摘要：针对森林生态站中大量图像、视频、GIS数据等非结构化数据以及生态指标等结构化数据存储效率低、检索性能差的问题,提出了基于Hadoop和HBase的森林生态站大数据存储框架。基于所提出的框架,给出了森林生态数据存储业务流程,并对森林生态大数据平台涉及的核心技术进行了优化:①设计预分区算法保证数据在集群中均匀分布。②根据生态数据特点科学设计了RowKey,实现生态数据的快速检索。③针对原生HBase不支持多条件查询问题,设计基于索引数据和服务器性能评估的ElasticSearch索引分片放置策略,以此基于ElasticSearch的二级非主键索引技术优化多条件检索HBase生态数据库。④针对生态站海量小图像存储困难问题,提出基于数据站点及时间关联性的打包合并策略。⑤解析GIS数据使之进行高效存储。通过实验对以上理论进行验证。结果表明,ElasticSearch索引分片放置策略比默认分片策略的查询时间平均减少20 ms,比基于改变ElasticSearch评分策略的查询时间平均减少20 ms。结构化数据规模为1×108条时,系统的检索时间为1.045 s,比原生HBase检索速度提升3.99倍,在非结构化数据为1×107条时,采用数据站点及时间关联性的打包小图像策略是基于SequenceFile合并效率的1.15倍,是原生HBase的1.79倍;在1×104次并发用户的情况下,优化后的每秒查询数是原来的1.88倍,每秒吞吐量是优化前的1.74倍,系统响应时间比优化前降低69.5%。结果表明,本文所提出的方案在集群负载均衡、海量结构化和非结构化数据检索效率以及系统吞吐量等方面都有了明显的性能提升,为森林生态数据的存储和管理提供了必要的理论基础和技术实现。

摘要：【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4234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4.47×10^(9)。应用不同改进方案发现,使用BlurPool后准确率提升2.2%,MACs降至1.07×10^(9);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27.88×10^(6);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28.25×10^(6)。将上述改进方案结合得到的BSGGConvNeXt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1.07×10^(9),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。

摘要：目的基于卷积神经网络的单阶段目标检测网络具有高实时性与高检测精度,但其通常存在两个问题:1)模型中存在大量冗余的卷积计算;2)多尺度特征融合结构导致额外的计算开销。这导致单阶段检测器需要大量的计算资源,难以在计算资源不足的设备上应用。针对上述问题,本文在YOLOv5(you only look once version 5)的结构基础上,提出一种轻量化单阶段目标检测网络架构,称为E-YOLO(efficient-YOLO)。方法利用E-YOLO架构构建了E-YOLOm(efficient-YOLO medium)与E-YOLOs(efficient-YOLO small)两种不同大小的模型。首先,设计了多种更加高效的特征提取模块以减少冗余的卷积计算,对模型中开销较大的特征图通过下采样、特征提取、通道升降维与金字塔池化进行了轻量化设计。其次,为解决多尺度特征融合带来的冗余开销,提出了一种高效多尺度特征融合结构,使用多尺度特征加权融合方案减少通道降维开销,设计中层特征长跳连接缓解特征流失。结果实验表明,E-YOLOm、E-YOLOs与YOLOv5m、YOLOv5s相比,参数量分别下降了71.5%和61.6%,运算量下降了67.3%和49.7%。在VOC(visual object classes)数据集上的平均精度(average precision,AP),E-YOLOm比YOLOv5m仅下降了2.3%,E-YOLOs比YOLOv5s提升了3.4%。同时,E-YOLOm的参数量和运算量相比YOLOv5s分别低15.5%与1.7%,mAP@0.5和AP比其高3.9%和11.1%,具有更小的计算开销与更高的检测效率。结论本文提出的E-YOLO架构显著降低了单阶段目标检测网络中冗余的卷积计算与多尺度融合开销,且具有良好的鲁棒性,并优于对比网络轻量化方案,在低运算性能的环境中具有重要的实用意义。

摘要：针对森林火灾现场指挥的需求,综合分析地理环境、气象条件、森林资源和林火行为等灭火指挥所需信息,设计实现了在虚拟林火环境中的数据可视化可视分析方法。使用王正非-3D混合元胞自动机模型模拟林火蔓延过程;采取差时方法预测林火蔓延行为;实时捕捉不同兴趣域内环境数据的变化,结合多视图面板及图层叠加的方法,构建火场信息可视分析模块。通过调整虚拟林场的环境参数,对不同场景下的林火蔓延过程进行模拟仿真,并对火场信息进行可视化可视分析。实验结果表明:该方法能够在一定条件下较准确地预测林火蔓延行为,还可以较全面地描述火场信息。

摘要：为提高净生态系统交换量(net ecosystem exchange,NEE)在长期缺失下的插补精度,为地球碳循环的后续研究提供关键数据,该研究提出了一种用于NEE长时间缺失值插补的模型Adapter-Reverseformer(ARformer)。首先,为了更好地捕捉NEE数据的时序特征,重新设计和优化了层归一化(layer normalization)、前馈网络(feed-forward network)和自注意力(self-attention)3个模块的功能,模型能够使用更长的回望窗口,从更长的时间序列中捕获时序特征;其次,设计了特征融合模块Attention-MLP,以拟合NEE与环境因子的即时响应关系,提高模型在不同土地利用类型NEE数据上的插补精度。在全球长期通量观测网络(FLUXNET)65个站点、10种土地利用类型的数据上进行试验,结果显示,ARformer模型的R^(2)在0.762~0.913之间,均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)和偏差(bias)在0.668~2.724、0.410~1.751和−0.024~0.067μmol/(m^(2)·s)之间。在不同缺失长度和土地利用类型下插补精度均高于边际分布采样法(marginal distribution sampling,MDS)、随机森林(random forest,RF)、DLinear、PatchTST和iTransformer。该研究结果可为NEE数据在长时间缺失场景下的插补提供参考。

摘要：针对卷积神经网络(CNN)算法对硬件性能要求高,难以在成本低、性能受限的边缘设备上部署实现的问题,该研究综合考虑芒果外观品质检测的准确性,速度,功耗,成本等因素,设计开发了基于现场可编程门阵列(FPGA)加速CNN的品质分级检测装置。首先,设计了一种基于MobileNetV2的结构简单且高效的轻量级网络(Compact MobileNet,CMNet),通过压缩网络结构降低模型参数量和计算量,保证其在准确率可接受前提下,适合在边缘设备部署。其次,为了加快CMNet在成本和性能受限边缘设备上的执行速度,通过BN层融合和模型量化方法进一步减少模型的存储需求和计算量,同时设计实现了基于FPGA加速CMNet网络的硬件电路,并使用高层次综合(high-level synthesis,HLS)优化方法对加速电路进行并行优化。最后,基于FPGA开发板Zynq Z7-Lite 7 020,设计开发了芒果外观品质分级检测装置,装置集成OV5640摄像头,CMNet网络加速电路和HDMI显示器。在实验室环境下,将芒果外观品质依据中国芒果农业行业标准(NY/T 492-2002)分为3个等级,利用Dosehri芒果数据集对检测装置进行效果验证。结果显示本研究的芒果外观品质检测装置准确率达到了96%,检测速度为每帧0.072 s,功耗为2.6 W。表明该研究实现了一种低成本、低功耗、准确率高和速度快的芒果外观品质分级检测装置,能够进行芒果品质的实时动态分级检测。

摘要：【目的】以双条杉天牛为研究对象,设计基于卷积神经网络的识别模型识别其取食声,并对模型的抗噪性能进行测试,以期实现蛀干害虫的早期预警。【方法】使用SP-1 L探头连接NI 9215电压采集卡采集双条杉天牛咬食木段的声音和典型户外环境下的噪声并以音频格式保存。研究选取部分噪声作为加噪音频,以-3 dB至3 dB的信噪比向双条杉天牛取食声中混入环境噪声,生成训练数据和简单测试集,然后经过短时傅里叶变换、对数计算、平均池化3步操作计算音频的平均对数谱,分别设计并训练基于卷积神经网络的识别模型和传统高斯混合模型,提取音频特征判断音频是否为双条杉天牛取食声。为进一步测试模型的抗噪性能,利用独立划分的加噪音频以-7~3 dB的信噪比向双条杉天牛取食声中混入噪声生成抗噪测试集,对卷积神经网络和传统高斯混合模型的抗噪性能进行测试。【结果】在简单测试集上,基于卷积神经网络的识别模型的识别准确率为98.80%,较高斯混合模型有0.88%的下降。在抗噪测试集上,基于卷积神经网络的识别模型识别双条杉天牛取食声的整体准确率为97.37%,较高斯混合模型提高6.76%,其中,信噪比为-3 dB时,识别准确率为98.13%,较高斯混合模型提高9.80%,信噪比为-6 dB时,识别准确率为92.13%,较高斯混合模型提高5.67%。【结论】卷积神经网络能有效综合频谱特征,准确判断音频中有无双条杉天牛的取食声,同时,相比高斯混合模型,卷积神经网络具有良好的泛化能力,在低信噪比下仍能保证较高的识别准确率。基于卷积神经网络的取食声识别模型能够适应林木蛀干害虫的野外监测环境,可为隐蔽蛀干害虫的自动化监测和早期预警提供技术支撑。

摘要：传统数字水印方法对裁剪、噪声、形变等攻击具有强鲁棒性,但很难抵御真实场景中由图像压缩编码和移动摄像设备翻拍引起的水印信息丢失.为了增强水印的鲁棒性,利用离散余弦变换频谱中某些频段对人眼的掩蔽特性,以及卷积神经网络对一些不可见扰动的学习能力,提出一种基于频域卷积的端到端图像数字盲水印方法.首先使用卷积神经网络构建编码网络,将水印信息嵌入到图像频域中;其次构建与编码网络对称的解码网络,从图像频域中提取水印信息;最后对编码和解码网络进行联合训练,并监督编码网络的图像质量和解码网络的水印提取效果.在MIRFLICKR数据集上的实验结果表明,所提方法对显示器下翻拍攻击的PSNR,SSIM,LPIPS和BPP分别达到36.29 dB, 0.951, 3.11×10^(-3), 2.44×10^(-3)和93.1%,与其他基准方法相比具有一定的优势,证明了该方法的有效性.

摘要：地形重塑是矿区废弃地生态重建的基础工程,影响着整个生态重建的效果。近自然地形重塑技术以邻近未扰动的自然地貌为参照进行地形构建,近年来成为矿区土地复垦和生态重建所关注的热点。但在近自然地形重塑时,究竟需要参照自然地形哪些方面的特征、需要用到哪些必要的参数指标、依据哪些指标对地形设计结果进行评价?这些问题尚缺乏系统的讨论。本文以西北干旱荒漠区为目标区域,运用“扎根理论”对这些问题进行了系统的探讨。我们基于大量文献调研和12位专家的半结构式访谈资料,依据“扎根理论”方法进行三层编码,最终构建了矿区废弃地近自然地形重塑的三级指标体系。该指标体系包含3个主类别、8个次类别和26项参数。所制定的参数指标可支撑近自然地形设计流程中的各个环节,并可涵盖矿区地形重塑中多个方面的指标需求。该工作可为进一步深入研究近自然地形重塑方法、完善其技术体系提供有力支撑。

摘要：【目的】基于深度学习的钻蛀振动识别模型结合边缘计算可实现林业蛀干害虫钻蛀振动长期监测和实时预警,但要求大幅压缩智能识别模型的参数量和运算量。本研究采用深度学习模型压缩算法,在不损失精度的前提下,对已有的钻蛀振动识别模型进行压缩,减小模型的体积并提升模型在嵌入式平台的识别速度。【方法】首先采集双条杉天牛钻蛀振动和背景噪声两类信号训练人工设计的5层卷积神经网络BoringNet,得到钻蛀振动识别模型;然后分别使用不同裁剪率的滤波器裁剪、模型量化、多目标知识蒸馏对钻蛀振动识别模型进行压缩;最后设计上述压缩算法的组合策略,联合使用3种算法对蛀振动识别模型进行压缩,探究多种组合的模型压缩效果。【结果】3种模型压缩算法组合,裁剪率为60%时模型达到最优,此时模型计算量和参数量分别从原模型的18.06×10^(6)次和0.54×10^(6)个降低为3.01×10^(6)次和0.09×10^(6)个,模型体积从2200 kB压缩至134.9 kB,树莓派3B+上的识别时间由原模型的9.04 ms降低至1.65 ms,而模型精度仍能达到99.29%,提升了0.5%。【结论】本研究的深度学习模型压缩方法,可以针对钻蛀振动侦听场景大幅压缩模型参数量和运算量,在保证准确率的前提下实现嵌入式平台的实时识别,促进钻蛀振动识别模型从工作站试验到野外实地部署的转变,为钻蛀振动识别的边缘计算奠定基础。