检索结果-内蒙古大学图书馆

生态学报 2022年第9期42卷 3525-3535页

作者：曹小玉赵文菲李际平闫文德庞一凡孙亚萍谢政锠中南林业科技大学林学院长沙410004 南方森林资源经营与监测国家林业与草原局重点实验室长沙410004 南方林业生态应用技术国家工程实验室长沙410004

分析及综合评价不同森林植被对土壤养分因子的影响,对揭示森林植被与土壤养分的相互关系,全面衡量森林土壤养分水平具有重要的意义。以中亚热带杉木(Cunninghamia lanceolata)纯林、木荷(Schima superb)纯林、木荷+楠木(Phoebe ahenre)... 详细信息

分析及综合评价不同森林植被对土壤养分因子的影响,对揭示森林植被与土壤养分的相互关系,全面衡量森林土壤养分水平具有重要的意义。以中亚热带杉木(Cunninghamia lanceolata)纯林、木荷(Schima superb)纯林、木荷+楠木(Phoebe ahenre)混交林、木荷+杉木混交林、青冈栎(Cyclobalanopsis glauca)天然次生林、毛竹(Phyllostachys edulis)林6种森林类型为研究对象,在分析不同森林类型土壤养分特征状况差异的基础上,采用结构方程模型确定土壤养分因子权重,对其土壤养分水平进行综合评价。结果表明:(1)6种森林类型0—60 cm土壤有机质、全氮、碱解氮和有效磷的含量分别为8.24—28.17 g/kg、0.67—1.31 g/kg、44.88—89.31 mg/kg和1.24—6.50mg/kg,其含量最高的都是青冈栎天然次生林,土壤有机质和碱解氮含量最低的是毛竹林,土壤全氮和有效磷的含量最低的分别为杉木纯林和木荷纯林,0—60 cm土壤全磷和速效钾的含量分别为0.15—0.21 g/kg和35.54—54.32mg/kg,其含量最高的都是木荷+楠木混交林,含量最低的分别为木荷纯林和毛竹林;(2)土壤有机质、全氮、全磷和有效磷的含量在6种森林类型中都一致表现出随土层加深而逐渐减小的规律,而碱解氮和速效钾含量在土壤垂直剖面的变化却因森林类型而异,没呈现出具体的变化规律;(3)栎类天然次生林的土壤养分等级综合评分值为3.47,评价等级属于中上水平,杉木纯林、木荷纯林、木荷+楠木混交林、木荷+杉木混交林的土壤养分等级综合评分值分别为2.45、2.76、2.83、2.68,评价等级均属于中下水平,而毛竹林的土壤养分等级综合评分值仅为1.95,评价等级属于土壤养分缺乏。

关键词：中亚热带土壤养分指标权重结构方程模型

来源：评论

学校读者我要写书评

暂无评论

基于无人机影像自动检测冠层果的油茶快速估产方法

引用

农业工程学报 2021年第16期37卷 39-46页

作者：严恩萍棘玉尹显明莫登奎中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室长沙410004 中南林业科技大学南方森林资源经营与监测国家林业与草原局重点实验室长沙410004 中南林业科技大学林学院长沙410004

快速准确的产量估算对油茶经营管理和可持续发展具有重要意义。该研究针对油茶快速估产的应用现状,提出一种基于无人机影像自动检测冠层果的方法用于油茶快速估产。首先借助无人机航拍影像,通过随机抽样选取120株油茶树进行无人机近景... 详细信息

快速准确的产量估算对油茶经营管理和可持续发展具有重要意义。该研究针对油茶快速估产的应用现状,提出一种基于无人机影像自动检测冠层果的方法用于油茶快速估产。首先借助无人机航拍影像,通过随机抽样选取120株油茶树进行无人机近景摄影和人工采摘称量;然后利用Mask RCNN(Mask Region Convolutional Neural Networks)网络开展基于近景影像的油茶冠层果自动检测与计数;采用线性回归和K最邻近建立冠层果数与单株果数之间的关系,同时结合研究区典型样木株数和平均单果质量,构建基于冠层果自动检测的估产模型。结果表明:1)无人机超低空近景影像结合Mask RCNN网络能够有效检测不同光照条件油茶果,平均F1值达89.91%;2)同传统卫星遥感相比,基于无人机近景摄影的冠层果自动检测在作物产量估测方面显示出明显优势,Mask RCNN网络预测的冠层果数与油茶样木单株果数之间具有良好的一致性,拟合决定系数R2达0.871;3)结合线性回归和K最邻近构建的模型估产精度均较高,拟合决定系数R2和标准均方根误差NRMSE(Normalized Root Mean Square Error)分别在0.892~0.913和28.01%~31.00%之间,表明基于无人机影像自动检测冠层果的油茶快速估产是一种切实可行的方法。研究结果可为油茶快速估产和智能监测提供参考。

关键词：无人机自动检测油茶快速估产冠层果

来源：评论

学校读者我要写书评

暂无评论

利用ZY-3立体像对的桉树林分平均高估测

引用

测绘科学 2022年第2期47卷 117-125页

作者：张廷琛林辉刘兆华龙江平中南林业科技大学林业遥感信息工程研究中心长沙410004 林业遥感大数据与安全湖南重点实验室长沙410004 南方森林资源经营与检测国家林业和草原局重点实验室长沙410004

针对如何快速准确地估测桉树林分平均高以进一步评价桉树生长过程和质量的问题,该文研究利用ZY-3号立体像对数据,提取了研究区冠层高度模型(NF_CHM、NB_CHM和3S_CHM)。在此基础上,利用冠层高度模型(CHM)、ZY-3号多光谱数据提取的遥感因... 详细信息

针对如何快速准确地估测桉树林分平均高以进一步评价桉树生长过程和质量的问题,该文研究利用ZY-3号立体像对数据,提取了研究区冠层高度模型(NF_CHM、NB_CHM和3S_CHM)。在此基础上,利用冠层高度模型(CHM)、ZY-3号多光谱数据提取的遥感因子,结合多种线性和非线性模型协同反演了桉树的林分平均高。研究结果表明,使用该方法估测精度(RMSE=2.15 m,RRMSE=14.5%,RE=0.11),优于单独使用冠层高度模型(CHM)估测桉树林分平均高的精度。研究结果为进一步利用ZY-3立体像对数据对桉树林分平均高估测提供了新的思路。

关键词：资源三号立体像对林分平均高机器学习模型桉树

来源：评论

学校读者我要写书评

暂无评论

2000—2018年深圳市植被覆盖动态变化与预测

引用

应用生态学报 2020年第11期31卷 3777-3785页

作者：吴炳伦孙华石军南张雨田石灵杰中南林业科技大学林业遥感信息工程研究中心长沙410004 林业遥感大数据与生态安全湖南省重点实验室长沙410004 南方森林资源经营与监测国家林业与草原局重点实验室长沙410004

采用Landsat系列多时相影像数据,以像元二分法估算植被覆盖度,运用线性回归分析、重心迁移等方法来探究深圳市2000—2018年植被覆盖的时空变化特征,并结合CA-Markov模型对深圳市未来土地覆盖情况进行预测。结果表明:2000—2018年,深圳... 详细信息

采用Landsat系列多时相影像数据,以像元二分法估算植被覆盖度,运用线性回归分析、重心迁移等方法来探究深圳市2000—2018年植被覆盖的时空变化特征,并结合CA-Markov模型对深圳市未来土地覆盖情况进行预测。结果表明:2000—2018年,深圳市植被覆盖呈明显的地域分异特征,在区域上表现为东部大于西部、南部大于北部,此分异特征与区域地形效应具有良好的一致性。植被覆盖度重心的空间迁移特征为西北-东南-西北,迁移速率为551.2 m·a-1,此进程与深圳市城市化进程密切相关。2000—2018年间,深圳市植被覆盖度总体呈改善趋势,改善速率为0.005·a-1,其中,植被覆盖度显著改善和退化的面积比例分别为30.8%和12.8%。采用CA-Markov方法分理论、自然两种情景对深圳市2024年土地覆盖/利用类型进行预测,两种预测方法所得土地覆盖/利用类型的面积所占比例之间没有显著差异,其差异阈值在0~1.2%。与2018年之前相比,2024年深圳市乔木林、耕地等转化为建设用地的比例将明显减少,但供需矛盾仍然紧张。

关键词：植被覆盖度重心迁移 CA-Markov模型预测深圳市

来源：评论

学校读者我要写书评

暂无评论

基于带宽优选地理加权回归模型的深圳市植被碳储量反演

引用

生态学报 2022年第12期42卷 4933-4945页

作者：龙依蒋馥根孙华王天宏邹琪陈川石中南林业科技大学林业遥感信息工程研究中心长沙410004 林业遥感大数据与生态安全湖南省重点实验室长沙410004 南方森林资源经营与监测国家林业与草原局重点实验室长沙410004 国家林业和草原局中南调查规划设计院长沙410004

植被碳储量估测是自然资源监测的重要内容,遥感技术结合地面样地进行反演可以获得区域范围内植被碳储量的空间连续分布,弥补了传统人工抽样调查估测的不足。然而,现有的参数和非参数遥感估测模型大多忽略了样地数据的变异与空间自相关... 详细信息

植被碳储量估测是自然资源监测的重要内容,遥感技术结合地面样地进行反演可以获得区域范围内植被碳储量的空间连续分布,弥补了传统人工抽样调查估测的不足。然而,现有的参数和非参数遥感估测模型大多忽略了样地数据的变异与空间自相关关系。研究以Landsat 8 OLI影像为数据源提取遥感变量,结合植被碳储量实测调查数据,利用最小信息准则(AICc)、最大空间自相关距离(MSAD)和交叉验证(CV)分别确定最优带宽,组合Gaussian、Bi-square和Exponential核函数构建地理加权回归(GWR)模型估算深圳市植被碳储量,并与多元线性回归(MLR)进行比较,选择最优模型绘制深圳市植被碳储量空间分布图。研究结果表明,GWR模型整体精度优于MLR模型,GWR模型的决定系数(R;)均高于MLR模型,且均方根误差(RMSE)和平均绝对误差(MAE)显著降低。带宽和核函数的选择对GWR模型估测结果产生了显著影响。以CV确定带宽、Exponential为核函数组合构建的GWR模型效果最佳,其R;为0.697,RMSE为10.437 Mg C/hm^(2),相比其它模型精度上升了13.87%—32.28%,且变量回归参数均存在显著空间非平稳性,能较好反映空间异质性。结合最优GWR模型和植被类型空间分布估算深圳市植被碳储量,得到其碳储量值在1.63—60.95 Mg C/hm^(2)之间,其中高值和低值主要分布于森林和草地区域,与深圳市植被覆盖情况基本一致。GWR模型考虑了变量空间异质性,基于带宽优选的GWR模型一定程度上能获得更合理的碳储量空间分布,能为深圳市植被碳储量遥感估算提供方法与技术参考。

关键词：遥感反演植被碳储量局部模型地理加权回归 Landsat 8

来源：评论

学校读者我要写书评

暂无评论

基于随机森林模型的东北三省乔木林生物质碳储量预测

引用

林业科学 2022年第4期58卷 40-50页

作者：田惠玲朱建华何潇陈新云简尊吉李宸宇郭学媛黄国胜肖文发中国林业科学研究院森林生态环境与自然保护研究所国家林业和草原局森林生态环境重点实验室北京100091 南京林业大学南方现代林业协同创新中心南京210037 中国林业科学研究院资源信息研究所国家林业和草原局森林经营与生长模拟实验室北京100091 国家林业和草原局调查规划设计院北京100714

【目的】利用全国森林资源清查固定样地连续监测数据,通过机器学习算法构建基于多因子的森林生长模型,提高森林生长和固碳量的模拟精度,预测东北三省乔木林未来碳汇潜力,探索乔木林碳汇的潜在分布,为准确定位我国东北森林在增汇减排中... 详细信息

【目的】利用全国森林资源清查固定样地连续监测数据,通过机器学习算法构建基于多因子的森林生长模型,提高森林生长和固碳量的模拟精度,预测东北三省乔木林未来碳汇潜力,探索乔木林碳汇的潜在分布,为准确定位我国东北森林在增汇减排中的作用以及科学制定国家“碳中和”行动路径和目标管理提供科学指导。【方法】利用1999—2018年4次全国森林资源连续清查固定样地监测数据,结合区域气候、土壤、林分和地形因子,采用随机森林模型构建区域主要优势树种(组)的生长-消耗模型,运用未来气候情景与未来乔木林面积扩增情景,预测东北三省2015—2060年间乔木林生物质碳储量变化与碳汇潜力。【结果】东北三省乔木林生物质碳储量2060年可达3393.15 TgC,比2015年增加1895.23 TgC,2015—2060年间年碳汇量为42.12 TgC·a-1,其中天然林是主体。辽宁省、吉林省和黑龙江省乔木林生物质碳储量分别由2015年的139.19、463.58和895.15 TgC增至2060年的328.95、915.83和2148.37 TgC,乔木林平均生物质碳密度分别由2015年的32.71、59.75和45.11 MgC·hm-2增至2060年的75.20、109.32和85.24 MgC·hm-2。2015—2060年间辽宁省、吉林省和黑龙江省乔木林生物质年碳汇量分别为4.22、10.05和27.85 TgC·a-1。【结论】本研究构建的随机森林模型表现效果较好,能够用于东北三省未来乔木林碳储量预测。2015—2060年东北三省乔木林生物质碳储量将增加1895.23 TgC,未来仍具有较大碳汇潜力。黑龙江省的碳汇潜力最大,年碳汇量达27.85 TgC·a-1,是未来重要的碳增汇区域;辽宁省的碳汇潜力较弱,年碳汇量仅为4.22 TgC·a-1。加强中、幼龄林经营管理,适度更新成、过熟林,有助于提升东北三省乔木林碳汇功能,发挥我国东北森林在增汇减排以及实现区域“碳中和”目标中的作用。

关键词：生长-消耗模型随机森林模型森林资源清查多变量生物质碳储量

来源：评论

学校读者我要写书评

暂无评论

联合GF-6和Sentinel-2红边波段的森林地上生物量反演

引用

生态学报 2021年第20期41卷 8222-8236页

作者：蒋馥根孙华李成杰马开森陈松龙江平任蓝翔中南林业科技大学林业遥感信息工程研究中心长沙410004 林业遥感大数据与生态安全湖南省重点实验室长沙410004 南方森林资源经营与监测国家林业与草原局重点实验室长沙410004 广西壮族自治区森林资源与生态环境监测中心南宁530000 国家林业和草原局中南调查规划设计院长沙410004

光谱反射率能反映地物差异,是森林地上生物量(Aboveground Biomass, AGB)遥感反演的理论基础。红边波段处于近红外与红光波段交界处快速变化的区域,能对植被冠层结构和叶绿素含量的微小变化做出快速反应,对植被生长状况较敏感。研究以G... 详细信息

光谱反射率能反映地物差异,是森林地上生物量(Aboveground Biomass, AGB)遥感反演的理论基础。红边波段处于近红外与红光波段交界处快速变化的区域,能对植被冠层结构和叶绿素含量的微小变化做出快速反应,对植被生长状况较敏感。研究以GF-6和Sentinel-2多光谱影像作为数据源,结合野外调查AGB数据,构建落叶松和樟子松AGB线性和非线性估测模型,通过比较模型精度选择最优模型进行森林AGB反演和空间分布制图。结果表明:GF-6和Sentinel-2影像红边波段反射率与落叶松、樟子松AGB均呈显著相关(P<0.05),红边波段对AGB估测较敏感。多变量估测模型整体估测效果优于单变量模型,所有模型中多元线性回归模型取得了最优的决定系数(落叶松R2=0.66,樟子松R2=0.65)和最低的均方根误差(落叶松RMSE=31.45 t/hm^(2),樟子松RMSE=54.77 t/hm^(2))。相比单个数据源,联合GF-6和Sentinel-2影像构建的多元线性回归模型估测效果得到了显著提升,模型RMSE对于落叶松和樟子松AGB估测分别最大降低了22.9%和11.2%。增加红边波段进行AGB估测能显著提高模型估测精度,三组数据源分别加入红边波段信息后进行建模,模型RMSE得到了显著降低。GF-6拥有800 km观测幅宽和高效的重访周期,可以快速地提供大尺度时间序列数据,在森林地上生物量反演和动态监测方面有着很大潜力。

关键词：森林地上生物量落叶松樟子松遥感反演 GF-6 Sentinel-2

来源：评论

学校读者我要写书评

暂无评论

采用全卷积神经网络与Stacking算法的湿地分类方法

引用

农业工程学报 2020年第24期36卷 257-264,F0003页

作者：张猛林辉龙湘仁中南林业科技大学林业遥感信息工程研究中心长沙410004 中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室长沙410004 中南林业科技大学南方森林资源经营与监测国家林业与草原局重点实验室长沙410004

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高等问题,提出了一种采用全卷积神经(Fully Convolutional Neural,FCN)网络与集成学习的湿地分类方法。首先利用全卷积神经网络(SegNet、UNet... 详细信息

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高等问题,提出了一种采用全卷积神经(Fully Convolutional Neural,FCN)网络与集成学习的湿地分类方法。首先利用全卷积神经网络(SegNet、UNet及RefineNet)对GF-6影像的语义特征进行提取与融合,然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明,采用全卷积神经网络与Stacking算法能有效提取湿地信息,总体分类精度为88.16%,Kappa系数为0.85。与采用全卷积神经网络与单一机器学习的随机森林(Random Forest,RF)、支持向量机(Support Vector Machin,SVM)与k-近邻(Nearest Neighbor,kNN)算法相比,该研究提出的湿地分类方法在总体分类精度上分别提高了4.87,5.31和5.08个百分点;与采用单一全卷积神经网络(RefineNet、SegNet、UNet)与Stacking算法下的湿地分类结果,该文提出的湿地分类方法在总体分类精度上分别提高了2.78,4.48与4.91个百分点;该方法一方面能通过卷积神经网络提取遥感影像深层的语义特征,另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组,从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。

关键词：湿地分类卷积神经网络 Stacking 集成学习

来源：评论

学校读者我要写书评

暂无评论

1990—2020年长江源地区生态环境质量动态变化及驱动力分析

引用

南京林业大学学报(自然科学版) 2024年

作者：王天宏蒋馥根龙依邓目丽孙华中南林业科技大学林业遥感信息工程研究中心林业遥感大数据与生态安全湖南省重点实验室南方森林资源经营与监测国家林业与草原局重点实验室

【目的】高效监测长江源地区生态环境质量的时空分布特征及其变化趋势，对维护三江源地区生态环境质量保护、制定长期、有效的生态保护恢复措施具有重要意义。由于遥感影像空间分辨率和数据获取及处理的限制，大区域遥感生态指数（remot... 详细信息

【目的】高效监测长江源地区生态环境质量的时空分布特征及其变化趋势，对维护三江源地区生态环境质量保护、制定长期、有效的生态保护恢复措施具有重要意义。由于遥感影像空间分辨率和数据获取及处理的限制，大区域遥感生态指数（remote sensing ecological index，RSEI）评价仍然存在局限性，需要完善方法，发挥其快速、客观、高效、可视化和可预测的优势。【方法】以Landsat系列影像为数据源，基于Google Earth Engine（GEE）平台快速云端计算获取1990—2020年植被生长季（6—9月）长江源地区的遥感影像，并计算区域长时间序列RSEI。使用变异系数、Sen+MK趋势分析、Hurst指数及趋势分析法，对长江源地区RSEI稳定性、时空变化特征、未来演化趋势及驱动力进行分析。【结果】①1990—2020年长江源地区RSEI主要分布于0.4～0.6之间，空间尺度上呈东高西低、南高北低的分布特征；②长江源地区RSEI变异系数均值为6.52%，表明东部和西部地区变化相对剧烈，中部地区变化相对稳定。RSEI整体呈现缓慢波动增加的趋势，年平均增速为0.004 7。在空间上，RSEI呈现整体改善，其中改善的区域占研究区面积的83.30%。③长江源地区RSEI的Hurst指数值平均值为0.53，未来变化持续性强于反持续性。长江源地区生态环境质量未来变化以持续改善为主，但整体趋势性偏弱，仍然存在退化的风险。④长江源地区RSEI与气温、夜间灯光指数、潜在蒸散发量均表现为正相关，表明自然因子和人类活动在一定程度上均能够影响生态环境质量改善。【结论】使用GEE获取遥感数据并结合时间序列数据分析，有快速监测大尺度生态环境质量的潜力，可以为三江源地区生态环境监测和保护提供参考。

关键词：长江源地区遥感生态指数(RSEI) 生态环境质量 Google Earth Engine(GEE) Hurst指数

来源：评论

学校读者我要写书评

暂无评论

基于相机拍照的油茶果形状特征提取研究

引用

南京林业大学学报（自然科学版） 2022年第2期46卷 63-70页

作者：棘玉尹显明严恩萍蒋佳敏彭邵锋莫登奎林业遥感大数据与生态安全湖南省重点实验室国家林业和草原局南方森林资源管理与监测重点实验室中南林业科技大学林学院湖南长沙410004 湖南省林业科学院湖南长沙410004

【目的】为实现油茶果实尺寸及大小分布的快速获取,提出一种基于相机拍摄的油茶果形状特征参数批量化提取方法。【方法】首先将采摘油茶果摆放于含刻度尺的背景板,利用相机快速获取油茶果图像并进行校正;然后利用Mask R-CNN模型对图像... 详细信息

【目的】为实现油茶果实尺寸及大小分布的快速获取,提出一种基于相机拍摄的油茶果形状特征参数批量化提取方法。【方法】首先将采摘油茶果摆放于含刻度尺的背景板,利用相机快速获取油茶果图像并进行校正;然后利用Mask R-CNN模型对图像油茶果进行快速检测计数,根据生成的掩码采用椭圆拟合法统计油茶果特征参数(长轴长、短轴长、面积、周长)的像元个数;最后结合背景板刻度尺计算的像元大小,获取油茶果特征参数,同时利用实测值进行精度验证。【结果】Mask R-CNN模型的平均识别准确率和召回率分别为99.55%和91.19%,测度值为95.22%,满足用于统计油茶果形状特征参数的要求。对油茶果面积的估测精度最高,决定系数(R;)、平均绝对误差(MAE)、均方根误差(RMSE)分别为0.999 0、10.75 mm^(2)、14.88 mm^(2);其次为周长和长轴长,短轴长的估测精度最低,其R;、MAE、RMSE分别为0.864 7、3.15 mm、3.74 mm。【结论】该方法实现了油茶果采摘后的快速准确计数以及形状特征参数的批量化提取,可为大量果实特征参数的快速准确检测提供参考,为指导油茶果实分级和快速测产提供科学依据。

关键词：近景摄影形状特征提取图像处理卷积神经网络油茶果

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：