基于多尺度标记优化分水岭方法的油茶冠幅提取

针对尺度对地物空间结构的限制以及传统分水岭分割易产生树冠过分割等问题,选择长沙县明月村油茶基地为研究区,提出一种基于多尺度标记优化分水岭分割油茶树冠的方法。首先使用高分辨率无人机影像采集图像,分析影像特征,构建油茶分类体系,提取油茶林分布区域。其次,运用多尺度区域迭代增长方法提取树冠标记,将标记应用于多阈值尺度的分水岭变换,并结合Johnson指数选取树冠标记增长和分水岭阈值的最优尺度,实现油茶单木的准确识别。结果表明:多尺度标记优化分水岭方法在分离油茶单木时,树冠面积提取值与目视解译参考值的相对误差为9.4%;单木总体识别精度为89.4%,相对于传统的分水岭分割方法精度提高了34.8%;通过Johnson指数确定的最优迭代增长尺度为20,分水岭分割阈值尺度为85,对比不同尺度组合下的油茶冠幅提取结果,最优尺度下的油茶冠幅提取精度最高(R²=0.75)。多尺度标记优化分水岭方法能较准确地分离油茶树冠,将该方法应用于无人机影像树冠分割,可有效提高经济林调查的效率。     

大兴安岭天然落叶松林单木健康评价

单木健康评价结果融入传统小班(或林分)尺度健康评价中,可提高小班(或林分)尺度评价准确性,实现单木尺度与小班(或林分)尺度间的耦合过程,可为实现森林的健康经营提供理论依据.本文以大兴安岭林区天然落叶松林为对象,建立了包括根部状态、树冠落叶程度、树冠透视度、树冠重叠程度、树冠枯梢比重、活冠层比重、树冠偏斜程度和垂直竞争指数的单木健康评价指标体系,根据主成分分析法进行去相关性处理,并使用熵值法赋予指标权重,利用模糊综合评价法对天然落叶松林进行单木健康评价.在评价结果的基础上,采用判别分析法建立单木健康预测模型.结果表明:研究区内处于亚健康等级的林木最多,占总株数的36.7％;健康林木最少,仅占总株数的12.9％;不健康林木比例超过健康林木,达到21.1％;单木健康预测模型预测正确率为86.3％.应采取合理有效的经营措施提高林木的健康等级.     

基于机载LiDAR数据的福建柏人工林林木参数提取

准确高效地提取人工林林木参数可为估算单木材积、林分蓄积量提供关键信息。本文提出基于机载LiDAR数据的高精度单木参数提取方法,其实现过程包括数据预处理、地面滤波、单木分割和参数提取。以福建省沙县官庄国有林场的福建柏大径材人工林为试验区,采集高密度机载点云数据,对点云进行去噪、重采样等预处理。使用布料滤波算法(CSF)分离出植被点云和地面点云,并采用Delaunay三角网法将植被点云数据插值生成数字表面模型(DSM),采用反距离加权插值法将地面点云数据插值生成数字高程模型(DEM),两者作差运算获得冠层高度模型(CHM)。利用分水岭分割算法分析不同分辨率的CHM对单木分割及参数提取精度的影响。采用点云距离聚类算法对归一化植被点云进行单木分割,分析不同的距离阈值对单木分割及参数提取精度的影响。结果表明：使用分水岭分割算法处理0.3 m分辨率CHM单木分割调和值最高,达到91.1%,提取的树高精度较优,决定系数(R²)达到0.967,均方根误差(RMSE)为0.890 m;使用间距阈值为平均冠幅的点云分割算法单木分割调和值最高,达到91.3%,提取的冠幅精度较优,R     

基于U-Net卷积神经网络的年轮图像分割算法

树木年轮学的研究需要统计树龄和测量轮宽,由此推算环境变换和树木生长信息,因此准确提取年轮特征信息至关重要。精准识别出年轮图像中的早材、晚材和树皮是实现自动化测量年轮参数的首要工作。树木年轮的生长过程中存在年轮的早材和晚材间边界过渡模糊、节疤和伪年轮等现象,且年轮圆盘在砍伐和采集过程中表面会存在毛刺和噪声点,使用传统的图像分割算法难以得到理想的效果。本文结合深度神经网络的特点,针对年轮图像的分割问题,构建了基于U-Net卷积神经网络的年轮图像语义分割模型。首先,对采集的100张年轮圆盘图像进行标注,并通过旋转、透视和图像变形等方式做数据增强,生成20000张数据集,随机选择其中16000张作为训练数据集,4000张作为测试数据集。其次,根据图像数据集的特征,利用Tensorflow深度学习框架,设计构建基于U-Net卷积神经网络的年轮圆盘图像分割网络。然后,将训练样本输送进网络,设置优化训练参数,对年轮图像分割网络进行迭代训练,直至评价指标和损失函数不再变化。最后,用训练好的模型对测试集样本进行分割,并进行分割指标评估。结果表明:该算法可有效避免毛刺、锯痕和节疤等因素的影响,完整地分割出年轮的晚材和树皮区域,在4000张测试数据集上分割的平均准确率达到96.51%,平均区域重合度达到82.30%。与传统图像处理算法相比,本文所采用的基于U-Net卷积神经网络的年轮图像分割算法,能够达到更好的分割效果,同时具有更强的泛化能力和鲁棒性。     

落叶松人工林单木模型的研究

根据吉林省松江河林业局所实测的落叶松人工林(Larix olgensis)临时标准地66块、固定标准地18块以及8块团状枝解析样地资料,通过对林分中优势木生长及树冠结构与动态的分析,提出适于树木生长的Korf方程并用来构造林木的潜在生长函数。选择林分密度指数(SDI)作为反映林分中林木之间平均拥挤指标。在单木竞争指标的选择上,通过引进树冠因子,并在与传统的竞争指标相比较的基础上,淡化距离因子的作用,应用优势木相对树冠表面积构造了与距离无关的单木竞争指标,以此建立了落叶松人工林单木生长模型。     

基于广义线性混合效应模型的森林树木死亡研究

基于计数模型方法,同时考虑样地的随机效应,构建林分水平死亡模型,探究影响树木死亡的因素,以期为森林资源的监测与管理提供参考依据。以美国德州东部森林连续清查的样地数据为数据源,按4∶1的比例将其进行随机抽样,划分为训练集和验证集数据,将立地因子、林分因子和气候因子作为模型的自变量,林木死亡株数则作为模型的因变量,运用计数模型和混合效应模型方法进行模型的构建,并分析影响林木死亡株数的因子。使用赤池信息准则(AIC)、贝叶斯信息准则(BIC)和-2倍对数似然函数值(-2logL) 3种模型评价指标评估各模型间的拟合效果;采用平均绝对误差(MAE)和均方根误差(RMSE) 2种评价指标评估其预测效果,以便筛选出最佳的林分水平死亡模型。结果表明：立地因子方面,林木死亡株数与海拔(P<0.01)呈显著的负效应,与坡度(P<0.05)呈显著的正效应,说明林木死亡株数随海拔的升高而减少,随坡度的增加而增多;林分因子方面,林木死亡株数与林分年龄(P<0.001)和树木基面积(P<0.001)呈显著的正效应,与林分平方平均胸径(P<0.001)和林分密度(P<0.05)...     

基于抚育间伐效应的长白落叶松人工林两阶段枯死模型

1972和1974年分别在黑龙江省江山娇林场及孟家岗林场设置10块长白落叶松人工林固定样地(8块抚育间伐样地、2块对照样地),采用连年复测数据,分析抚育间伐对人工长白落叶松样地枯死与单木枯死的影响.基于二分类变量Logistic回归,建立了样地枯死及样地内单木枯死概率的两阶段模型(Ⅰ:抚育间伐后样地水平枯死概率模型;Ⅱ:枯死样地中单木水平枯死概率模型),采用广义估计方程(GEE)方法对模型参数进行估计.根据敏感度和特异度曲线相交点确定枯死概率最优临界点.结果表明: 样地数据按照抚育间伐次数分为4组分别建模(模型1～模型4).在模型1中,地位指数、林分年龄的自然对数、抚育间伐年龄及强度为显著自变量;模型2～模型4采用主成分分析法建模,主成分包含林分年龄、每公顷株数、平均胸径及抚育间伐因子,说明抚育间伐因子对样地枯死概率有显著影响.抚育间伐对枯死样地中单木枯死概率无显著影响,单木枯死概率模型中显著性自变量为林分初植密度、年龄、林木胸径的倒数及林分中大于对象木的所有林木断面积之和.样地枯死概率模型及单木枯死概率模型Hosmer和Lemeshow拟合优度检验均不显著,模型AUC均在0.91以上,估计正确率均超过80%,说明模型拟合效果较好.     

基于线性分位数混合效应的辽东山区红松冠幅模型

冠幅是反映单木生长状态及构建林木生长收获模型的重要变量。本研究以辽东山区大边沟林场10～55年生红松人工林为对象,基于66块固定样地的2763株红松的每木检尺数据,选取冠幅基础模型,采用再参数化的方法引入单木竞争指标(R_d),利用哑变量的方法引入了林分密度、林层变量,构建不同分位点(0.50、0.90、0.93、0.95、0.96、0.99)的冠幅分位数回归模型,并与传统方法进行比较,选取模拟林分最大冠幅的最优分位点。为反映林分中单木冠幅在林木个体之间的差异,建立了基于样地水平的最优分位点的线性混合效应分位数回归冠幅模型,分析各变量对单木冠幅的影响。结果表明: 基于F统计检验,不同林分密度和林层的冠幅模型具有显著差异,在基础模型中引入林层、林分密度和竞争后,模型R_a²提高0.0104,均方根误差降低0.0115,均方误差降低为7.4%;与最小二乘法比较,分位数回归模型能够较好地模拟林分状态下的单木最大冠幅,并选出0.96分位点和0.93分位点作为上林层和下林层的分位数回归模型的最优分位点。引入混合效应的线性分位数回归模型的赤池信息准则、贝叶斯信息准则、HQ信息准则等评价指标优于传统分位数回归,参数标准误显著降低,混合效应的引入很好地解释了样地之间的差异。就上林层和下林层而言,林分密度越大,最大冠幅越小;相对直径越大,最大冠幅越大,其中林分密度对下林层的冠幅影响大于上林层,当林分密度足够大时,冠幅随着胸径的增大先增大后降低。本研究构建的基于混合效应的分位数回归模型能有效提高模型的拟合优度,今后可通过调控林分密度、适度抚育间伐等措施,实现对辽东山区红松人工林的科学营建和可持续发展。     

杉木风景游憩林冠径与胸径关系研究

为研究杉木风景游憩林标准林分密度（立木株数）,确定合理抚育间伐强度提供科学依据。本文在福建将乐国有林场通过设置杉木人工林39块标准地和2 906株每木检尺实测数据,建立了福建将乐杉木人工林树冠径与胸径以及冠径与胸径比值(cd/D)关系,并分析了冠径与胸径比值在风景游憩林树木空间、林分密度和间伐强度中的应用。研究表明:胸径在2~43 cm之间时,相关系数(R²)达0.919 5,呈显著线性相关,其中2~35 cm模型精度较高,35~43 cm误差较大。通过对不同大小的杉木(cd/D)比值进行分析,得出随着胸径增大比值是逐渐减小的,并且减小的趋势随着胸径的增大趋于平稳,最后趋于一个常数。     

基于树冠竞争因子的落叶松人工林单木生长模型

基于黑龙江省佳木斯市孟家岗林场落叶松人工林14块固定标准地的两期调查数据(2007、2009年),通过分析树冠变量与林木生长的关系,构建了2个树冠竞争指数(CIa、CIb),并将其作为单木竞争指标构建了落叶松人工林与距离有关的单木生长模型。研究结果表明:文中提出的二个树冠竞争指数优于Hegyi竞争指数(CI),落叶松各个竞争指数与林木断面积生长量相关性大小顺序为CIbCIaCI。随着对象木影响圈的扩大,竞争指数趋于稳定,对模型的拟合效果有所提高。林木大小是影响落叶松单木生长的主要因子,胸径越大,单木生长量越大。通过引入与距离有关的树冠竞争指数将单木模型的拟合优度提高了5.6%。本文构建的与距离有关的单木生长模型可以很好地预估人工落叶松单木的断面积生长量。     

北京地区侧柏人工林密度效应

密度是影响森林尤其是人工林生长的重要因素,林冠层是森林生态系统与其他系统进行能量和物质交换的重要场所,树木及树冠生长对林分密度的响应关系可以看作是生物对环境变化产生的适应性现象。林分密度效应是生态学和森林培育学的重要研究内容之一。以23块8种不同密度梯度的北京山区侧柏人工幼龄林林分为研究对象分析其树木生长及树冠生长对密度的响应关系,其中树冠指标使用了参照了美国林务局(USDA)的树冠调查指标。研究结果表明:(1)林分平均胸径、平均树高和平均冠幅生长均随密度增大而减小,林分密度大于3000株/hm2时各指标减小的趋势变缓,使用异速生长模型可以很好地拟合这种变化关系;(2)随密度增加,树冠水平方向和垂直方向生长均到显著地抑制作用,树冠外形表现出由饱满冠型向狭长冠型变化的适应性现象;(3)使用树冠二维、三维指标与密度进行相关性分析可知树冠长度、树冠率等指标与林分密度呈负相关关系,树冠圆满度及树冠生产效率与密度表现出极显著正相关关系;(4)采用枝解析的方法研究了树枝长度、材积的平均生长量、连年生长量与密度的关系,结果表明幼龄期各生长量差异不大;(5)在建立冠幅模型时考虑了自变量间的多重共线性问题,所建的胸径单自变量二次方模型能够很好地预测侧柏人工幼龄林冠幅生长过程,模型相关系数R2为0.961。     

基于无人机高光谱影像的薇甘菊分布提取研究——以云南德宏州为例

为有效控制薇甘菊入侵,及时掌握其空间分布和动态变化,基于无人机高光谱数据,通过深度学习（DL）、支持向量机（SVM）、随机森林（RF）等方法提取云南省德宏州微甘菊分布情况。结果表明,DL、SVM和RF等3种方法均有效实现了薇甘菊的分布提取,以DL方法的提取效果最佳,制图精度和用户精度分别为96.61%和95.00%;其次为RF方法,制图精度和用户精度分别为94.83%和91.67%;SVM方法的制图精度和用户精度分别为92.45%和81.67%。这3种方法均能很好提取薇甘菊集中分布区域,且DL和RF方法对零散分布薇甘菊的识别效果优于SVM。因此,无人机高光谱影像为薇甘菊的监测、预警和精准防治提供了支撑和依据,对保护当地生态系统安全具有重要意义。     

樟子松人工林树冠表面积及体积预估模型的研究

基于樟子松(Pinus sylvestris var. mongolica)人工林6块固定标准地30株枝解析数据,在分析树冠表面积和树冠体积与林分变量和林木变量的基础上,利用幂函数建立了树冠表面积（CSA）和树冠体积(CV)的预估模型,同时还对林木材积生长量与CSA和CV进行了相关分析。研究结果表明：樟子松人工林树冠表面积和树冠体积随着林木胸径、树高和冠长的增大而增大,林木材积生长量与树冠表面积和树冠体积均明显呈线性关系。不同林分条件的樟子松人工林CSA和CV随林分年龄和胸径的增大而增大,CSA随林分密度的增大而减小,而CV与林分密度相关不紧密。林分树冠表面积和树冠体积预估模型的检验结果表明,两个模型的平均相对误差都在±8%之内,预估精度均大于91%,说明所建模型可以很好地预估樟子松人工林不同林分条件下的林木树冠表面积和树冠体积。     

长白落叶松林生物量的模拟估测

利用样木收获法收集了34个样地中长白落叶松林分地上部分生物量信息,选取其中29个样地生物量信息分别与样地林分因子信息和TM遥感影像信息拟合建立生物量模型,利用其余5个样地的生物量信息进行模型精度检验和误差分析.结果表明：长白落叶松地上部分生物量均可用林分因子和遥感因子进行线性拟合;林分因子线性模型对长白落叶松中幼林地上生物量的估测精度较高（林分P=94.33%,遥感P=92.32%）,且检验误差较小（林分MRE=6%,遥感MRE=31%）,模型模拟效果较好;若只考虑长白落叶松中龄林,这2种模型的估测效果相当（林分模型和遥感模型的误差分别为329.9和313.6 t）.整体而言,林分因子模型估测长白落叶松树皮、干材和总生物量的效果优于遥感因子模型,对于中龄林来说,遥感模型估测叶花果、树枝和树冠生物量的效果较好.     

台风“布拉万”对东北近天然落叶松云冷杉试验林的影响

台风是重要的森林干扰因子之一,会对森林生态系统的结构和功能产生较大的影响。2012年的台风"布拉万"对我国东北地区局部森林造成了严重的破坏。以受灾最重的吉林省汪清林业局的近天然落叶松云冷杉林为对象,采用方差分析和相关分析方法,研究林分结构和地形条件对林木株数损伤率的影响。结果表明:(1)林木损伤类型可分为折断、连根拔起、搭挂、压弯4种,其中连根拔起为最主要的损伤类型,占总损伤株数的52%,台风灾害造成的林木株数损伤率平均为14.09%。(2)径级大小对林木株数损伤率的影响显著。损伤主要发生于径级较小林分处,径级越大,其株数损伤率越小。(3)林木株数损伤率随林分密度的增加有减小的趋势,但在统计学上它们的关系不显著。(4)不同树种间的林木株数损伤率差异显著,落叶松、冷杉等针叶树种损伤株数最多。(5)林分的树种多样性指数与林木株数损伤率无显著的相关性。(6)海拔、坡度和坡位对林木株数损伤率的影响不显著,但坡向的影响显著,东北坡向林分的林木株数损伤率最大。研究结果可以为灾后森林恢复和减少风灾影响的森林培育措施提供依据。     

间伐强度对杉木－火力楠混交林生长影响的研究初报

对杉木-火力楠混交林进行4种间伐强度试验表明,间伐6年后各林分的杉木、火力楠胸径净生长量比对照分别增加70-139、11-25%,树高增加46-90、7-10%,村积生长增加54-140、10-43%,林分蓄积量增加49-75m³·ha^-1,平均冠高增加2-6、8-13%,第1活枝高下降0.5-3、35-48%.冠幅杉木下降1-2%、火力楠增加1-8%.可以认为,以间伐强度为30和40%2种方式较好,间伐后林分定型株数约保留在1600-2200株·ha^-1之间为宜。     

基于深度卷积神经网络的树轮宽度测量算法

数字图像处理技术已被广泛用于树轮宽度测量，但大多集中在边界清晰可见的针叶树种，对于木材解剖结构复杂、树轮边界清晰度较差的阔叶树种，传统的图像处理技术表现不佳。为了改善阔叶树种的树轮边界识别精度，本文提出了一种基于U-Net卷积神经网络模型的树轮宽度测量算法。以鱼鳞云杉(Picea jezoensis var.komarovii)、臭冷杉(Abies nephrolepis)、红松(Pinus koraiensis)、白桦(Betula platyphylla)、枫桦(Betula costata)、榆树(Ulmus pumila)的树芯为对象，提出了一种基于U-Net的树轮边界检测模型。采用3种评价指标比较了U-Net方法与手工标注方法的差异，并与WinDENDRO测量得到的树轮宽度进行了精度对比。结果显示，U-Net识别到的树轮边界与实际边界精确匹配，尤其是对阔叶树种树轮边界的检测精度相比传统的数字图像处理方法有显著提高，通过3种评价指标证明所得到的树轮边界精确可靠，在树轮分析中具有较高的实用价值。     

基于F3Net显著性目标检测的蝴蝶图像前背景自动分割

【目的】具有复杂背景的蝴蝶图像前背景分割难度大。本研究旨在探索基于深度学习显著性目标检测的蝴蝶图像自动分割方法。【方法】应用DUTS-TR数据集训练F³Net显著性目标检测算法构建前背景预测模型,然后将模型用于具有复杂背景的蝴蝶图像数据集实现蝴蝶前背景自动分割。在此基础上,采用迁移学习方法,保持ResNet骨架不变,利用蝴蝶图像及其前景蒙板数据,使用交叉特征模块、级联反馈解码器和像素感知损失方法重新训练优化模型参数,得到更优的自动分割模型。同时,将其他5种基于深度学习显著性检测算法也用于自动分割,并比较了这些算法和F³Net算法的性能。【结果】所有算法均获得了很好的蝴蝶图像前背景分割效果,其中,F³Net是更优的算法,其7个指标S测度、E测度、F测度、平均绝对误差(MAE)、精度、召回率和平均IoU值分别为0.940, 0.945, 0.938, 0.024, 0.929,0.978和0.909。迁移学习则进一步提升了F³Net的上述指标值,分别为0.961, 0.964, 0.963, 0.013, 0.965, 0.967和0.938。【结论】研究结果证明结合迁移学习的F³Net算法是其中最优的分割方法。本研究提出的方法可用于野外调查中拍摄的昆虫图像的自动分割,并拓展了显著性目标检测方法的应用范围。     

基于多源遥感数据的面向对象林分类型识别

林分类型的识别是森林资源监测的核心问题之一.为研究多源遥感数据协同的面向对象林分类型分类识别,采用Radarsat-2数据和QuickBird遥感影像协同进行面向对象分类.在面向对象分类过程中,采用3种分割方案:单独使用QuickBird遥感影像分割;单独使用Radarsat-2数据分割;Radarsat-2&QuickBird协同分割.3种分割方案均采用10种分割尺度(25～250,步长25),应用修正的欧式距离3指标评价不同分割方案的分割结果,确定最优分割方案及最优分割尺度.在最优分割结果的基础上,基于地形、高度、光谱及共同特征的不同特征组合,应用带有径向基(RBF)核函数的支持向量机(SVM)分类器进行杉木林、马尾松林、阔叶林3种林分类型识别.结果表明:与单独使用一种数据相比,Radarsat-2数据和QuickBird遥感影像协同方案在面向对象林分类型分类方面具有优势.Radarsat-2&QuickBird协同分割方案,以最优尺度参数100进行分割时,分割结果最好.在最优分割结果的基础上,应用两种数据源提取的全部特征进行面向对象林分类型识别的精度最高(总精度为86%,Kappa值为0.86).本研究结果不仅可为多源遥感数据结合进行林分类型识别提供参考和借鉴,而且对于森林资源调查和监测有现实意义.     

神经元图像大数据的弱监督自动识别技术

在介观尺度上，小鼠大脑图像的数据量可达到10 TB量级，人脑数据量则达到惊人的几十PB，从海量脑图像数据中识别和分析神经元的形态是一项复杂且具有挑战的任务。当前研究人员提出了基于传统机器学习和深度学习的神经元识别算法，其中传统机器学习方法存在迁移、泛化能力较差的问题，基于深度学习的算法虽然可以通过海量精确标注的训练数据提高模型的泛化性，但缺乏精确且丰富的图像标记数据集，因此同样存在过拟合和泛化能力弱等问题。本文提出了一种基于深度学习的弱监督神经元识别方案，仅需要少量有标注的数据，即可通过迭代策略获取海量神经元图像的精确识别结果，具备较强的泛化能力，并最大限度减少人工参与量。该方法在fMOST、BigNeuron等数据集上进行了实验，自动识别精度F1值分别为0.9247和0.8318，优于其他对比的神经元识别算法。