基于Mask R-CNN和迁移学习的无人机遥感影像杉木单木树冠提取

【目的】利用无人机遥感影像对树冠进行自动化提取,获取高精度树冠信息。【方法】该研究提出一种基于Mask RCNN和迁移学习的无人机影像单木树冠提取方法。首先,选用在Faster R-CNN基础上改进优化的Mask R-CNN实例分割模型,特征提取网络在ResNet50残差网络和ResNet101残差网络二者间选取最优。其次,引入迁移学习与Mask RCNN一起训练,联合迁移学习的导向作用降低训练时间,提高训练精度。【结果】Mask R-CNN模型的总体精度为93.59%,用户精度为65.46%,F1分数为76.05%,平均精度均值为0.31;载入迁移学习后的Mask R-CNN模型在同等训练条件下比原模型的用户精度提升29.53%,F1分数提升19.63%,平均精度均值提升0.21;分别以ResNet50和ResNet101为特征提取网络的Mask R-CNN模型中,ResNet50+Mask R-CNN模型的总体精度、用户精度、F1分数、平均精度均值各为96.94%、95.57%、96.17%、0.54,ResNet101+Mask R-CNN模型的总体精度、用户精度、F1分数、平均精度均值各为96.20%、94.41%、95.19%、0.49;其中载入迁移学习的ResNet50+Mask R-CNN模型在预测东西冠幅、南北冠幅、树冠面积与样方郁闭度的预测决定系数分别为0.87、0.84、0.93和0.83。【结论】本研究提出的基于Mask R-CNN和迁移学习的方法得到了较为精准的树冠参数结果,为无人机遥感影像评估树木资源提供了一种快速高效的解决方案。

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。

基于非线性分位数混合效应构建杉木树高曲线模型

【目的】探索树高-胸径模型构建新方法,将分位数回归与非线性混合效应法相结合应用于树高-胸径模型构建,以此提高模型的拟合精度。【方法】利用2018年福建省将乐国有林场30 m×30 m固定样地1306株杉木的实测树高、胸径数据,从4个树高-胸径模型中筛选拟合效果最好的为基础模型,基于基础模型分别采用非线性混合效应、分位数回归以及非线性分位数混合效应构建树高-胸径模型。采用评价指标均方根误差(RMSE)、调整后决定系数(R^(2)_(adj))和均方差(MSE),对各模型的拟合结果进行评价比较,采用赤池信息准则(AIC)、贝叶斯信息准则(BIC)以及对数似然函数值(Loglik)比较各最优模型的拟合精度和预测精度。【结果】根据评价指标对比显示,Logistic模型为基础模型。非线性混合效应模型的拟合效果最优(AIC为3953.986,BIC为3988.199,Loglik为-1969.993),非线性分位数混合效应模型(AIC为3979.418,BIC为4028.293,Loglik为-1979.709)次之。模型拟合效果排序为非线性混合效应模型>非线性分位数混合效应模型>基础模型>分位数回归模型。比较各模型的残差图可知各模型均不存在异方差现象,预测效果排序为非线性混合效应模型>非线性分位数混合效应模型>基础模型>分位数回归模型。【结论】本研究将分位数回归与非线性混合效应法相结合,该方法对分组数据结构中不同分位点个体间的差异与关联做出解释,提高了模型的稳定性以及拟合精度,将该方法应用到树高-胸径关系的研究上是一个可行的思路,为构建树高-胸径模型提供新方法。

基于实例分割的高郁闭度林分单木树冠无人机遥感提取

[目的]利用遥感影像获取高郁闭度林分树冠信息。[方法]试验了一种基于实例分割模型的无人机遥感影像单木树冠提取方法,选用7种残差网络用于模型的特征提取,逐一对不同郁闭度杉木纯林进行单木树冠提取。[结果]表明,7个实例分割模型对低郁闭度林分树冠分割的边界框AP值和掩膜AP平均值分别为55.89%、57.29%,林分东西冠幅、南北冠幅和树冠面积参数提取均方根误差平均值分别为0.161、0.179和0.341,平均预测决定系数R~2分别为0.912、0.918和0.957;对高郁闭度林分树冠分割的边界框AP值和掩膜AP平均值分别为46.00%、44.45%,单木东西冠幅、南北冠幅和树冠面积参数提取均方根误差平均值分别为0.479、0.497和1.256,平均预测R~2分别为0.806、0.762和0.936。[结论]各参数提取精度均优于传统调查精度,该方法能自动化、快速化、精准化获取树冠信息。

依据机器学习算法的杉木干形模拟

利用福建省将乐国有林场46株杉木(Cunninghamia lanceolata)的793组干形数据,根据十折交叉验证,采用最近邻法(KNN)、随机森林(RF)和人工神经网络(ANN)3种机器学习算法对杉木干形进行模拟,并与传统削度模型(TM)进行比较分析。采用决定系数(R^(2))、均方根误差(E_(RMS))、平均误差(E_(M))和平均绝对误差(E_(MA))4个评价指标对模型的拟合结果和预测结果进行排序,并结合残差图和相对偏差图等进行分析。研究表明:(1)4个模型的决定系数均大于0.95,最近邻法、传统削度模型和人工神经网络的均方根误差小于1 cm,能较好地描述杉木树干形状。(2)人工神经网络对绝大部分树干的估计最精确,R^(2)分别在0.98以上。其检验集的绝大部分残差都在-2~1 cm,训练集的相对偏差在-50%~50%。(3)其次是最近邻法模型,其训练集的残差范围在4个模型间最小,但泛化预测能力不如人工神经网络模型。(4)随机森林模型精度最低,且其预测集残差分布有随直径(d_(i))增大而增大的趋势。传统削度模型模型表现居中。结果表明:人工神经网络模型与最近邻法模型的拟合精度与预测精度均高于传统削度模型模型,能更精确地模拟杉木干形,且机器学习算法可以不满足传统回归的统计学假设前提。利用机器学习预测林木干形是一种可靠的方法,在生产经营中值得考虑。

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,U-Net模型和标记控制分水岭算法相结合的方法较标记控制分水岭算法总体精度提升3.7%,平均绝对误差(MAE)下降3.1%。在提取单木树冠面积和冠幅方面,R2分别提升了0.11和0.09,均方根误差分别降低8.49 m2和4.27 m,MAE分别下降了2.93 m2和1.72 m。将深度学习U-Net模型与分水岭算法相结合能够在一定程度上克服高郁闭度杉木纯林单木株数及树冠信息难以提取的问题,是一种高效率、低成本的单木树冠提取方法,具有可行性和有效性,可为森林资源监测智能化的发展提供基础方法。

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)生物量模型,并采用留一交叉验证法对模型进行检验,比较两种生物量估测方法的精度。结果表明:仅基于胸径一个变量的生物量模型已经能较准确地估测生物量,引入树高和冠幅因子能进一步提高模型精度,最优模型体系为AMS4。通过两种方法建立的生物量模型都能较准确地进行估测,各组分生物量的决定系数(R^(2))均高于0.87。相比AMS4,人工神经网络模型系统中,树叶生物量模型的R^(2)高了约0.05,其余各器官也高了0.01左右。此外,均方根误差(RMSE)等指标明显更小,树干和地上生物量的RMSE分别减小了2.135和3.908 kg,模型的检验指标如平均相对误差(MRE)等也表现更优。总体来看,人工神经网络(ANN)是一种灵活可靠的生物量估计方法,估测林木地上生物量或单独某器官生物量时,ANN模型是值得考虑的替代方法。

分水岭算法在林业中的应用

随着遥感技术的发展,无人机以及新型遥感数据的出现,越来越多的高分辨率影像被应用于林业资源监测。图像分割作为影像识别应用的基础,大量研究人员在原有的分水岭算法基础上针对不同的区域、背景、目标和研究方向进行了一定的改进,在林木病虫害监测、木材表面缺陷检测、单木冠幅分割、叶片提取等林业领域发展迅速。文中介绍了分水岭算法在林业中的应用,以期为分水岭算法在林业领域的推广以及进一步改进研究提供参考。