融合Mind Map优势助力完善线上线下教学衔接--以园林树木学树种识别教学为例

疫情当前,线上线下混合式教学已经成为课程教学新模式。树种识别是园林树木学教学的重点和难点,也是教学目的之一。由于课程涉及的树种种类繁多,知识点琐碎,专业术语抽象,再加上课时少任务重,使得教师在教学过程中无法将所有树种的特征逐一讲解到,学生在学习过程中也容易混淆,无法有效吸收知识点。因此,在课程的教学改革中,通过引入Mind Map帮助厘清知识框架,优化知识结构,搭建知识关联,不仅使教师授课过程更顺畅,而且能够激发学生在线学习的兴趣,促使学生养成“整理知识点”的良好习惯,使学习效率大幅度提高,从而创建高效的线上课堂,有效巩固混合式教学的教学效果。

基于无人机高光谱遥感的太行山经济林树种识别研究

以太行山区经济林种植区为研究对象,通过无人机高光谱遥感数据,构建不同经济林树种高光谱特征数据库,利用CART决策树、最大似然法(Maximum likelihood classifier,MLC)、随机森林(Random forest,RF)和支持向量机(Support vector machine,SVM)等方法,获得高光谱遥感经济林树种最优识别模型。研究结果表明:(1)苹果、杏、柿、樱桃、核桃的反射峰在550 nm、750~950 nm及960 nm附近的水汽吸收带差异明显;(2)简单比值指数(SR)、类胡萝卜素反射指数2(CRI2)、绿波段指数(GRVI)等7种植被指数重要性评分大于0.05,利于经济林树种识别;(3)基于光谱特征波段、植被指数、纹理特征的组合方式通过SVM的分类效果最好,优于MLC和RF算法,总体精度(Overall accuracy,OA)达到95.11%,Kappa系数为0.9158。综上所述,基于特征波段、植被指数、纹理特征3种特征组合并采用支持向量机(SVM)分类的识别方法,为6种树种识别的最佳识别方法。

基于生成对抗网络的树种识别方法

【目的】利用卷积神经网络模型进行图像自动识别时,为防止模型过拟合通常需要大量训练样本。本研究为提高树种识别准确率,在原有叶片图像基础上进行图像样本扩充来保证训练质量,提出一种融合生成对抗网络与卷积神经网络的树种识别方法。【方法】在Pytorch框架下,采集10种常见树种(山杨、梣叶槭、榆、刺槐、紫丁香、杜仲、火炬树、山荆子、水曲柳、红端木)叶片图像作为研究对象。首先,采用均值滤波去噪和尺寸归一化对图像进行预处理。其次,以生成对抗网络生成的图像扩充数据集,其中,以深度卷积生成对抗网络(DCGAN)模型为基础并对其进行改进,建立残差条件深度卷积生成对抗网络(RC-DCGAN)模型,将随机噪声和类别标签作为生成器的输入,以控制样本生成过程;在生成器中嵌入残差结构,使生成模型学习更多特征信息,以提高生成图像质量。然后,将原始图像和扩充图像作为卷积神经网络(CNN)的训练集,一方面,使用RC-DCGAN模型和旋转、镜像、改变对比度等传统图像扩充方法,扩充图像11400幅;另一方面,将原始图像与生成图像、原始图像与传统扩充图像,分别输入至CNN中进行训练,并在原始图像的每个类别中随机挑选50幅对模型进行测试,以验证生成对抗网络对提升识别准确率的可行性。最后,确定适合试验要求的CNN分类模型,并与AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型的识别效果进行对比,以检验本研究方法的可行性。【结果】RC-DCGAN模型比DCGAN模型生成的图像质量更高,贴合真实图像;利用生成对抗网络扩充图像的方法与ResNet30树种识别模型,训练准确率为99.03%,平均验证识别准确率为97.20%;而在相同树种识别模型下,传统图像扩充方法的识别率为95.50%;在相同数据集下,AlexNet模型、VGG-16模型、VGG-19模型、ResNet18模型所获得的识别率分别为86.52%、87.57%、91.43%、93.25%,均低于本研究模型的识别率。【结论】联合生成对抗网络和卷积神经网络的方法对本研究10种树种叶片图像的识别准确率最高,且克服了使用传统图像处理扩充方法使模型泛化能力下降的问题,说明利用生成对抗网络对图像扩充的方法具有可行性和有效性,可为相关研究工作提供借鉴。

基于机器学习算法的机载高光谱图像优势树种识别

对森林树种类型进行识别可以为森林资源清查工作的开展提供科学的参考价值,如何利用空间分辨率较高的高光谱数据准确识别森林优势树种是当前亟待解决的问题之一。文章以内蒙古大兴安岭根河森林保护区为研究区,在2种空间分辨率(1 m和3 m)下,使用样本点(样地对应像元的光谱值)与样本面(样地对应3×3窗口像元光谱平均值)2种样本取值尺度,采用3种机器学习分类算法(神经网络(neural network,NN)、三维卷积神经网络(three dimensional convolution neural network,3DCNN)和支持向量机(support vector machines,SVM))对机载高光谱图像的森林优势树种识别能力进行了探讨。结果表明:①无论使用何种空间分辨率与样本取值尺度,3DCNN的分类精度最高,其总体精度和Kappa系数最高(最高分别为95.42%和0.94);②高空间分辨率更有利于优势树种识别,其比低空间分辨率(3 m)总体精度最多可提高30.97%,Kappa系数最多可提高54.24%;③使用NN与SVM进行分类时,以样本面作为样本取值尺度进行树种识别的精度低于样本点。而在3 m空间分辨率情况下使用3DCNN进行分类时,以样本面作为样本取值尺度进行树种识别的精度高于样本点。总的来说,空间分辨率、样本取值尺度与分类算法均对优势树种识别精度有不同程度的影响。在机载高光谱图像识别森林优势树种过程中,优先选择高空间分辨率影像,利用小样本数据,采取深度学习算法将会提高优势树种识别精度。

基于GEE和Sentinel时序影像的优势树种识别研究

开展香格里拉市针叶林优势树种识别研究,为该区森林资源管理和研究提供参考。基于Google Earth Engine(GEE)平台和2020年Sentinel-1/2时间序列影像,构建植被的时序特征,并结合雷达特征、光谱特征、纹理特征和地形特征等共计43个特征,通过对特征的不同组合方案,采用分层分类和随机森林分类算法对香格里拉高山松、云南松、云冷杉和落叶松4种优势树种进行精细识别。结果表明,多源时间序列影像结合所有特征在3个层次上分类精度均较高;研究区森林与非森林分类的总体精度为98.73%,Kappa系数为0.97,用户精度和制图精度的调和平均值F_(1)为98.71%;针叶林和阔叶林分类的总体精度为92.80%,Kappa系数为0.85,F_(1)为92.58%;4种优势树种识别的总体精度为89.51%,Kappa系数为0.86,F_(1)为89.36%。不同树种在不同特征上均具有可分离性;多特征结合能在一定程度上提高树种识别的精度;基于GEE平台和Sentinel-1/2多源时间序列数据可以实现10 m空间分辨率下的森林优势树种精细识别。

基于无人机多光谱和HMLS的森林树种识别

为探索多源遥感数据在森林识别中的潜力,以料甸林场无人机多光谱和手持移动激光雷达数据为数据源,识别森林树种。在对研究区实现单木分割的基础上提取单木特征,基于不同的特征组合方式,利用随机森林分类器进行树种识别,比较不同组合形式对树种识别精度的影响。结果表明:基于层堆叠种子点法的单木分割方法精度最高,F值达到0.84;点云结构特征特别是点云高度变量在树种识别中有良好的表现,手持点云数据和多光谱数据的结合较仅使用单一数据源的识别精度提高了10.42%。

高分多模卫星林业地类及树种识别应用研究

遥感分类技术一直是林草行业应用的热点和难点,2021年开展的国家林草综合生态年度监测开始广泛应用遥感技术开展林地、草地和湿地图斑变化判读,地类前后变化的识别精度是其难点和关键。通过利用国内首颗分辨率优于0.5m的高分多模卫星,在湖南省桃源县、吉首市2个试验区分别开展林业主要地类识别和树种精细识别应用实践研究。结果表明:随机森林方法在林业地类识别中表现较好,林地、湿地、其他林地等主要地类的总体分类精度为89.56%,Kappa系数为0.733;K最邻近分类法对杉木、马尾松、灌木组、柑桔4个主要树种的总体识别精度为77.58%,Kappa系数为0.697。总体而言,高分多模卫星遥感分类和目标识别能力较好,在林草调查监测工作中应用潜力较大。

基于福鼎高分五号高光谱遥感数据森林优势树种识别的应用研究

通过分析高光谱遥感数据在自然资源调查中的研究现状及目前高光谱遥感数据地物光谱识别的主要技术方法及其精度情况,选取福鼎市一带作为试验区,基于GF5高光谱数据预处理后成果分别通过对数变换后一阶微分法、归一化变换后一阶微分法、主成分分析法、波谱角填图法等处理及分类方法,对竹林、马尾松、杉木、桉树、茶树、草地进行了试验提取。采用林业数据及第三次国土调查数据,结合外业调查进行精度评价,结果表明波谱角填图方法准确率最高。

人工神经网络结合近红外光谱用于木材树种识别

测量了不同产地及品种的89个木材样品的近红外光谱,并分别使用反向传播人工神经网络(backpropagation artificial neural networks,BPANN)与广义回归神经网络(generalized regression neural network,GRNN)建立了NIRS树种识别模型。通过方差分析分别选择两种神经网络所用参数,并采用最优参数进行网络训练。考虑到样品光谱的差异,对含不同水平白噪声与不同水平偏置的光谱进行模拟,并使用建立的模型对模拟光谱进行预测。发现两种神经网络模型均有较好的预测结果,其中BPANN模型,对含偏置水平不高于2%、噪声水平不高于4%的模拟光谱识别正确率在97%以上;GRNN模型,对含偏置水平不高于2%、噪声水平不高于4%的模拟光谱识别正确率在99%以上。

基于BP神经网络的木材近红外光谱树种识别

利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。

基于环境与灾害监测预报小卫星的树种识别

应用环境与灾害监测预报小卫星的高光谱遥感影像,对吉林省汪清林业局施业区内的典型树种蒙古栎、白桦和落叶松进行分类。依据各树种在相同波段灰度值的差异性,从HJ-1A遥感影像的115个波段中提取3个树种可分性好的波段区域,建立基于植被灰度值的分类规则进行预分类,再结合地形因子的坡向数据和DEM数据等地形因子进行再分类。预分类的总体分类精度为68.33%,分别结合坡向数据和高程数据的分类精度为81.67%和80.00%;在预分类中,结合坡向和高程数据的总体分类精度为88.33%。

叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法

针对基于叶片特征进行树种识别的问题,本文在结合叶片纹理、不变矩以及传统形状共25维传统特征的基础上,自定义了叶尖角、边角均值等2个叶片轮廓特征,并以相似多边形定义及其推论作为理论依据,提出了一种基于叶片轮廓构建距离矩阵与角点矩阵进行树种识别的分类方法。该方法首先对树木叶片图像进行预处理,提取出归一化的叶片特征向量,然后利用KNN最近邻分类器筛选出相似度最高的前20个结果集(Top 20),然后构建距离矩阵和角点矩阵进行更为精确的识别匹配。在图像预处理阶段,为获取更为准确的叶片轮廓特征,利用叶片在HSV颜色空间中饱和度特征以及色度特征方面的显著差异性,设计了一种消除叶片阴影的图像预处理算法。在识别匹配阶段,利用Douglas Peucker approximation算法提取叶片轮廓的近似多边形,定义了距离矩阵、角点矩阵、矩阵中元素间相似度、矩阵相似度以及综合相似度计算方法,设计了全局匹配与局部匹配相结合的算法。该算法在Android系统的手机平台上进行了实现和运行验证,结果表明:在Flavia数据集中,对32种共1 907个正常叶片样本的识别准确率为99.61%,对32种共851个残叶样本的准确率为94.92%;在Leafsnap数据集中,对185种共23 147个Lab样本前5个结果集(Top 5)的识别准确率为98.26%。相对其他算法,该算法识别准确率更高,对叶片外形描述能力更强,对残叶、扭曲叶、阴影叶具有更好的鲁棒性,算法的实用性和适应性更强。

基于DNA的木材树种识别研究进展

从木材识别的角度,对木材DNA提取方法(CTAB、SDS、PTB、DNeasy Plant Mini Kit等)和DNA条形码及DNA指纹图谱等基于DNA的木材树种识别方法进行了综合评述。其中,针对DNA条形码方法,重点阐述了基因组DNA中可用的特征序列来源叶绿体基因(chloroplast DNA,cpDNA)rbcL、matK、trnH-psbA间隔区序列,核糖体基因(ribosomal DNA,rDNA)ITS序列,以及变异位点的识别和系统进化树的应用等问题;针对DNA指纹图谱方法,重点阐述了(RAPD、ISSR、SSR、SNP)4种DNA分子标记方法在DNA指纹图谱中的研究和应用现状。笔者认为,以DNA特征序列为依据的木材树种识别理论上虽然是可行的,但要应用于实际还需开展更多的研究。

木材树种识别技术现状、发展与展望

介绍了木材树种宏观及其与微观特征结合的识别技术、木材识别特征的术语和定义、木材识别辅助工具和软件以及命名依据;阐述了DNA标记、稳定同位素、近红外光谱分析等木材树种识别新技术的发展,及对木材树种和产地鉴定的应用前景。

中红外光谱的进口木材树种识别方法

基于支持向量机和马氏距离探索了中红外光谱分析识别进口的卢氏黑黄檀、风车木、微凹黄檀、燃料紫檀和东非黑黄檀的能力。应用中红外光谱仪采集了500组试验样本进行分析,对试验数据进行了预处理:首先,为了保证样本的有效性,对异常光谱进行了诊断。基于莱特检验法诊断出卢氏黑黄檀和微凹黄檀各有2组异常,风车木、燃料紫檀和东非黑黄檀各有1组异常。为使样本数量统一,五种树种分别剔除了包含异常光谱在内的5组数据;其次,分析了近红外光谱的树种识别研究,结果表明:对光谱数据进行一阶导数处理,可提高识别的精度。因此,对中红外光谱数据进行了平滑处理和一阶导数处理。采用主成分分析提取了光谱数据的特征值,测试集的第一和第二主成分得分的散点图显示,平滑加一阶导数处理的测试集的各自聚类性较平滑处理好。以主成分的得分为特征,基于支持向量机和马氏距离进行了识别研究。考虑到识别方法中主成分个数的选取会直接影响识别的精度,而通常主成分的选取仅参考累计贡献率,此处为使主成分的选取更科学,在支持向量机识别方法中利用粒子群算法进行参数寻优时,对主成分的个数(范围为[5, 30])与5折检验下的最佳判别准确率的关系进行了试验,结果表明:平滑处理和平滑加一阶导数处理的主成分个数在[7, 11]范围内的5折检验下的最佳判别准确率较高,结合对应的判别准确率,确定了最佳的主成分个数为8个。以前8个主成分作为输入变量,基于支持向量机和马氏距离对测试集进行了测试,结果得出:两种识别方法的正确识别率均较高,支持向量机的识别率略高于马氏距离,平滑加一阶导数处理的识别率均优于平滑处理,平滑加一阶导数处理的支持向量机正确识别率达到了98%,识别效果最好。因此,中红外光谱分析可以作为木材树种识别的一种有效手段。

基于地面激光雷达点云数据的树种识别方法

为了能够更有效地利用地面激光雷达的点云数据识别树种,以北京林业大学为研究区域,利用FARO Photon120型地面激光雷达在研究区内获取4个树种、共92棵树木的点云数据。依据点云的三维坐标值提取研究区内立木的胸径、枝下高、树高、冠高、最长冠幅、垂直最长方向冠幅6个测树因子,同时提取由测树因子组合而成具有鲁棒性的6个树形特征参数,包括冠长树高比、胸径树高比、冠高树高比、分枝角、冠长最大冠幅之比、最长冠幅与垂直方向冠幅之比。分别使用测树因子和组合特征参数,采用支持向量机、分类回归决策树和随机森林的方法,对树种进行冠幅自动识别。研究结果表明:使用测树因子树木识别方法,识别平均准确率为0. 765,平均召回率为0. 778,3种识别方法中,分类效果较好的依次为分类回归决策树、随机森林、支持向量机;使用组合特征参数树木识别方法,识别平均准确率为0. 891,平均召回率为0. 896,分类效果较好的方法是随机森林和支持向量机,其次是分类回归决策树;总体上来看,不论是对于单个树种还是总体的准确率和召回率,组合特征参数法均高于测树因子法,而对于3种不同的分类方法,随机森林相对最好。研究结果表明,结合地面激光雷达获取的点云和不同机器学习分类方法进行树种识别分类可以达到满意的效果,且能节省大量时间和人力。

基于实测冠层光谱数据的三明市13种树种识别研究

针对亚热带地区树种丰富，树种间相似度大对树种识别带来的问题，本研究以福建省三明市莘口镇格氏栲自然保护区附近13种常见树种的冠层实测高光谱数据为例，采用一种分层分析方法，探讨不同光谱类别的树种识别精度以及树种识别的最佳波段。首先，对原始光谱进行变换处理，包括一阶微分、二阶微分、对数一阶微分、包络线去除和植被指数；其次，通过分析选择出13种树种各光谱类别的差异显著波段；最后，利用逐步判别法对选择的差异显著波段进一步降维，判断不同光谱类别的树种识别精度并找出识别13种树种的最佳波段。结果表明：光谱变换能有效地提高树种的识别精度，尤其是对数一阶微分光谱，总识别精度高达98．7%；对于原始光谱，近红外波段（760~1300 nm）的树种识别能力更强，对于变换光谱，可见光波段（350~760 nm）的树种识别效果更佳；不同光谱类别之间具体的显著性差异波段存在很大差别，原始光谱与变换光谱之间仅在绿光波段（500~600 nm）有少量相同的显著性差异波段，此研究成果可为亚热带地区树种识别提供参考。

基于改进ResNet34网络的树种识别研究

为了快速高效的提高树种识别工作的效率,解决识别工作中的遇到的困难,提出一种基于改进卷积神经网络的高效树种识别方法。实验以残差网络(residual network, ResNet)为基础网络加以改进,应用迁移学习的知识,加快网络的训练过程,使其更快的拟合,并对网络结构进行了适当的修改,使其更适合本实验的任务。实验模型网络应用Adam优化器进行训练,采用学习率衰减器寻找模型最优解,为了增加网络的泛化能力,对实验图像进行了数据增强。实验结果表明,与未改进的VGG16、ResNet18、ResNet34网络相比,改进的网络识别准确度分别提高了26.93%、2.91%、1.33%,同时兼顾到了准确度与高效性,模型能够较好的胜任树种识别任务。

基于预训练模型与无人机可见光影像的树种识别

提高图像质量与利用新的图像分类方法是提高遥感图像树种识别精度两个突破口.本文基于VGG16的预训练模型与无人机可见光影像进行杉木、马尾松2个树种识别研究.利用大疆精灵4RTK无人机,搭载FC6310R相机,采集南平市和三明市的杉木和马尾松人工纯林彩色图像.通过图像预处理、标注、裁剪和增强等环节构建UAVTree2k和UAVTree20k两个数据集.基于UAVTree2k数据集和VGG16模型在ImageNet数据集的预训练模型,重新训练3个全连接层和Sigmoid层,研究探讨不同迭代次数、不同批次大小、不同训练集和测试集划分比例对识别精度的影像.研究结果表明,当迭代次数为40、批次大小为16、训练集和测试集为6:4时,模型识别效果最好,测试精度达到98.63%;小样本下,基于VGG16的预训练模型具有良好的特征学习能力.

深度学习用于无人机影像树种识别研究进展

提高遥感数据质量和利用新的图像处理方法是提高遥感图像识别精度两个主要方向.树种识别是林业遥感领域国际性关注的学术问题,深度学习方法用于无人机影像树种识别初见端倪.介绍无人机类型、外业飞行参数,在总结无人机高光谱影像树种识别现状以及传统机器学习方法在无人机树种识别的基础上,分析卷积神经网络与迁移学习方法在无人机树种识别的国内外研究现状.研究指出无人机树种识别数据集构建与共享迫在眉睫;逐步建立卷积神经网络在无人机树种识别的标准与规范;采用并行计算方式,加速卷积神经网络训练时间;拓展无人机森林资源调查因子提取,进行森林健康实时监测,从而改进和完善我国森林资源监测体系.