基于YOLOv8的陕西黄土高原刺槐林枯立木识别

黄土高原在生态恢复的过程中由于不适宜造林加之极端干旱频发,导致人工刺槐林出现退化甚至死亡,从而产生枯立木。为准确识别陕西黄土高原刺槐林枯立木,进而分析其空间分布格局,本研究以典型人工林刺槐为对象,沿陕西黄土高原降水梯度设置6个样地,利用无人机获取刺槐林高分辨率RGB影像,结合多个深度学习目标检测模型识别刺槐林枯立木,通过对比与分析证明了YOLOv8模型在检测效率以及检测精度方面的优越性。通过对刺槐林数据集训练与测试以及刺槐林RGB影像的拼接,从而分析刺槐林枯立木的分布格局,用枯立木指数(SDTI)反映刺槐林退化程度,同时分析了坡向对其影响。YOLOv8模型训练后平均帧率FPS达到了68.7帧/s,且其验证集平均精度均值(mAP)达到了94.6%,F1得分为0.92,均好于其他模型。综合不同目标检测模型的各项主要评价指标及泛化能力,选择YOLOv8模型分析刺槐林枯立木分布格局,表明陕西黄土高原刺槐林SDTI随降水梯度递减呈递增趋势;不同坡向SDTI呈阳坡>半阳坡>半阴坡>阴坡的变化规律。本研究可为黄土高原刺槐林退化程度评估及其合理的经营管理提供科学依据。

南岭山地森林群落冠层结构与立木多度的关系

林冠是森林与外部环境相互作用最直接与最活跃的界面层,影响着森林的物理环境和生物环境。采用半球面摄影技术(Hemispherical Photography)、典范对应分析(Canonical Correspondence Analysis,CCA)和Kruskal-Wallis分析定量研究了森林群落冠层结构与立木分布及多度的关系。结果表明:(1)基于10 000 m2调查样地,南岭山地森林群落共有立木47科81属143种,枯立木多来源于林冠上层大树;(2)CCA排序结果显示,冠层结构各参数与立木分布均有一定相关性,叶面积指数、林冠开度与立木分布的关系尤为密切;(3)立木多度与活立木多度在林下散射光分组变量间差异显著(P<0.05),枯立木多度在林冠开度分组变量间的差异性显著(P<0.05),立木多度随林下直射光增强而减少。叶面积指数和林冠开度通过影响林下光照条件进而影响立木,尤其是枯立木的形成和多度。

大兴安岭林区无人机可见光影像散发枯立木识别算法

枯立木识别对森林资源管理,生物多样性保护,以及森林碳储量变化评估具有重要价值。无人机高分辨率影像为枯立木调查提供了较为便捷的方式。现有枯立木识别算法多依靠拥有红边、近红外波段的多光谱影像来实现。相比于多光谱相机,消费级无人机通常搭载的是用于获取可见光(RGB)影像的普通数码相机,较少的波段信息为基于RGB影像的枯立木自动化精准识别带来很大的挑战。现有利用无人机可见光影像进行枯立木高精度识别多依赖于人工目视解译,自动化识别程度较低,且缺乏单木尺度的研究;此外,现有研究多集中在强扰动(如病虫害)引起的群发枯立木上,而对森林自然演替过程中产生的散发枯立木关注较少。为此,本研究提出了利用无人机可见光影像进行单木尺度的散发枯立木高精度自动化识别算法。在已有单木分割算法的基础上,发展了基于红绿波段比值(RGI)和蓝绿波段比值(BGI)光谱指数迭代统计分析的枯立木树冠自动化检测算法,提出了基于数字表面模型纹理特征的森林掩膜自动提取方法,实现了单木尺度的散发枯立木自动识别。经过实地调查和目视解译的枯立木参考数据的验证,结果表明枯立木查全率和精确率均接近95%,单木树冠分割结果中的欠分割和错分割是枯立木识别误差的主要来源,提高单木树冠提取精度是进一步完善单木尺度枯立木识别的关键。