基于多元HoG及无人机航拍图像的植被类型识别

使用无人机进行低空航拍,快速取得大范围的植被图像,结合多元HoG特征进行植被类型识别。首先,利用Gabor滤波器提取图像的纹理信息,HSV和Lab颜色空间转化提取图像的颜色信息。其次,将图像分割为N个单元格(cell),基于纹理与颜色信息计算每个单元格的方向梯度直方图(HoG)特征,形成多元HoG特征。最后,以单元格为分类单位,结合随机森林机器学习算法,建立植被类型识别模型。以福建省安溪县山区为研究区域,结果表明:利用无人机低空航拍的光学影像结合多元HoG特征进行植被类型识别是可行的;对于植被与非植被识别,其最高分类正确率达到96.04%; 20 m航拍下,植被类型识别率最高,为82.44%,随着航拍高度的升高,模型识别效果呈现下降趋势。进一步采集福建省长汀县山区的植被航拍影像为测试数据,证明模型对于不同地区植被类型识别的稳定性,其识别精度最高可达73.31%,正确率无显著差异。本研究采用无人机载光学相机获取植被光学图像数据,数据获取方便且所需费用较低;提出的植被类型识别模型具有较高的精度;对于不同地区的植被类型识别具有较好的稳健性,可方便应用于野外森林树种监控与管理。根据不同高度模型识别结果,航拍高度不宜过高,航拍高度以20 m为宜。

基于生态值的戴云山保护区地块选择研究

在自然保护区规划设计中,如何以最合理地块构建自然保护区并能在最大程度上有效地保护生物多样性、维护生态安全,是缓解生态保护与经济开发矛盾所亟需解决的问题。本研究针对戴云山地区探讨地块选择方法的适用性,基于戴云山地区生态评价,结合空间特征和生态现状要求,提出戴云山自然保护区空间优化建议。结合保护区植被多样性特征,应用地块选择算法,将戴云山所属地区共18 762小班进行网格分割,根据森林资源二类调查资料,选取地类、树种组成、郁闭度、平均树高、平均胸径、龄组和立地质量7个指标,求得各网格的生态值,绘制戴云山地区生态值分布图,引入改进的nal-Briers优化模型,实现保护区范围的最优化选择。依此方法共选择88个地块(网格)组成5个构建自然保护区的备选区域,其中包含原自然保护区2处备选区域(编号2,3),新增备选区域位于原保护区东部(编号4)、北部(编号1)和东南部(编号5)各1处。考虑保护区设计原则,编号2,3和4备选区域形成的区域可有效减弱边缘效应的影响,为建设戴云山自然保护区最优区域组合。选择后的戴云山自然保护区,实现了地块数量与生态值间的最优组合,最大限度保护戴云山整体植被多样性。地块选择算法在国内森林生态系统类型自然保护区设计中可能具有适用性,为我国森林生态系统类型自然保护区设计研究提出了新思路。

基于FC-DenseNet的低空航拍光学图像树种识别

使用低空遥感图像进行图像识别为森林调查和监测提供了新的技术契机。基于无人机低空航拍光学图像,以福建省安溪县崩岗区为研究区,建立FC-DenseNet模型进行树种识别。首先,利用Dense模块提取树种图像特征并增强深层网络信息,透过下采样模块降低图像维度,凸显图像的纹理特征和光谱特征;然后,使用上采样模块还原预测图至原始图像大小,并融合浅层Dense模块信息的丰富特征;最后,采用Softmax分类器实现像素分类,完成树种识别。结果显示,基于低空航拍光学图像,FC-DenseNet模型能够准确区分植被与非植被,定位其空间分布特征,其中,FC-DenseNet-103模型的二分类识别精度为92.1%,表明FC-DenseNet模型加深网络深度后具有较好的识别效果;将植被与非植被细分为13类,FC-DenseNet-103模型的平均识别正确率达到75.67%。研究结果表明,基于低空航拍光学图像建立的FC-DenseNet模型具有较高的树种分类精度。由于低空航拍光学图像的成本较低,数据获取费用小,时间周期短,可便于森林资源调查和森林树种检测,为深度学习在树种识别领域的应用提供了新思路。

融合全域与局域特征的深度卷积网络鸟类种群识别

【目的】基于鸟类影像数据,探讨全域与局域特征融合手段,结合深度卷积神经网络理论,建构鸟类种群识别模型,以期为森林与湿地的监控与治理提供新的手段。【方法】首先,依据人类识别物体从整体到局部的生理过程,采用跳跃结构实现物体整体信息与局部信息的交互,该模型主要采用2个模型框架提取鸟类的全域和局域部件特征,并采用跳跃结构,提出融合模块(Fusion block)结构进行特征融合,将全局特征信息传递至局部特征抽取模块。该模型训练阶段需提供鸟类局部的部位标注信息,而测试阶段采用Faster R-CNN模型自动提取其鸟类局部标注信息。其次,探讨不同鸟类局部影像信息对模型的影响,最后,通过对比不同网络分类模型和鸟类数据集,验证模型的有效性和适用性。【结果】该鸟类种群分类模型具有较高的分类精度,总体分类精度达90%以上;对于不同的鸟类局部影像信息,其分类精度表现出一定的差异性,其中基于鸟类头部局部影像的网络分类模型总体分类精度最高;Faster R-CNN模型对鸟类局部影像定位精度较高,测试阶段采用人工标注的局部影像标签和Faster R-CNN模型预测的局部影像标签对模型的总体分类精度差异小;对比Inception-V1、Res Net-101、Dense Net-121以及Bilinear CNN等网络分类模型总体分类精度,该模型总体分类精相对较高,具有一定的有效性;对比使用NABirds鸟类数据集的分类效果,该模型总体分类表现较好,具有一定的适用性。【结论】该鸟类种群分类模型具有较好的识别效果以及有效性,可为森林与湿地的监控和治理提供合理有效的依据。

结合多空间特性的保护区功能分区最优化设计

科学合理的自然保护区功能分区有利物种长期生存繁衍和自然保护区的管理。现阶段的自然保护区功能分区方法中没有考虑自然保护区的空间特性和生物多样性的保护效益,尚未形成一套系统的保护区分区模型。为此,本研究基于Maxent模型模拟珍稀物种的分布,提出基于网络流的保护区功能分区模型,划分出一个连续和紧实的自然保护区功能区,同时考虑保护区保护效益最大化。为验证模型的可行性,将泉州湾河口湿地自然保护区划分为5 969个候选单元,以珍稀水生动物为保护对象,选出方格的最优组合作为自然保护区规划结果,并结合原保护区提出保护区优化方案。模型规划核心区和缓冲区具有连续性和紧实性,且核心区被缓冲区所包围,其中,核心区选中491个候选单元,其生境总适宜值远高于原保护区;结合原保护区进行优化,以原保护区为中心,向正东方向拓展,核心区候选单元数拓展至614个,缓冲区候选单元数为184个。研究设计了新的功能分区整数规划模型,结合泉州湾河口湿地自然保护区提出新的优化建议,由原保护区向正东方向拓展,覆盖珍稀水生动物的集中区域,有效保护珍稀水生动物及其生境,为我国自然保护区功能分区理论和实践提供新的思路。

深度语义分割的无人机图像植被识别

为有效实施植被信息获取及监测,亟需分类准确及易于推广的植被信息识别技术。本文利用无人机航拍获取植被光学影像,利用深度语义分割技术建构植被种类识别模型,为植被变化动态监测提供准确的植被类别信息。首先,基于安溪县龙门镇崩岗区的采样点,获取20 m航拍高度的无人机影像,构建FCN-VGG19植被识别模型,探讨不同特征融合结构对FCN-VGG19识别性能的影响,测算出各植被的覆盖面积;其次,取安溪县另一取样点的无人机影像作为验证集,分析FCN-VGG19的迁移学习能力,验证模型稳健性。结果表明:(1)基于20 m高度的无人机影像建立的FCN-VGG19-8s模型识别正确率最高,为86. 30%;(2) FCN-VGG19-8s识别精度高于FCN-VGG19-32s;并从测试集中随机抽取一张图,测算该测试图的马尾松覆盖面积为78. 38 m2,芒萁覆盖面积为12. 77 m2,柠檬桉覆盖面积为0. 89 m2;(3)在模型的迁移学习能力试验分析中,当A数据集占训练集的比例下降时,对模型识别B数据集的影响不大;当B数据集的数据量减少时,其识别精度稍有下降,仍有84. 5%。本文基于无人机光学影像,结合深度语义分割模型进行植被识别,以福建安溪县为例验证模型稳健性,分析模型在测算植被覆盖面积的适用性,旨在为植被识别研究提供新思路。

高校VR/AR技术人才培养路径研究

文章通过培养虚拟现实/增强现实(VR/AR)技术人才,研发VR/AR教学类产品,制定出一条有利于学校、教师、学生、社会、行业发展的高校VR/AR技术人才培养路径。第一,优化创新体系,打破学科界限,促进学生间的知识交互,推动学生知识形态螺旋式发展,形成多学科交叉汇聚、共生共享的创新研究群体。第二,完善培养体制,开展基于成果导向教育(OBE)理念的成果展示,丰富学生与教师、所开发产品使用者的互动,探索VR/AR技术体验式教学方法,拓展优质课堂内容,创新考核方式。第三,推动高层次认知、高互动、高品质的VR/AR教学类产品的成果转化与应用。

脉冲激光热爆箔法制备金属粉末试验及工艺优化

金属粉末是应用广泛的工业原材料,因此需要不断开发先进金属粉末制备技术。本工作提出了以脉冲激光为热源、不锈钢箔为原料的激光热爆法制粉工艺,通过正交试验方案制备了25种工艺参数下的粉末样品,分别采用激光测粒仪、光学显微镜和扫描电镜研究了粉末的粒径及其分布、粉末颗粒的宏观和微观形貌。采用极差分析和BP神经网络(BPNN)分析两种方法对样品粉末进行了评价和工艺参数优化。研究发现,与常规的极差分析相比,BP神经网络模型不仅优化效果更好,而且获得了粒径均匀、细小、球形度良好的优化工艺参数粉末样品。结果表明,BP神经网络分析能为新型脉冲激光热爆箔法金属粉末制备技术的开发提供有力保障。

Web与VR结合的植物实验教学系统建设

采用Web与VR结合的方法,建设了集植物鉴别、病虫害识别、病虫害防治教学内容于一体的VR植物实验教学系统。该系统包括3个系统功能模块和多个教学单元,能够给予使用者沉浸式的植物生长观察及病虫害防治体验,为使用者认识植物提供多样性选择。以多模态及多角度方式呈现一年生、多年生及灭绝植物,通过VR展示高山植物等难以观察的植物,降低野外考察风险。该植物实验教学系统具有完备设计过程,系统的使用不受教学空间的限制,在降低实验成本基础上提高了实验流畅性、高效性和系统性。

混凝土桥面柔性铺装层防水体系性能评述

防水体系是桥面铺装的重要组成部分之一,成功的桥面防水体系能够保证铺装层具有良好的使用性能。该文介绍了混凝土桥面防水材料的分类及其使用性能,同时考察了目前常用的评价防水性能的指标,此外,根据混凝土桥梁的工作特点提出了桥面防水体系应该达到的要求。

福建泉州湾河口湿地时空动态及其驱动机理

【目的】为探究福建泉州湾河口湿地生态系统环境破坏及景观结构变化的原因,【方法】以泉州湾河口湿地为研究区域,基于Landsat TM遥感影像提取地物信息,构建土地利用动态度模型,运用景观格局指数分析景观空间结构特征;建立不同时期土地利用转移概率矩阵,确定土地类型间数量转移关系;应用灰色关联度模型分析红树林湿地面积变化驱动力。【结果】(1)1990-2018年天然湿地面积占比呈减少趋势,人工湿地呈增加趋势;从景观水平看,湿地斑块分布呈规则化,聚拢程度减少,景观类型丰富。(2)红树林、互花米草群落动态度波动大,红树林面积比例以2000年为分界点,呈先减后增趋势;1990-2000年红树林主要向水域、养殖池转出,2010-2018年滩涂和互花米草群落转出为红树林。(3)2000年来,红树林面积大小与其他土地类型面积变化关联性强,尤其受到国内生产总值、园林绿地面积影响较大。【结论】泉州湾河口湿地红树林呈恢复趋势,互花米草群落蔓延速率减缓,生态环境逐步改善。该研究为湿地保护与生态恢复提供科学实践依据。

基于生境质量构建森林生物多样性保育价值模型

【目的】传统的森林生物多样性保育价值缺乏统一的评估标准,不便于结果比较。目前,物种保育价值模型主要通过林分丰富度核算森林当前保育价值,但未考虑土地利用类型对树种生长的潜在影响,不能体现森林的长期保育价值。近年来,逐步完善的生物多样性价值评价新理论中,尚未出现适用于森林生物多样性保育价值评估的方法。【方法】通过分析福建土地利用情况计算生境质量并划分等级,首次提出生境质量调整系数。利用生境质量和森林分布之间的地理对应关系,构建出基于生境质量的森林生物多样性保育价值模型(HQ-BPV模型),由此将土地利用的影响融入福建省森林生物多样性保育价值评估中。【结果】(1)福建省生境质量分布整体呈现内北高南低、内陆高沿海低和自然保护区高非自然保护区低的态势。(2)福建主要植被类型的平均生境质量按大小排序为针阔混交林>竹林>阔叶混交林>阔叶林>灌丛>针叶林>经济林。(3)调整后栎类和栲类的物种单位面积保育价值最高,为3.58万元/hm^2,调整后各优势树种(组)的物种保育总值中阔叶混交林价值最高,为658.42亿元,构建模型核算的福建省森林生物多样性保育价值为2056.39亿元。【结论】基于能够量化土地利用影响的生境质量指数,构建出HQ-BPV模型用于评价福建省森林生物多样性保育价值,为森林生物多样性的保育价值核算提供新思路,有利于森林资源监测和结构优化。

基于尾长算法的戴云山保护区优化设计

【目的】保护区规划设计是自然保护区研究的重要内容,以数学模型为工具研究保护区设计成为新趋势。集合覆盖物种模型(SCSP)和最大集合物种模型(MCSP)等传统数学模型,仅考虑以最小代价进行保护区规划及设计,未考虑保护区的空间特征,导致选择的保护区区域过于分散,且仅考虑土地市场价格,不能完全体现保护区生态价值。本研究以生态值为衡量指标,结合连续性和紧实性的空间特征,构建有效合理的保护区规划模型,以期为自然保护区建立提供科学依据。【方法】以福建省戴云山国家级自然保护区为例,将戴云山区域划分为567个规则地块,每个地块面积为2 km×2 km,且任意地块都包含若干个小班。依据生态值赋分标准和重心算法,先后计算戴云山小班和其所属地块生态值。结合特殊空间特征与生态值,构建基于尾长法的空间集合覆盖模型(SSCP),并探讨不同紧实性权重和物种保护比例组合对保护区规划结果的影响。最后,以传统SCSP模型、系统保护规划工具Marxan模型和Zonation模型的规划结果为对照组,验证SSCP模型的有效性。【结果】从空间分布来看,用SCSP模型、Marxan模型和Zonation模型求解的保护区设计结果表现为地块分布离散,破碎度高,SSCP模型的设计结果表现出更好的连续性和紧实性;从选地数量来看,SSCP模型的选地数量与物种保护比例及紧实性权重正相关,即物种保护比例上升,或紧实性权重增大,选中的地块数增加。【结论】研究设计了新型保护区数学规划模型——SSCP模型,并以戴云山自然保护区为例验证了算法的合理性,提出规划建议:向其西北方向和东南方向扩展,其中西北方向纵向扩展6 km,横向扩展18 km,东南方向纵向扩展9 km,横向扩展8 km。本研究方法的提出为我国保护区规划设计理论与实践提供新思路。

结合深度卷积网络及光学图像的降雨强度识别

基于降雨图像数据,依据降雨量划分不同的降雨强度;结合深度神经网络理论建立降雨强度识别模型,对降雨强度进行实时监测与预警.首先,通过福州市8个气象站点获取降雨图像及其对应的降雨量数据;其次,依据降雨强度对降雨图像进行分类,共分为6个等级,并将数据分为白天图像和晚上图像2个数据集;最后,采用DenseNet深度卷积神经网络构建降雨强度识别模型.结果表明:(1)各气象站点降雨强度的识别精度均高于80%,识别精度不存在明显差异;(2)白天降雨图像的识别精度高于晚上;(3)白天和晚上图像存在特征差异,使其识别精度在不同网络层数上的变化趋势不一致;(4)数据量不均衡将会影响模型总体的识别精度.表明基于降雨图像的DenseNet降雨强度识别模型具有良好的数据适应性及准确的识别结果.

传统行业与前沿技术结合对教学模式的影响

在“新常态”背景下,我国传统物流行业也随之转型升级,逐步适应“互联网+”时代下通融互联、高流动的特点,以形成一个开放的有机生态圈。但在“最后一公里”及短途运输等情况下仍存在效率低下的问题,运用无人机可以有效地解决这类问题。通过开发的多旋翼无人机物流模拟系统可以操控无人机自主取物、运输。该系统拟解决个人物品短距离运输问题,代替了现在高成本的跑腿代送服务,同时实现传统行业与前沿技术的有机结合。通过“交叉”的科学理念颠覆现有的传统单一的科研范式,实现教学模式深化改革,促进学科协同,形成解决问题的新模式,力图培育与社会需求接轨的新时代复合型人才。

基于VR操控的无人机系统在农业教学中的应用

为促进无人机技术在高校农业教学中的应用,培养农用无人机应用技术人才,提升农业生产的信息化与精准化,设计了一个基于VR操控的无人机模拟系统,并应用于农业教学实践中。该系统在VR技术支持下实现沉浸式教学体验,提升了学生对无人机理论知识的掌握程度,解决了教学实践中无人机设备短缺的问题;实时视觉定位无人机的航行环境并创建三维点云地图,实现了农业信息获取的可视化与实时性。该系统具有完备的设计过程,能够直接应用于无人机农业教学中,为高校培养无人机农业技术人才创造条件。

基于SEEA 2012体系的漳江口红树林保护区GEP核算

基于SEEA 2012体系提出符合中国国情的生态系统生产总值(GEP)核算体系,结合调研数据,通过灰色预测模型,对漳江口红树林保护区2004—2014年和2015—2019年的生态系统生产总值进行核算与估算。结果表明:漳江口红树林保护区的红树林面积逐年增加,2004—2014年生态系统生产总值保持上升趋势,生态系统更加稳定;2015—2019年漳江口红树林保护区生态系统生产总值有明显上升趋势。

融合全局与随机局部特征的鸟类姿态识别模型

为了高效地进行鸟类姿态分类,提出一种基于全局与随机局部特征融合的鸟类姿态识别模型.首先利用融合多分辨率的网络提取鸟类姿态全局特征;然后于网络中浅层与深层的高分辨率特征引入随机定位模块,即根据随机抽取的特征图求取最大值位置,形成包围盒裁剪原图;再将裁剪的局部图片送入子分类网络提取鸟类姿态局部特征;最后将全局和随机局部特征进行融合,并采用融合全局损失和局部损失的多损失策略进行网络调整,构建一种融合全局与随机局部特征的鸟类姿态识别模型.对CUB200-2011中存在完整单种姿态的鸟类图片进行整理汇总得到包含蹲伏、飞翔、游水和站立4种姿态的鸟类姿态数据集,基于该数据集进行实验的结果表明,所提模型的分类精度优于主流卷积神经网络框架,达到96.1%;对随机定位模块及其内部是否随机、分组情况和多损失策略等进行消融实验的结果表明,引入随机定位模块和多损失策略能够提高识别正确率,证明了随机定位模块和多损失策略的有效性.

基于卷积神经网络融合编码与解码特征的降水强度识别

为高效地利用红外降雨图进行雨量强度分类,提出了一个融合编码与解码卷积特征的雨量强度识别模型。引入编码与解码卷积于深度卷积神经网络分类模型中,在减少局部信息丢失的同时提取深层次的雨纹信息特征。于编码、解码卷积模块中考虑多尺度感受野卷积,融合不同范围的局部特征,同时在解码时融合相同尺度的编码与解码卷积特征图,提高特征利用率,从而构建一种融合编码与解码卷积特征的雨量强度识别模型。所提模型的分类精度优于主流卷积神经网络框架,分类正确率最高达到了91.7%,且消融实验结果验证了编码与解码模块的有效性。

基于DenseNet的无人机光学图像树种分类研究

利用无人机航拍获得光学影像数据,结合深度学习理论,建立树种识别模型,以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例,采用无人机获取20 m及40 m高度的航拍影像。其次,以树种为对象,对航拍影像进行分割,获得12种树种影像。最后,结合深度学习理论,采用DenseNet卷积神经网络建立树种识别模型,探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型,其分类精度均达80%以上,最高精度为87.54%。从航拍影像解析度分析,随着航拍影像解析度的下降,模型识别精度呈现下降趋势,以20 m航拍影像数据建构的树种识别模型,其分类精度高于40 m模型;从模型网络深度分析,随着模型网络层数的增加,模型分类精度出现下降现象,DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述,基于无人机航拍影像,结合深度卷积神经网络,提出了新的树种识别方式,并以安溪县森林树种识别为例证明了该分类框架的有效性。