首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  免费   1篇
  国内免费   1篇
  2019年   2篇
排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
内蒙古贺兰山国家级自然保护区荒漠沙蜥春秋季生境选择   总被引:2,自引:1,他引:1  
为更好的了解及保护荒漠沙蜥(Phrynocephalus przewalskii)资源,于2017年5—6月和9—10月,在内蒙古贺兰山国家级自然保护区采用样线调查法对其春、秋2季的生境选择进行研究。春季测定了92个荒漠沙蜥生境利用样方和64个对照样方、秋季测定了71个荒漠沙蜥生境利用样方和76个对照样方的共13种生态因子。利用拟合优度卡方检验、VanderploegScavia′s选择指数、 Mann-White U检验和逐步判别分析确定影响其春秋季生境选择的关键因子。结果表明,荒漠沙蜥的生境选择存在季节性差异。春季一般选择食物丰富度高,隐蔽性好,光照强,地表温度高、湿度低的生境,既保证安全因素又利于达到最适体温,满足繁殖需求;秋季偏好选择土壤质地疏松,食物丰富度高和中的草甸地区,便于隐蔽及累积食物,以满足其躲避天敌、储存越冬能量的需要。  相似文献   
2.
为解决大量红外相机监测影像数据量庞大、亟待快速和自动识别的问题,本研究以东北虎豹国家公园为例,应用卷积神经网络,通过深度学习算法对红外相机影像实现物种自动识别。本研究选择8个物种的红外相机视频影像,以50帧率均匀采集成图片格式,每个物种筛选不同角度、不同环境条件的图片,建立图片数据集,训练集2 074张,测试集519张。对图片进行目标打框、信息标注,选用darknet框架下的YOLO v3模型进行训练,首先不区分昼(RGB)夜(灰度)图像进行训练,再区分昼夜进行训练,最后分别对昼夜图像利用微调(fine-tune)进行训练。研究初步结果显示,基于YOLO v3模型对自然条件下拍摄的红外相机图像进行物种自动识别能够一定程度减轻人力负担,但其效果还需通过完善数据集进行提升。fine-tune在小数据集时或可作为辅助。模型对8个物种识别的平均精确率达到 84.9%~96.0%,且模型收敛。    相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号