机器学习技术在风景园林中的应用进展与展望

随着风景园林数字化技术的应用发展,大数据技术和人工智能技术逐渐被应用到风景园林专业,解决了众多问题,机器学习技术同时作为大数据处理工具和人工智能核心技术之一也逐渐成为风景园林研究的热门话题。本文对近年来国内外的相关实践进行系统地总结和分析,先进行应用背景的介绍,分析机器学习在风景园林应用的适用性;再基于机器学习在风景园林中解决问题角度的不同,从场地信息提取,景观分析与评价和基于深度学习的方案自生成系统3个应用角度,对国内外已有实验的方法过程进行举例分析。最后基于对机器学习技术在风景园林应用的不同领域间的关系、同领域间的不同应用的关系的分析对未来的趋势进行了展望。从技术层面上,构建基于多种数据的综合性景观评价模型、景观分析模型是未来较有前景的研究方向;从应用层面上,随着多种智能化技术的整合和多源数据的整合,结合实际规划设计项目构建基于多种人工智能方法的数字化规划设计方法是机器学习在风景园林应用领域未来的重要趋势。      

吉林省天然红松居群表型变异分析及多样性研究

  目的  为揭示天然红松居群的表型分化程度及变异模式,以吉林省的6个天然红松居群为研究对象,  方法  采用方差分析、主成分分析、聚类分析及多性状综合评价等方法对红松居群的13个表型性状（针叶性状和种实性状）进行系统分析和综合评价。  结果  （1）除针叶束粗/针叶厚在居群间差异未达显著水平外,其余性状在居群内和居群间均达极显著差异水平（ P < 0.01）。（2）在居群间红松的平均表型分化系数为59.33%,其变异大于群体内（40.67%）。（3）6个居群的平均表型变异系数为11.30%,针叶性状和种实性状的表型变异系数依次为针叶性状（14.56%） > 球果性状（10.48%） > 种子性状（5.87%）。（4）主成分分析结果表明,红松居群表型多样性基本来源为针叶性状 > 种子性状 > 球果性状。（5）利用欧氏距离对红松居群进行聚类分析,将红松6个居群划分为3大类群,分别为P1与P6、P3与P5、P2与P4。（6）利用多性状综合评价法,分别以种实性状（种长、种宽、百粒质量和球果质量）和针叶性状（针叶长、针叶宽、针叶厚、针叶束粗）对天然红松居群进行评价,分别筛选出1个居群。  结论  红松居群具有中等的表型多样性,居群间和居群内均存在丰富的表型变异,研究结果为今后红松种质资源的保护和利用提供基础,为红松优良居群的构建提供材料。      

抚育间伐对小兴安岭天然针阔混交林碳储量的影响

在小兴安岭地区带岭林业实验局东方红林场天然林试验区,设置6块样地,对天然针阔混交次生林进行不同强度(10%、15%、20%、25%、30%、35%)的抚育间伐;采用平均标准木法取样、实验室重铬酸钾法测定林木碳质量分数,分析不同间伐强度对乔木层地上部分生物量及碳储量的影响。结果表明:随着间伐强度的增加,乔木层地上部分生物量、碳储量整体呈先增加再减小趋势,但间伐8 a内各间伐生物量、碳储量均显著少于对照。伐后1~4 a,间伐强度20%,乔木层碳储量增长率、增长量均高于对照;间伐后1~4 a内,间伐强度20%,乔木层碳储量的恢复能力最强。间伐后5~8 a,高度间伐(间伐强度30%、35%)碳储量恢复能力最弱;间伐8 a后,各间伐强度(10%、15%、20%、25%、30%、35%)的碳储量,分别为74.93±3.42、86.96±7.31、99.24±2.43、93.64±6.68、85.23±2.11、79.54±3.38 t/hm2,林木各器官碳储量差异显著,从大到小依次为树干、树枝、树叶;间伐8 a后,各间伐树干碳储量所占比例比对照所占比例增加-0.04%~12.27%,在间伐强度为20%时树干碳储量比例最高,说明间伐强度20%有利于小兴安岭天然针阔混交林树干碳储量的累积及单株林木质量的提高。总体看,短期间伐(4 a内)利于20%间伐乔木层碳储量的迅速积累,8 a内各间伐仍处于乔木层地上部分碳储量低于对照的恢复期。     

油松建筑材密度管理图的编制及其应用

针对建筑材目的油松人工林经营措施,探讨不同生长发育阶段油松人工林密度调控下蓄积变化,为森林可持续经营提供科学依据。对河北平泉阳坡中土、阴坡中土和阴坡厚土3种主要立地类型的全生命周期油松人工林编制密度管理图,得出培育小、中、大径级建筑材措施。结果表明:河北油松建筑材林的培育,阳坡中土培育小径材、阴坡中土和阴坡厚土培育中大径材,期间经过2~3次间伐以达到高效培育的目的。阳坡中土林分,初植密度3 000~3 300株/hm2,10年生间伐强度12%,15年生强度20%,25年生强度25%,主伐时树高级为9~11 m,培育小径材。阴坡中土林分,初植密度2 700~3 000株/hm2,9年生间伐强度25%,19年生强度30%,主伐时树高级为9~11 m,培育中径材;初植密度2 200~2 500株/hm2,9年生间伐强度20%,17年生强度25%,27年生强度30%,主伐时树高级为11~13 m,培育大径材。阴坡厚土林分,初植密度2 000~2 300株/hm2,7年生间伐强度20%,15年生强度30%,主伐时树高级为11~13 m,培育中径材;初植密度1 000~1 200株/hm2,7年生间伐强度20%,13年生强度20%,23年生强度25%,主伐时树高级为13~15 m,培育大径材。     

不同促生剂对红花玉兰娇红2号苗木移栽生长的影响

娇红2号为红花玉兰系列新品种,具有极高观赏价值,但是红花玉兰娇红2号移栽后缓苗时间较长.为了缩短移栽缓苗期,促进苗木正常生长,尝试对红花玉兰娇红2号施用ABT-1号生根粉和EM菌剂,并分析其苗木生长发育过程,为揭示移栽后苗木生长响应规律及引种推广提供参考.以1年生红花玉兰娇红2号嫁接苗为试验材料,使用不同质量分数的ABT-1号生根粉和EM菌剂进行浸根、浇水试验.设置对照(CK)、A1、A2、A3、A4、B1、B2、B3、B4共9个处理,分别于5月、7月、9月进行生长指标和生理指标测定,分析各处理的苗木生长发育情况.结果 表明:各处理与对照相比,苗木根系生长恢复期缩短和结合体内保护酶系统的正向调节,促进了苗木正常生长;A3处理(ABT-1号生根粉)可缩短缓苗期2个月左右,用生根粉处理比EM菌剂处理的效果要好;A3处理(ABT-1号生根粉)能明显促进移栽苗木根系2-3级细根的分化吸收运输水分和营养,并通过提高净光合速率和调节自身保护酶系统活性,促进苗木恢复正常生长状态,缩短缓苗期2个月左右.     

珠兰叶挥发油化学成分及其生物活性

利用水蒸气蒸馏法提取新鲜珠兰叶中的挥发油,通过气相色谱-质谱联用技术(GC-MS)对其挥发油化学成分进行分析,采用1,1-二苯基-2-三硝基苯肼(DPPH)、2,2',-联氮-双-3-乙基苯并噻唑啉-6-磺酸(ABTS)、抑制酪氨酸酶法、抑菌圈法对挥发油的抗氧化和抑菌活性进行评价.结果表明:从珠兰叶挥发油中共检测出化合物55个,占挥发油总量的82.60％;其中以烯类化合物相对百分比最高(60.46％),其次是醇类化合物(14.52％),其主要成分为1,5,5-三甲基-6-亚甲基-环己烯(14.58％)、二环大根香叶烯(11.12％)、(4E,6Z)-2,6-二甲基-2,4,6-辛三烯(4.40％)、桉油烯醇(3.81％)、α-异黄樟烯(3.47％)、d-杜松烯(3.20％)等.珠兰叶挥发油对枯草芽孢杆菌、金黄色葡萄球菌、绿脓杆菌、大肠杆菌、变形杆菌均有显著的抑菌效果,对DPPH、ABTS自由基清除作用的抑制质量浓度(IC50)分别为14.112、3.766 g·L-1,对酪氨酸酶抑制作用的抑制质量浓度(IC50)为22.900 g·L-1,抗氧化活性及酪氨酸酶抑制作用与珠兰叶挥发油呈浓度效应.珠兰叶挥发油具有一定的抗氧化、酪氨酸酶抑制作用及抑菌特性.     

火干扰恢复初期土壤呼吸及其组分与土壤温湿度关系

以内蒙古大兴安岭冻土区草类-兴安落叶松林火烧迹地为研究对象,采用定位观测测定土壤呼吸、土壤温湿度变化,分析火干扰初期重度火烧迹地土壤呼吸速率(RS)及其组分变化,探讨土壤呼吸速率与土壤温度、湿度的相关性,寻找林火干扰恢复初期冻土区土壤呼吸及其组分规律.结果表明:林火干扰当年对土壤呼吸与土壤异氧呼吸的影响较小;随恢复时间的推移,火烧样地土壤呼吸与土壤异氧呼吸逐渐增强.火干扰后恢复的前3年,火烧样地较未火烧样地相比,RS增加了13.14％,土壤异养呼吸速率(RH)增加了38.38％,土壤自养呼吸速率(RA)降低34.09％.林火干扰对土壤呼吸、土壤异养呼吸有增强作用,对土壤自养呼吸有抑制作用.林火干扰后,土壤异养呼吸的增加抵消土壤自养呼吸的减少,土壤深度为10 cm处的土壤温度(T10)、湿度(W10)均升高,RS、RH与T10的拟合度增强,RA与T10的拟合度降低.林火干扰降低了土壤呼吸及其组分对T10的温度敏感系数(Q10).火烧样地、未火烧样地土壤呼吸及其组分与W10呈显著正相关关系,但拟合系数较低(R2>0.13,P<0.05).     

油松球果小卷蛾化蛹行为

为了有效防治油松球果小卷蛾(Gravitarmata margarotana)对红松(Pinus koraiensis)的危害,在实验室内对其化蛹行为进行了研究。结果表明:油松球果小卷蛾幼虫无自发的聚集化蛹行为;在土壤及松针中幼虫均能结丝茧并在其中化蛹,但在光滑的容器里不能启动结茧行为,从而化蛹失败。光照对幼虫在土中化蛹场所的选择有影响,在暗区化蛹的数量明显高于光照区;土壤结构对幼虫化蛹场所的选择无影响,在壤土和沙土中化蛹的数量无明显差别。     

依据BP神经网络的机载LiDAR数据估算林分平均高

以东北虎豹国家公园范围内的针叶纯林为研究对象,结合2018年9月机载LiDAR点云数据和同步地面调查数据,提取半径为15 m的圆形采样尺度下的LiDAR点云特征变量为数据基础,采用BP神经网络算法、逐步回归法分别构建林分算术平均高模型和林分加权平均高模型,实现对林分平均高的估测.其中在利用BP神经网络算法构建模型时分别选择了贝叶斯正则化算法和L-M算法作为神经网络训练算法.结果表明:BP神经网络算法对数据具有更好地解释能力,其构建的林分平均高模型相关系数(R2)均在87％以上,高于逐步回归法构建的林分平均树高模型;林分加权平均高模型精度更高,用样地加权平均高作为实测值时,采用逐步回归算法、BP神经网络L-M算法、BP神经网络贝叶斯正则化算法构建的模型的检验样地数据的决定系数(R2)分别为0.858、0.919、0.908,树高估测精度(P)分别为88.6％、89.8％、91.2％,与以林分算术平均高作为实测值构建的估测模型相比,决定系数(R2)分别提升了4.9％、3.7％、3.4％,估测精度(P)分别提升了2.9％、2.4％、1.5％;BP神经网络的不同训练函数之间无明显性能差异,两种不同训练方法构建的林分平均高模型的决定系数R2及树高估测精度(P)略有差异,但整体相差较小.     

加快农业科技创新 赋能农业高质量发展

科技创新是高质量发展的重要引擎。文章分析了我国现代农业发展现状和存在的问题,梳理了现代农业发展对农业科技创新的新要求,即保障粮食安全、推动农业高质量发展、增强农业产业竞争力等,并从强化关键核心技术攻关、构建农业产业全链条技术支撑体系、加快农业科技成果转化应用、改善科技创新生态等方面,提出了科技创新引领和支撑农业高质量发展的建议。