哑变量在森林蓄积量模型估测中的应用

【目的】建立含哑变量的林分蓄积量估测模型，分析哑变量在香格里拉高山松林分蓄积量模型中的意义与作用。【方法】以香格里拉为研究区，基于2008—2009年3幅TM遥感影像与2008年抽样控制样地数据，对香格里拉高山松林分神经网络模型与考虑龄组构造的哑变量神经网络模型两种类型建立蓄积量遥感估测模型，并进行精度评价。对比模型的估测值与实测值，计算模型残差，检验各龄组残差均值与0之间的差异性；同时对模型的预测值结果进行组间均值的差异性检验，以此作为确定龄组分类形式构建哑变量的标准与依据。【结果】2个模型的独立样本检验结果表明，引入哑变量的神经网络估测模型比神经网络模型拟合效果要好，其决定系数要高于神经网络模型，决定系数从0.516提高到0.783。模型预估精度从神经网络模型的66.3%提高至哑变量模型的74.8%，估算误差优于神经网络模型。【结论】根据模型的残差差异性结果得出，哑变量模型可以在一定程度上解决在估测幼龄林、中龄林蓄积量低值高估的问题；可见引入哑变量估测森林蓄积量的方法是相对有效的。     

基于LS-SVM的采暖木质地板自然对流温度场建模

【目的】在底部具有木质样本热源的圆柱形封闭腔内,基于最小二乘支持向量机(LS-SVM)建立自然对流引起的温度场预测模型,研究采暖木质地板蓄热后的温度场分布规律,为后续反演采暖木质地板的蓄热特性提供数据基础。【方法】首先,给出圆柱形封闭腔物理模型的边界条件和木质样本初始温度,根据流体力学定律建立热场传热的质量、动量和能量守恒方程,并用计算流体力学(CFD)软件进行求解。其次,对CFD求解的数据进行归一化处理,并根据木质样本初始温度将归一化后的数据分成训练集和验证集2部分,其中训练集5 481个温度,验证集8组,每组609个温度;利用训练集对LS-SVM模型进行训练,采用果蝇优化算法对模型的核函数参数σ和正则化参数γ进行寻优,得到σ和γ的最优参数组合为[1.0×10~(10),0.06]。最后,应用优化好的模型分别对每个验证集上的温度值进行预测,并与BP神经网络方法的预测结果进行比较。【结果】LS-SVM对不同样本温度场预测的最大拟合度为0.998 9,最小为0.996 8;平均相对误差、最大相对误差和均方误差最大值分别为0.25%、2.6%和0.31%,最小值分别为0.054%、0.84%和0.12%;最长建模时间为12.93 s,最短为12.72 s。与之相比,BP神经网络预测的最大拟合度为0.999 7,最小为0.998 3;平均相对误差、最大相对误差和均方误差最大值分别为0.47%、5.43%和0.63%,最小值分别为0.21%、2.08%和0.33%;最长建模时间为107.15 s,最短为106.23 s。LS-SVM对不同样本温度场预测的拟合误差比BP神经网络方法的预测结果要小一些,拟合度与BP神经网络方法相近,建模和预测需要的时间明显少于BP神经网络。【结论】采用LS-SVM对采暖木质地板的蓄热温度场建模是可行的,该方法适合对小样本建模,泛化性较好,对在试验条件下利用有限数据来对温度场建模和预测具有明显优势,可为后续开展采暖木质地板蓄热机制的反演工作提供指导。     

基于ANFIS的木质采暖地板温度场预测分析

【目的】提出基于自适应神经模糊推理系统(ANFIS)的木质地板蓄热性能温度场预测算法,为木质地板蓄热性能分析提供数据支撑。【方法】以地采暖地板蓄热性能分析仪密闭绝热圆柱腔为研究对象,在腔体内部布设由150个温度传感器组成的6层阵列,将腔体内部分为150个子空间。首先,将腔体内温度传感器序号和时间作为系统输入,传感器阵列采集的温度值作为系统输出,构建ANFIS温度场模型。然后,将所选用的训练数据输入模型,调整相应参数,完成封闭腔温度场时间模型训练。最后,将其他未参与训练数据输入到已训练好的模型中,得到预测值,并通过相应计算公式验证该方法对木质采暖地板温度场预测分析的适用性。【结果】温度场预测值拟合度达0.988以上,拟合误差也控制在较低水平,其中均方误差低于0.19%、最大相对误差低于1.22%、平均相对误差低于0.36%。【结论】基于ANFIS的封闭腔温度场预测模型能够完整表达出试验仪器腔体的温度场特征,且在建模的简化度、泛化能力和稳健性上均具有较好表现,能够用已被训练过的系统较好地对传感器任意时间点进行温度预测。     

基于RBF组合模型的山地红壤有机质含量光谱估测

【目的】探讨组合模型在山地红壤有机质含量高光谱估算中应用的可行性,以期为土壤有机质含量估测提供基础数据和科学依据。【方法】基于山地红壤光谱的全波段(400~2 450 nm)研究范围,选择偏最小二乘回归(PLSR)、BP神经网络(BP)和支持向量机回归分析(SVMR)3种单一高光谱估测模型,分别获得预测结果,并重构预测结果数据,以绝对误差和最小为目标,计算固定权重与不固定权重两种组合模型的权重值,并基于径向基函数(RBF)神经网络法建立组合模型,探讨不同赋权方法与是否重构数据条件下的最优组合模型。通过均方根误差(RMSE)、预测偏差比(RPD)和决定系数(R2)评价山地红壤有机质含量的预测精度。【结果】单一预测模型中的SVMR估测精度最高,验证决定系数(R2)为0.64,均方根误差为9.76 g·kg-1,测定值标准差与标准预测误差的比值为1.67;在组合模型数据不重构的条件下,不定权组合模型要优于定权组合模型;在组合模型数据重构的条件下,定权组合模型要略优于不定权组合模型,估测精度相差不大;最优模型是数据重构定权组合模型,模型验证决定系数(R2)为0.87,均方根误差为7.91 g·kg-1,测定值标准差与标准预测误差的比值为2.06;组合模型验证精度优于单一模型,说明利用RBF组合模型估算山地红壤有机质含量是可行的。【结论】对山地红壤有机质含量的快速估测而言,单一模型具有操作简单、运算速度快等特点,因而具有较大应用价值,但组合模型能较大限度地利用各种预测样本信息,从而能有效减少应用单一模型时所受随机因素的影响,从而提高山地红壤有机质含量的估测精度。     

基于AlexNet优化的板材材种识别方法

【目的】基于处理后的木材端面细胞特征,寻找合适的机器学习方法提高木材识别准确率,以实现木材高效利用,为珍稀木材种类判别和保护提供依据。【方法】以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象,提取多种差异性图像作为数据集,通过图像处理提取特征信息,分别采用支持向量机(SVM)和AlexNet神经网络进行分类识别。根据木材端面细胞区分的差异性,在AlexNet神经网络架构中加入BN算法进行优化,设计一种更高效的板材识别方法提高木材识别准确率。【结果】将增强后的29 680张图像按7∶3划分,分别保存在训练集和测试集文件夹中,测试样本确定标签后均放入同一文件夹,分别对3种分类算法进行整体批量测试,支持向量机分类器测试集的整体识别准确率为84.67%, AlexNet神经网络测试集的整体识别准确率为88.76%,基于BN算法优化的AlexNet神经网络测试集的整体识别准确率为91.15%,识别效果更好。【结论】当样本量充足时,AlexNet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器。基于BN算法优化的AlexNet神经网络对图像线性特征更敏感,保留...     

木质地采暖地板蓄热性能检测及反演方法

【目的】基于传热反问题研究方法,采用BP神经网络对地采暖地板蓄热性能进行反演计算,为地采暖地板蓄热性能分析提供理论和方法支撑。【方法】基于CFD软件构建检测腔体数值模型,模拟获取结构单一样本在不同初始温度(50～130℃范围内每间隔5℃设定一个模拟工况)下散热形成的温度场分布数据,并将初始温度为50、60、70、80、90、100、110、120和130℃的温度场分布数据作为神经网络模型的训练集,初始温度为55、65、75、85、95、105、115和125℃的温度场分布数据作为神经网络模型的测试集。【结果】经反复训练比较,获取较优的神经网络模型,其测试集的平均相对误差(MRE)=0.68%,最大相对误差(MAE)=19.51%,均方误差(MSE)=1.18%,拟合度(R~2)=0.98。基于该神经网络模型,选取白桦、水曲柳、西南桦、柞木4种典型实木地采暖地板样本进行蓄热性能反演计算,结果显示4种实木地采暖地板的蓄热性能表现为柞木西南桦水曲柳白桦。【结论】经训练的神经网络模型可有效预测不同地采暖地板的蓄热性能,基于BP神经网络反演地采暖地板蓄热性能的方法可行。     

基于机载激光雷达的林隙结构参数提取

【目的】运用激光雷达技术识别提取林隙面积、边界木高和形状指数,为林隙结构参数调查提供技术支持。【方法】以机载激光雷达数据为数据源,以东北林业大学帽儿山实验林场内设置的5块林隙调查样地中的54个林隙为研究对象,通过对比普通克里金插值、反距离权重插值、样条插值、自然临近插值和局部多项式插值确定最优插值方法得到冠层高度模型,运用交替贯序滤波法对冠层高度模型进行林隙识别提取。【结果】通过对比5种插值方法的RMSE发现,普通克里金法适合插值DEM,反距离权重法适合插值DSM;采用交替贯序滤波法识别提取林隙时,林隙识别率为92.6%,运用配对检验法对提取的林隙面积、边界木高与野外调查数据进行检验,基于激光雷达技术提取的林隙面积和边界木高与野外实测值呈较强线性关系,R~2分别为0.983和0.737,其中提取的林隙面积与实测值平均相对误差为15.78%,林隙边界木高与实测值平均相对误差为11.94%。【结论】基于机载激光雷达数据采用交替贯序滤波能有效识别林隙且能准确提取其结构参数;坡度、坡位及冠层结构复杂程度都会影响冠层高度模型的插值精度;林隙面积提取受林隙边界形状和林层结构影响,林隙边界木高随着样地地形、坡度增加误差也随之增大。机载激光雷达技术具有获取地形和树木三维结构信息的优势,可为林隙识别及其结构参数提取提供新的遥感方法。     

基于3-PG模型的长白落叶松生物量生长预测

【目的】基于3-PG模型预测长白落叶松生物量生长变化,为长白落叶松林分生长规律研究提供依据。【方法】以5块长白落叶松密度试验林连续28年监测数据和24块长白落叶松固定样地3期调查数据为基础,结合各组分(叶、干和根)生物量计算公式,获得每块样地不同调查时间的密度、胸径、蓄积和各组分生物量。根据密度试验林数据校正模型生理参数,结合立地参数和气象参数,通过参数率定、迭代拟合与敏感性分析方法确定长白落叶松3-PG模型的生理参数。采用决定系数(R~2)、平均误差(ME)、平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)评价模型预测能力。选取冠层量子效率(alpha)和初级生物量分配到根的最小值(pRn)进行敏感性分析,并预测肥力等级(FR)为0.2、0.4和0.6时长白落叶松生物量生长变化趋势。【结果】1) 3-PG模型预测值与实测值之间R~2在0.77以上;除叶干生物量比为25.6%外,其他各指标的MRE绝对值均在10.97%以内,预测结果较可靠; 2) alpha和pRn具有较高敏感性,是模型的关键参数; 3)模型预测不同FR下的长白落叶松生物量变化符合树木生长机理过程,且各组分生物量随FR增加而增加。【结论】基于地面数据的参数率定后,3-PG模型能够很好模拟长白落叶松生物量生长变化,可作为一种有效的森林经营预测工具。对于长白落叶松3-PG模型,冠层量子效率(alpha)和初级生物量分配到根的最小值(pRn)是影响预测结果的关键参数。     

基于混合效应模型及EBLUP预测美国黄松林分优势木树高生长过程

【目的】基于加拿大哥伦比亚省美国黄松79株解析木数据,研究如何用经验线性无偏最优预测法( EBLUP)预测优势木树高生长过程,并分析预测精度与观测次数、观测间隔和预测时长的关系。【方法】随机抽取49株解析木数据拟合树高生长混合效应模型,30株解析木数据用于 EBLUP 的预测分析。树高生长模型以Richards,Logistic,Korf等为基础模型,选用AIC,BIC及Loglik 3个统计量评价模型的拟合效果。模型拟合用R软件的 nlme函数实现,预测分析以预测误差均方( MSPE)为评价标准。在分析观测间隔、观测次数和预测时长对 MSPE的影响时,为分离出1个因素的影响效果,将2个因素保持不变,以分析第3个因素的影响作用。在 R 软件拟合结果的基础上,用SAS的IML过程进行EBLUP预测分析。【结果】拟合结果表明,Logistic方程的拟合精度最高,选为EBLUP预测分析的基本模型。预测分析结果表明,观测次数、观测间隔和预测时长对预测精度均有显著影响。随着观测次数的增加,MSPE一般表现出减少的趋势,但下降幅度与观测间隔有关：当间隔较大时,不同的观测值可以提供更充分的生长过程信息,因而可以显著降低 MSPE 值;但当间隔较小时,观测值所提供的生长信息相互重叠,对提高预测精度的增益有限。从预测时长角度看,在观测值附近一定区域内,EBLUP预测结果非常精确,但随着预测时长增加,预测误差呈逐渐增加的趋势。【结论】EBLUP 预测相当于两阶段拟合过程的第二阶段。第一阶段拟合为估计混合参数模型确定参数的过程,而第二阶段则是在第一阶段拟合结果的基础上,依据一个特定林分的若干树高观测值用 EBLUP法预测此林分的随机效应值,并进一步预测树高生长过程。     

基于BP神经网络的油茶产量预测模型构建

【目的】改良传统农业生产预测方法,实现油茶产量的快速高效预测,为油茶实际生产提供参考。【方法】收集油茶栽种较为集中的湖南、江西、浙江、广西的油茶籽年度总产量、实有油茶林面积、气象等数据,选择17个气象指标作为油茶产量的影响因素,使用MATLAB软件,通过主成分分析提取出主成分,再将主成分作为BP神经网络的输入集,在传统神经网络模型基础上构建主成分分析与BP神经网络组合模型,对4个地区油茶籽单位面积年产量进行预测。BP神经网络的训练集和测试集选用1990—2018年的数据,采用2019年的数据对模型预测效果进行验证,最后应用模型对2025年油茶籽单位面积产量进行预测。【结果】对主成分有重要贡献的气象因子有日照时长、6—11月气温、3—5月降水量、平均最低气温、露点温度、平均风速、最大持续风速以及海平面气压。改进后模型迭代耗时更少,拟合度较高,对4个地区油茶产量的预测结果的平均相对误差均低于3%。应用模型预测得到2025年湖南、江西、浙江、广西的单位面积油茶干籽产量分别为0.831、0.583、0.449、0.512 t/hm²。【结论】与传统预测模型相比,改进后的主...     

多源数据对林分动态预测的影响及不确定性分析

【目的】比较多源数据对林分动态预测的影响,分析模型参数与预测不确定性的变化规律,从准确性和可靠性角度对模型进行评估,获取改进模型的数据需求,为森林调查中的数据收集策略提供建议。【方法】收集秦岭油松林3期调查(1990、2005和2012年)和4种信息类型(临时样地、固定样地、解析木和多源数据)建模数据,设计一组数据信息要求较低的可变密度全林模型,基于贝叶斯信息动态融合框架,分析传统森林调查数据与生长收获模型的关系。利用MCMC抽样技术获得的参数联合后验分布对森林动态模拟的不确定性进行量化:一方面比较相同类型的多期森林调查数据不断对模型进行训练后,模型在参数与预测中的概率分布变化过程;另一方面比较分别采用4种数据类型对模型预测产生的影响。数据与模型更新循环过程以先验信息和后验信息不断相互转化的方法实现,即前一次拟合得到的参数联合后验分布作为下一期数据加入时的先验。不同数据类型整合根据数据自身抽样和观测误差所设计的独立似然结构实现。为避免粗糙数据或异常值对模型产生的影响,描述误差分布的似然函数采用重尾正态分布。观测误差的异方差特性通过迭代中自动调整似然函数的方差控制。【结果】随着新一期调查数据加入,模型参数的边际或联合分布不断发生变化,但概率分布峰度总是逐渐升高,即参数不确定性逐步下降,从而降低林分预测的不确定性。与基于1990年调查数据的模型相比,经过2005和2012年数据校正后模型在成过熟林阶段的不确定性下降最为明显,同时树高生长极大值的参数也更高。不同数据类型在模型预测中的差异反映出不同调查方法本身的缺陷和优势,解析木数据倾向于在成过熟林阶段预测出更高的树高生长;固定样地和临时样地数据在林分平均高和平均胸径模拟中表现相似,但由于抽样方法和数据量等因素区别,导致其在林分断面积模拟中呈现明显差异。基于循环更新或多源数据的模型呈现出最稳定的预测结果。【结论】在生长收获模型构建中,不同类型森林调查数据会产生不同预测结果,不同数据信息特性也会对预测的不确定性产生规律性影响。以概率分布呈现信息的贝叶斯方法,既可反映模型的精准程度,又能解释数据信息中存在的缺陷。本研究以全林模型更新为例,展示了该方法不断循环、更新、融合的数据-模型逻辑框架,是架构生长收获模型与数据桥梁的有力工具。     

基于Logistic回归的兴安落叶松林飞火引燃试验

【目的】基于室内模拟的飞火引燃试验数据,使用Logistic模型对影响飞火引燃的因子进行建模,探究该模型在预测飞火引燃中的适用性,为林火行为研究提供依据和参考。【方法】选取黑龙江大兴安岭兴安落叶松纯林为对象,以球果、1 h时滞、10 h时滞小枝为火源,构造不同风速、可燃物含水率和压缩比的可燃物床层,进行引燃试验,建立以Logistic模型为基础的3种火源的引燃概率模型。【结果】3种类型火源分别进行了1 800次点烧试验,球果、1 h时滞和10 h时滞小枝引燃次数分别为414、161和337次;本研究梯度范围内,火源引燃概率随着风速增加而显著增加;可燃物含水率与引燃概率负相关,但受火源的干质量影响较大,在可燃物含水率为40%时,较大的3种火源干质量造成了引燃率升高;床层压缩比对火源引燃概率并没有表现出明显的正或负相关性;构建的球果模型预测引燃准确率为87.2%,总预测准确率为71.1%; 1 h时滞小枝模型预测引燃准确率为79.6%,总预测准确率为78.6%; 10 h时滞小枝模型预测引燃准确率为81.5%,总预测准确率为79.5%。【结论】3种火源引燃能力为球果10 h时滞小枝1 h时滞小枝,风速、可燃物含水率和火源干质量对引燃有较大作用,建立的3种Logistic引燃概率模型有较高准确率,可供飞火引燃预测时参考,以提高森林火灾扑救效率和减少扑救伤亡。     

基于RNN的锂电池健康预测

指出了锂电池健康状态SOH(State of Health)是对锂电池监管的重要因素之一。运用循环神经网络(Recurrent Neural Network, RNN)对锂电池健康进行了预测。将锂电池的容量退化数据作为神经网络的输入,经过该网络的传入层到隐藏层,再由隐藏层传输到传出层,进而实现了对锂电池老化数据进行预测,最后对结果进行了分析。结果表明:预测误差最大不超过0.02,因而循环神经网络对锂电池的健康具有较好的预测能力。     

基于人工神经网络模型的木材干燥应变模拟预测

【目的】研究常规干燥过程中干燥基准、预处理条件、含水率对木材干燥应力的影响,探讨干燥应力沿髓心至树皮方向的分布情况,以实现干燥应变的模拟预测。【方法】整合分析采用图像解析法测算得到的弹性应变和机械吸附蠕变相关数据,基于人工神经网络模型,以干燥温度、含水率、相对湿度、距髓心距离为输入变量对弹性应变进行模拟预测,以预处理温度、干燥温度、含水率、相对湿度、距髓心距离为输入变量对机械吸附蠕变进行模拟预测。通过网络训练和验证,得到合理的人工神经网络预测模型,并对模型进行测试,探讨分析所建立模型的预测能力。【结果】弹性应变预测模型中,各数据集均呈现出较好的相关性,训练集、验证集和测试集的相关系数(R)分别为0.988、0.983和0.978,所有数据集的决定系数(R~2)均高于0.95,验证集达到最优时的均方差(MSE)为1.21×10~(-6)。机械吸附蠕变预测模型中,利用含水率为28%和12%的数据集进行模型训练和验证,训练集和验证集的相关系数(R)分别为0.981、0.977,验证集达到最优时的均方差(MSE)为1.26×10~(-6);利用含水率20%的数据集进行模型测试,测试集的相关系数(R)为0.969,所有数据集的决定系数(R~2)均高于0.94,网络模型能够解释94%以上的试验数据,表现出较好的预测能力。【结论】所建立模型的预测值和试验值吻合较好,预测成功率较高,能够为人工神经网络在干燥应力、应变方面的应用提供可行性依据。     

钻蛀性害虫取食声音的人工智能早期识别

【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。     

基于YOLOv3神经网络的苗圃树苗检测与计数

长期以来,苗圃树苗的检测与计数一直依赖于人工抽样估计,该方法效率较低且误差较大。为解决上述问题,基于图像处理和深度学习技术,针对云杉、花楸与景观榆树3种树苗提取三类标签图像,构建了树苗检测与计数的输入数据集,并利用数据增强方法将数据集扩充了15倍。基于扩充后的数据集,提出了基于YOLOv3深度神经网络的树苗检测与计数方法,并使用迁移学习的方法对网络模型进行训练与验证,从而提高了检测与计数准确率。试验结果表明：该网络模型能够有效地克服大田环境下的噪声,实现树苗的快速、准确识别,云杉树苗图像检测时间平均每幅0.681 s,花楸树苗图像检测时间平均每幅0.698 s,景观榆树树苗图像检测时间平均每幅0.697 s, MAP值达到0.825。对100幅云杉树苗图像、50幅花楸树苗图像和50幅景观榆树树苗图像进行树苗计数测试,采用人工计数结果与系统计数结果对比进行正确率评价。研究结果表明,树苗总体识别正确率达到95.2%(其中云杉树苗计数准确率为97.5%、花楸树苗计数准确率为91.9%、景观榆树树苗计数准确率为96.2%),能够满足树苗检测计数的实际要求。     

基于卷积神经网络模型的木材宏、微观辨识方法

【目的】提出一种基于卷积神经网络模型——PWoodIDNet模型的木材宏、微观辨识方法,以有效提高木材辨识精度和速度,为海关、进出口检疫检验、家具企业等法定部门和企业提供先进的辨识方法和仪器,推动我国木材进出口检疫检验行业和木材加工制造企业的科技进步。【方法】首先,选择16种木材样本,每种样本获取50张高分辨率显微CT图像和工业相机图像,共1600幅;然后,截取具有木射线、薄壁组织、轴向管胞、纹孔和纹理等特征的目标区域,共4800幅,通过水平翻转、垂直翻转、镜像、亮度变换等图像增强算法后将图像集扩充至19200幅。构建基于卷积神经网络的木材宏、微观辨识模型——PWoodIDNet模型,采用加入动量的随机梯度下降(SGDM)方法优化模型,并利用GPU优化并行运算库,对木材宏、微观结构数据集进行分类准确率对比。【结果】相比现行GoogLeNet模型,PWoodIDNet模型准确率提高1.49%,速度提高59.69%;相比现行AlexNet模型,PWoodIDNet模型准确率提高3.76%,速度提高2.63%。【结论】PWoodIDNet模型突破现有辨识方法木材辨识种类范围窄、准确率低和辨识速度慢的难点,能够有效辨识木材,并可在更短的训练时间内实现最佳辨识效果,为我国木材辨识提供一种新的方法和思路。     

基于轻量级神经网络的2种害虫钻蛀振动识别方法

【目的】设计轻量级神经网络,使用声音识别技术构建钻蛀振动识别模型,自动识别双条杉天牛和臭椿沟眶象幼虫蛀干取食振动,为提高钻蛀性害虫的早期预警能力提供技术支撑。【方法】在接双条杉天牛、臭椿沟眶象幼虫木段中嵌入AED-2010L便携式声音探测仪的SP-1L压电式传感器探头,使用录音笔以音频格式记录钻蛀振动信号。双条杉天牛钻蛀振动、臭椿沟眶象钻蛀振动和无钻蛀振动3种声音信号经端点检测、时间规整操作后,计算对数梅尔声谱作为卷积神经网络学习和识别的数据集。由于钻蛀性害虫取食振动脉冲持续时间短,数据量远小于图像,为避免模型出现过拟合,设计轻量级卷积神经网络Insect Frames,网络包含4层3×3卷积,全连接层前接全局平均池化进一步降低网络参数量。使用不同的中间层特征维度和降维方法,实现4种网络变体结构Insect Frames_1—4。【结果】基于轻量级卷积神经网络的钻蛀振动识别方法可有效监测早期虫害的发生,较准确地识别害虫种类。利用Insect Frames_1—4模型,对双条杉天牛钻蛀振动、臭椿沟眶象钻蛀振动和无钻蛀振动3种信号进行识别,在测试集上的平均识别准确率均达90%以上,CPU上平均识别时间为0.1～1.3 s。Insect Frames_2模型识别准确率达95.83%,较广泛用于虫声识别的高斯混合模型提高34.2%,较传统重量级神经网络Res Net18提高6.94%,时间效率提高171.1倍。【结论】将神经网络和声音识别技术用于幼虫钻蛀振动的自动化侦听,具有高效、简单、成本低等优势,可提升林业钻蛀性害虫的早期预警能力。     

基于距离相关系数和KNN回归模型的森林蓄积量估测研究

【目的】探究Landsat8 OLI数据和KNN算法在森林蓄积量估测中的潜力。【方法】以湖南省湘潭县为研究区,采用Landsat8 OLI数据和同时期的二类调查数据,通过距离相关系数筛选特征,分别采用线性回归模型(MLR)、K-近邻模型(KNN)、距离加权KNN模型(DW-KNN)和优化欧式KNN模型(FW-KNN)对森林蓄积量进行估测。使用十折交叉方法进行精度检验,对检验结果进行对比分析。【结果】3种KNN模型的估测结果均高于传统的线性模型,并且在3种KNN模型中,FW-KNN算法效果最好,决定系数达到0.69,为3种模型中最高;3种KNN模型中,本研究优化欧氏距离KNN模型的估测精度最高,其均方根误差为30.3%,相比于传统KNN模型的均方根误差降低了5.1%,相比于DW-KNN模型降低了3.3%。【结论】采用DW-KNN蓄积量估测结果明显优于其他两种模型,说明通过特征与蓄积量的相关性优化样本间的距离是一种可行的KNN优化方法。     

基于卷积神经网络的雄性海南长臂猿声纹识别

【目的】利用鸣叫声对雄性海南长臂猿个体进行识别,为海南长臂猿种群智能感知和监测及海南热带雨林国家公园智慧保护地建设提供支撑。【方法】许多研究证明某些物种鸣叫的声音具有个体差异,这种差异可以作为一种声音指纹来对物种个体进行识别。本研究基于雄性海南长臂猿鸣叫声谱的特征以及声纹识别的基本原理,提出基于卷积神经网络的声纹识别的方法,通过采用主动声学监测和被动声学监测2种方法收集海南长臂猿鸣叫的原始数据,对原始数据进行预处理,将7只雄性海南长臂猿鸣叫短语中的调频音符组合的声谱图作为输入。通过搭建卷积神经网络和残差卷积神经网络2种模型,7只雄性海南长臂猿鸣叫声谱中提取声纹特征并进行分类,实现个体识别。【结果】通过五折交叉验证得出卷积神经网络模型识别正确率为91.2%,识别效果标准差为4.24%。残差卷积神经网络模型识别正确率为95.04%,识别效果标准差为2.97%。相比卷积神经网络,残差卷积神经网络识别准确率更高,且分类效果更加稳定,但是计算耗时更长。【结论】利用卷积神经网络模型和残差卷积神经网络模型对雄性海南长臂猿鸣叫声谱图进行分类并实现个体识别是可靠的,本方法可以应用于对海南长臂猿的声纹识别...