前沿与重点：智慧林草技术与应用 栏目所有文章列表

(按年度、期号倒序)     一年内发表的文章 |  两年内 |  三年内 |  全部 Please wait a minute... 选择: 下载引用 EndNote Reference Manager ProCite BibTeX RefWorks 显示/隐藏图片 Select 1. 洞庭湖湿地植被时空动态及其驱动力分析 张雨田,石军南,张怀清,吴炳伦 林业科学    2024, 60 (8): 1-13.   doi: 10.11707/j.1001-7488.LYKX20240048 摘要 （230）   HTML （27）    PDF （2621KB）（211）    可视化    收藏 目的: 探究洞庭湖湿地植被覆盖变化的长期时空格局及其对气候变化和人类活动的响应机制，为湿地生态系统保护提供决策依据。方法: 利用FSDAF（时空融合数据分析框架）算法融合Landsat和MODIS影像，获取洞庭湖湿地2000—2019年月尺度归一化差异植被指数（NDVI）时间序列，采用改进的STL时序分解方法分离洞庭湖湿地植被NDVI季节和趋势分量，在不同时间尺度下量化湿地植被覆盖对环境变化和人为干扰的响应。基于线性回归方法与高时空分辨率的NDVI季节和趋势分量数据对洞庭湖湿地植被进行时空动态分析，识别湿地植被在不同尺度的时空动态格局。应用基于偏相关的分析方法定量评估2000—2019年3个主要气候因子（温度、降水量和太阳辐射）和人为因素对趋势和季节性植被变化的贡献。结果: 1） 2000—2019年，洞庭湖湿地植被NDVI季节和趋势分量变化呈现出空间分异格局，但总体呈“绿化”趋势，变化率分别为4.8×10?3 a?1和0.4×10?3 a?1。2） 温度和太阳辐射与植被变化存在显著正相关关系，与植被变化的季节相关性大于趋势相关性。降水量与植被变化的相关性相对较低，且与水稻的NDVI变化呈负相关关系（趋势分量偏相关系数R= -0.27；季节分量偏相关系数R= ?0.42）。3） 2000—2019年，人为因素和气候变化对洞庭湖湿地植被变化的平均相对贡献率分别为58%和42%，其中人为因素对长期和季节性湿地植被生长与恢复的相对贡献率分别为55%和62%，气候变化对长期和季节性湿地植被退化的相对贡献率分别为53%和56%。结论: 人为因素促进植被生长是洞庭湖湿地植被增绿的主要动因；气候变化对湿地生态系统构成威胁，采取合适的生态保护与修复方案仍是未来实现洞庭湖湿地生态系统可持续发展的重要手段。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 2. CHM与DSM相结合的无人机激光雷达单木分割 胡中洋,陕亮,陈翔宇,余坤勇,刘健 林业科学    2024, 60 (8): 14-24.   doi: 10.11707/j.1001-7488.LYKX20230079 摘要 （186）   HTML （45）    PDF （6244KB）（171）    可视化    收藏 目的: 提出一种冠层高度模型（CHM）与数字表面模型（DSM）相结合的单木分割方法，以解决无人机激光雷达提取地形坡度较大区域CHM时因树冠形变导致单木分割精度降低的问题。方法: 利用无人机激光雷达数据，在福建省顺昌县洋口林场地形起伏较大的中、高郁闭度杉木人工林中选择中龄林和幼龄林各3块标准地，结合地面实测数据和目视解译方法，对CHM与DSM相结合（优化方法）的4种窗口的局部最大值法的树顶点探测和极值标记的分水岭算法的单木分割进行精度评价，并与仅基于CHM的传统方法的树顶点探测和单木分割进行对比分析。结果: 树顶点探测方面，随着窗口增大，每块样地探测的单木总数量和探测百分比均呈下降趋势；中龄林3块样地的最佳窗口为0.3 m，幼龄林3块样地的最佳窗口为0.2 m，此时6块样地1∶1对应关系的单木数量和生产者精度均最大；在相应最佳窗口条件下，仅基于CHM的局部最大值法因树冠形变存在容易产生单木多树顶点探测现象，传统方法的单木探测百分比高于优化方法，但传统方法的树顶点探测精度低于优化方法。幼龄林的树顶点探测精度高于中龄林，这是因为幼龄林样地冠幅和单木相邻距离更一致，更适应固定窗口的局部最大值法。单木分割方面，优化方法的单木分割精度高于传统方法，幼龄林的单木分割精度高于中龄林。结论: 局部最大值法的树顶点探测和分水岭算法的单木分割直接数据源为DSM，是树冠表面真实起伏状况的反映，没有树冠形变，研究结果为更真实的树顶点和单木树冠边界。CHM与DSM相结合的单木分割方法在中、高郁闭度杉木人工中、幼林中分割精度较高（6块样地探测率r均大于88%，准确率p均大于92% ，F得分均大于91%），将该方法集成在ArcGIS模型构建器中，可为精准化、自动化、集成化的无人机激光雷达单木分割应用提供可能。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 3. 基于Wasserstein距离和相关对齐迁移学习的野生动物图像识别方法 张长春,李大方,张军国 林业科学    2024, 60 (8): 25-32.   doi: 10.11707/j.1001-7488.LYKX20230399 摘要 （99）   HTML （14）    PDF （2546KB）（119）    可视化    收藏 目的: 为解决光照、背景和拍摄尺度等复杂因素对野生动物图像识别准确性的影响。方法: 以野外红外触发相机采集的野生动物图像为对象：1）利用ENA24和NACTI两个公开的野生动物数据集构建包含不相交领域数据集S1和S2，共11个动物类别，包含25 591幅图像；2）针对领域偏移问题，采用ResNet50网络作为特征提取模块构建领域对抗网络，有效减轻了领域偏移；3）引入Wasserstein距离和相关对齐的表征学习网络，建立了基于Wasserstein距离和相关对齐的迁移学习网络，用于特征提取和识别，挖掘迁移性的特征。结果: 采用平均准确率作为评价指标，ResNet50、DDC、DCORAL、DAN、DANN、CDAN、HAN和JTN这8个模型在11种野生动物上的识别表现分别为48.4%、51.6%、49.6%、52.6%、45.2%、50.9%、54.6%和53.5%；在改进残差模块的ResNet50基础上，并引入Wasserstein距离和相关对齐的表征学习网络后，与现有最佳方法相比，11种（类）野生动物的平均准确率提高了2.7%。结论: 基于Wasserstein距离和相关对齐的迁移学习方法在野生动物识别方面的平均准确率达到57.3%；引入Wasserstein距离和相关对齐的表征学习可有效提高野生动物识别模型的准确性。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 4. 基于卫星跟踪的黄河三角洲东方白鹳适宜栖息地分布预测 陈丽霞,路峰,江红星,孙戈,岳修鹏,王艺璇,高彤,胡兴波,丁长青 林业科学    2024, 60 (8): 46-56.   doi: 10.11707/j.1001-7488.LYKX20230642 摘要 （99）   HTML （16）    PDF （1746KB）（280）    可视化    收藏 目的: 根据黄河三角洲东方白鹳卫星跟踪位点，预测其在全国范围内夏季和冬季适宜栖息地分布，以期为东方白鹳的协同保护提供科学依据。方法: 利用2016—2022年山东黄河三角洲80只东方白鹳卫星跟踪数据，通过空间自相关分析筛选出夏季5 283个点位，冬季4 730个点位，使用最大熵模型（MaxEnt）预测黄河三角洲东方白鹳夏季与冬季潜在适宜栖息地分布，并划分适宜等级。结果: 1） MaxEnt 模型预测夏季和冬季AUC值分别为0.866和0.838，结果准确性好。2） 海拔、等温性、距河湖距离、平均气温日较差、降水量季节性以及土地利用类型是影响黄河三角洲东方白鹳夏季与冬季分布的关键环境因素。3） 黄河三角洲东方白鹳夏季栖息地高适宜区面积为14.75×104 km2（占适宜区总面积的13.01%），主要位于松嫩平原（57.52%）、渤海湾（17.56%）、辽河平原（14.94%）等地区；栖息地类型包括湿地（35.30%）、农田（33.74%）和水域（12.43%）等。4） 冬季栖息地高适宜区面积为11.63×104 km2（占适宜区总面积的11.62%），主要位于长江中下游平原（49.02%）、淮河流域江苏洪泽湖（23.75%）、渤海湾（11.52%）等地区；栖息地类型主要包括湿地（40.56%）、农田（29.68%）和水域（18.45%）等。（5）夏季与冬季栖息地高适宜区的重叠面积为2.13×104 km2（占总重叠面积的4.11%），主要分布在渤海湾（59.81%）、山东半岛沿海（23.24%）、江苏东部沿海（9.34%）等区域。结论: 夏季适宜栖息地向北扩到东北松嫩平原、三江平原和辽河平原，该结果打破了东方白鹳出生后扩散的传统认知，建议加强该物种的协同保护。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 5. 基于ConvNeXt的北京地区红外相机野生动物图像识别改进模型构建 齐建东,郑尚姿,陈子仪,马鐘添 林业科学    2024, 60 (8): 33-45.   doi: 10.11707/j.1001-7488.LYKX20230276 摘要 （97）   HTML （17）    PDF （3360KB）（94）    可视化    收藏 目的: 针对红外相机拍摄的野生动物图像数据量大、无效图像占比多、图像背景复杂等问题，提出一种可对图像进行自动、高准确率识别的模型，为生物多样性研究和野生动物保护工作提供更高效的支持。方法: 收集整理近4年来北京园林绿化生态系统监测网络各站点红外相机拍摄的约5 TB图像数据，对其手工标注并进行数据增强后自建10类共4 234张图像数据集。基于ConvNeXt卷积神经网络，结合北京地区野生动物图像数据集特点，设计BSGG-ConvNeXt模型，使用BlurPool、SENet、全局响应归一化层（GRN）、GCNet提升模型识别能力，并在自建数据集上探究训练策略对ConvNeXt网络识别准确率的影响，通过与其他经典模型比较，明确BSGG-ConvNeXt模型的优势。利用公开的红外野生动物Snapshot Serengeti（SS）数据集和Caltech Camera Traps（CCT）数据集，验证模型的泛化能力。结果: 以ConvNeXt的ConvNeXt-T网络尺寸模型为例，其在自建数据集中的准确率为74.13%，乘加累积操作数（MACs）为4.47×109。应用不同改进方案发现，使用 BlurPool后准确率提升2.2%，MACs降至1.07×109；使用SENet后准确率提升3.2%；使用GRN并删掉缩放层后准确率升至87.18%，参数数量增至27.88×106；使用GCNet后在不增大计算量的情况下准确率升至75.44%，但参数数量增至28.25×106。将上述改进方案结合得到的BSGG-ConvNeXt应用于ConvNeXt-T模型获得BSGG-ConvNeXt-T模型，参数数量虽有少量增多，但MACs降为1.07×109，模型准确率升至83.63%，高于原模型。使用预训练权重后的BSGG-ConvNeXt-T模型准确率可达94.07%，高于ResNet-50（76.39%）、ResNeXt-50（87.60%）、MobileViT（90.00%）、DenseNet（87.66%）、RegNet（69.90%）、ConvNeXtv2（91.93%）、SwinTransformer的（86.23%）和MobileOne（71.53%），将BSGG-ConvNeXt模型应用于4种不同网络尺寸的ConvNeXt模型后，在自建数据集中的表现均优于未改进模型。BSGG-ConvNeXt模型在SS数据集中的识别准确率达50.28%，在CCT数据集中的识别准确率达56.15%，均高于原模型的准确率。结论: BSGG-ConvNeXt模型识别红外相机拍摄的野生动物图像准确率更高，在自建、公开的野生动物红外图像数据集上均有较好表现，且具有一定泛化能力。 图表 | 参考文献 | 相关文章 | 多维度评价