人工神经网络与相容性生物量模型预测单木地上生物量的比较

森林生物量是林业生产经营和森林资源监测的重要指标,为探索高效低偏的单木生物量估测方法,引入人工神经网络.本研究采用黑龙江省东折棱河林场的101株长白落叶松地上生物量数据,基于不同变量(胸径、树高、冠幅)组合建立了4个聚合模型体系(AMS),采用加权回归消除模型的异方差.然后,基于最优的变量组合建立人工神经网络(ANN)...     

基于红松树轮重建小兴安岭南麓过去140年6月份平均温度变化

基于建立的小兴安岭南麓红松树轮宽度标准年表,分析红松径向生长与该地区温度和降水间的关系以及1982年升温突变对此相关性的影响。结果表明：6月平均温度与树轮宽度年表在变暖前后始终呈极显著负相关,是该地区红松径向生长的主要限制因子。基于此构建的区域1843—1982年6月平均温度重建方程稳定可靠。重建温度序列的偏暖时期和偏冷时期分别持续7年和29年,偏暖时段为1915—1921年,偏冷时段为1880—1891年和1932—1948年。小波分析结果显示6月平均温度存在2—7a周期变化。空间相关分析结果表明重建温度序列能很好的代表小兴安岭南麓及附近区域的温度变化。本研究拓展了研究区现有的气候数据,可为掌握小兴安岭气候变化规律和科学预测未来气候提供数据支撑。     

联合U-Net和分水岭算法的高郁闭度杉木纯林树冠信息提取

作为我国重要的用材树种，杉木广泛分布于我国南方地区，其株数和树冠信息对于森林资源的精准监测有重要作用，为此准确掌握杉木林分株数及单木树冠信息尤为重要。对于高郁闭度林分，株数和单木树冠信息正确提取的关键是能够准确分割相互遮挡和粘连的树冠。本研究以福建将乐国有林场为研究区，将无人机影像作为数据源，提出一种基于深度学习方法和分水岭算法的树冠信息提取方法：首先采用深度学习神经网络模型U-Net对杉木树冠覆盖区域进行分割，然后利用传统图像分割算法标记控制分水岭算法进行单木分割得到单木树冠；在保持相同训练集、验证集和测试集的情况下，首先对比U-Net模型与传统机器学习方法[随机森林模型(RF)和支持向量机模型(SVM)]在分割树冠覆盖区域上的表现，接着对比了U-Net模型结合标记控制分水岭算法和只使用标记控制分水岭算法进行单木分割的精度。结果表明：U-Net模型在分割精度、精确率、交互比、精确率与召回率的调和均值4个指标上均高于RF和SVM,与RF相比，4项指标分别提升4.6%、14.9%、7.6%、0.05,与SVM相比，4项指标分别提升3.3%、8.5%、8.1%、0.05。在提取单木株数方面...