为明确加拿大一枝黄花(Solidago canadensis)在湖北省的入侵过程和影响因素,该文结合相关报道和实地踏查搜集加拿大一枝黄花的入侵分布点,借助ArcGIS对其历史分布动态进行模拟重建,并利用MaxEnt模型对其扩散动态和影响因素进行了分析。...为明确加拿大一枝黄花(Solidago canadensis)在湖北省的入侵过程和影响因素,该文结合相关报道和实地踏查搜集加拿大一枝黄花的入侵分布点,借助ArcGIS对其历史分布动态进行模拟重建,并利用MaxEnt模型对其扩散动态和影响因素进行了分析。结果表明:(1)加拿大一枝黄花在湖北呈不连续聚集分布,由早期的“跳跃式”入侵演变为由东向西北“渐进式”扩散,其中武汉、咸宁和宜昌中部地区入侵程度最为严重。(2)人类活动是影响加拿大一枝黄花扩散的主要因素,其主要沿着公路、铁路等交通方式实现远距离传播,入侵分布点数量与人类活动强度和路网密度呈正相关。(3)最干季度降水量(Bio_17)、气温季节性变动系数(Bio_4)、最湿季度平均温度(Bio_8)、土壤的酸碱度(t_pH)、土壤表层有机碳含量(t_oc)和海拔(DEM)是影响其生长繁殖的关键生态因子。在t_pH=4.0~7.5、t_oc=0.60%~1.12%的酸性或弱碱性土及Bio_4=880~920、Bio_8>24℃时,加拿大一枝黄花最容易发生入侵,其在湖北省的中、高适生区面积可达75200 km 2。综合其在湖北的历史扩散动态和影响因素认为:加拿大一枝黄花的适生区面积和入侵点均呈现由东向西减少的趋势;人类活动是造成其入侵湖北和扩散的主要因素,而自然因子则直接限制其在入侵点的种群大小和发生面积。该研究为加拿大一枝黄花的风险评估、监测预警和防控治理等技术提供了理论支撑。展开更多
为提高加拿大一枝黄花的治理效率,实现对其智能化监测,提出一种改进的YOLOv5(You Only Look Once)网络的检测方法。首先,在YOLOv5网络中添加通道注意力模块,在维持模型轻量化的基础上提高了目标检测精度。其次,在主干网络中添加SPD-Conv...为提高加拿大一枝黄花的治理效率,实现对其智能化监测,提出一种改进的YOLOv5(You Only Look Once)网络的检测方法。首先,在YOLOv5网络中添加通道注意力模块,在维持模型轻量化的基础上提高了目标检测精度。其次,在主干网络中添加SPD-Conv(Space-to-Depth Convolution)层,提高了网络对低分辨率图像以及小目标检测的效果。最后,采用自适应激活函数替换原网络的SiLU(Sigmoid Linear Unit)激活函数,在网络快速收敛的同时提高了网络的泛化能力。实验结果表明,改进的YOLOv5网络精度均值较原网络提高了5.8%,改进后的网络收敛速度更快,检测精度更高,能够更好地满足加拿大一枝黄花检测与防治应用的需求。展开更多
文摘为明确加拿大一枝黄花(Solidago canadensis)在湖北省的入侵过程和影响因素,该文结合相关报道和实地踏查搜集加拿大一枝黄花的入侵分布点,借助ArcGIS对其历史分布动态进行模拟重建,并利用MaxEnt模型对其扩散动态和影响因素进行了分析。结果表明:(1)加拿大一枝黄花在湖北呈不连续聚集分布,由早期的“跳跃式”入侵演变为由东向西北“渐进式”扩散,其中武汉、咸宁和宜昌中部地区入侵程度最为严重。(2)人类活动是影响加拿大一枝黄花扩散的主要因素,其主要沿着公路、铁路等交通方式实现远距离传播,入侵分布点数量与人类活动强度和路网密度呈正相关。(3)最干季度降水量(Bio_17)、气温季节性变动系数(Bio_4)、最湿季度平均温度(Bio_8)、土壤的酸碱度(t_pH)、土壤表层有机碳含量(t_oc)和海拔(DEM)是影响其生长繁殖的关键生态因子。在t_pH=4.0~7.5、t_oc=0.60%~1.12%的酸性或弱碱性土及Bio_4=880~920、Bio_8>24℃时,加拿大一枝黄花最容易发生入侵,其在湖北省的中、高适生区面积可达75200 km 2。综合其在湖北的历史扩散动态和影响因素认为:加拿大一枝黄花的适生区面积和入侵点均呈现由东向西减少的趋势;人类活动是造成其入侵湖北和扩散的主要因素,而自然因子则直接限制其在入侵点的种群大小和发生面积。该研究为加拿大一枝黄花的风险评估、监测预警和防控治理等技术提供了理论支撑。
文摘为提高加拿大一枝黄花的治理效率,实现对其智能化监测,提出一种改进的YOLOv5(You Only Look Once)网络的检测方法。首先,在YOLOv5网络中添加通道注意力模块,在维持模型轻量化的基础上提高了目标检测精度。其次,在主干网络中添加SPD-Conv(Space-to-Depth Convolution)层,提高了网络对低分辨率图像以及小目标检测的效果。最后,采用自适应激活函数替换原网络的SiLU(Sigmoid Linear Unit)激活函数,在网络快速收敛的同时提高了网络的泛化能力。实验结果表明,改进的YOLOv5网络精度均值较原网络提高了5.8%,改进后的网络收敛速度更快,检测精度更高,能够更好地满足加拿大一枝黄花检测与防治应用的需求。