基于实例分割技术的草莓叶龄及冠幅表型快速提取方法

[目的/意义]为解决高通量草莓叶龄及冠幅提取问题,提出一种基于移动式表型平台和实例分割技术的高通量表型提取方法。[方法]利用小型移动式表型平台对温室内盆栽草莓植株的俯拍图像进行数据获取,并利用改进型Mask R-CNN(Convolutional Neural Network)模型对图像进行处理,以此获取草莓植株叶龄信息。首先利用带有分组注意力模块的Split-Attention Networks(ResNeSt)骨干网络替换原有网络,从而提高图像特征信息提取精度和执行效率。在训练时,利用Mosaic方法对草莓图像进行数据增强,并且使用二元交叉熵损失函数对原本的交叉熵分类损失函数进行优化,以达到更好的植株与叶片的检测准确度。在此基础上,对训练结果进行后处理,利用标定比值对冠幅进行计算。[结果和讨论]该方法能够在ResNeSt-101骨干网络下,实现80.1%的掩膜准确率和89.6%的检测框准确率,并且能够以99.3%的植株检测正确率和98.0%的叶片数量检出率实现高通量的草莓叶龄估算工作。而模型推理后草莓植株南北和东西向冠幅测试值与真实值相比误差均低于5%的约占98.1%。[结论]该方法有着较高的鲁棒性,能够为智慧农业下高通量植物表型获取与解析工作提供技术支持。

基于混合效应的杉木人工林冠幅模型

构建杉木(Cunninghamia lanceolata)人工林单木冠幅模型,可以提高杉木冠幅的预测精度,并为杉木人工林的科学经营提供参考依据。以杉木为研究对象,基于江西省崇义县杉木人工林57个样地的7198株单木数据,对基础模型进行扩展,并构建含林分因子和单木因子的冠幅非线性混合效应模型;采用十折交叉验证方法,以调整后的决定系数(R_(adj)^(2))、均方根误差(E_(RMS))和平均绝对误差(E_(MA))模型评价指标对各模型的预测效果进行评价。结果表明:(1)备选模型中,Logistic模型的预测效果最佳。(2)除胸径以外,有6个指标对冠幅有显著影响(P<0.05)。6个指标分别是地位指数、林龄、基尼系数(Gini系数)、林分密度指数、枝下高和大于对象木的断面积之和。添加协变量构建的广义模型较基础模型更优,R_(adj)^(2)增加了28.53%,E_(RMS)和E_(MA)分别下降了17.80%和15.72%。(3)考虑样地水平随机效应的混合效应模型优于广义模型,R_(adj)^(2)增加了27.86%,E_(RMS)和E_(MA)分别降低了35.73%和51.87%。协变量和随机效应的加入能有效提高冠幅模型的预测精度,且反映林木大小多样性的Gini系数在冠幅模拟中表现较好,值得进一步探讨该类指标在其他类型人工林模拟中的应用。

基于竞争与立地效应的湖南栎类天然林冠幅模型

【目的】分析立地因子和竞争因子对冠幅生长的影响,构建含立地因子和竞争因子的混合效应湖南栎类天然林冠幅预测模型,为栎类天然林科学经营决策提供理论依据。【方法】以51块湖南栎类天然林样地的1 429株栎类林木为研究对象,筛选对冠幅影响显著的因子,将显著性因子按照标准分级、组合,构成竞争类型和立地类型;从10个基础模型中筛选出最优模型;应用k-means聚类方法将初始竞争类型聚类成竞争类型组;将立地类型和竞争类型组作为随机效应加入最优模型,构建含竞争和立地效应的湖南栎类天然林冠幅模型。【结果】对冠幅影响显著的因子包括海拔、坡度、坡位、坡向、土壤类型、相对断面积(R_(S))、简单竞争指数(C_(LH))和大于对象木断面积之和(B_(AL)),立地因子显著性顺序为海拔>坡度>坡向>坡位>土壤类型,竞争因子中R_(S)与冠幅呈正相关,而C_(LH)、B_(AL)与冠幅呈负相关;最优基础模型为异速生长模型(有截距),R^(2)为0.534 8;将筛选的3个竞争因子按照标准分级、组合构成竞争类型,加入基础模型构建含竞争类型的混合效应模型,R^(2)升至0.583 5;应用k-means聚类将初始竞争类型聚类成17个竞争类型组,作为随机效应加入基础模型,R^(2)升至0.749 2;将立地类型作为随机效应再加入模型,构建基于竞争和立地混合效应的冠幅模型,R^(2)升至0.841 6,相对基础模型提升了57.36%。【结论】含竞争因子和立地因子的湖南栎类天然林冠幅模型具有较好的拟合效果及预测精度。因此,本研究所构建的冠幅模型可以很好地预测湖南栎类天然林的冠幅,可为研究栎类天然林生长、经营管理以及更新森林资源调查数据库提供支持。

天然次生白桦单木冠幅预测模型研究

以黑龙江省哈尔滨市依兰县丹清河实验林场30块天然次生白桦林样地的1844棵白桦为研究对象,从常用的10个冠幅基础预测模型中选择白桦的最优模型,通过分析单木因子与冠幅的相关性对模型进行再参数化,引入样地水平的随机效应构建天然次生白桦冠幅的混合效应模型。结果表明:Logistic模型最适宜描述白桦的冠幅变化,引入枝下高、高径比和树冠率可以改进模型的预测精度。引入样地水平的随机效应改善了数据的异方差问题,再次提高了冠幅的预测精度。因此,建议在实际生产中采用非线性混合效应模型对天然次生白桦的冠幅进行预测,从而提高冠幅预测的准确率,为合理经营天然次生白桦提供更加科学有效的理论支持。

不同生境梭梭冠幅预测模型研究

冠幅是反映沙漠植被生长情况的重要变量,通过对不同生境沙漠植物冠幅预测,可为沙漠植被的科学经营提供参考。以古尔班通古特沙漠建群种梭梭为研究对象,选取常用的6种回归模型(M1、M2、M3、M4、M5、M6),以树高和地径为调查因子,建立高地、缓坡和平地不同生境中的梭梭冠幅模型。通过Origin和Anaconda软件对模型进行回归分析,根据4个拟合精度标准,决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE),选取最优模型。模型拟合结果表明,在树高-冠幅和地径-冠幅模型中,6种回归模型的R2均大于0.5,模型拟合效果较好。3种生境下(高地、缓地、平地)树高-冠幅和地径-冠幅均以M5(三次多项式)为最优模型。6个模型都具有统计学意义(Sig.<0.001),对古尔班通古特沙漠梭梭冠幅的预测具有重要的参考价值,为维护该地区生态和植被恢复提供一定的科学依据。

基于无人机遥感影像的单木冠幅提取研究

无人机(UAV)遥感技术在森林资源调查工作中的应用变得越来越广泛,但利用遥感影像的光谱信息提取出的单木冠幅会导致分类结果精度不高,使得遥感影像对于单木冠幅的提取效果与实际应用要求仍存在一定差距。因此,提高单木冠幅的提取精度在基于无人机遥感影像的森林资源调查中十分重要。基于2019年在内蒙古自治区赤峰市喀喇沁旗旺业甸林场实地采集的数据,采用面向对象的影像分析方法,对基于无人机遥感影像的单木分割及冠幅提取进行了研究。研究结果表明:单木冠幅分割的位置精度为80.28%,面积精度为79.51%,结果基本满足森林资源调查工作的需要。

基于无人机可见光植被指数的森林冠幅信息提取研究——以内蒙古旺业甸林场为例

基于无人机遥感影像,以内蒙古自治区赤峰市喀喇沁旗旺业甸林场实验样地为例,提取树冠信息,再利用可见光植被指数对影像进行增强,以样地与单木两个尺度进行提取研究,并对提取精度进行分析。结果表明:影像灰度值标准差提高了162.61%;使用增强后的影像进行多尺度分割对林分树冠进行提取,精度提高了14.22%,对单木树冠进行提取,精度提高了11.48%。使用基于无人机可见光植被指数的影像增强方法可消除或降低无人机影像容易受到阴影及树冠间交叉重叠的影响,对利用遥感技术进行森林资源调查具有重要意义。

冬奥核心区华北落叶松和白桦单木冠幅预测模型——组级贝叶斯模型、加性模型和混合效应模型比较

【目的】构建冬奥核心区华北落叶松和白桦单木冠幅预测模型,对比不同模型的优缺点,给出模型选择建议,为获取更多的单木和林分参数提供支撑,为华北落叶松和白桦科学经营决策提供理论依据。【方法】以冬奥核心区4 537株华北落叶松和2 603株白桦为研究对象,首先,选取10种常用冠幅-胸径模型作为备选模型分别拟合华北落叶松和白桦数据,从中选出AIC和BIC最小的模型作为基础模型;然后,在基础模型中进一步添加与冠幅相关系数大的变量作为协变量构建修正模型;最后,在修正模型基础上分别构建华北落叶松和白桦冠幅的非线性最小二乘模型、单水平非线性混合效应模型、加性模型和组级贝叶斯模型。【结果】4种华北落叶松冠幅模型中,加性模型的预测精度最高(R^(2)_mean=0.704 3,RMSE_mean=0.512 7),4种白桦冠幅模型中,非线性混合效应模型的预测精度最高(R^(2)_mean=0.664 3,RMSE_mean=0.794 4)。在变量方面,华北落叶松和白桦冠幅均随其胸径递增,华北落叶松冠幅随其树高缓慢递增、枝下高递减,白桦冠幅随其冠长率先减小后增大,并受林分密度影响波动较大,当林分密度为600~800 hm-2时,白桦冠幅随林分密度递减,此时应进行适当补植;当林分密度为800~1 000 hm-2时,白桦冠幅随林分密度递增,并在1 000 hm-2时出现拐点,如果经营目的是为了环境保护,可将林分密度控制在1 000 hm-2左右;当林分密度为1 000~1 200 hm-2时,白桦冠幅随林分密度递减,此时可对林分进行抚育间伐调整林分密度。【结论】冬奥核心区华北落叶松冠幅受胸径、树高和枝下高影响较大,白桦冠幅受胸径、冠长率和林分密度影响较大。无论是预测华北落叶松还是白桦冠幅,组级贝叶斯模型、加性模型和非线性混合效应模型效果均优于非线性最小二乘模型,在仅添加样地随机效应的情况下,首选加性模型和非线性混合效应模型,其次选择组级贝叶斯模型,但考虑到训练组级贝叶斯模型时间长、对表达式敏感等因素,可用别的模型替代时建议不使用组级贝叶斯模型。

不同郁闭度下胸高直径对杉木冠幅特征因子的影响

树冠是树木进行光合作用和呼吸作用的重要场所,冠幅和冠长率直接影响树木的生活力和生产力。以湖南省黄丰桥国有林场103块杉木(Cunninghamia lanceolata)林样地为例,样地按郁闭度CD≥0.8(类型1)、0.7≤CD<0.8(类型2)、0.6≤CD<0.7(类型3)、0.5≤CD<0.6(类型4)和CD<0.5(类型5)划分5个等级。分析不同等级林分中树木冠幅和冠长率的分布结构以及与胸径的关系,同时利用非线性混合效应模型分析各类型郁闭度对冠幅和冠长率的随机影响。研究结果表明:5种类型的冠幅大小主要分布在区间(2.5—4.0m)之间,分别占65.82%、69.56%、70.79%、58.15%和53.21%,小于1.5 m和大于5.0 m分布较少;5种类型冠长率主要分布在区间(0.3—0.7)之间,分别占55.69%、71.93%、67.01%、82.22%和79.28%,在区间小于0.2和大于0.8分布较少,大于0.9的冠长率几乎没有;冠幅与胸径之间呈现较弱的线性相关性,而冠长率与胸径之间几乎线性不相关。在相同的胸高直径时,类型5的冠幅最大,而类型1的冠幅最小。对于冠长率,恰好相反,即类型1的冠长率最大,而类型5的冠长率最小;同时给出的冠幅模型(模型11)和冠长率模型(模型14)具有较高的预测精度,在实际应用中可以利用它们对冠幅和冠长率进行预测。

广西江南油杉人工林冠幅与胸径相关性研究及应用

以广西南宁、玉林不同地点人工林江南油杉样地数据为基础,通过回归模型进行分析,回归方程分别为C=0.264D0.877、C=0.414D0.794,该回归方程能较好的描述其冠幅和胸径的相关关系,相关系数均在0.9以上,并在此基础上编制广西南宁、玉林江南油杉林分适宜经营密度表,为其人工林遗传育种、定量间伐提供数据参考。

基肥对油茶幼林地径和冠幅生长的影响

为了探究基肥对油茶幼林地径、冠幅生长的影响,以油茶优良无性系长林40号新造林为试材,通过施入不同类型基肥配方进行正交施肥试验,并对2008年~2012年油茶幼林的地径、冠幅增长量与不同类型基肥及配方的关系进行方差分析。结果表明:基肥对油茶幼林地径、冠幅的生长起关键作用,复合肥和菜枯肥作基肥施入能够显著提高油茶幼林的地径和冠幅生长量,且基肥的有效时间可持续5 a;油茶幼林最佳基肥配方为钾肥0.78 kg/株+菜枯肥3.49 kg/株+磷肥1.61 kg/株+复合肥0.93 kg/株。

柚木冠幅与树高、胸径的回归分析

为考察柚木生长因子与冠幅的关系,准确反映各生长因子与冠幅之间的关系,建立冠幅预测模型,为柚木人工林目标树经营提供理论依据。以广西凭祥、云南德宏、云南景洪、海南乐东4个地区不同林龄阶段的柚木人工林中优势木为研究对象,以胸径、树高、冠长、林龄4个因子作为变量与冠幅进行回归分析,筛选关键因子建立柚木冠幅生长的预测模型。结果表明,胸径(R=0.5342,P=0.0001)、树高(R=0.1798,P=0.0026)是影响柚木冠幅的关键因子;胸径、树高与冠幅的一元回归方程:冠幅与胸径y=15.7893x+1.84766(F=516.4180,P=0.0001),冠幅与树高y=0.3717x-0.60189(F=174.2954,P=0.0001)。并应用胸径、树高2个关键因子与冠幅建立回归模型:y=13.5658x1+0.1064x2+0.35866(F=279.5048,P=0.0001),计算结果与实际测量结果差异性较小(F=0.0140,P=0.9072)。可以根据目标树的培育目标胸径、树高因子,利用该模型来预测该目标树的冠幅,从而确定单位面积内保留目标树的数量。

基于高空间分辩率影像的林分冠幅估计

以高空间分辨率遥感影像QuickBird的全色波段为数据源,应用空间统计学半方差理论,对郁闭度较高的人工白皮松林冠幅尺寸进行较为准确地估计。结果表明:空间统计学半方差方法可以作为郁闭度较高纯林林分冠幅估计的一种有效方法。研究为解决林分冠幅的自动估计问题,提供了一种新的手段与方法。

不同密度湿地松纸浆原料试验林早期冠幅生长模型研究

应用回归分析方法，对鄂中丘陵岗地不同密度湿地松纸浆原料试验林前４年冠幅生长与树龄的关系进行了研究。结果表明，高密度湿地松幼林冠幅生长遵循逻辑斯蒂生长模型，中等密度湿地松幼林冠幅生长遵循严格苏玛克生长模型，低密度湿地松幼林冠幅生长则遵循指数生长模型，并对各密度冠幅生长模型进行了比较分析。

基于冠幅的杉木人工林胸径和树高参数化预估模型

为了研究杉木生长与形态变量的关系,提高模型预估精度,本文根据福建省65块不同密度、林龄分布于6~35年的杉木人工林样地测量数据,选用了Richards理论方程,分别构建了杉木胸径和树高生长模型。在此基础上,分析理论方程中参数与冠幅（CW）的关系,建立两者间的关系函数;使用参数预估法构造胸径和树高的参数化预估模型,并对原模型和参数化模型进行模型检验、残差分析,讨论了冠幅与林木生长之间的关系。结果表明：胸径和树高Richards方程中,参数a与CW呈正比,参数b与CW呈反比,c则与CW呈现出类似正态分布的关系;与传统的理论方程相比,参数化模型提高了杉木胸径树高预估的精度。本文所构建的模型能间接反映林分因子的状态,同时对于分析林木竞争、光合作用、模拟林木三维可视化等方面也提供了一种模式。

将乐地区马尾松最优冠幅模型研究

树冠是树木进行光合作用和呼吸作用的重要场所,冠幅作为树冠的重要因子,直接影响树木的生活力和生产力,同时也是反映树木的长期竞争水平的重要指标。该文使用福建省将乐国有林场980株马尾松调查数据,基于11种常用树冠直径模型,利用R软件的nls模块对马尾松冠幅与胸径关系进行拟合,选取精度最高的作为基础模型,通过对基础模型添加变量改进模型,并用调整后的决定系数adj-R2、偏差Bias、剩余均方根误差RMSE对模型精度进行检验。结果表明:模型11在添加了样地优势木平均高(Ht)、每公顷株数(M)和冠长(CL)林分变量之后,Bias、RMSE减小,adj-R2明显增大,所以,CW=(a+a1×Ht)/1+exp[(b+b1×M)+(c+c1×CL)ln(D+1)]能更好地模拟当地马尾松的冠幅与胸径的关系。

果树冠幅的检测机理研究

为实现果树仿形精确喷雾,需要检测果树冠幅,在分析果树冠幅检测机理的基础上,提出了隔行计算相对冠幅的方法。根据相对冠幅和成像距离之间的关联作用,建立了数据融合的系统模型。采用BP人工神经网络进行数据融合,并阐述了具体的数据融合处理过程。试验结果证明,相对冠幅和成像距离之间采用BP人工神经网络进行数据融合可行,通过数据融合处理,消除了成像距离对相对冠幅值检测的影响,融合值与相应的理论值之间的最大相对误差为1.14%。

基于修正函数的杉木人工林单木冠幅预测模型

在福建省顺昌县,选择50块不同林龄、密度和立地条件的杉木人工纯林为研究对象,采用修正方程法构建杉木单木冠幅模型。在冠幅-树龄潜在生长函数的基础上,以地位指数、林分密度、竞争指数和胸径作为修正变量,根据指数函数和幂函数的组合形式构建误差函数,基础函数与误差函数的乘积即为冠幅修正模型。结果表明:在16种组合的修正方程中,4项幂函数乘积组合的模型拟合效果最佳(R2=0.876);使用未参与建模的数据对模型进行检验,检验结果显著;将修正模型与一元线性回归和多元线性回归模型进行对比分析,发现无论是决定系数还是残差值,修正模型的拟合效果最优,因此,修正模型可以更好地预测杉木冠幅生长。

长白落叶松-水曲柳混交林冠幅预测模型

【目的】基于黑龙江省尚志市帽儿山林场和一面坡林场长白落叶松-水曲柳混交林24块标准地的3164株长白落叶松样木及3574株水曲柳样木的数据,分别构建了长白落叶松和水曲柳的冠幅模型。【方法】通过分析不同混交方式林分内长白落叶松和水曲柳冠幅的变化规律及其与林木竞争因子的关系,从6种常用的线性和非线性基础冠幅模型中选取最优模型,并将混交比例Si和树木在混交带内位置P作为哑变量,加入其他树木变量和林分变量,分别构建长白落叶松和水曲柳的冠幅模型,并对所构建的模型进行评价。【结果】长白落叶松和水曲柳冠幅在不同混交比例Si和混交带不同位置P下差异显著;冠幅与DDH(林木胸径与林分优势木胸径之比)和HDH(林木树高与林分优势高之比)成正相关,与大于对象木的胸高断面积之和(BAL)成负相关,与距离无关的竞争因子可以反映树木的竞争压力,对冠幅具有影响;长白落叶松冠幅与冠长率(CR)成正相关,与高径比(HD)成负相关;水曲柳冠幅与水曲柳优势木平均高(H0Fra)成正相关,与高径比(HD)成负相关。包含混交比例哑变量Si和混交带位置哑变量P的长白落叶松和水曲柳冠幅模型拟合冠幅(CW)的Ra2分别为0.5642和0.5459,加入树木变量和林分变量后长白落叶松和水曲柳冠幅模型拟合CW的Ra2分别为0.6745和0.5896。【结论】包含混交带位置哑变量P、混交比例哑变量Si、树木变量(CR和HD)、林分变量(H0Fra)的长白落叶松和水曲柳冠幅模型具有较好的拟合效果及预测精度。因此,本研究所构建的冠幅模型可以很好地预测混交林内长白落叶松和水曲柳的冠幅,为进一步研究混交林树木树冠结构奠定了基础。

长白落叶松等几个树种冠幅预测模型的研究

以20块落叶松云冷杉林为对象，采用多元逐步回归方法，研究其组成树种的单株木冠幅预测模型．因变量为单株木冠幅，白变量包括胸径、树高、枝下高、树冠比、竞争因子和林分密度．共测定了3099株树木，全部参加了建模．最终建立了长白落叶松、冷杉、红松、云杉、枫桦、水曲柳、色木、白桦和椴树9个树种的冠幅预测模型．结果表明：胸径和林分密度是所有树种中影响冠幅的重要因子；模型的调整决定系数在0．34～0．75之间；绝对误差在-0．000114—0．054m之间；相对误差在-0．05443％～3．440％之间；均方根误差在0．360—0．510m之间，相对均方根误差在27．4％～37．4％之间．