基于尾长算法的戴云山保护区优化设计

【目的】保护区规划设计是自然保护区研究的重要内容,以数学模型为工具研究保护区设计成为新趋势。集合覆盖物种模型(SCSP)和最大集合物种模型(MCSP)等传统数学模型,仅考虑以最小代价进行保护区规划及设计,未考虑保护区的空间特征,导致选择的保护区区域过于分散,且仅考虑土地市场价格,不能完全体现保护区生态价值。本研究以生态值为衡量指标,结合连续性和紧实性的空间特征,构建有效合理的保护区规划模型,以期为自然保护区建立提供科学依据。【方法】以福建省戴云山国家级自然保护区为例,将戴云山区域划分为567个规则地块,每个地块面积为2 km×2 km,且任意地块都包含若干个小班。依据生态值赋分标准和重心算法,先后计算戴云山小班和其所属地块生态值。结合特殊空间特征与生态值,构建基于尾长法的空间集合覆盖模型(SSCP),并探讨不同紧实性权重和物种保护比例组合对保护区规划结果的影响。最后,以传统SCSP模型、系统保护规划工具Marxan模型和Zonation模型的规划结果为对照组,验证SSCP模型的有效性。【结果】从空间分布来看,用SCSP模型、Marxan模型和Zonation模型求解的保护区设计结果表现为地块分布离散,破碎度高,SSCP模型的设计结果表现出更好的连续性和紧实性;从选地数量来看,SSCP模型的选地数量与物种保护比例及紧实性权重正相关,即物种保护比例上升,或紧实性权重增大,选中的地块数增加。【结论】研究设计了新型保护区数学规划模型——SSCP模型,并以戴云山自然保护区为例验证了算法的合理性,提出规划建议:向其西北方向和东南方向扩展,其中西北方向纵向扩展6 km,横向扩展18 km,东南方向纵向扩展9 km,横向扩展8 km。本研究方法的提出为我国保护区规划设计理论与实践提供新思路。     

融合全域与局域特征的深度卷积网络鸟类种群识别

【目的】基于鸟类影像数据,探讨全域与局域特征融合手段,结合深度卷积神经网络理论,建构鸟类种群识别模型,以期为森林与湿地的监控与治理提供新的手段。【方法】首先,依据人类识别物体从整体到局部的生理过程,采用跳跃结构实现物体整体信息与局部信息的交互,该模型主要采用2个模型框架提取鸟类的全域和局域部件特征,并采用跳跃结构,提出融合模块(Fusion block)结构进行特征融合,将全局特征信息传递至局部特征抽取模块。该模型训练阶段需提供鸟类局部的部位标注信息,而测试阶段采用Faster R-CNN模型自动提取其鸟类局部标注信息。其次,探讨不同鸟类局部影像信息对模型的影响,最后,通过对比不同网络分类模型和鸟类数据集,验证模型的有效性和适用性。【结果】该鸟类种群分类模型具有较高的分类精度,总体分类精度达90%以上;对于不同的鸟类局部影像信息,其分类精度表现出一定的差异性,其中基于鸟类头部局部影像的网络分类模型总体分类精度最高; Faster R-CNN模型对鸟类局部影像定位精度较高,测试阶段采用人工标注的局部影像标签和Faster R-CNN模型预测的局部影像标签对模型的总体分类精度差异小;对比Inception-V1、Res Net-101、Dense Net-121以及Bilinear CNN等网络分类模型总体分类精度,该模型总体分类精相对较高,具有一定的有效性;对比使用NABirds鸟类数据集的分类效果,该模型总体分类表现较好,具有一定的适用性。【结论】该鸟类种群分类模型具有较好的识别效果以及有效性,可为森林与湿地的监控和治理提供合理有效的依据。