同安钮夜蛾幼虫空间分布及其防治药剂研究

对同安钮夜蛾(Anua indiscriminata Moore)幼虫在桉林的分布进行了调查,并在室内测试了几种农药对其幼虫的毒性,结果表明,同安钮夜蛾幼虫在林间为聚集分布;其虫口密度在同一树冠不同方向或层次上的分布差异不显著;坡向对同安钮夜蛾幼虫的分布影响显著,南坡的虫口密度高于北坡的。在供试的农药中,25%灭幼脲Ⅲ号悬浮剂0.67 g/L液、1.8%阿维菌素乳油0.25 g/L液、保尔或锐劲特0.5 g/L液、0.3%印楝素乳油2 g/L液、1.3%鱼藤氰乳油或10%吡虫啉可湿性粉剂1 g/L液对同安钮夜蛾5～6龄幼虫的毒杀效果均达96%以上。     

兰州旅游圈旅游空间结构构建研究

区域旅游空间结构对于区域旅游业的发展具有重要的意义。文章在简要地梳理近些年来区域旅游空间结构研究成果的基础上,对于区域旅游空间结构的构建方法提出了自己的观点:根据游客的到访情况划分其内部结构,根据资源集聚态势和共同表现的主题进行功能分区,按照远近结合的原则确定优先发展区,根据服务功能确定旅游中心地。通过对兰州旅游圈深入的调查和研究,提出兰州旅游圈的空间结构构建模式:三个旅游圈层、七个旅游瓣区和十一个旅游功能区;在综合评价的基础上确定了圈内的七个优先发展区和若干个旅游中心地。最后,对于兰州旅游圈的旅游线路提出了设计方案。     

基于综合视角的县域国土空间冲突测度与功能优化——以江西省宜黄县为例

[目的]测度国土空间冲突强度,分区探讨国土空间冲突管理和优化国土空间利用途径,为县域国土空间可持续开发利用提供新的思路。[方法]以江西省宜黄县为例,通过景观生态指数模型、可开发强度分析、用地现状与适宜性评价叠加3种方法,以“把握景观格局—明确开发强度—摸底适宜性—实现功能优化”综合视角为导向,构建综合视角下国土空间冲突测度模型,识别乡镇尺度下空间显著冲突与区域本位基底相耦合的综合冲突类型区,进而提出功能优化措施。[结果](1)2010—2020年宜黄县城镇化趋势扩大,生态空间的容纳度变低,国土空间主要表现为农业生产空间和生态空间向工矿生产空间和城镇生活空间转移。(2)2010—2020年宜黄县区域空间冲突强度加剧,不同时段和区域下空间冲突强度和分布情况差异显著,可控空间主要分布在南部,轻度和中度冲突在域内分布较为均匀,重度冲突主要分布在北部、中部和东部。(3)根据开发强度和冲突产生诱因,可将宜黄县乡镇划分为地形发展劣势区、城镇开发密集区和自然保护地集中区3类,作为空间功能优化的重点。(4)宜黄县乡镇尺度上空间冲突类型区分布存在差异性,表现为：农业空间与生态空间冲突>城镇空间与生态...     

甘肃省产业空间结构及其生态效应分析

区域产业空间结构与生态环境之间存在着强烈的交互胁迫关系。本文分析了甘肃省产业空间结构特征、不同产业发展对生态环境的影响及产业空间结构的生态环境效应。得出以下结论:(1)甘肃省第一产业分布分散且与农业资源的空间分布态势基本一致,第二产业发展空间高度集中且与矿产资源分布一致,第三产业集中在大中城市和旅游资源丰富的地区;(2)甘肃省产业空间结构的生态环境效应具有明显的空间差异;(3)甘肃省生态环境地域分异与产业空间结构分异交互胁迫,强化了生态环境的地域分异,加剧了生态环境的脆弱性。     

峰丛洼地石漠化区景观格局的形态学特征及空间演变规律

[目的] 探究峰丛洼地石漠化区景观格局的形态学空间分布特征,为揭示峰丛洼地石漠化区景观格局动态变化和生态保护的可持续发展提供理论参考和指导。[方法] 利用形态学空间分析(MSPA)方法对岩溶石漠化景观识别、处理、分类得到核心、环线等互不重叠的7类景观类型,应用景观动态度、景观格局指数、景观转移矩阵和热点分析探究峰丛洼地石漠化区景观格局的形态学时空演变特征。 [结果] ①2000年形态学景观类型分布最广(190.60 km²),2022年分布最少(147.32 km²),在形态学景观类型中核心是研究区内主要的景观类型,2000年面积最大为121.62 km²,2022年面积最少为76.05 km²,主要分布在研究区西北部和南部区域;孤岛在形态学景观类型中面积最小,其面积1990年最少为1.12 km²,2022年最多为3.07 km²,孤岛和分支等景观类型分散分布在各核心之间。 ②研究区形态学景观空间分布趋于分散,且形态学景观多样性、复杂程度和景观破碎化程度增加;研究时段内,形态学景观类型单一动态度分别为0.10,-0.18和-2.13,说明形态学景观面积呈现收缩趋势并且形态学景观类型1990—2000年发育最为剧烈,2000—2010年发育最为平缓。 ③形态学景观类型转移方向主要是核心景观类型转移为边缘和孔隙景观类型,总体来看形态学景观主要转移方向是形态学景观转移为背景,并且背景的转入量大于转出量。高—高聚集区域呈现出向磨合村、老街村和安乐村扩张的趋势,低—低聚集区域呈现出向三光村和老街村扩张的趋势。 [结论] 研究区形态学景观面积处于快速减少阶段且形态学景观类型趋于复杂,核心是主要的形态学景观类型,形态学景观的演变特征主要由核心的变化导致。     

基于GF-1影像的普达措国家公园森林地上生物量遥感估算

精确估算森林地上生物量有利于掌握森林资源碳储量的分布特征,该研究以普达措国家公园为研究区,基于国产高分一号(GF-1)全色多光谱(Panchromatic Multispectral Sensor,PMS)卫星影像和数字高程数据,提取波段信息、植被指数、纹理信息和地形因子,利用多元线性逐步回归、支持向量机、神经网络和随机森林模型,估算森林地上生物量。研究结果表明,基于GF-1影像构建的随机森林模型的精度效果最佳,决定系数为0.77,均方根误差为27.53 t/hm2;普达措国家公园森林地上生物量为7085614t,平均生物量达136.01t/hm2,表明公园内寒温性针叶林发育完好;海拔3 500～4000m区域森林生物量平均值最高,为126.56t/hm2,与生态保护目标分布范围相符;不同坡向生物量存在差异,阴坡和半阴坡平均生物量高出其他坡向20.48%,立地条件较优。研究结果证实基于GF-1优化的生物量经验模型具有对亚高山天然林地上生物量的估算潜力,对区域森林资源的有效科学管理和维护森林生态环境具有重要意义。     

基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism,MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module,MSFF Module）;其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。     

空间自相关性对冬小麦种植面积空间抽样效率的影响

空间抽样是实现区域农作物面积高效估算的重要手段,农作物分布受自然条件等因素影响普遍存在空间自相关性,但以往针对空间相关性对农作物面积抽样效率的影响研究明显不足。该研究选取安徽省凤台县为研究区,通过2017年4月4景GF-1全色多光谱影像(Panchromatic and Multispectral, PMS)与Google Earth高空间分辨率影像相结合提取研究区冬小麦。设计10种抽样单元尺度、3种抽样外推方法、2种相对允许误差和5种样本布局方式,构建多种冬小麦面积空间抽样方案。利用全局莫兰指数(global Moran’s index)评价不种尺度下抽样单元内冬小麦面积比的空间自相关强度,分析空间自相关性对冬小麦面积抽样效率(抽样误差、样本容量和空间布局)的影响。研究结果表明,抽样单元内冬小麦面积比的空间自相关强度随单元尺度的增大而减小,全局莫兰指数相应地由0.75降至0.50。无论在何种尺度下抽样单元内冬小麦面积比都呈显著的空间正相关性;抽样外推冬小麦面积总体的误差随空间自相关强度的减小呈先减小后明显增大的趋势。在10种抽样单元尺度中,当抽样单元尺度为2000m且抽样比为5%时,无论采用何种抽样方法外推总体的误差均为最小(简单随机抽样、系统和分层抽样外推总体的相对误差分别为17.94%、9.48%和1.82%);当相对允许误差设计为5%时,简单随机抽样外推总体所需样本容量随空间自相关强度的降低从660降至56。而分层抽样的样本容量不受空间自相关性的影响;5种样本布局方式中,采用分层随机抽样方式外推冬小麦面积总体的平均相对误差、平均变异系数和均方根误差最小,分别为1.82%、3.19%和0.11×108 m2。该研究可为有空间自相关存在下的农作物面积空间抽样方案合理设计提供参考依据。     

融合卷积神经网络与视觉注意机制的苹果幼果高效检测方法

果实表型数据高通量、自动获取是果树新品种育种研究的基础,实现幼果精准检测是获取生长数据的关键。幼果期果实微小且与叶片颜色相近,检测难度大。为了实现自然环境下苹果幼果的高效检测,采用融合挤压激发块(Squeeze-and-Excitation block, SE block)和非局部块(Non-Local block, NL block)两种视觉注意机制,提出了一种改进的YOLOv4网络模型(YOLOv4-SENL)。YOLOv4模型的骨干网络提取高级视觉特征后,利用SE block在通道维度整合高级特征,实现通道信息的加强。在模型改进路径聚合网络(Path Aggregation Network, PAN)的3个路径中加入NL block,结合非局部信息与局部信息增强特征。SE block和NL block两种视觉注意机制从通道和非局部两个方面重新整合高级特征,强调特征中的通道信息和长程依赖,提高网络对背景与果实的特征捕捉能力。最后由不同尺寸的特征图实现不同大小幼果的坐标和类别计算。经过1 920幅训练集图像训练,网络在600幅测试集上的平均精度为96.9%,分别比SSD、Faster R-CNN和YOLOv4模型的平均精度提高了6.9百分点、1.5百分点和0.2百分点,表明该算法可准确地实现幼果期苹果目标检测。模型在480幅验证集的消融试验结果表明,仅保留YOLOv4-SENL中的SE block比YOLOv4模型精度提高了3.8百分点;仅保留YOLOv4-SENL中3个NL block视觉注意模块比YOLOv4模型的精度提高了2.7百分点;将YOLOv4-SENL中SE block与NL blocks相换,比YOLOv4模型的精度提高了4.1百分点,表明两种视觉注意机制可在增加少量参数的基础上显著提升网络对苹果幼果的感知能力。该研究结果可为果树育种研究获取果实信息提供参考。