松材线虫病属于松林毁灭性病害，严重威胁森林生态安全。当前，松材线虫病疫情防控的关键仍在于疫木监测。随着无人机(UAV)技术在林业领域的普及与深度应用，依托无人机开展松材线虫病疫木监测正逐步取代传统人工巡查，成为疫木排查的重要技术手段。在无人机松材线虫病监测工作中，利用多光谱^[1-2]、高光谱^[3-4]以及可见光正射影像^[5-6]均获得了满足预期的枯立木识别准确率与定位精度。例如，李博等^[7]基于改进的RetinaNet算法在无人机林地可见光影像中实现98%的识别准确率，陈筱涵等^[8]基于改进的YOLOv11算法在无人机可见光松林影像中实现94.4%的识别准确率，Xu等^[9]基于改进的YOLOv8算法在无人机多光谱松林影像中实现94.4%的识别准确率。可见，基于无人机正射影像可以取得较为准确的识别结果。此外，在现有大部分无人机正射数据应用中，无人机正射影像的定位精度普遍较高^[10-12]，相较于传统人工地面巡查，能够更全面、准确地发现并定位病疫区内的枯立木。然而在实际工作中，无人机正射数据采集要求高^[13]、处理流程长^[14]、软硬件投入大^[15]，限制了其在病疫区监测中的推广应用。

随着无人机技术不断发展，现有研究已开始将无人机视频与GIS技术相结合，构建地理空间视频并实现目标识别与定位，以此替代无人机正射影像的数据采集与生产工作。Furukawa等^[16]利用无人机地理空间视频，在ArcGIS Pro软件内手动标记台风吹倒的树木，正确率为54.29%，定位精度约3 m；杨浩^[17]构建YOLOv8-crack模型检测无人机视频中的桥梁裂缝，检出准确率达到94%；Lin等^[18]利用改进YOLOv5s模型替代CSNet主干，从无人机视频中实时统计花生幼苗，识别准确率达到98.08%，时间仅为人工检测的1/5。在松材线虫病监测工作中，仅见尤程等^[19]建立的松材线虫病识别定位和视频会商功能系统，该系统基于无人机多光谱和计算机图形图像识别技术实现松材线虫病的即时识别、定位和专家实时会商功能。虽然该系统在测试时获得100%的识别精度、0.49 m的定位精度以及1 km²/12 h的作业效率，同时还具备实时会商功能^[19]，但是该系统依托定制无人机多光谱相机，不仅购置和使用成本高，而且在地形起伏大的林区通信信号薄弱，会商功能难以发挥作用，因此在山地多、地形起伏大的松材线虫病疫区难以推广使用。

针对上述问题，本研究以正射影像人工判读结果为对照，选用DJI Mavic 3E (M3E)、DJI Mavic 3M (M3M)、DJI Mavic 4E (M4E) 3款行业级无人机，以降低硬件成本与使用门槛。在广西壮族自治区柳州市三江侗族自治县(以下简称三江县)、贺州市钟山县、岑溪市3个松材线虫病疫区开展实地视频巡查，采用手动飞行与自动航线飞行相结合的数据采集模式，摆脱对大重叠度正射影像航线规划的依赖。采集的原始视频经地理空间化处理后，采用YOLOv8-LSK算法，通过LSK注意力机制动态调整空间感受野，增强复杂林区背景下枯立木的多尺度特征提取能力^[20]，实现枯立木的自动识别与精准定位。系统评估不同航高、云台角度、地形起伏、无人机机型及影像数据源类型等因素对识别准确率和定位偏差的影响，明确最优参数选择策略，弥补现有研究在复杂地形应用场景中的不足，为松材线虫病疫区枯立木监测提供高效、低成本、适用性强的技术方法，推动无人机地理空间视频识别技术在森林监测领域的规模化推广应用。

1 材料与方法 1.1 研究区概况

从广西壮族自治区柳州市三江县、贺州市钟山县和岑溪市的松材线虫病疫区各选出一块疫情小班及其周围5 km内的所有松林作为研究区。三江县研究区位于独峒镇，面积3.23 km²，地理坐标为东经109°25′26.4″、北纬25°54′28.8″，海拔373.63—841.53 m，地势起伏较大，东北高、西南低，属亚热带季风气候，年平均气温17 ℃，林分郁闭度0.7，主要树种为马尾松(Pinus massoniana)，另有少量杉木(Cunninghamia lanceolata)和毛竹(Phyllostachys pubescens)。钟山县研究区位于红花镇，面积14.91 km²，地理坐标为东经111°09′03.59″、北纬24°43′26.40″，海拔211.56—1 082.81 m，地势起伏较大，东北高、西南低，属亚热带季风气候，年平均气温19 ℃，林分郁闭度0.8，主要树种为马尾松和少量杉木。岑溪市研究区位于马路镇，面积18.71 km²，地理坐标为东经110°48′46.8″，北纬22°52′15.6″，海拔53.98—111.79 m，地势较为平坦，属亚热带季风气候，年平均气温20 ℃，林分郁闭度0.9，主要树种为马尾松、毛竹和少量阔叶杂树。

1.2 无人机参数

本研究使用的无人机包括M3E、M3M、M4E 3款行业级无人机。其中，M3E搭载相机的镜头有广角与长焦，广角的传感器长度、宽度、像元大小分别为6.4 mm、4.8 mm、0.8 μm，长焦的传感器长度、宽度、像元大小分别为6.4 mm、4.8 mm、1.6 μm。M3M分别搭载可见光和多光谱相机，传感器长度分别为17.4、5.2 mm，宽度分别为13.0、3.9 mm，像元大小分别为3.3 mm、20.0 μm。多光谱相机包含红波段(650±16) nm、绿波段(560±16) nm、近红外波段(860±26) nm和红边波段(730±16) nm，在录制可见光视频时会同步录制多光谱波段合成的归一化植被指数(Normalized Difference Vegetation Index，NDVI)视频，分别记作M3M (Vis)、M3M (NDVI)。M4E搭载相机的镜头有广角、中长焦、长焦，传感器长度分别是17.4、9.7、8.3 mm、宽度分别是13.0、7.3、6.2 mm，像元大小分别是3.3、1.2、1.0 μm。M4E在正射影像数据采集时，开启智能摆拍模式，通过左、下、右扫摆的方式增加旁向重叠度，从而减少航线数量，提高采集效率。

1.3 数据采集

2025年9月开展数据采集工作，分别采集视频数据和正射影像数据。所有航线均基于SRTM 30 m数字高程模型(DEM)数据设计。无人机数据采集时遥控信号与RTK(Real-Time Kinematic)信号良好，无断联现象。

1.3.1 视频数据采集

视频数据采集分为手动飞行与自动航线飞行两种方式。手动飞行视频数据采集由一名拥有5年以上从业经验、持有无人机飞行执照的资深调查工程师操作开展枯立木调查。该过程不预设固定的航高与云台角度，旨在模拟真实的巡护作业方式，获取具有实查参考价值的随机性监测数据。三江县与钟山县研究区的平均相对高度为300 m，岑溪市研究区的平均相对高度为250 m。自动航线飞行采集的视频数据用于定量分析不同目标距离与云台角度(定义垂直向下为正)对枯立木识别准确率、定位精度及采集效率的影响。不同目标距离对比的数据采集采用“弓”字形仿地航线，高度分别设为50、150、300、400、500 m，旁向重叠度统一设为15%，云台角度固定为90°。不同云台角度对比的数据采集同样采用“弓”字形仿地航线，为兼顾作业效率与识别精度，飞行高度统一设为仿地300 m，旁向重叠度设为15%，云台角度分别设为50°、60°、70°、80°^[21]。

1.3.2 正射影像数据采集

正射影像数据采集采用“弓”字形仿地航线，仿地飞行高度300 m，航向重叠度80%，旁向重叠度70%，M4E飞行速度为21 m/s，M3E与M3M均为15 m/s，其中M4E开启智能摆拍模式，M3M同时采集可见光与多光谱。完成正射飞行后，在研究区中选择9个分布均匀的明显地物点作为控制点，使用手持RTK采集其坐标，计算控制点与数字正射影像图(Digital Orthophoto Map, DOM)中同名点位置偏差的中误差，以此作为DOM成果的精度评价。

1.3.3 样本数据采集

可见光视频样本数据于2023年8月在钟山县其他区域使用M3E采集，采集时遥控与RTK信号均保持良好，无断联。视频数据采用手动飞行方式获取，不预设固定航高与云台角度，最终视频成果的航高为30—383 m，云台角度为15°—90°。

多光谱视频样本数据于2022年9月在岑溪市其他区域使用M3M采集，采集时遥控与RTK信号均保持良好，无断联。视频数据采用手动飞行方式获取，不预设固定航高与云台角度，最终数据成果为NDVI视频数据，其航高为25—367 m，云台角度为15°—90°。

1.4 数据处理与识别 1.4.1 视频数据处理方法

3款无人机在录制视频时，同步将每一帧的帧数、时间戳、经度、纬度、相对飞行高度、海拔、焦距、俯仰角、偏航角、横滚角以及缩放倍率等关键参数保存在与视频数据同名的标准字幕文件中，并将拍摄时相机CMOS中心到RTK天线中心的位置偏差(即杠杆臂参数)保存在航迹文件中。视频数据处理时，根据相机出厂检校参数和DEM数据，将.mp4格式的无人机视频数据在Python 3.10软件中转换成.ts格式的地理空间视频数据，使每一帧图像中的每一个像素点都对应地理空间中的绝对位置。

视频数据转换流程如下。(1)将像素坐标根据相机检校参数中的像主点坐标转换为像平面坐标^[22]。(2)根据镜头的畸变参数与布朗畸变模型^[23]，将像平面坐标转换成畸变校正后的像方向量。畸变参数中包含2个像主点坐标、3个径向畸变参数和2个切向畸变参数。(3)根据杠杆臂参数与无人机姿态角，将像方向量转换成地理空间射线^[24-28]。(4)根据DEM地形采用二分迭代法^[28-29]计算地理空间射线与地形的交点，该交点的经纬度坐标即为该像素坐标所对应的绝对位置。

1.4.2 正射影像处理与判读方法

将采集的照片输入DJI Terra v4.3软件进行数据处理，得到研究区DOM成果与多光谱指数图成果。由3名具有丰富经验的遥感工程师对DOM成果进行人工判读，同时以多光谱指数图成果作为参考与补充，对所有枯立木进行标注与定位。以人工判读结果作为枯立木所在的实际位置，对无人机地理空间视频识别结果进行验证。

1.4.3 无人机地理空间视频识别方法

采用可见光与NDVI视频样本数据构建自动识别训练样本。利用FFmpeg v7.1工具，将两种历史视频数据以每5秒1帧的间隔采样为.jpg格式图片，从中筛选出包含枯立木的图像，获得可见光图像7 839张、NDVI图像1 162张。采用Labelme v5.4.1软件对所有获得的图像进行标注，形成训练样本，并按8∶1∶1的比例划分为训练集、测试集和验证集，基于YOLOv8-LSK算法进行模型训练。训练的硬件平台配置为CPU I9-12700K、GPU GeForce RTX4090及128 GB内存。训练参数设置如下：输入图像统一调整为640 px×640 px，迭代周期为300，批处理大小为16，并行进程数为16，初始学习率为0.000 1，优化器选用随机梯度下降，损失函数(L_Loss)选用默认的多任务损失。

训练完成后，以精度最高的模型对无人机地理空间视频中的枯立木进行识别，批处理大小为8，并行进程数为8，置信度阈值设为0.5。针对每一帧识别到的目标，输出其中心点的东、北坐标，射线长度及云台角度作为过程结果进行定位精度分析。基于识别点的东、北坐标，采用DBSCAN密度聚类算法进行空间归并。设置邻域半径为研究区中松树的平均冠幅5 m，最小邻域点数为1(即单点亦可成簇)。每个聚类簇对应一棵枯立木，赋予唯一树ID。对于每一簇内的所有识别点，选取其中射线长度最小的点作为该枯立木的最终定位结果，输出其坐标与相应参数。

1.5 精度评价指标

以准确率(A_Acc，%)作为识别准确率的评价指标，计算公式如下：

$ A_{\mathrm{Acc}}=\frac{T_{\mathrm{TP}}}{T_{\mathrm{TP}}+F_{\mathrm{FP}}+F_{\mathrm{FN}}} \times 100 \%, $

其中，T_TP为正确识别目标数，F_FP为错误识别目标数，F_FN为漏检目标数。

以视频识别到的所有枯立木所在位置与DOM判读到的对应枯立木所在位置欧氏距离的平均值(d)作为位置偏差度量，计算公式如下：

$ d=\frac{\sum\limits_{i=1}^n \sqrt{\left(x_i-\hat{x}_i\right)^2+\left(y_i-\hat{y}_i\right)^2}}{n}, $

其中，n为所有识别目标的总数量，x_i和y_i为视频识别枯立木所在位置的坐标，$ \hat{x}_i$和$ \hat{y}_i$为DOM判读枯立木所在位置的坐标。

2 结果与分析 2.1 训练结果

可见光视频用时26.48 h完成训练，在第265次训练时得到最优模型，模型的L_Loss为0.09，验证集的A_Acc为97.0%；NDVI视频用时37.63 h完成训练，在第172次训练时得到最优模型，模型的L_Loss为0.13，验证集的A_Acc为82.0%。训练过程中L_Loss与A_Acc的变化情况如图 1所示。随着迭代次数增加，L_Loss初期较高，随后快速收敛，迭代至100轮时L_Loss趋于稳定，至300轮结束时L_Loss始终稳定且无明显发散；A_Acc的变化情况与损失值呈反向对应，初期模型准确率偏低，之后迅速提升，迭代至100轮时A_Acc趋于平稳，至300轮结束时A_Acc始终稳定。L_Loss与A_Acc的变化情况说明模型训练效果良好，特征学习充分，训练过程稳定无过拟合现象。

2.2 正射影像人工判读结果

3个研究区的DOM人工判读结果如图 2所示。三江县研究区DOM成果的中误差为0.07 m，共有枯立木127棵；钟山县研究区DOM成果的中误差为0.12 m，共有枯立木5 854棵；岑溪市研究区(含研究区1和2)DOM成果的中误差为0.04 m，共有枯立木2 492棵。

2.3 数据采集与处理效率

从表 1和表 2可以看出，地理空间视频识别数据采集与处理效率优于传统正射影像，其总耗时均大幅少于传统正射影像。以M4E手动飞行为例，三江县正射影像总耗时163 min，视频识别总耗时17 min，视频识别总耗时与正射影像相比减少89.57%；钟山县正射影像总耗时576 min，视频识别总耗时89 min，减少84.55%；岑溪市正射影像总耗时564 min，视频识别总耗时60 min，减少89.36%。自动航线飞行总耗时也是视频识别大幅少于正射影像。以M4E自动航线飞行300 m航高为例，三江县视频识别总耗时26 min，与正射影像相比减少84.05%；钟山县视频识别总耗时221 min，减少61.63%；岑溪市视频识别总耗时168 min，减少70.21%。手动飞行总耗时和自动航线飞行总耗时均大幅少于传统正射影像。比较无人机机型可以发现，M4E凭借21 m/s的飞行速度，在手动飞行与自动航线飞行模式下均保持最优采集效率。以岑溪市自动航线飞行500 m航高为例，M4E视频采集时间仅89 min，显著少于M3E(128 min)与M3M(163 min)。M3M同步采集多光谱数据，其采集与处理耗时虽多于M4E，但仍远少于传统正射影像。以钟山县手动飞行为例，M3M总耗时107 min，虽多于M4E的89 min和M3E的106 min，但仍远少于M3M正射影像总耗时733 min。

2.4 视频自动识别准确率

地理空间视频自动识别准确率受航高、云台角度、地形起伏、无人机机型及影像数据源类型共同影响，表现出一定的规律性。

2.4.1 航高

不同航高下，识别准确率随航高的增加呈现递减趋势，而且在3个研究区、3款机型中均保持一致(图 3)。以M4E为例，从50 m升至500 m航高，识别准确率降幅在三江县、钟山县、岑溪市分别达12.8%、13.4%和14.5%。这主要是因为低航高(50—150 m)下航拍影像地面分辨率高，可以完整保留枯立木纹理、色彩细节，识别准确率高；高航高(300—500 m)下，影像特征模糊，林冠层相互遮挡加剧，目标与背景的差异缩小，模型难以有效区分枯立木与健康植株，导致视频识别准确率大幅下降。

2.4.2 云台角度

不同云台角度下，识别准确率随云台角度增大呈递增趋势，垂直俯视视角(90°)的识别效果最优(图 4)。以M4E为例，云台角度从50°升至90°，识别准确率增幅在三江县、钟山县、岑溪市分别达17.1%、24.3%和7.1%。这主要是因为云台角度变小，观测路径延长导致目标特征衰减，同时山坡地形加剧了林冠层的相互遮挡，无法有效捕捉到山体背阴面的枯立木。

2.4.3 地形起伏

不同研究区间相互对比可以发现，地形起伏程度直接决定识别准确率的稳定性。岑溪市地形平坦开阔，无明显山体阴影与地形落差，各机型在不同航高、云台角度下均保持较高的识别一致性。以M4E 50°云台角度为例，岑溪市识别准确率为83.2%，而地形起伏较大的三江县与钟山县分别仅为73.5%和67.1%。山地地形起伏导致无人机倾斜拍摄时背景信息杂乱，山体阴影与枯立木的影像特征在特定光照条件下发生重叠，识别准确率下降。尤其在低航高、大倾角组合条件下，识别准确率的降幅更为明显。

2.4.4 无人机机型

不同无人机型相互对比可以发现，设备硬件性能会直接影响枯立木的识别准确率。M4E凭借更优异的传感器分辨率与成像系统，在所有地形条件与参数配置下均展现出最高的识别稳定性。以钟山县150 m航高、90°云台角度为例，M4E的识别准确率为94.2%，M3M (NDVI)的识别准确率为84.7%，二者相差9.5%。此外，手动飞行的识别准确率在高航高(≥300 m)下明显优于自动航线飞行。这是因为调查人员可以根据地形起伏灵活调整飞行姿态，主动规避遮挡并捕捉最佳观测方向，弥补高航高导致的分辨率不足。

2.4.5 影像数据源类型

不同数据源下YOLOv8-LSK算法的识别准确率也不相同。在相同研究区、航高与云台角度下，M3M(NDVI)的识别准确率始终低于可见光视频的准确率(图 3、图 4)。这主要是因为可见光影像中枯立木的枯黄变色、树冠残缺等色彩与纹理特征明显、稳定，模型易于泛化，能够充分识别目标特征；而NDVI视频依赖于近红外与红光波段的比值运算来区分枯木与健康植被，实际林区中裸土、阴影、人工构筑物等非植被目标与枯立木存在光谱混淆，加之无人机多光谱传感器缺乏实时辐射校正，导致NDVI值不稳定、类间差异缩小，因而识别准确率较低。

2.5 视频识别结果的定位偏差

视频识别结果的定位偏差受航高、云台角度、地形起伏、飞行模式影响，表现出一定的规律性(表 3、表 4)。定位偏差随航高增加呈上升趋势，各研究区和无人机机型的表现一致。低航高(50—150 m)时偏差小，平均偏差0.69 m；高航高(300—500 m)时偏差增大，平均偏差2.75 m，增幅298.6%。航高越高，无人机姿态误差在地面投影越大，同时影像清晰度下降，导致目标落点定位偏差增大。定位偏差随云台角度增大而减小，各研究区和无人机机型的表现一致。当云台角度从50°增至90°时，以钟山县M4E为例，50°定位偏差高达7.52 m，90°时降至2.31 m，降幅225.5%。各研究区和无人机机型在云台角度为90°时偏差最小，平均偏差仅1.98 m。这是因为垂直视角受地形起伏干扰小，地理坐标映射的准确性最高。

分析表 3、表 4可知，地形起伏程度直接影响定位偏差，岑溪市研究区的地形平坦，偏差最小，50 m航高时M4E的定位偏差仅为0.28 m；钟山县研究区的地形起伏最大，定位偏差也最大，50°云台角度下M3E的最大定位偏差达8.06 m。三江县研究区地形起伏中等，其定位偏差也呈现出相应的中等水平，说明地形起伏对定位精度有干扰作用。手动飞行的定位偏差比自动航线飞行的更稳定，平均定位偏差3.28 m，其中岑溪市M4E定位偏差最小(2.84 m)，钟山县M3E定位偏差最大(3.79 m)；自动航线飞行的定位偏差完全依赖预设参数(航高、云台角度)，不能依据地形特征、拍摄场景和飞行经验主动调节航高与云台角度，定位偏差波动范围大。

3 讨论

本研究以三江县、钟山县、岑溪市3个研究区松材线虫病枯立木识别的正射影像处理结果(DOM中误差为0.04—0.12 m)与人工判读枯立木数量(127、5 854、2 492棵)为对照，探讨地理空间视频在松材线虫病枯立木识别中的效率、准确率和定位偏差，综合评价地理空间视频在枯立木监测中的应用效果。

3.1 地理空间视频识别的效率优势

地理空间视频识别与正射影像相比，在数据采集与处理效率上优势显著。视频识别手动飞行和自动航线飞行两种模式的总耗时均大幅少于正射影像，M4E自动航线飞行300 m航高时，钟山县视频识别总耗时比正射影像减少61.63%，手动飞行模式下，三江县、钟山县、岑溪市的视频识别耗时也仅为正射影像的89.57%、84.55%和89.36%。这是由于传统无人机正射影像需要严格控制航向重叠度(通常≥80%)与旁向重叠度(通常≥70%)以保障拼接精度，导致飞行航线规划复杂、采集时间延长，而且后期需要进行密集点云重建、正射校正等处理步骤，流程复杂且对硬件要求高^[30]，同时正射影像最终的DOM成果仍需依靠人工目视判读标注枯立木位置，影响效率^[31]。而地理空间视频识别通过连续帧图像采集，不受严苛重叠度的限制，飞行灵活性更高，同时结合自动识别算法实现快速数据处理，显著缩短了处理时间。手动飞行的灵活性高，在三江县复杂林区环境中M4E视频采集时间(12 min)与自动航线飞行(13—17 min)接近，处理时间仅5 min(表 2)，显著优于正射影像的总耗时(163 min)。地理空间视频识别的数据采集和处理在时间成本和人力成本上优势显著，手动飞行以其灵活性与高效性兼具的特点，适用于地形环境复杂林区的数据采集。

地理空间视频识别的数据采集效率受无人机性能影响，M4E凭借21 m/s的飞行速度，在手动飞行与自动航线飞行两种模式下均保持最优采集效率。飞行速度作为硬件参数，直接决定了数据采集的时间成本。这与Matejčíková等^[32]提出的“硬件性能与数据源适配性是提升遥感检测效率的关键”结论一致。另外，值得注意的是，以钟山县手动飞行为例，M3M同步采集多光谱数据的视频识别总耗时虽高于M4E和M3E，但仍远低于同机型传统正射影像，这与Matejčíková等^[32]提出的“数据源选择直接影响遥感任务效率”的观点一致。

3.2 地理空间视频识别准确率的影响因素

在航高、云台角度、地形起伏、无人机机型及影像数据源类型等影响因素中，航高增加识别准确率呈显著递减趋势，而且在3个研究区和3款无人机机型中具有一致性。低航高(50—150 m)下高分辨率影像能完整保留枯立木纹理与色彩细节，这与Matejčíková等^[32]的研究结论一致，其通过对比多源数据发现，高空间分辨率影像有利于枯立木细微特征的捕捉，是提升识别精度的核心因素。而高航高(300—500 m)下林冠层遮挡加剧、目标与背景差异缩小，导致模型区分能力下降，这一现象在Hess等^[33]的无人机大径材蓄积量测量研究中也得到印证，其指出航高增加引发的影像模糊是遥感识别误差的主要来源之一。值得注意的是，本研究中岑溪市高航高识别准确率降幅(14.5%)略高于另外两个研究区，这可能与岑溪市研究区的林分密度较高有关，高航高下密集林冠的遮挡效应更为突出。云台角度增加识别准确率呈显著递增趋势，垂直云台角度(90°)识别效果最优。这是因为倾斜角度减小时，观测路径延长导致目标特征衰减，且山坡地形会加剧林冠遮挡，尤其难以捕捉山体背阴面枯立木。这与Wang等^[34]提出的“双流特征融合网络”的研究思路相契合，其强调观测角度优化对提升密集枯立木识别精度的重要性。不同区域的增幅差异[(钟山县(24.3%)＞三江县(17.1%)＞岑溪市(7.1%)]进一步表明，地形起伏程度会调节云台角度的影响效应，平坦地形(如岑溪市)下角度变化对遮挡条件的改变作用较弱，而山地地形中角度优化能更有效地减少遮挡干扰。地形起伏是决定识别准确率稳定的关键因素。岑溪市平坦地形下各参数组合均保持一致的高识别准确率，而三江县、钟山县山地地形因背景信息杂乱、山体阴影与枯立木光谱特征重叠，导致识别准确率显著降低。这一发现补充了Matejčíková等^[32]研究的区域适应性结论，其虽然对比了不同数据来源的识别效果，但未深入分析地形异质性的调节作用。本研究证实地形起伏会放大航高与云台角度的负面影响，尤其在低航高、大倾角组合下，地形导致的阴影干扰与特征混淆更为严重。无人机机型的硬件性能直接影响识别效果，M4E凭借更优的传感器分辨率与成像系统，展现出最高的识别准确率。钟山县150 m航高、90°云台角度下，M4E与M3M(NDVI)的准确率相差9.5%，印证了Cao等^[35]关于“传感器性能与算法适配性决定无人机图像识别精度”的观点。此外，手动飞行模式在高航高下的优势，体现了人为干预对设备性能不足的弥补作用，调查人员可通过灵活调整飞行姿态规避遮挡，这为复杂地形区域高航高遥感调查提供实用参考。数据源类型的差异导致YOLOv8-LSK算法识别效果分化，可见光视频准确率始终高于NDVI视频。这是因为可见光影像中枯立木的色彩与纹理特征稳定且易于泛化，而NDVI视频存在光谱混淆与辐射校正不足的问题，这与Matejčíková等^[32]的研究一致，其发现可见光数据在枯立木检测中具有更强的鲁棒性，而多光谱数据的识别效果受非植被目标干扰较大。

3.3 地理空间视频识别定位偏差的影响因素

地理空间视频识别结果的定位偏差(0.28—8.06 m)需要结合正射影像处理结果的DOM中误差(0.04—0.12 m)综合评估。低航高(50—150 m)与垂直云台角度(90°)组合下，平均定位偏差仅为0.69—1.98 m，云台角度为90°时，各研究区和机型的定位偏差均取得最小值，平均定位偏差均仅为1.98 m，满足森林资源调查的定位精度要求(±3.00 m)^[36]。而高航高(500 m)与小云台角度(50°)组合下偏差增大，航高每提升1倍，定位偏差约增加3倍，这与Hess等^[33]报道的“UAV影像定位误差随航高呈指数增长”的研究结果相互印证，本研究进一步量化了不同航高区间的偏差增幅。地形起伏对地理空间视频识别定位偏差的干扰表现为地形起伏越大定位偏差越大。钟山县地形起伏最大，定位偏差(3.75—8.06 m)明显高于地形平坦的岑溪市(0.28—4.68 m)，山地地形导致地理坐标映射的非线性误差增大，尤其在倾斜拍摄时，山体阴影与目标位置的空间关联度降低，进一步放大视频识别的定位偏差。手动飞行模式的视频识别平均定位偏差为3.28 m，略高于森林资源调查的常规精度要求(±3.00 m)^[36]。但是，其定位偏差比自动航线飞行更稳定，能够通过人为干预弥补自动航线飞行在高航高下分辨率低、地形适应性不足等缺陷，因此在以快速排查为主要目的的复杂林区枯立木监测中仍具有实用价值。

3.4 研究局限与未来改进方向

本研究还存在一定的局限，一是NDVI视频的识别准确率始终低于可见光视频，无人机多光谱传感器缺乏实时辐射定标，需要在后续设备研发中重点突破这一技术瓶颈；二是定位偏差在高航高(500 m)、地形起伏时的最大值是8.06 m，大于实际调查的常规精度要求(±3.00 m)^[36]，需要在后续的研究中进一步优化空间视频处理方法，同时还要增加模型训练样本，优化模型架构和训练参数，增强多尺度特征提取能力，提升模型性能；三是模型未考虑光照变化的影响，而Matejčíková等^[32]的研究中指出光照条件是遥感影像目标识别的重要干扰因素，需要在后续的研究中，纳入更多环境变量，增加光照条件，分析其对识别准确率的影响，构建动态光照补偿机制，减少阴影与反光对识别结果的干扰，进一步拓展地理空间视频识别的适用场景，提升枯立木自动识别的通用性与稳定性。

4 结论

本研究以传统正射影像人工判读技术为对照，揭示航高、云台角度、地形起伏、无人机机型及影像数据源类型对地理空间视频枯立木识别的影响规律，明确了不同地形条件下的最优参数组合，得出以下结论。(1)效率优势突出。视频识别的数据采集与处理总耗时大幅少于正射影像，三江县M4E手动飞行仅为正射影像的89.57%，钟山县自动航线飞行300 m航高仅为正射影像的61.63%。M4E凭借21 m/s的飞行速度实现最优采集效率，M3M同步采集多光谱数据，耗时仍远少于同机型正射影像。地理空间视频识别降低时间与人力成本的同时保留多维度数据采集能力，适用于地形环境复杂林区的枯立木数据采集。(2)识别精度可控。航高、云台角度、地形起伏、无人机机型及影像数据源类型协同调控识别精度，其随航高的增加显著递减，低航高(50—150 m)下最优；随云台角度的增加显著递增，垂直云台角度(90°)时最佳。地形起伏会放大航高与云台角度的影响，低航高、大云台角度下识别精度最佳。M4E凭借优异设备性能，识别精度最优且最具稳定性。可见光视频因枯立木色彩与纹理特征稳定，识别精度始终高于NDVI视频。最优参数组合(航高50—150 m、云台角度90°、可见光数据源、M4E机型)的枯立木识别准确率达88.9%—95.8%。(3)定位精度达标。低航高与垂直视角组合下，视频识别的平均定位偏差为0.69—1.98 m，满足森林资源调查的常规精度要求(±3.00 m)；手动飞行模式平均定位偏差为3.28 m，略超常规精度要求阈值，但其识别准确率在高航高下优于自动航线飞行，人为干预可以弥补设备性能的不足，平衡调查效率与识别精度，在地形环境复杂林区的枯立木监测中仍具实用价值。