摘要：基于PDA的森林资源数据采集是数字林业的重要内容,其核心工作就是开发高效智能化数据采集软件.该文通过分析森林资源数据野外采集特征和应用需求,以软件模式设计与分析理论为基础,提出一套有较强通用性和可扩展性的森林资源数据采集PDA软件设计方案.通过对数据输入流程的各部分进行分析,将共享部分进行封装成为通用的功能,对需要扩展和发生变化的部分参数化,通过参数设置达到智能化设置输入范围、配置用户界面及数据逻辑关系的目标.该方案能够满足当前森林资源一类、二类、三类野外数据调查的需要,并能适应将来调查因子扩展和变化的需要,极大地提高了林业野外信息调查采集工作的效率.

摘要：【目的】以海南省特有树种降香黄檀为研究对象,提出1种基于植被指数和多光谱纹理特征的叶片全铁含量(TIC)预测方法,为珍贵树种重金属营养诊断提供参考。【方法】分别设计4种梯度(CK、F1、F2、F3)的铁胁迫试验,胁迫结束后摘取叶片并获取多光谱图像,计算叶片图像的植被指数(VIs)及纹理特征(包括纹理特征均值TFMV和纹理特征方差TFV),分析其与TIC之间的关系。通过显著性检验筛选出与TIC在0.05和0.01水平上显著相关的变量,再使用相关性分析法(CA)、主成分分析法(PCA)、平均影响值法(MIV)和遗传算法(GA)进行二次筛选,将筛选结果作为粒子群优化-反向反馈神经网络(PSO-BPNN)的输入变量,分析比较预测结果。【结果】1)在CK^F2梯度区间内,树高、冠幅和地茎的生长量随着施铁含量的增加而增加,而在F3梯度下,树高、冠幅生长量降低,地茎生长量出现大幅度上升;2)随着叶片TIC的上升,B波段呈先下降后上升趋势;G波段则与B波段相反;R波段先下降后上升,之后基本保持稳定;RE和NIR波段则一直呈上升趋势;3)大部分VI与TIC在0.01和0.05水平上相关,TFMV和TFV也可以反映叶片TIC,但TFV在相关水平和相关个数方面均优于TFMV。从波段角度分析,RE和NIR波段在植被指数和纹理特征方面与TIC的相关性均优于其他波段;4)使用不同筛选方法得到的预测结果不同,其中CA与GA得到的评价指标最佳且相似,但GA在150~300 mg·kg-1区间得到的预测结果偏低,不适用于田间施肥指导。5)仅使用植被指数得到的预测结果较差,加入纹理特征后很明显的提高了拟合优度及预测精度,纹理特征方差对模型精度的影响更大,说明叶片纹理的离散程度可以较好的作为预测全铁含量的辅助信息。【结论】F1和F2梯度的施肥量可以促进降香黄檀植株生长及生物量累计。最佳叶片全铁含量为150~300 mg·kg-1。除植被指数外,MPV作为辅助因素可以提高模型的拟合优度及预测精度,同时,CA-PSO-BPNN方法可以有效的运用于田间施肥指导,为珍贵树种重金属含量监测提供较为准确的预测。

摘要：【目的】基于相邻木特征与对象木冠幅间的复杂关系,提出一种基于自适应神经模糊系统的冠幅估算方法,以提高林木冠幅智能化估算水平。【方法】以杉木为研究对象,根据相邻木相对对象木的距离和方位,采用象限补树法构建空间结构单元。测定100组4方向冠幅、距离和方位角,提出相邻木冠幅、距对象木距离2个自变量的计算方法,以对象木冠幅与相邻木冠幅的比值作为因变量。根据样本数据,分析变量间非线性映射关系,建立25条模糊逻辑推理规则,设计以2个自变量为输入、1个因变量为输出的零阶Takagi-Sugeno模型,以70组数据训练自适应神经模糊系统,以30组数据检验系统冠幅估算效果,并与多元线性回归法和BP神经网络法进行对比。【结果】3种方法冠幅估算值与真实值的线性关系均达显著水平,经检验,本研究方法、BP神经网络法和多元线性回归法的判定系数分别为0.71、0.67和0.66。【结论】基于自适应神经模糊系统的冠幅估算方法可在自变量不含对象木属性特征的情况下,根据空间结构单元内相邻木特征,直接实现对象木冠幅的智能化估算。

摘要：【目的】针对国家森林资源宏观监测业务对区域森林资源空间分布信息的迫切需求,发展一种基于国家森林资源连续清查固定样地数据,可充分发挥GF-1宽幅多光谱数据、MODIS遥感数据相应空间和时间分辨率优势的面向对象土地覆盖分类方法,以提高林地和森林资源的监测精度和自动化程度。【方法】以黑龙江省小兴安岭某林区为研究区,主要数据源包括GF-1宽幅多光谱数据、MODIS NDVI(250 m,8天合成)时间序列遥感数据、国家森林资源连续清查固定样地数据以及少量外业实地调查数据等。首先,基于GF-1宽幅多光谱数据进行多尺度影像分割,将研究区划分为许多区域性的分割对象;然后,以分割对象为分析单元,分别提取GF-1宽幅多光谱遥感影像的光谱特征、纹理特征、形状特征等以及MODIS NDVI时间序列遥感数据的时序特征,并采用随机森林算法进行特征选择;最后,利用训练样本建立基于分类回归树分类器完成面向对象的土地覆盖分类方法研究,分别比较单一GF-1 16 m宽幅多光谱数据、单一MODIS NDVI时间序列遥感数据以及综合多源数据的分类结果,并基于混淆矩阵对分类结果进行分析。【结果】精度检验和分析结果表明,面向对象的综合多源遥感数据分类方法总体分类精度达89.46%,Kappa系数为0.874,明显优于仅基于GF-1宽幅多光谱数据、MODIS NDVI时间序列遥感数据的分类方法。【结论】综合应用多源遥感数据的面向对象土地覆盖分类方法适用于综合GF-1与GF-4数据的土地覆盖类型分别制图,可有效提高主要土地覆盖类型的分类精度。针对国家森林资源连续清查的业务需求和特点,本文所发展的方法在分类对象生成、特征提取、特征选择、分类器训练和精度检验等关键环节均进行了优化设计,有利于提高森林资源连续清查业务中主要林地类型遥感分类制图的自动化、标准化程度。

摘要：林业资源数据是林业资源管理的基础,简单通用的林业资源数据采集系统是提高林业资源监管信息化水平的重要途径。针对我国林业资源数据采集软件通用性低、重复开发的问题,本文对数据交换、动态数据库管理、功能界面自动生成、智能配置等柔性软件设计技术进行研究,设计开发了适用于林业资源监管的通用数据采集系统。该系统具有简单易用、方便扩展等特点,能够满足林业资源监管各业务对数据快速采集的需求。结合云南省临沧市林业资源管理的需求,基于通用数据采集系统框架开发了临沧市林业资源监管数据采集软件并进行应用,验证了该系统具有很强的通用性与扩展能力。

摘要：以吉林省汪清林业局的蒙古栎阔叶混交林和云冷杉阔叶混交林24块固定样地中的2 598株红松为研究对象,利用Chapman-Richards方程建立了不含随机效应与含随机效应的单木树高-胸径简单模型和广义模型。模型拟合和检验的评价指标主要包括调整决定系数(R_a^2)、平均相对误差绝对值(RMA)和均方根误差(RMSE)。对于混合效应模型,设计了随机抽取、抽胸径最大的树、抽胸径最小的树和抽平均木4种抽样方案计算随机参数,通过对比4种抽样设计下模型的误差统计量,分析了不同抽样设计下样本数量和预测精度的关系。结果表明:基于混合效应模型的红松单木树高-胸径模型拟合效果(简单模型的R_a^2在0.753~0.886之间,RMA在11.3%~15.1%之间,RMSE在1.38~2.01 m之间;广义模型的R_a^2在0.754~0.886之间,RMA在11.1%~15.0%之间,RMSE在1.38~2.01 m之间)优于不含随机参数的红松单木树高-胸径模型(简单模型的R_a^2在0.502~0.868之间,RMA在12.2%~17.8%之间,RMSE在1.42~2.65 m之间;广义模型的R_a^2在0.711~0.877之间,RMA在11.6%~17.2%之间,RMSE在1.41~2.10 m之间);包含随机效应的简单模型和广义模型拟合效果没有明显的差异,表明基于混合效应模型的单木树高-胸径简单模型可以很好地描述树高-胸径关系在不同森林类型、不同样地间的差异,因此不需要在树高-胸径模型中增加其他自变量;抽取平均木的抽样设计优于其他3种抽样设计,且抽取4株平均木时,预测精度提升最为明显,综合预测精度和调查成本的考虑,在实践中应用包含随机效应的红松树高-胸径模型时,推荐在样地中抽取4株平均木测量其树高来估计随机参数。

摘要：森林火灾是危害森林健康的主要灾害之一,准确预测森林火险对做好森林火灾预防工作具有重要意义。针对我国森林火险预报缺乏小尺度预报的问题,以MTCLIM模型、WindNinja软件为基础,通过研究森林资源小班气象因子的计算与生成技术,设计并开发了火险天气等级预报模块,实现了森林资源小班火险天气等级的快速预报。试验分析表明,该方法具有易于实现、通用性好等优点,能够及时反映森林资源小班火险天气等级的时空变化,对于提高森林火灾的预防、扑救工作具有良好的指导和参考意义。

摘要：坡位是描述地貌的重要因子,基于DEM自动生成坡位对于自然生境分析与地理生态过程模拟具有重要意义。本文以DEM数字地形分析技术为基础,提出一种以坡面汇水小区为单元综合考虑坡面特征的坡位划分方法,并设计算法实现了该方法。结合林业调查对坡位的划分要求,以北京1∶25万DEM数据为基础对西部山区进行坡位划分,取得合理一致的结果。结果表明,本文提出的方法可以实现相对位置计算与坡面剖面分割的本地化,使坡位划分更加客观一致。

摘要：山地环境气象因子空间分布是生态环境过程模拟的基础,对于提高生态环境保护管理水平具有重要意义。本文基于坡面回归插值模型(PRISM)原理,综合考虑海拔、坡向等影响因子,设计开发了山地日气温插值模型。以北京西部山地自动气象站数据与DEM数据为基础,采用交叉验证法对该模型插值有效性进行检验,并与常用的反距离权重(IDW)插值、克里金(Kriging)插值、样条(Spline)函数插值的结果进行比较。研究表明,无论日平均气温,还是日最高气温、日最低气温,本文提出的插值模型的预测结果均优于其他方法。

摘要：【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。