国内8款常用植物识别软件的识别能力评价

随着智能手机和人工智能技术的发展, 以手机app为载体的植物识别软件慢慢走进公众生活、科普活动和科研活动的各个方面。植物识别app的识别正确率是决定其使用价值和用户体验的关键因素。目前, 国内应用市场上有许多植物识别app, 它们的开发目的和应用范围各异, 软件本身的关注点、数据库来源、算法、硬件要求也存在很大差异。对于不同人群, 植物识别app有不同的意义, 如对于科研人员来说, 识别能力强的app是提高效率的一大工具; 对植物爱好者来说, 具一定准确率的识别app可以作为入门的工具。因此, 对各app的识别能力进行分析与评价显得尤为重要。本文选取了8款常用的app, 分别对400张已准确鉴定的植物图片进行识别, 其中干旱半干旱区、温带、热带和亚热带4个区各选取100张。这些图片共计122科164属340种, 涵盖了乔木、灌木、草本、草质藤本和木质藤本5种生长型, 包含23种国家级保护植物。种、属、科准确识别正确分别计4分、2分、1分, 以此标准对软件识别能力按总得分进行排序, 正确率得分由高到低依次为花帮主、百度识图、花伴侣、形色、花卉识别、植物识别、发现识花、微软识花。     

基于枝条木材密度分级的鼎湖山南亚热带常绿阔叶林树高曲线模型

如何便捷准确地测量树高一直是林学及群落生态学所关心的问题。由于木材密度与树木生长密切相关, 因此基于木材密度建立树高曲线模型能够为测量树高提供新的方法。本文以鼎湖山南亚热带常绿阔叶林1.44 ha塔吊样地内119个物种的4,032个个体为研究对象, 利用树高、胸径和木材密度数据来探究基于枝条木材密度分级的树高曲线模型。首先, 对个体进行随机抽样, 将其划分为建模样本(占总样本量的70%)和检验样本(占总样本量的30%), 并通过聚类分析将所有个体的木材密度划分为4级。其次, 基于建模样本利用常见的5种理论生长方程(Richards、Korf、Logistic、Gompertz和Weibull方程)对不同分级建立树高-胸径模型; 基于检验样本检验模型精度, 并确定各分级的最适模型。最后, 构建基于物种分类的树高曲线模型, 并比较其与木材密度分级模型的差异。结果表明: 基于木材密度分级的模型, 各分级小组检验样本的平均绝对误差(MAE)和均方根误差(RMSE)最小值所对应的模型类型与建模样本结果一致, 确定Gompertz模型和Weibull模型为鼎湖山南亚热带常绿阔叶林最适树高模型类型。比较基于木材密度分级的模型与基于物种分类的模型, 发现二者的MAE、RMSE指数差异小。综上, 基于木材密度分级的树高曲线模型对树高估测精度高, 使用方便, 为树高预测提供了新方法, 可以更好服务森林调查等生产实践。