【目的】森林火灾对生态环境的破坏巨大，各种火灾探测方法近年来备受关注，但不同的检测载体与检测数据在森林火灾检测的应用中仍具有各自的局限性。为此，提出一种基于深度学习与无人机红外影像的森林火灾燃烧点检测模型，旨在减少无人机森林火灾检测的延迟和丢失，提升森林火灾检测效率和检测能力。【方法】采集中国北部亚干旱地区森林火灾巡护数据，增加北亚利桑那大学无人机森林燃点数据提升模型的学习范围，同时对数据进行数据增广，提升模型学习的数据量。利用红外影像的成像特点对森林火灾燃烧点进行特征放大，降低检测数据的复杂度。引入计算量适当的目标检测算法，减少无人机森林火灾检测系统的检测时延。【结果】1）红外影像下的森林火灾燃烧点检测模型在非极大抑制IoU阈值为0.3的条件下，其检测AP(Average precision)值达到了0.961 6，检测精度（Precision）达到了0.929 3。2）红外影像森林火灾检测模型在40 fps的实时视频中的检测速度平均达到了31 fps。3）在图像翻转、图像旋转与图像仿射变换3种数据增广模式下，模型的检测性能达到最高。【结论】基于红外影像的森林火灾燃烧点检测模型对森林火灾更敏感，减少了森林火灾检测的计算量，减轻了地面站计算机的计算负担。图像的色域变换对红外数据下的森林火灾燃烧点检测模型提升效果不明显。

【目的】为解决由于森林火灾烟雾数据集样本量小、样本特征分散、烟雾图像占比小等特点导致的林火烟雾检测模型识别效果差、准确率低等问题，实现快速、准确识别检测森林火灾烟雾。【方法】针对少样本森林火灾烟雾图像数据集的样本特征，本研究提出了一种基于多头注意力机制的森林火灾烟雾图像检测方法。该方法首先在训练阶段采用数据增强方法，扩充训练数据的数量同时降低过拟合风险；然后设计特征提取模块与特征聚合模块，在特征提取模块中引入多头注意力机制并探讨引入的合适位置，使模型更多地关注火灾局部特征，解决烟雾图像少造成的信息缺失问题；在特征聚合模块中使用FPN-PAN模块对图像的深层与浅层语义信息进行特征融合；最后，设置检测头模块输出实验结果。利用测试准确率、召回率、误报率、检测率和F1值等评价指标在少样本公共数据集和自建火灾烟雾少样本数据集上测试本方法的有效性。【结果】在数据增强阶段同时增加马赛克数据增强和多尺度变换，可以得到更好的检测效果。在特征提取模块的第4个卷积模块后面添加1处多头注意力机制的模型性能最好。相较于现有的元学习长短时记忆网络、匹配网络和轻量级目标检测网络等方法，本方法有更好的检测效果，具体表现为准确率达到了98.79%，召回率98.28%，检测率97.33%，误报率仅为6.36%。【结论】与现有的火灾烟雾检测模型相比，本方法具有更好的判别能力和泛化能力。

【目的】森林生物量的精确测定,对于全球气候变化和碳循环研究具有重要的意义。【方法】以东北林业大学城市林业示范基地为研究区域,首先利用无人机平台获取整个研究区域的高分辨率无人机影像;然后在研究区域四种人工林样地中分别选取20 m×20 m的4块建模样方和4块测试样方,通过每木检尺法实测建模样方内林木的树高和胸径数据,建立H-DBH(树高-胸径)估算模型,并结合已有的DBH-SB(胸径-树干生物量)模型得到测试样方的森林生物量数据;在处理后的数字冠层高度模型(DCHM)基础上利用局部最大值法提取树高与树冠中心点位置,建立一种结合无人机影像提取树高与H-SB(树高-树干生物量)经验模型的森林生物量制图方法。【结果】不同样方的H-DBH模型R2均大于0.70,测试样方的总地上生物量平均值为6 915.85 kg,总的估测精度为87%。通过ArcGIS软件结合本研究提出的方法快速得到了整个研究区域的地上生物量分布图,估测总地上生物量为4 396.18 t。【结论】研究结果可为快速准确的进行森林生物量的估测提供基础数据和技术参考。

【目的】森林火灾常常会对人类的财产和生态多样性造成巨大损害，传统的森林火灾检测技术存在可靠性低、造价过高等不足。目前基于卷积神经网络的深度学习算法在处理图像型数据上具有准确性高、成本低、速度快等优势，但是其处理视觉要素和物体之间关系的能力不如Transformer。因此，本研究提出一种改进Swin Transformer网络的方法应用于森林火灾检测。【方法】Transformer是一种基于自注意机制的深度神经网络，其强大的表现能力使得其能够在计算机视觉领域大放异彩。Swin Transformer提出将Transformer应用于计算机视觉任务,构建了一种名为Swin Transformer Blocks的骨干网络，并且提出了一种滑动窗口多头自注意力机制。本文结合Transformer与深度学习算法并应用于森林火灾检测领域，在Swin Transformer网络结构中对窗口自注意力机制进行改进，采用了knn自注意力提高对小块噪声的识别，使用Augmentation数据增强方法增加模型的泛化能力。【结果】数据集为自建的森林火灾图像数据集，通过旋转、裁剪、模糊以及色彩调节等数据增广的方法将300张不同环境下的森林火灾图像数据扩充到1 900张图像，最后对Swin Transformer以及改进后的模型进行对比实验，改进后的算法准确率可达98.1%,bbox＿mAP、bbox＿mAP＿50和bbox＿mAP＿75分别达到了66.7%、96.4%和81.3%。【结论】本文提出一种改进Swin Transformer应用于森林火灾检测的方法。研究结果表明，改进的Swin Transformer模型能够有效检测不同环境下的森林火灾。

【目的】无人机森林航摄影像的主体内容为颜色较单一的林冠,其纹理重复率高,而且存在非刚体性变换等导致影像的匹配难度高于普通测绘无人机航摄影像。如果直接采用普通特征算法进行影像匹配时,经常出现提取的特征点数量少、误匹配率高、特征点分布不均匀等问题。本研究探索了一种可见光植被指数(VDVI)与AKAZE结合的无人机森林影像匹配方法,以提高森林影像匹配的准确率。【方法】在森林航摄影像特征提取方面表现较优的AKAZE基础上,借助可见光植被指数(VDVI),在特征检测时选择了能够有效平滑区域内部同时保留边界信息的g3函数。特征检测时利用VDVI值进行检测,特征描述时采用原始影像信息与VDVI值相互校正的方法进行描述。【结果】在同一台I7-6700HQ处理器、8G内存的ALIENWARE工作站,建立Python 3.7和OpenCV 3.4环境,对内蒙古大兴安岭伊尔施林场的白桦和兴安落叶松林地无人机森林航摄影像进行了SIFT、SURF、普通AKAZE、颜色不变量AKAZE、可见光植被指数(VDVI)AKAZE等5种方法的对比分析。结果表明,VDVI与AKAZE结合的无人机森林影像匹配方法在无人机森林航摄影像上的平均匹配准确率为74.59%,比普通AKAZE高出了9.48个百分点;比颜色不变量AKAZE高出了5.26个百分点;其匹配速度在普通AKAZE和颜色不变量AKAZE之间。【结论】森林航摄影像主体内容的独特性,决定了采用普通测绘摄影测量和计算机视觉的特征算子进行影像匹配的效果不好。在AKAZE特征各向异性的非线性滤波的基础上选择合理的传导函数,配合可见光植被指数可有效降低阴影、反光、非林冠地物等的影响,进而改善了森林影像匹配的准确率,对研究和学习森林航摄影像处理具有重要意义。

叶绿素相对含量(soil and plant analyzer development,SPAD)是评价水稻健康状况的重要农学参数,为了解决传统监测方法工作量大,效率低的问题,以东北粳稻为研究对象,采用不同施肥处理开展小区试验,利用无人机低空遥感技术分别获取水稻分蘖期、拔节孕穗期、抽穗灌浆期水稻冠层高清数码影像,同时利用叶绿素仪测量水稻冠层SPAD值,并对无人机高清数码影像反演SPAD的可行性及方法进行研究。结合k-means聚类和阈值分割的方法去除背景提取出水稻叶片的RGB值,构建出R、G、B及G/R、

【目的】造林是实现林业资源可持续发展的重要手段。造林地块分散、分布偏远、交通条件差，人工造林成活率检查耗费大量人力、物力和时间成本，且效率低、无法及时全面精准掌握造林成活率、采用的抽样检查方法受主观因素和偶然因素影响较大。为解决以上问题，本研究探索了一种基于目标检测模型和多目标追踪的无人机造林成活率自动检测方法。【方法】利用大疆Mavic2多旋翼无人机采集不同时期云杉人工造林地的影像，利用YOLOv5深度学习网络模型训练了苗木对象检测模型，并与DeepSORT多目标追踪算法相结合，在安装Mavic2无人机地面站的安卓平板电脑上进行二次开发。通过整合无人机4G图传，将无人机拍摄的视频实时回传至无人机地面站安卓平板电脑上。利用YOLOv5s+DeepSORT实现了实时苗木检测与动态多目标追踪，通过对跟踪到的苗木进行类别判定和计数汇总，最终自动计算目标小班的造林成活率。【结果】在内蒙古大兴安岭大杨树林业局乌鲁布铁林场2022年春季造林地块中随机抽取了7个造林小班进行试验，结果表明本研究与人工检查相比成活率检测平均相对精度能达到99.62%，可平均节省50.94%人力工时。【结论】文章采用基于目标检测模型和多目标追踪的无人机造林成活率自动检测方法，不仅效率高、精度可靠、容易操作、可以极大地减少人力工时。与传统人工检查方法相比具有以下优势：1）有效提高了检测效率，减少了人力、时间、交通成本，能够实现对所有造林地块的全面检测，减少了抽样检查方法导致的随机误差；2）实现利用基于视频检测的算法自动完成成活率统计，统一了检测标准，避免了人工检测带来的主观误差；3）在检测视频中标注每株苗木的判定类别，可作为过程资料保存输出，为复核提供了有效依据。

为高效、精准、及时地获取农作物的空间分布及其面积,建立了基于无人机平台和图像分析的大田作物检测方法:采用小型四旋翼无人机搭载高性能数码相机获取作物图像后,通过图元分割和目视解译获得目标样本,提取其21维颜色特征和3维纹理特征,采用BP神经网络分类器和像素累加法进行作物种类识别和面积测量。试验结果表明,系统对小麦、油菜、蚕豆和大蒜的平均识别率达86%,面积测量的平均相对误差约为9.62%。

不同卫星传感器识别森林火灾时存在时间差异及辐射差异,通过对AUQA亮温、NOAA-19地表温度、FY-3B亮温数据进行影响因素分析,确定大气、地形、地表温度为归一化参数,建立基于3个卫星传感器的亮温归一化模型。利用地面接收站2017年4月份影像数据,将归一化模型应用到森林火灾识别中,建立了一套适合湖南省的森林火灾阈值。研究结果表明:不同卫星传感器的红外辐射归一化模型能较好地消除辐射差异影响,弥补卫星传感器的时间差异性,提高不同卫星传感器对森林火灾监测的速度。

[目的]探讨用于快速更新森林资源数据库的森林变化检测方法,监测短时期内森林采伐与更新的动态变化。[方法]以变化频繁快速,高度集约经营的广西上思县人工林作为研究区,以两个时相的高分二号遥感影像作为数据源,分别利用红波段、近红外波段和NDVI 3种特征的影像差值,并基于分布函数确定阈值,对研究区进行快速的变化检测,并提取变化区域和变化类型。[结果]表明,3种特征差值的检测精度排序为:NDVI差值法最优,红波段差值法次之,近红外波段差值法最差。其中NDVI的总体精度为87.12%,Kappa系数为0.76,[结论]该方法在实现快速检测变化的目的下,可用于森林资源数据库的更新。

【目的】白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑。【方法】在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回归(MLR)、后向传播神经网络(BP)、随机森林(RF)、极限学习机(ELM)算法将植被指数(VIs)、纹理特征(TFs)和温度特征(T)进行结合,以构建小麦白粉病病情指数的监测模型。【结果】无论是单数据源建模,还是多数据源建模,随机森林(RF)的精度均高于其他模型;3种数据源中植被指数的RF模型(VIs-RF,R~2=0.667,RMSE=5.712,RPD=1.572)更适宜白粉病监测,其次是温度特征(T-RF,R~2=0.559,RMSE=6.563,RPD=1.430),而纹理特征(TFs-RF,R~2=0.495,RMSE=7.014,RPD=1.348)效果最差;多数据源协同建模间比较,RF协同植被指数和纹理特征的模型R~2为0.701(VIs&TFs-RF,R~2=0.701,RMSE=5.308,RPD=1.724),仅比VIs-RF模型R~2提升5.101%,RMSE降低7.073%,RPD提高9.672%,而RF协同植被指数和温度特征模型(VIs&T-RF)以及协同3种数据源模型(VIs&TFs&T-RF)的精度分别为R~2=0.750,RMSE=4.704,RPD=1.912和R~2=0.820,RMSE=4.677,RPD=1.996,较VIs-RF模型R~2分别提升12.453%和23.181%,RMSE分别降低17.640%和18.113%,RPD分别提高21.667%和26.981%。同时对不同模型进行10折交叉验证,进一步证实了RF模型在多数据源融合建模中性能稳定,估算效果最好。【结论】采用多数据源协同建模能够提升小麦白粉病遥感监测精度,研究结果为实现大面积高精度遥感监测作物病害状况提供了思路与方法。

流域输沙过程是地貌学和地表动力学的重要研究内容,但传统的输沙过程监测方法仅能得到某个区域的总输沙率,无法推算其空间分布。论文以黄土高原绥德县窑家湾小流域为例,利用无人机摄影测量技术得到其2006年和2019年2期数字高程模型(DEM)并计算地形变化量;然后,根据质量守恒原理和多流向算法建立泥沙在空间上的输送模型,进而计算小流域输沙率的空间分布。实验结果表明,该模型能有效模拟泥沙在空间上的输送情况,输沙率出现质量不守恒的区域面积占比小于4%,且不守恒区域多为人类活动影响区。同时,论文讨论了DEM的选择和不同地形变化检测水平对模型结果的影响。当使用第一期DEM进行泥沙搬运路径推算时,质量不守恒区域的面积显著降低。使用误差空间分布图进行地形变化检测得到的输沙率结果鲁棒性更强。使用中误差进行地形检测得到的结果在不同置信度下变化较大。基于无人机地形变化检测的空间输沙模型能方便、快捷地提供详尽的输沙率空间分布,为地表过程研究带来了新的机遇。

森林蓄积量能够评估林地生产力的高低及经营措施的效果,为森林经营与采伐提供重要依据。目前,大多基于无人机影像的蓄积量估算,均建立在测绘标准所生成的DOM、DSM、DEM等测绘成果基础上,而未充分利用原始影像数据上的林业特征,无法从点云层面上加入林业业务逻辑产生成果数据。获取无人机影像后,利用特征点提取与匹配方法自动相对定向,结合控制点和光束法平差的迭代求解,解算出精确的相机姿态数据,并沿核线方向一维搜索特征点进行影像密集匹配生成密集点云。对原始三维点云过滤后进行树冠分割,在聚类后的林冠点云中提取了树顶点和树高因子估测了森林蓄积量。研究结果表明,冠幅的提取精度85.15%,树高的提取精度83.69%,林分蓄积量估算的精度达到了82.46%。

利用里克特量表试图评估公众、消防战士和受森林火灾影响的村民等3个人群对森林火灾的看法。3组所有受访者一致认为,森林火灾会造成空气污染、土壤侵蚀、温室效应和浓雾,间接导致哮喘、呼吸系统感染、皮肤感染等疾病。受森林火灾危害的村民支持森林防火灭火,认为森林火灾是大问题。然而,市民和消防战士不同意这种看法,研究结果将帮助有关当局制订防火决策和教育活动。

该文在探讨森林起火因素的基础上,构建了一种基于ZigBee无线传感器网络的森林火灾实时监测系统.该系统给出了森林火灾无线传感器网络监测系统的体系结构,重点设计了基于CC2430芯片的网络节点硬件电路,详尽地讨论了网络的数据传输流程;该系统能够监测林区温湿度等相关环境参数的变化,为有关部门采取相应的防火或灭火措施提供决策依据.