了紅色闊葉樹對識別的干擾，提高了精度的可靠性。張瑞瑞等[9]使用U-Net網(wǎng)絡(luò)對無人機影像進行分割，并與人工繪制的變色木標記進行對比，用得出的混淆矩陣來評估分割精度，精度達到95.17%，進一步提高識別精度。目前現(xiàn)有的自動識別方法已經(jīng)能夠識別無人機影像上中晚期的松材線蟲病異常變色木，但試驗區(qū)域普遍較小，識別精度還有待進一步驗證和提高，識別速度較慢，識別精度和效率還不適用于大范圍的松材線蟲病監(jiān)測。

YOLO（You Only Look Once）是一種深度學(xué)習目標檢測算法，通過一次檢測，得到物體的所屬類別和位置[10-13]，相比于 RCNN（Regions with Convolutional Neural Networks）系列[14-16]物體檢測方法，其運算時間短、速度快、成本低，更加適用于松材線蟲病異常變色木的快速識別。很多學(xué)者運用YOLO算法在相關(guān)領(lǐng)域進行研究，Laroca等[17]對卷積神經(jīng)網(wǎng)絡(luò)CNN（Convolutional Neural Networks）進行微調(diào)，并采用一些數(shù)據(jù)增強方法，對車輛進行自動識別，提高車輛的識別精度。呂石磊等[18]提出了一種YOLOv3-LITE輕量化目標檢測算法，采用GIoU損失函數(shù)和輕量化主干網(wǎng)絡(luò)來提高柑橘的識別精度和效率。 Chen等[19]基于YOLO算法對電子部件進行檢測，對模糊圖像進行超分辨率重建，擴展了數(shù)據(jù)集，使得識別精度提高，魯棒性和實時性增強。

目前的YOLO系列包含YOLOv1～YOLOv5，其中YOLOv4算法在檢測速度和檢測精度上的表現(xiàn)較為平衡，是目前應(yīng)用最廣泛的目標檢測算法[20]，因此本文基于YOLOv4算法進行研究。為了進一步提高松材線蟲病異常變色木的識別效率和識別精度，本研究對YOLOv4算法進行改進，在主干特征提取網(wǎng)絡(luò)中采用倒殘差結(jié)構(gòu)塊（Inverted Residual Block），以提取更多的初步有效特征，提高識別的精度；在加強特征提取網(wǎng)絡(luò)中使用深度可分離卷積塊（Depthwise Separable Convolution），減少網(wǎng)絡(luò)的參數(shù)量，減小模型；去除低層定位特征向上傳遞部分，簡化了模型結(jié)構(gòu)，提高識別速度。利用改進后的YOLO算法對松材線蟲病異常變色木進行自動識別，以期提高異常變色木的識別精度和識別效率，從而達到對松材線蟲病有效防控的目的。

1 研究區(qū)概況

研究區(qū)位于浙江省杭州市臨安區(qū)（30.24°N，119.73°E），屬于亞熱帶季風氣候，雨量充沛，全年平均氣溫為16.4 ℃，平均相對濕度為70.3%，年降水量為1 613.9 mm[21]，環(huán)境利于松墨天牛生存，是松材線蟲病爆發(fā)的重要區(qū)域，疫情較為嚴重。如圖1所示，將西徑山和寶塔山作為研究區(qū)，其中，西徑山面積5.5 km2，海拔在100～250 m之間；寶塔山面積2 km2，海拔在50～100 m之間，距離西徑山5 km左右。兩個研究區(qū)多為馬尾松天然林，混交櫟樹和硬葉闊葉樹，馬尾松樹種比例在50%～90%之間，大部分區(qū)域的林分郁閉度在0.7～0.9之間，松材線蟲病比較嚴重。將研究區(qū)劃分為1個訓(xùn)練區(qū)和2個測試區(qū)，其中訓(xùn)練區(qū)和測試區(qū)1位于西徑山，測試區(qū)2位于寶塔山。訓(xùn)練區(qū)的圖片用于算法模型的訓(xùn)練，測試區(qū)有格式用于測試訓(xùn)練模型在參與訓(xùn)練區(qū)域的異常變色木的識別精度，測試區(qū) 2的圖片用于測試模型在未參與訓(xùn)練區(qū)域的識別精度。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)獲取

使用 CW-007型無人機獲取西徑山和寶塔山的無人機光學(xué)影像。CW-007無人機搭載的成像設(shè)備為 SONY ILCE-7RM2型相機，傳感器尺寸為35.9 mm×24.0 mm（全畫幅），相機像素為4 200萬，相機焦距為35 mm。影像獲取時間為2020年10月14日，采用等高垂直攝影的方式，飛行高度為525 m，旁向重疊率和航向重疊率為75 %，共獲取1 349張影像，其中西徑山有842張，寶塔山有507張，影像分辨率為6 cm。

2.2 數(shù)據(jù)處理

對每幅影像進行質(zhì)量檢查，將無效影像刪除。松材線蟲病異常變色木識別對顏色的飽和度和亮度要求較高，但由于受到空氣中雜質(zhì)的影響，原始影像色彩亮度不鮮明。使用暗通道去霧方法[22]對原始影像進行處理，去霧處理可以使影像顏色飽和，亮度提高，有利于松材線蟲病異常變色木識別。由于原始影像像幅過大，如對原始影像進行降采樣，會減少可用特征，為了更好地獲得圖像的特征信息，對去霧處理后的影像進行裁剪分幅，分幅大小為500×500，單位為像素。

分析研究區(qū)的影像并進行實地調(diào)查，可以發(fā)現(xiàn)感染了松材線蟲病的松樹樹冠在無人機可見光影像上呈現(xiàn)黃綠色、紅褐色和褐色，與健康松樹存在明顯區(qū)別。研究區(qū)中還存在紅色闊葉樹和枯死木，紅色闊葉樹樹冠顏色呈現(xiàn)黃色或紅褐色，枯死木樹葉脫落，樹枝顏色呈現(xiàn)淺灰色或者灰褐色，兩者與松材線蟲病異常變色木的顏色和特征較為相似。異常變色木、紅色闊葉樹和枯死木的影像如圖2所示?？菟滥竞图t色闊葉樹不含有松材線蟲，并不需要清理，但這兩類樹會對識別產(chǎn)生干擾，因此將識別目標分為3類：異常變色木、枯死木和紅色闊葉樹，同時進行模型訓(xùn)練和識別，提高模型對三類相似目標的區(qū)分能力。

根據(jù)影像判讀和實地調(diào)查結(jié)果，利用LabelImg軟件對裁剪后的訓(xùn)練區(qū)圖片進行標注，共獲取有目標標注圖片4 208張。將標記好的樣本以4:1的比例隨機分為訓(xùn)練集和驗證集，其中訓(xùn)練集包含3 366張圖片，驗證集包含842張圖片。將測試區(qū)1中得到的7 129張裁剪后的影像作為測試集1，將測試區(qū)2中得到的5 412張裁剪后的影像作為測試集2。對研究區(qū)中的松材線蟲病異常變色木、枯死木和紅色闊葉樹的數(shù)量進行統(tǒng)計，如表1所示，其中異常變色木有3 464棵，枯死木有1 565棵，紅色闊葉樹有310棵，可以看出整個研究區(qū)松材線蟲病異常變色木的數(shù)量最多，疫情比較嚴重，除異常變色木外，枯死木的數(shù)量也比較多，經(jīng)實地調(diào)查，多為往年未清理的松材線蟲病異常變色木，但紅色闊葉樹數(shù)量比較少。

表1 數(shù)據(jù)集中異常變色木、枯死木和紅色闊葉樹的數(shù)量統(tǒng)計Table 1 Statistics of the number of abnormally discolored tree,withered or dead tree and broad-leaved tree with red foliage in the data set

2.3 改進的YOLOv4算法原理

YOLOv4 算法由輸入（Input）、主干網(wǎng)絡(luò)（Backbone）、頸部（Neck）和預(yù)測（Prediction）4個部分組成。本研究針對YOLOv4算法在松材線蟲病異常變色木的識別中容易出現(xiàn)特征提取不足和識別效率低的問題，對YOLOv4算法的主干網(wǎng)絡(luò)、Neck部分進行改進，改進的YOLO算法的結(jié)構(gòu)圖如圖3所示。在主干特征提取網(wǎng)絡(luò)中，用MobleNetV2替代 YOLOv4中的 CSPDarkNet53，MobleNetV2主要由3個6層、7層、4層的倒殘差網(wǎng)絡(luò)堆疊構(gòu)成，并將其作為Neck部分的輸入。倒殘差結(jié)構(gòu)先用擴展層來擴展維度，再用深度可分離卷積提取特征，最后使用投影層壓縮數(shù)據(jù)，使網(wǎng)絡(luò)變小。倒殘差結(jié)構(gòu)可以減少參數(shù)數(shù)量，增強梯度跨層傳播能力，提高特征表達能力[23]。在Neck部分，用深度可分離卷積替代部分模塊中的標準卷積。深度可分離卷積塊可以通過兩次卷積實現(xiàn)，首先對3個通道分別做卷積，輸出3個通道的屬性，然后用1×1×3的卷積核對3個通道再次做卷積。深度可分離卷積可以減少網(wǎng)絡(luò)參數(shù)量，節(jié)約計算成本，提高識別效率[24]。松材線蟲病異常變色木的識別重點在于確定是否有變色木，對定位精度要求不高，改進后的YOLO算法去除了Neck部分的低層定位特征向上傳遞部分，簡化了模型結(jié)構(gòu)，提高了識別速度。改進后的YOLO算法可以獲取更多異常變色木的特征信息，又可以降低檢測任務(wù)的計算成本，提高了異常變色木的識別精度和識別效率。

2.4 試驗平臺和參數(shù)設(shè)置

試驗使用Windows10操作系統(tǒng)，電腦配備32 G內(nèi)存，Intel（R）Core（TM）i7-8700k CPU@3.70 GHz，NVIDIA GeForce RTX 2080GPU，使用Pytorch作為深度學(xué)習框架，CUDAToolkit10.1，cuDNN7.5.6。參數(shù)設(shè)置如下：設(shè)置100個迭代周期（Epoch），初始的學(xué)習率為 0.001，學(xué)習率動量為 0.9，非極大值抑制 NMS（Non-Maximum Suppression）的閾值為0.6，置信度閾值為0.1，測試時 IoU（Intersection over Union）的閾值為0.5。

2.5 評價指標與方法

利用平均精度（Accuracy Precision，AP）、訓(xùn)練時間、參數(shù)大小和測試時間 4個評價指標來評估改進的YOLO算法的性能；利用準確率（Precision，P）、召回率（Recall，R）和F1分數(shù)[25]來評估改進算法的測試精度。平均精度是指在不同召回率下準確率的均值[26]，F(xiàn)1分數(shù)表示準確率和召回率的調(diào)和平均數(shù)。

保持訓(xùn)練平臺、配置信息和數(shù)據(jù)集等不變，將改進的 YOLO算法與常用的目標檢測算法 Faster R-CNN、EfficientDet、YOLOv4和YOLOv5進行對比，采用不同算法分別對相同圖片進行訓(xùn)練和檢測，比較不同方法的平均精度、訓(xùn)練時間、參數(shù)大小和測試時間。為檢驗改進的YOLO算法在未參與訓(xùn)練的區(qū)域是否具有適用性，利用西徑山訓(xùn)練區(qū)的訓(xùn)練模型對西徑山測試區(qū)（測試區(qū) 1）和寶塔山測試區(qū)（測試區(qū)2）的異常變色木進行識別，對比未參與訓(xùn)練區(qū)域和參與訓(xùn)練區(qū)域的準確率、召回率和F1分數(shù)。

3 結(jié)果與分析

3.1 不同算法的性能對比

不同算法對測試區(qū)1影像的識別結(jié)果如表2所示。在平均精度上，改進算法的平均精度達到了80.85%，比Faster R-CNN、YOLOv4和YOLOv5分別提高了1.25%、3.02%和3.49%，但與EfficientDet相比，平均精度降低了0.42%；在訓(xùn)練時間上，改進算法每一個迭代周期的訓(xùn)練時間為164 s，比Faster R-CNN，EfficientDet和YOLOv4分別減少了187、172和115 s，但比YOLOv5增加了26 s；在參數(shù)大小上，改進算法的模型參數(shù)大小為44.23 MB，比 Faster R-CNN和 YOLOv4分別減小了 477.35和199.69 MB，但比 EfficientDet和 YOLOv5增大了 29.62和17.27 MB；在測試時間上，改進算法對于單張影像的測試時間為 17 ms，比 Faster R-CNN、EfficientDet和YOLOv4算法分別減少了68、33和7 ms，但比YOLOv5增加了9 ms。Faster R-CNN和YOLOv4在平均精度、訓(xùn)練時間、參數(shù)大小和測試時間上的表現(xiàn)都不如改進算法；在平均精度和參數(shù)大小上，EfficientDet優(yōu)于改進算法，但在訓(xùn)練時間和測試時間上，EfficientDet已經(jīng)不能滿足高效識別的要求；YOLOv5在訓(xùn)練時間、測試時間和參數(shù)量大小上的表現(xiàn)優(yōu)于改進算法，但測試的平均精度低于改進算法，在異常變色木識別任務(wù)中，對精度的要求更高，所以改進算法優(yōu)于YOLOv5。綜合比較平均精度、訓(xùn)練時間、參數(shù)大小和測試時間，改進的 YOLO算法具有更好的性能。

表2 不同目標檢測模型的性能對比Table 2 Comparison of performances of different models for object detection

3.2 改進算法的性能評價

改進的YOLO算法在測試區(qū)1（建模區(qū)域）和測試區(qū)2（未建模區(qū)域）的識別結(jié)果如表3所示，在測試區(qū)1中，從633棵異常變色木中正確檢測582棵異常變色木，誤判109棵，漏檢51棵，準確率和召回率分別為84.23%和91.94%，F(xiàn)1分數(shù)為87.92%；在測試區(qū)2中，從865棵異常變色木中正確檢測出 708棵異常變色木，誤判 109棵，漏檢 157棵，準確率和召回率分別為 86.66%和81.85%，F(xiàn)1分數(shù)為84.18%。測試區(qū)2的準確率高于測試區(qū)1，表明改進算法在未建模區(qū)域也能正確地識別目標。測試區(qū)2的召回率低于測試區(qū)1，表明改進方法在建模區(qū)域識別目標更加全面。在F1分數(shù)上，測試區(qū)2略低于測試區(qū)1，但基本滿足異常變色木的識別需求。

表3 測試區(qū)異常變色木的檢測結(jié)果Table 3 Testing results of abnormally discolored tree in the testing area

測試結(jié)果表明改進的 YOLO算法具有良好的性能，訓(xùn)練后的模型具有良好的適用性，同一模型在“未參與訓(xùn)練”區(qū)域和“參與訓(xùn)練”區(qū)域均具有較高的識別精度，識別精度基本滿足了松材線蟲病異常變色木的識別需求，可以應(yīng)用于不同地區(qū)的松材線蟲病異常變色木的識別。

3.3 影響精度的因素分析

對檢測結(jié)果進行分析發(fā)現(xiàn)，使用改進的YOLO算法對松材線蟲病異常變色木進行自動識別能達到較好的檢測精度，同時也會引起漏檢和誤判。在測試區(qū)中數(shù)量較多的模型檢測示例如圖4所示，在圖4a中，正確檢測出一棵松材線蟲病異常變色木；在圖4b中，正確檢測出2棵枯死木，將1棵闊葉樹誤判為異常變色木；在圖4c中，正確判定出2棵枯死木，將1棵枯死木誤判為異常變色木；在圖4d中，正確檢測出3棵枯死木，但漏檢了1棵異常變色木。

對不同類型的誤判和漏檢的數(shù)量進行統(tǒng)計，不同類型的誤判和漏檢的數(shù)量占總數(shù)量的比例如表4所示，在測試區(qū)1和測試區(qū)2中，紅色闊葉樹和枯死木造成誤判的比例分別達到了51.88和28.20 %，異常變色木的漏檢比例分別達到了 31.88和59.02%，這3類的比例之和分別達到了83.76和87.22%，是影響精度的主要類型，對精度的影響較大。

表4 不同誤判和漏檢類型的比例Table 4 Proportion of different types of misjudgment and missed detection %

統(tǒng)計分析測試區(qū)1和測試區(qū)2的異常變色木誤判和漏檢的情況，結(jié)果表明影響識別精度的主要因素如下：

1）相似地物。測試區(qū)中與異常變色木相似的地物主要有枯死木和紅色闊葉樹。由于相似地物與異常變色木的影像特征相似，顏色和紋理較接近，識別時容易造成異常變色木的誤判，從而影響識別的精度。

2）林分郁閉度。統(tǒng)計結(jié)果顯示高郁閉度的林地存在樹冠重疊，會造成部分遮擋或完全遮擋，部分遮擋的變色木樹冠形狀不完整，形狀特征發(fā)生變化，識別時容易產(chǎn)生漏檢，完全遮擋的則無法識別。

3）坡向。陰坡區(qū)域缺少陽光照射，存在陰影，陰影區(qū)域的樹冠影像亮度低，導(dǎo)致異常變色木樹冠顏色昏暗，圖像顏色和紋理特征不明顯，識別時容易產(chǎn)生漏檢。

4）分辨率。由于無人機飛行高度一致，地形起伏會造成分辨率大小的變化，地勢高的地方分辨率高，樹冠大而清晰，地勢低會導(dǎo)致分辨率降低，較小的異常變色木的樹冠特征會發(fā)生變化，識別時容易產(chǎn)生漏檢。

4 討 論

在松材線蟲病異常變色木的監(jiān)測方面，無人機遙感技術(shù)成本低、范圍廣、靈活性高、效率高，在異常變色木自動識別中得到了良好的應(yīng)用[27]。本研究利用改進的YOLO算法對松材線蟲病異常變色木進行自動識別，F(xiàn)1分數(shù)達到了87.92%，基本能夠滿足松材線蟲病防控的需求。與陶歡等[28]提出的 HSV閾值劃分方法的總體精度（60%～65%）相比，精度顯著提高。本研究的識別精度略低于黃華毅[29]等提出的Fast R-CNN和無人機遙感相結(jié)合的方法的正確率（90%），但本研究考慮了紅色闊葉樹對松材線蟲病異常變色木識別的干擾，精度的可靠性更高。本研究測試區(qū)域面積較大，使用方法在未參與建模區(qū)域也具有較高的識別精度，無需在未建模區(qū)域重新制作訓(xùn)練樣本和訓(xùn)練模型，可以提高識別效率。

本研究根據(jù)松材線蟲病傳播速度快的特點，對YOLOv4算法進行改進，精簡的目標檢測框架可以加快檢測速度。改進后的YOLO算法對單張影像的測試時間為17 ms，比YOLOv4少7 ms，當檢測數(shù)量過大時，改進的YOLO算法在圖像識別上花費的時間將比YOLOv4少的多，可以滿足大范圍監(jiān)測的需求。改進的YOLO算法減小了參數(shù)量和模型大小，降低識別程序?qū)τ布O(shè)備的要求，提高了識別的效率，可以實現(xiàn)松材線蟲病異常變色木實時無人機監(jiān)測，實時掌握林區(qū)病蟲害情況，追蹤疫情的發(fā)展，滿足了松材線蟲病防治對時效性的需求。

松材線蟲病異常變色木的顏色變化是一個動態(tài)的過程，不同階段的松材線蟲病異常變色木的顏色不同[30-31]。感染了松材線蟲病的松樹早期針葉的顏色無明顯變化，但到了中期，樹冠顏色呈現(xiàn)黃褐色，后期樹冠顏色呈現(xiàn)紅褐色或褐色。本文提出的方法只能自動識別出中后期的異常變色木，無法有效識別早期顏色變化不明顯的松材線蟲病害木，也無法區(qū)分松材線蟲病異常變色木和其他病害或自然環(huán)境脅迫導(dǎo)致的異常變色木。在今后的研究中可以利用多時相松樹影像或高光譜影像數(shù)據(jù)，進一步研究早期松材線蟲病害木識別和不同病害的區(qū)分。

5 結(jié) 論

本研究使用無人機遙感技術(shù)獲取超高空間分辨率的松樹影像，利用改進的YOLO算法對松材線蟲病異常變色木進行識別，主要得到的結(jié)論如下：

1）使用改進的YOLO算法對松材線蟲病異常變色木進行識別，平均精度達到了80.85%，每個迭代周期的訓(xùn)練時間為164 s，參數(shù)大小為44.23 MB，單張影像的測試時間為17 ms。Faster R-CNN和YOLOv4在平均精度、訓(xùn)練時間、參數(shù)大小和測試時間上的表現(xiàn)都不如改進算法；EfficientDet在平均精度上的表現(xiàn)優(yōu)于改進算法，但在訓(xùn)練和測試時間上的表現(xiàn)已經(jīng)不能滿足高效檢測的需求，而YOLOv5在訓(xùn)練和檢測時間上的表現(xiàn)優(yōu)于改進算法，但平均精度低于改進算法，因此相比于 EfficientDet和YOLOv5，改進算法在速度和精度上的表現(xiàn)更加平衡，具有更好的性能。綜合比較平均精度、訓(xùn)練時間、參數(shù)大小和測試時間，改進的YOLO算法具有更好的性能。

2）采用同一訓(xùn)練區(qū)的訓(xùn)練模型對不同測試區(qū)的異常變色木進行自動識別，參與建模的區(qū)域與未參與建模的區(qū)域的異常變色木的F1分數(shù)分別為87.92%和84.18%，未參與建模區(qū)域的總體精度雖略低于參與訓(xùn)練建模的區(qū)域，但基本可以滿足異常變色木的識別要求，表明改進方法的訓(xùn)練模型對不同地區(qū)異常變色木的識別具有一定的適用性。

3）相似地物、林分郁閉度、坡向和地勢在自動識別時會導(dǎo)致特征獲取不充分或特征識別錯誤，從而產(chǎn)生誤判和漏檢，會對精度造成影響，但影響較小。