绵阳官溪河流域防护林林木分化及异常木分布格局

对绵阳官溪河流域常见的几种防护林类型林木分化及异常木分布格局进行了研究。结果表明,防护林林木分化的结果以小径木占优势,尤以直径1cm^6cm的个体最多,占林分总个体数的60%以上。桤柏混交林、柏木纯林、松栎混交林、松柏混交林和松柏栎混交林的林木株数按径阶的分布表现出左偏态分布,直径大小的变异性较低;与之相比,栎黄荆次生灌丛和马尾松林不呈偏正态分布,直径大小的变异性较高。异常木直径主要分布在1cm^10cm范围内,其中倾斜木和倒伏木超过了异常木总数的50%,枯立木和濒死木中,马尾松林和松柏栎混交林较其它防护林类型少。异常木的分布格局除松柏栎混交林呈随机分布外,其余的皆呈聚集分布,但聚集强度不大。异常木聚集强度的大小与取样面积大小的关系表现为:Kuno.E.聚集度指标值(CA)随取样面积的增大,由小变大,而Lloyd.M.平均拥挤度值(m*)则由大变小。

采用YOLO算法和无人机影像的松材线虫病异常变色木识别

松材线虫病是一种传播速度快的毁灭性森林病害,利用无人机遥感及时对松材线虫病病害木进行监测,是控制松材线虫病蔓延的有效方式。该研究利用YOLO算法自动识别无人机遥感影像上的松材线虫病异常变色木,利用深度可分离卷积和倒残差结构改进YOLOv4算法,提高了识别的精度和效率。比较Faster R-CNN、EfficientDet、YOLOv4和YOLOv5与改进的YOLO算法的速度和精度,并分析了改进的YOLO算法在参与训练区域和未参与训练区域的异常变色木的识别效果。试验结果表明,改进后的YOLO算法的平均精度为80.85%,每个迭代周期的训练时间为164 s,参数大小为44.2 MB,单张影像的测试时间为17 ms,表现优于Faster R-CNN和YOLOv4,但与EfficientDet和YOLOv5相比有优有劣,综合比较这4个指标,改进算法在检测速度和检测精度上的表现更为平衡。未参与训练区域异常变色木的F1分数(84.18%)略低于参与训练区域(87.92%),但基本满足异常变色木的监测要求。相似地物、林分郁闭度、坡向和分辨率会对识别精度产生影响,但影响较小。因此,改进的YOLO算法精度高、效率高,可用于松材线虫病异常变色木的快速识别,并且对未参与训练区域异常变色木的识别具有较高的适用性。

库木铜矿地、物、化异常找矿模式探讨

库木铜矿区是根据1∶5万化探异常进一步评价工作发现的,具有明显的磁、电及化探异常。地表矿化成带分布,矿化局部集中。化探异常位于Cu、Zn、Ni、As、Sb等铜族元素的高背景区,总体表现该区铜的找矿条件优越。东部的中-高极化低阻激电异常深部极化体明显。库木铜矿区地表存在明显的以铜为主的化探综合异常,罗布厄组火山岩地层中发育孔雀石化和自然铜矿化,库木铜矿点即产于其中,矿化分布范围广,具明显的层控性,局部也有较好的激电异常分布,且深部均有矿化显示,具较大的找矿潜力。