福建省主要入侵植物空间分异及其影响因素

在实地调查数据的基础上,本研究结合GIS空间分析技术和地理探测器模型,分析福建省入侵植物空间分布情况,以及地理与社会环境因子及其交互作用对入侵植物分布的影响.结果表明:福建省共记录入侵植物82种,其中,优势科为菊科,小蓬草、藿香蓟和空心莲子草出现频次最高.沿海区域的入侵植物物种数量多于内陆区域,福州和厦门为福建省外来入侵植物的两大热点地区.入侵植物在不同海拔均有分布,但入侵植物的种类随着海拔的升高总体呈下降趋势.地理探测器分析显示,自然环境因子中降水和社会经济因子中路网密度、人口密度是入侵植物空间分布的主要影响因子.各因子的空间交互作用会正向影响入侵植物的空间分布,这反映出入侵植物空间分布影响要素的复杂性.综上,将地理探测器应用到入侵植物研究领域是可行的,筛选出的环境指示因子可用于监测福建省入侵植物的适生区,从而为采取有效的防控措施提供科学依据.     

基于MapObjects的稻水象甲疫情呈报地理信息系统

【背景】稻水象甲是我国最具危害性的外来入侵物种之一,自1996年传人福建省以来,对当地农民增产、增收及粮食安全生产构成了极大威胁。【方法】依据1996～2008年福建省稻水象甲发生面积数据,结合GIS技术和数据库管理技术,以VisualBasic6．0为开发语言,Access2003为Geodatabase空间数据库、MapObjects2．0为地图开发组件,开发了福建省稻水象甲疫情呈报系统。【结果】本系统实现了稻水象甲疫情实时呈报、基于GIS地理分布查询、专题地图制作等功能。专题地图制作和可扩展性是本系统的两大特点,用户不需要专业的GIS和计算机知识,就可以生成一套适合自己的植物疫情呈报系统,为农业病虫害防治工作提供疫情呈报与GIS查询服务。【结论与意义】本系统为稻水象甲的实时监测、防控工作提供了管理工具;界面友好、操作简单且可扩展性良好,便于基层普及应用。     

基于GIS的外来入侵植物调查规划与外业实施

前期规划对外来入侵植物野外调查工作的顺利开展至关重要。本文将基于GIS的野外调查规划方法和入侵植物调查技术规范相结合, 利用地图资源丰富、分析功能强大的LocaSpace Viewer和奥维互动地图, 形成有针对性的野外调查规划方案。具体操作流程包括: (1)借助LocaSpace Viewer软件集成的高分辨率遥感数据和地理标注数据选取调查区域; (2)根据调查规范, 通过该软件的空间分析和地理要素编辑功能, 规划调查地理网格、调查点、样地、标准地和样方, 运用KML空间数据格式存储和分享调查规划信息; (3)在外业实施中使用移动版奥维互动地图软件的数据管理和导航功能实现调查规划信息的导入、定位和导航。通过在福建、广西和云南三省开展技术方法的实地应用与对比实验发现, 运用该方案的外业实施能够达到日平均调查6个样点, 采集调查数据80多条, 直线调查距离180 km, 调查点导航精度大于15 m。对比实验表明基于规划调查比未规划调查在时间利用效率上提高1倍, 工作效率得到显著提升。该方案为外来入侵植物的发生和危害等基础性调查工作提供了高效的技术支撑, 为生物多样性野外调查规划提供了参考方案。     

外来物种入侵大数据采集方法的建立与应用

为准确、快速地获取入侵生物野外调查数据, 我们基于全球卫星导航系统、地理信息系统、移动互联网等现代信息技术提出了外来物种入侵大数据采集方法, 设计并研发了数据表单可自定义的野外调查工具软件——云采集。该系统以Android手机为数据采集终端, 采用C#和Java语言设计开发, 运用卫星导航定位技术实现野外调查发生位置的快速采集, 通过定义9种调查指标的数据类型及指标(列值)默认值、图像拍摄、语音录入、排序等4个辅助属性, 建立调查指标与手机客户端数据录入界面的关联, 实现用户界面可定制的数据录入模式。该系统在国家重点研发项目、福建省科技重大专项及福建省红火蚁(Solenopsis invicta)疫情普查等项目的调查任务中予以应用。实践检验表明: 该系统实现了野外调查数据的离线采集、数据同步、数据查询与输出管理, 将移动智能终端采集取代传统的纸笔记录, 简化了野外调查的流程, 提高了入侵生物野外调查的数据质量, 为外来生物入侵野外调查大数据采集提供了信息化支持。     

基于性诱和深度学习的草地贪夜蛾成虫自动识别计数方法

【目的】探究深度学习在草地贪夜蛾Spodoptera frugiperda成虫自动识别计数上的可行性,并评估模型的识别计数准确率,为害虫机器智能监测提供图像识别与计数方法。【方法】设计一种基于性诱的害虫图像监测装置,定时自动采集诱捕到的草地贪夜蛾成虫图像,结合采集船形诱捕器粘虫板上草地贪夜蛾成虫图像,构建数据集;应用YOLOv5深度学习目标检测模型进行特征学习,通过草地贪夜蛾原始图像、清除边缘残缺目标、增加相似检测目标(斜纹夜蛾成虫)、无检测目标负样本等不同处理的数据集进行模型训练,得到Yolov5s-A1, Yolov5s-A2, Yolov5s-AB, Yolov5s-ABC 4个模型,对比在不同遮挡程度梯度下的测试样本不同模型检测结果,用准确率(P)、召回率(R)、F1值、平均准确率(average precision, AP)和计数准确率(counting accuracy, CA)评估各模型的差异。【结果】通过原始图像集训练的模型Yolov5s-A1的识别准确率为87.37%,召回率为90.24%,F1值为88.78;清除边缘残缺目标图像集训练得到的模型Yolov5s-A2的识别准确率为93.15%,召回率为84.77%,F1值为88.76;增加斜纹夜蛾成虫样本图像训练的模型Yolov5s-AB的识别准确率为96.23%,召回率为91.85%,F1值为93.99;增加斜纹夜蛾成虫和无检测对象负样本训练的模型Yolov5s-ABC的识别准确率为94.76%,召回率为88.23%,F1值为91.38。4个模型的AP值从高到低排列如下：Yolov5s-AB>Yolov5s-ABC> Yolov5s-A2>Yolov5s-A1,其中Yolov5s-AB与Yolov5s-ABC结果相近;CA值从高到低排列如下：Yolov5s-AB>Yolov5s-ABC>Yolov5s-A2>Yolov5s-A1。【结论】结果表明本文提出的方法应用于控制条件下害虫图像监测设备及诱捕器粘虫板上草地贪夜蛾成虫的识别计数是可行的,深度学习技术对于草地贪夜蛾成虫的识别和计数是有效的。基于深度学习的草地贪夜蛾成虫自动识别与计数方法对虫体姿态变化、杂物干扰等有较好的鲁棒性,可从各种虫体姿态及破损虫体中自动统计出草地贪夜蛾成虫的数量,在害虫种群监测中具有广阔的应用前景。