UAV remote sensing image extraction of single tree crown of Chinese fir based on Mask R-CNN and transfer learning
-
摘要:目的
利用无人机遥感影像对树冠进行自动化提取，获取高精度树冠信息。
方法该研究提出一种基于Mask R-CNN和迁移学习的无人机影像单木树冠提取方法。首先，选用在Faster R-CNN基础上改进优化的Mask R-CNN实例分割模型，特征提取网络在ResNet50残差网络和ResNet101残差网络二者间选取最优。其次，引入迁移学习与Mask R-CNN一起训练，联合迁移学习的导向作用降低训练时间，提高训练精度。
结果Mask R-CNN模型的总体精度为93.59%，用户精度为65.46%，F1分数为76.05%，平均精度均值为0.31；载入迁移学习后的Mask R-CNN模型在同等训练条件下比原模型的用户精度提升29.53%，F1分数提升19.63%，平均精度均值提升0.21；分别以ResNet50和ResNet101为特征提取网络的Mask R-CNN模型中，ResNet50 + Mask R-CNN模型的总体精度、用户精度、F1分数、平均精度均值各为96.94%、95.57%、96.17%、0.54，ResNet101 + Mask R-CNN模型的总体精度、用户精度、F1分数、平均精度均值各为96.20%、94.41%、95.19%、0.49；其中载入迁移学习的ResNet50 + Mask R-CNN模型在预测东西冠幅、南北冠幅、树冠面积与样方郁闭度的预测决定系数分别为0.87、0.84、0.93和0.83。
结论本研究提出的基于Mask R-CNN和迁移学习的方法得到了较为精准的树冠参数结果，为无人机遥感影像评估树木资源提供了一种快速高效的解决方案。
Abstract:ObjectiveThe UAV image automatically extracts canopy for precise information.
MethodIn this study, single tree crown extraction method from UAV images based on Mask R-CNN and transfer learning was proposed. Firstly, the optimized Mask R-CNN instance segmentation model based on faster R-CNN was selected, and the optimal feature extraction network was chosen between ResNet50 and ResNet101. Secondly, transfer learning was introduced to train with Mask R-CNN together, combined with the guiding role of transfer learning to reduce training time and improve training accuracy.
ResultThe results showed that the overall accuracy of the Mask R-CNN model was 93.59%, the user accuracy, F1 score and mean average precision were 65.46%, 76.05% and 0.31, respectively. After adding transfer learning, the user accuracy of Mask R-CNN model was increased by 29.53%, the F1 score was increased by 19.63%, and the average accuracy was increased by 0.21. In the Mask R-CNN model with ResNet50 and ResNet101 as feature extraction networks, the average values of overall accuracy, user accuracy, F1 score and mean average precision of the ResNet50 + Mask R-CNN model were 96.94%, 95.57%, 96.17% and 0.54, respectively. The average values of overall accuracy, user accuracy, F1 score and mean average precision of the ResNet101 + Mask R-CNN model were 96.20%, 94.41%, 95.19% and 0.49, respectively. The R2 of ResNet50 + Mask R-CNN model loaded with transfer learning in predicting east-west crown width, north-south crown width, crown area and quadrat canopy density were 0.87, 0.84, 0.93 and 0.83, respectively.
ConclusionThe method based on Mask R-CNN and transfer learning proposed in this study obtains more accurate results of tree crown parameters, which provides a fast and efficient solution for tree resource assessment in UAV images.
-
Keywords:
- UAV /
- remote sensing image /
- deep learning /
- Mask R-CNN /
- transfer learning /
- crown extraction
-
随着全球气候变暖，极端气候频现，干旱、盐害等非生物胁迫已成为威胁全球农林业生产和发展的一个重大挑战[1]。植物为了适应逆境环境并得以生存，进化出相关基因来维持细胞内结构和功能机制的稳定[2]。迄今为止，已发现许多与干旱和盐胁迫防御相关的功能基因，其中包括膜联蛋白基因。膜联蛋白是一个超级基因家族的多功能脂结合蛋白，到目前已从超过65个物种中分离和克隆了编码基因，包括真菌、原生生物、植物、高等脊椎动物和原核生物 [3]。Creutz等人[4]1978年首次从牛肾上腺髓质嗜铬细胞中分离纯化出一种蛋白质Annexin A7（synexin），这种蛋白促使嗜铬颗粒通过依赖Ca2+来结合一些膜或者内膜成分。而国内学者对植物膜联蛋白的研究较晚，第1个植物膜联蛋白是从悬浮培养的番茄 (Solanum lycopersicum) 细胞中发现和分离的[5]，且与动物膜联蛋白在序列上有较高的同源性[6]。随着对植物膜联蛋白的进一步了解，发现膜联蛋白广泛分布于各种植物中，如棉花（Gossypium spp.）[7]、烟草（Nicotiana tabacum）[8]、玉米（Zea mays）[9]、拟南芥（Arabidopsis thaliana）[10]、水稻（Oryza sativa）[11]等。不同植物中的膜联蛋白以基因家族的形式存在，其家族成员各自具有不同的功能和时空表达模式，表达具有组织特异性。据报道膜联蛋白参与重要的生物过程，如膜运输、细胞骨架组织、细胞内稳态和离子运输，具有Ca2+结合、离子通道和过氧化物酶活性等不同的生物学功能，在植物生长发育、信号转导、适应环境和响应非生物逆境胁迫中发挥着重要作用[12]。在渗透胁迫、脱落酸（ABA）或干旱等非生物胁迫时紫花苜蓿（Medicago sativa）中的膜联蛋白被激活上调表达[13]。拟南芥中膜联蛋白的表达能响应各种非生物胁迫（如盐胁迫、渗透胁迫和低温胁迫）而发生变化[14]。Cantero等人[15]评估了拟南芥中的8种膜联蛋白基因表达模式，并建立了它们在盐、干旱和其他非生物胁迫下的差异调控机制。拟南芥t-dna突变体表明，AtAnn1和AtAnn4在萌发过程中能应答渗透胁迫[16]。拟南芥AtAnn1基因是植物中研究较多的一个膜联蛋白，过表达AtAnn1导致耐旱性增强，而AtAnn1缺失突变株抗旱能力降低，对干旱更敏感[17]。印度芥菜（Brassica juncea）中，过表达AnnBj1分别增强了转基因烟草和棉花的耐旱性和耐盐性[18]。小麦 经低温胁迫可诱导膜联蛋白p39和p22.5的表达，嵌插在质膜上感受或转导钙信号的同时还调节胞质中的钙离子浓度适应胁迫环境[19]。虽然膜联蛋白在植物胁迫反应中发挥重要作用，但不同植物膜联蛋白的分子性能、生理和生物学功能是否有所不同，还属未知。
胡杨（Populus euphratica）适应非生物胁迫环境能力极强，其抗逆机制受到国内外广泛关注。胡杨耐旱性的生理及分子机制虽有较多的研究，但目前未有胡杨膜联蛋白与水分胁迫相关性的报道。本研究通过对比胡杨Annexin1转基因拟南芥、野生型、突变体（atann1）在渗透胁迫、干旱胁迫及复水后的表型及生理生化反应，明确PeAnn1在植物耐受水分胁迫中的作用，研究结果有助于揭示树木的抗旱性机制。
1. 材料与方法
1.1 实验材料
将来自新疆的胡杨1年生实生苗栽植在北京林业大学苗圃的温室，培养3个月后，利用250 mmol/L甘露醇处理12 h，在渗透胁迫处理0、4、8、12 h后采集叶片，进行RT-qPCR分析。
将野生型拟南芥（WT）、突变体（atann1）和2个过表达胡杨PeAnn1拟南芥（PeAnn1-OE1和PeAnn1-OE2）种子在超净台中用质量分数为1%的次氯酸钠消毒10 min后，无菌水冲洗5次，播种于1/2 MS固体培养基（含有10 g/L蔗糖和质量分数为0.3%的植物凝胶，pH 5.8）上，4 ℃低温暗培养春化2 d，取出置于22 ℃、16 h光照/8 h黑暗的人工气候培养箱中生长。生长7 d的幼苗移栽于草炭土和蛭石的混合比例为 2∶1(w∶w)的土壤中，转入22 ℃、16 h光照/8 h黑暗，55% ~ 65%相对湿度的温室中生长。
胡杨苗木培养，PeAnn1基因克隆，RT-qPCR分析，以及转基因植物的培育及分子检测参见文献[20]。RNA提取试剂盒购自康为世纪生物科技有限公司；cDNA反转录试剂盒购自普洛麦格生物技术有限公司；其余试剂由北京拜尔迪生物科技有限公司提供。引物合成由北京睿博兴科生物技术有限公司完成。RNA提取、纯化、RT-qPCR参见文献[21]。
1.2 PeAnn1序列与进化树分析
通过NCBI（http://blast.ncbi.nlm.nih.gov/Blast.cgi）在线获取不同植物Annexin同源基因序列。利用Mega 6软件（http://www.megasoftware.net/index.php）对胡杨PeAnn1、毛白杨（Populus tomentosa)PtAnn1、拟南芥AtAnn1、野生大豆（Glycine soja）GsANN和水稻OsAnn8等基因序列进行多重序列比对分析，并对不同物种同源Annexins构建系统进化树。
1.3 渗透胁迫下拟南芥耐旱性检测
1.3.1 种子萌发率
在1/2 MS固体培养基中添加不同浓度的甘露醇模拟渗透胁迫，甘露醇浓度梯度设为150、200、250、300 mmol/L 4个梯度，以不加甘露醇的培养基作为对照。拟南芥种子在超净台中用质量分数为1%的次氯酸钠消毒10 min后，无菌水冲洗5次，依次点播在各个培养基上，每个株系点播50粒种子，每种处理做3次重复。4 ℃低温暗培养2 d后置于22 ℃、16 h光照/8 h黑暗的恒温培养箱中培养，10 d后记录萌发率。
1.3.2 根 长
选取在1/2MS固体培养基中萌发5 d，长势相似的拟南芥幼苗，移栽到正常对照培养基和甘露醇浓度梯度150、200、250、300 mmol/L的固体培养基上，观察拍照并测量记录拟南芥竖直生长7 d后的根长。
1.4 渗透胁迫下转基因拟南芥H2O2含量的测定
采用荧光探针H2DCF-DA（molecular probe）染色测定H2O2含量[22]。将在1/2MS固体培养基上萌发、生长7 d的各株系拟南芥幼苗（WT、atann1、PeAnn1-OE1
和PeAnn1-OE2）移到含有250 mmol/L甘露醇的LMS培养基中，12 h后取出幼苗，将幼苗浸入10 μmol/L H2DCF-DA的探针溶液，室温避光孵育15 min。取出幼苗，用蒸馏水冲洗3 ~ 4次，去除表面残留探针染料。利用Leica SP5激光共聚焦显微镜（Wetzlar, 德国）测定H2DCF-DA绿色荧光，激发光波长488 nm，发射光波长510 ~ 530 nm，相对荧光强度由Image-Pro Plus version 4.5软件计算。 1.5 渗透胁迫下转基因拟南芥抗氧化酶活性的测定
采用紫外吸收法[23]测定过氧化氢酶（CAT）活性，以1 min内ΔA240减少0.01的酶量为1个过氧化氢酶活性单位（U）。采用NBT（氮蓝四唑）光化还原法[24]测定超氧化物歧化酶（SOD）活性，以抑制NBT光还原50%的酶量为1个酶活力单位（U）。采用愈创木酚法[25]测定过氧化物酶（POD）活性，以每分钟OD值变化（升高）0.01为1个酶活性单位（U）。按照考马斯亮蓝G250法进行蛋白含量的测定。
1.6 转基因拟南芥中抗逆相关基因表达水平的检测
将野生型拟南芥和转基因拟南芥播种于1/2MS培养基上进行培养，萌发5 d后长势相似的拟南芥移至250 mmol/L甘露醇的1/2MS培养基上进行处理。处理10 d后取样，利用TRIzon试剂（康为世纪）提取总RNA并反转录合成第1条cDNA，通过荧光定量PCR检测抗逆相关基因SOD（超氧化物歧化酶基因）、CAT（过氧化氢酶基因）、POD（过氧化物酶基因）的转录水平表达情况，以拟南芥AtACTIN2（At3g18780）为内参，各抗氧化酶基因荧光定量引物见表1。
表 1 本文实验中所用到的引物序列Table 1. Gene-specific primer sequences used in this study引物名称 Primer name 上游引物 Forward primer (5′−3′) 下游引物 Reverse primer (5′−3′) AtACTIN2 GGTAACATTGTGCTCAGTGGTGG AACGACCTTAATCTTCATGCTGC AtSOD AGGAAACATCACTGTTGGAGAT GAGTTTGGTCCAGTAAGAGGAA AtCAT AGGATCAAACTTTGAGGGGTAG CTTGTGGTTCCTGGAATCTACT AtPOD CGTGCCCTTCATATTGTTGG GACGCCATCAACAACGAGTC 1.7 自然干旱条件下拟南芥叶绿素荧光参数的测定
选取生长20 d，状况良好且一致的野生型、突变体和转基因株系通过控制浇水模拟土壤干旱，浇足水后当天作为干旱的第1天，设置5个重复。分别在正常浇水、干旱处理8 d和复水3 d后采样进行相关指标的测定。
1.7.1 叶绿素荧光参数
每次早上10：00开始测定，选取暗适应30 min后的拟南芥叶片。利用Junior PAM便携式荧光仪（WALZ，德国）测定叶片正常浇水，干旱处理8 d和复水3 d后的荧光参数，包括PSⅡ最大光量子效率（Fv/Fm）、实际光合量子产量（ΦPSⅡ）和相对电子传递速率（ETR）。各个参数直接从仪器导出，每个株系重复3 ~ 5次，取平均值。
1.7.2 叶绿素相对含量
利用日本Minolta公司生产的便携式叶绿素计（SPAD-502 Plus）原位测定叶绿素相对含量，以SPAD值表示[26]。测定时选取长势一致的叶片、叶缘和叶脉中间的部位。要注意避开叶脉集中的部位，同时适当遮挡直射阳光，以保证测量的准确性。每个株系重复3 ~ 5次，取平均值。
1.8 数据分析
实验数据采用Excel和SPSS 19.0软件进行数据统计、分析并绘图。用SPSS 19.0软件中的最小显著性差异法（LSD）进行单因素方差分析，用Duncan法进行多重比较分析，显著性水平设定为α = 0.05。
2. 结果与分析
2.1 渗透胁迫诱导胡杨PeAnn1基因表达
胡杨苗木经250 mmol/L甘露醇处理后，PeAnn1基因表达发生明显变化，PeAnn1基因相对表达量在渗透胁迫处理4 h后显著提高，之后下降，在渗透胁迫处理12 h后降至对照水平（图1）。
![]()
图 1 甘露醇处理对胡杨PeAnn1基因表达的影响胡杨1年生苗木经250 mmol/L甘露醇处理12 h，渗透胁迫处理0、4、8、12 h后采集叶片进行RT-qPCR分析，每个数值均为3次生物样本重复，*表示差异显著，P < 0.05。One-year-old seedlings of P. euphratica were subjected to 250 mmol/L mannitol and stressed for 12 hours. Then leaves were sampled after being treated for 0, 4, 8, 12 hours under osmotic stress and used for RT-qPCR analysis. Each column is the mean of three biological repeats. Asterisk represents significant differences at P < 0.05 level.Figure 1. Effects of mannitol stress on expression of PeAnn1 in Populus euphratica leaves2.2 胡杨PeAnn1序列与进化树分析
胡杨PeAnn1与毛白杨PtAnn1、拟南芥AtAnn1、大豆GsANN和水稻OsAnn8同源基因的相似度分别为85%、72.56%、56%、29.51%，胡杨PeAnn1与毛白杨PtAnn1的相似性最高（图2A）。系统进化树分析结果表明，PeAnn1与毛白杨PtAnn1的亲缘关系最为接近（图2B）。
![]()
图 2 胡杨PeAnn1基因序列比对与系统进化树分析A. 胡杨 PeAnn1基因与其他植物Annexin同源基因多重序列比对。B. 不同植物Annexin蛋白的系统进化树分析。胡杨PeAnn1（XM_011018027.1）、毛白杨PtAnn1（JX986594.1）、拟南芥AtAnn1（NM_103274.4）、野生大豆GsANN（GU474544.1）、水稻OsAnn8（LOC_Os09g20330.1）。A, multiple alignment of the deduced gene sequences of PeAnn1 with other Annexins from different plant species. B, phylogenetic tree analysis of Annexin proteins. P. euphratica Anneixn1（XM_011018027.1）, P. tomentosa PtAnn1（JX986594.1）, Arabidopsis thaliana AtAnn1（NM_103274.4）, Glycine soja GsANN（GU474544.1）, and Oryza sative OsAnn8（LOC_Os09g20330.1）.Figure 2. Multiple alignment of PeAnn1 gene sequences with other Annexins from different plant species and phylogenetic tree analysis of Annexin proteins2.3 渗透胁迫下拟南芥的萌发率
将各株系拟南芥种子播种于含有不同浓度甘露醇的1/2 MS培养基中培养，观察萌发率和生长状态。从图3A中可以看出，未经甘露醇处理时，各个基因型的拟南芥均正常生长，长势一致，无显著差异。但在含有甘露醇的培养基上，各株系的拟南芥的生长均受到抑制，且随着甘露醇浓度的升高，生长抑制作用逐渐加强。当甘露醇浓度达到250 mmol/L时，野生型、突变体种子萌发率急剧降低，降至75.8%、78.7%，转基因拟南芥OE1和OE2的种子受到的抑制作用更严重，萌发率降至69.0%、71.6%（图3B）。当甘露醇浓度达到300 mmol/L时，转基因株系OE1和OE2的种子萌发率分别为46.9%、48.9%，仅是对照组的47.8%、49.1%，与野生型和突变体间差异显著（P < 0.05, 图3B）。结果表明，过表达PeAnn1拟南芥株系OE1和OE2在甘露醇培养基上的长势弱于野生型和突变体，对渗透胁迫更敏感。
![]()
图 3 不同浓度甘露醇对野生型（WT）、Annexin1突变体（atann1）和过表达PeAnn1（PeAnn1-OE1和PeAnn1-OE2 ）拟南芥萌发率的影响 A. 甘露醇对种子萌发生长的影响（拟南芥播种在含有不同浓度甘露醇的1/2MS培养基上，生长10 d后的照片）；B. 种子萌发率分析。不同字母表示在P < 0.05水平上差异显著，下同。A, effects of mannitol stress on seed germination rate (seeds of Arabidopsis thaliana are allowed to germinate on 1/2 MS medium supplemented with different concentrations of mannitol. Representative photographs are taken after 10 days of treatment); B, analysis on seed germination rate. Different letters denote significant differences at P < 0.05 level, the same below.Figure 3. Effects of different concentrations mannitol on seed germination rate of WT, atann1 and PeAnn1-transgenic Arabidopsis thaliana (PeAnn1-OE1 , PeAnn1-OE2) 2.4 渗透胁迫下拟南根长的变化
根长结果显示，在无甘露醇的对照培养基上，转基因拟南芥OE2根长生长低于其他株系（图4A、4B）。在含有不同浓度梯度（150、200、250、300 mmol/L）的甘露醇培养基上，各拟南芥的根长生长均受到抑制，且随着处理浓度的增加抑制作用逐渐加强，其长度逐渐缩短（图4A）。250 mmol/L浓度的甘露醇处理后，野生型和突变体株系根长分别降低了42.5%和46.3%，转基因株系OE1和OE2根的长度下降更显著，达到58.8%和57.7%（图4B）。当甘露醇的浓度达到300 mmol/L时，转基因OE1和OE2的根长分别降低了72.4%和70.7%（图4B），说明高浓度的甘露醇对拟南芥根生长产生极大的抑制作用。而渗透胁迫下野生型与突变体根长显著高于转基因拟南芥OE1和OE2，说明过表达PeAnn1影响了转基因株系的根长生长。根据甘露醇梯度实验结果，确定250 mmol/L甘露醇为拟南芥渗透胁迫处理的最适浓度，并进行H2O2含量、抗氧化酶活性和基因表达等指标的测定。
![]()
图 4 不同浓度甘露醇对野生型（WT）、Annexin1突变体（atann1）和过表达PeAnn1（PeAnn1-OE1和PeAnn1-OE2）拟南芥根长生长的影响A. 甘露醇对根长生长的影响（拟南芥播种在1/2MS培养基萌发5 d后，移植到含有不同浓度甘露醇的1/2MS培养基垂直生长7 d后的照片）, 标尺为1 cm；B. 根系生长分析。A, effects of mannitol stress on root growth (seeds of Arabidopsis thaliana are allowed to germinate on 1/2 MS medium for 5 days, then transplanted to 1/2 MS medium supplemented with different concentrations of mannitol. Representative photographs are taken after 7 days of treatment). Scale bar = 1 cm; B, root growth analysis.Figure 4. Effects of different concentrations mannitol on root growth of WT, atann1 and PeAnn1-transgenicArabidopsis thaliana (PeAnn1-OE1, PeAnn1-OE2)2.5 渗透胁迫下拟南芥H2O2含量的变化
H2DCFDA是一种脂溶性荧光探针，具有细胞渗透性且自身无荧光的氧化反应指示剂。进入细胞后被细胞酯酶水解成非脂溶性的DCFH且不被质膜排出，之后在过氧化物酶的催化下可被H2O2氧化转变成为强荧光性的DCF，细胞内DCF的荧光强度与胞内H2O2水平呈显著正相关，因此被广泛用来检测细胞内活性氧（ROS）的含量和监测细胞氧化还原反应过程[27]。H2DCFDA的测定结果显示，在正常条件下，转基因株系OE1和OE2根细胞H2O2水平较高，与野生型、突变体拟南芥有显著差异。经250 mmol/L甘露醇渗透胁迫后，除转基因株系OE2外，各拟南芥株系的H2O2水平均有显著增加（图5），说明渗透胁迫下，植物体内积累了大量的活性氧，而且250 mmol/L甘露醇对转基因株系的作用更加明显：OE1和OE2 H2O2的水平分别是野生型拟南芥、突变体的1.19 ~ 1.36倍和1.37 ~ 1.55倍（图5），说明转基因拟南芥在渗透逆境下难以清除体内过多的H2O2，抗氧化防御系统能力弱于野生型拟南芥和突变体。
![]()
图 5 甘露醇胁迫下野生型（WT）、Annexin1突变体（atann1）和过表达PeAnn1（PeAnn1-OE1和PeAnn1-OE2）拟南芥根细胞H2O2荧光强度的变化 甘露醇（250 mmol/L）胁迫下拟南芥根细胞H2O2荧光强度的变化。H2O2 fluorescence intensity variation of Arabidopsis thaliana under mannitol stress (250 mmol/L).Figure 5. Effects of mannitol stress on H2O2 fluorescence intensity in root cells of wild-type (WT), atann1 and transgenic lines(PeAnn1-OE1, PeAnn1-OE2)2.6 渗透胁迫下拟南芥抗氧化物酶活性的变化
当植物处于不利于自身生长的条件时，活性氧增多，SOD、CAT、POD等抗氧化酶清除超氧阴离子和H2O2，从而保持活性氧的动态平衡，减轻ROS对植物的危害[28]。通过对250 mmol/L甘露醇胁迫处理后各株系中SOD活性的检测，发现甘露醇处理后各拟南芥体内的SOD活性均显著增加，野生型和突变体的SOD值变化幅度较大，分别较对照组上升了33.1%和52.8%，说明拟南芥幼苗的SOD对其在干旱胁迫下自由基的清除具有重要作用。转基因株系OE1和OE2的SOD活性增幅较低，且在渗透胁迫后，SOD活性显著低于野生型和突变体（图6A）。POD能清除对植物体有毒害作用的氧自由基，防止细胞衰老，提高植物的抗逆能力。由图6B可知，渗透胁迫后，各拟南芥的POD活性均呈不同程度的下降，其中野生型、转基因株系OE1和OE2与对照组间差异显著，分别下降了15.2%、33.4%、35.7%；突变体拟南芥无显著差异。CAT作为植物体内分解、清除H2O2的重要保护酶类之一。在250 mmol/L甘露醇胁迫条件下，水分的缺失诱导植物体内CAT活性提高，从而加速H2O2的分解，避免羟基、自由基的产生，对植物细胞膜的过氧化有一定减缓作用。图6C中结果显示，正常条件下各个拟南芥株系的CAT活性差异显著。胁迫处理后，野生型和突变体的CAT活性显著增加，而转基因株系OE1的CAT活性升高幅度较小，OE2的CAT活性显著降低，较处理前下降了29.3%。
![]()
图 6 甘露醇胁迫下野生型（WT）、Annexin1突变体（atann1）和过表达PeAnn1（PeAnn1-OE1和PeAnn1-OE2）拟南芥中SOD酶活性、POD酶活性和CAT酶活性的变化A. 甘露醇胁迫下SOD活性；B. 甘露醇胁迫下POD活性；C. 甘露醇胁迫下CAT活性。A, SOD activity under mannitol stress; B, POD activity under mannitol stress; C, CAT activity under mannitol stress.Figure 6. Effects of mannitol stress on the activities of SOD, POD and CAT in wild-type (WT), atann1 and transgenic lines (PeAnn1-OE1, PeAnn1-OE2)2.7 渗透胁迫下抗氧化酶基因表达量的变化
为了探究PeAnn1转基因株系在渗透胁迫下抗氧化酶活性下降的原因，本文检测了渗透胁迫后各基因型抗氧化酶基因的表达。图7A结果表明，渗透胁迫处理后，AtSOD基因的表达水平在野生型和突变体拟南芥中显著升高，与对照组相比分别上升了50%、38.5%；而在转基因株系OE1和OE2中显著下降。图7B中显示，渗透胁迫处理的野生型和突变体拟南芥AtPOD基因表达水平几乎没有变化，而转基因株系OE1和OE2与对照组间差异显著，AtPOD表达量分别下降了33.4%、35.7%。同样，在渗透胁迫后，各个拟南芥的AtCAT表达水平也均显著降低，转基因株系OE1和OE2的AtCAT基因表达水平下降幅度最大，分别较对照组下降了58.2%、66.1%（图7C）。综上可知，250 mmol/L甘露醇处理条件下转基因株系OE1和OE2体内AtSOD、AtPOD和AtCAT基因的表达水平显著均低于野生型和突变体（图7A~7C），说明过表达胡杨PeAnn1降低了拟南芥ROS清除酶基因的表达，导致不能清除体内过量的H2O2，抗旱性较弱。
![]()
图 7 甘露醇胁迫对野生型（WT）、Annexin1突变体（atann1）和过表达PeAnn1（PeAnn1-OE1和PeAnn1-OE2 ）拟南芥抗氧化酶基因AtSOD、AtPOD和AtCAT表达的影响 A. 甘露醇胁迫下AtSOD基因表达；B. 甘露醇胁迫下AtPOD基因表达；C. 甘露醇胁迫下AtCAT基因表达；内参基因为AtACTIN2，n = 3。A, AtSOD expression under mannitol stress; B, AtPOD expression under mannitol stress; C, AtCAT expression under mannitol stress; reference gene: AtACTIN2, n = 3.Figure 7. Effects of mannitol stress on relative expression of antioxidant-enzyme genes (AtSOD, AtPOD and AtCAT) in wild-type (WT), atann1 and transgenic lines (PeAnn1-OE1, PeAnn1-OE2)![]()
图 8 干旱和复水后野生型（WT）、Annexin1突变体（atann1）和过表达PeAnn1（PeAnn1-OE1和PeAnn1-OE2）拟南芥的光合参数变化A. 干旱及复水后拟南芥的生长状况；B~D. 正常浇水、干旱8 d、复水3 d拟南芥的PSⅡ最大光量子效率（Fv/Fm）、相对电子传递效率（ETR）、实际光合量子产量（ΦPSⅡ）的变化。A, plant performance of Arabidopsis thaliana after drought stress and rewatering; B−D, maximum photon efficiency of PSⅡ（Fv/Fm）, relative electron transfer efficiency（ETR）, and actual photosynthetic quantum yield（ΦPSⅡ） of Arabidopsis thaliana under normal watering, 8 days of drought stress and 3 days of rewatering.Figure 8. Changes of photosynthetic parameters in wild-type (WT), atann1, and transgenic lines (PeAnn1-OE1, PeAnn1-OE2) under drought stress and rewatering2.8 干旱胁迫下拟南芥叶绿素荧光参数的变化
对各株系拟南芥进行土壤干旱处理，并测定叶绿素含量及荧光参数。干旱处理前，拟南芥生长状况没有明显差异，干旱胁迫8 d后植株失水枯黄，野生型和突变体拟南芥长势较好。复水3 d后，转基因株系死亡率较高（图8A）。
叶绿素荧光参数反映植物光反应中心活性和光合生理状况。胁迫条件下PSⅡ的最大光量子效率（Fv/Fm）的变化可反映PSⅡ的光抑制程度[29]。如图8B所示，在干旱胁迫前，野生型、突变体和转基因株系OE1和OE2的Fv/Fm为0.706 ~ 0.747，其中转基因株系OE2的Fv/Fm最低，与其他拟南芥株系有显著差异（P < 0.05）。干旱胁迫8 d后，各株系的Fv/Fm有不同程度的降低，转基因株系的Fv/Fm下降更为显著；复水3 d后，PSⅡ最大光化学效率均迅速恢复，但转基因株系的恢复幅度不及野生型和突变体（图8B）。说明PeAnn1转基因株系的光反应中心在干旱胁迫条件下受到逆境的伤害较大。
干旱处理前，转基因株系和突变体的相对电子传递效率（ETR）、实际光合量子产量（ΦPSⅡ）均低于野生型（图8C、8D）。干旱8 d后，转基因株系的ETR和ΦPSⅡ值均大幅度降低，明显高于野生型、突变体株系的下降幅度（图8C、8D）。复水3 d后，各个拟南芥株系的相对电子传递效率（ETR）和实际光合量子产量（ΦPSⅡ）均快速恢复，但转基因株系的恢复程度远低于野生型、突变体拟南芥（图8C、8D）。这说明，与光反应中心相似，PeAnn1转基因株系的捕光蛋白复合体在干旱胁迫下被严重破坏，电子传递受阻，光能转化效率降低。
2.9 干旱胁迫下拟南芥叶绿素含量的变化
叶绿素相对含量采用叶绿素仪（SPAD 仪）原位测定[22]。由图9可以看出，在干旱前，突变体atann1的SPAD值显著高于野生型和转基因株系OE1和OE2（P < 0.05）。干旱8 d后，SPAD值均显著降低，其中转基因株系下降幅度最大。复水后第3天，各株系拟南芥的SPAD值均有所增加，但仍远低于干旱前的水平，特别是转基因株系。这表明干旱胁迫使转基因拟南芥叶绿素含量显著下降。与转基因株系相比，突变体atann1能在干旱和复水期间维持较高的叶绿素含量。
![]()
图 9 干旱和复水后野生型（WT）、Annexin1突变体（atann1）和过表达PeAnn1（PeAnn1-OE1和PeAnn1-OE2）拟南芥的叶绿素相对含量拟南芥正常浇水、干旱8 d、复水3 d叶绿素SPAD值的变化。Chlorophyll SPAD values of Arabidopsis thaliana under normal watering, 8 days of drought stress and 3 days of rewatering.Figure 9. Changes of relative chlorophyll content in wild-type (WT), atann1 and transgenic plant (PeAnn1-OE1, PeAnn1-OE2) under drought stress and rewatering3. 讨 论
渗透胁迫处理诱导了胡杨叶片PeAnn1基因瞬时的上调表达（图1），表明PeAnn1参与了胡杨对水分胁迫的响应。为了明确胡杨PeAnn1在植物耐受水分胁迫中的作用，本文对野生型（WT）、Annexin1突变体（atann1）和PeAnn1转基因株系OE1和OE2进行渗透胁迫和干旱胁迫处理，研究各株系的表型差异。结果表明，甘露醇处理后，WT、atann1和转基因株系OE1和OE2的种子萌发率和根长均受到抑制，且抑制作用随甘露醇浓度提高而增强（图3、4）。在高渗透胁迫（250 ~ 300 mmol/L甘露醇）条件下，转基因植株的萌发率、根长显著低于野生型和突变体。干旱胁迫下，转基因株系的光合参数下降幅度高于野生型和突变体（图8、9），这些表型结果说明，过表达胡杨PeAnn1使转基因植株对水分胁迫的敏感性提高。
PeAnn1转基因株系对水分胁迫耐受性的下降与光合参数的下降有关。叶绿素含量、PSⅡ最大光量子效率（Fv/Fm）、相对电子传递效率（ETR）和实际光合量子产量（ΦPSⅡ）的高低反映植物的光合能力和生长状况[30]。SPAD 值是一项表征叶片光合活性的指标，它与单位叶面积的叶绿素含量及叶绿素的密度显著正相关[31]，因此，常用SPAD 值的大小来衡量叶片中叶绿素含量。干旱胁迫下SPAD显著降低（图9），说明在干旱条件下叶绿素蛋白质的合成受到抑制，叶绿素逐渐分解，光合色素含量下降。干旱还会破坏捕光蛋白复合体，使电子传递受阻，光能转化效率降低，导致Fv/Fm、ETR、ΦPSⅡ显著下降（图8）。复水后，光合参数有所回升，说明光系统并未完全受到损伤。但与野生型和突变体相比，转基因株系修复损伤能力最弱，这与其干旱期间光系统受损的程度有关（图8、9）。
在逆境胁迫下,植株体内会生成大量的超氧自由基和过氧化氢，SOD作为植物抗氧化系统的第一道防线，通过歧化超氧阴离子生成H2O2，生成的H2O2进一步被CAT、POD等分解消除，保护细胞免受氧化伤害[32]。渗透胁迫下各株系H2O2水平提高（图5），野生型和突变体维持较高抗氧化酶活性，有助于活性氧的清除（图6）。但转基因株系中SOD、CAT、POD酶活较低（图6），不能有效清除活性氧（图5），减轻氧化胁迫对细胞膜的伤害，难以保持光合系统的相对稳定。这与在印度芥菜[18]和小麦[19]中的研究结果不完全一致，表明不同物种膜联蛋白在抗氧化防御中的作用有所差异。众多研究表明，抗氧化酶活性与编码基因表达的表达量相关[33-34]。在渗透胁迫后PeAnn1转基因株系OE1和OE2抗氧化酶SOD、POD和CAT的活性和基因表达量均显著低于野生型和突变体（图6、7），表明过表达PeAnn1株系在干旱胁迫下不能及时清除体内大量的活性氧，破坏了细胞内蛋白质的结构和功能。
关于膜联蛋白在植物耐受水分逆境中的作用有不同的研究报道。Lee等人[16]用甘露醇模拟渗透胁迫，发现过表达AtAnn1表现强耐旱性。这与Konopka-Postupolska等人[17]报道的结果类似，但不同于Huh等人[35]研究的结果。PeAnn1基因序列与拟南芥AtAnn1有较大差别（图2），因此，PeAnn1在调控植物抗旱性中作用可能有所不同。王希等人[36]通过超表达GsANN发现转基因拟南芥提高了对盐胁迫和干旱胁迫的敏感性，却志群等人[37]研究水稻OsAnn8基因可能通过负调控方式参与水稻对干旱胁迫的响应。这些研究与本文结论类似。另外，Liao等[38]发现拟南芥MYB30转录因子调控植物胁迫响应的信号转导机制。拟南芥MYB30通过结合ANN1和ANN4基因的启动子，抑制ANN1和ANN4基因表达，从而影响ANNs介导的特异胞内钙信号的产生，以此调控植物的氧化胁迫和热胁迫响应过程。胡杨PeAnn1是否也与相关转录因子互作，通过调控胞内钙信号影响抗氧化酶基因的表达，有待深入研究。
综上所述，本文从生理和分子转录水平上揭示了胡杨PeAnn1基因对植物抗旱性的影响，研究结果有助于阐明胡杨的抗旱机制。
-
![]()
图 1 大余县地理位置及其Landsant 8 卫星影像（可见光波段）和研究区无人机影像
图a来自江西省自然资源厅−江西省县级以上行政区划图。Figure a is from the Department of Natural Resources of Jiangxi Province – the administrative division map of Jiangxi Province above the county level.
Figure 1. Geographic location and Landsant 8 satellite image (visible light bands) of Dayu County and UAV image of the study area
![]()
图 3 Mask R-CNN与迁移学习模型结构示意图
特征提取模块中的conv (256,1,1)和conv (256,3,3)分别代表步长为1的256 × 1 × 1卷积核和步长为1的256 × 3 × 3卷积核；Upsampling (2,2)代表2倍上采样操作；Maxpooling (2)代表步长为1的2 × 2的滤波器的最大池化操作；C1 ~ C5、P1 ~ P5和M2 ~ M6均为特征图；P1特征图尺寸过大通常被舍弃。The conv (256,1,1) and conv (256,3,3) in the feature extraction module respectively represent 256 × 1 × 1 convolution kernel (stride = 1) and 256 × 3 × 3 convolution kernel (stride = 1); upsampling (2,2) represents 2 times upsampling operation; maxpooling (2) represents maxpooling operation with 2 × 2 filter (stride = 1); C1−C5, P1−P5 and M2−M6 are feature maps; P1 feature map is usually discarded, because its size is too large.
Figure 3. Model of Mask R-CNN with transfer learning
![]()
图 4 MRCNN50-T模型和MRCNN101-T模型损失函数图
星号★下的轮数代表该模型的最终轮数。The epoch under the asterisk represents the final epoch of model.
Figure 4. Loss function graphs of MRCNN50-T model and MRCNN101-T model
![]()
图 5 参考树冠和6个模型的树冠分割结果
a中的黄线即为每个树冠的边缘；b中图像被分为灰色和绿色，绿色区域为树冠；c中图像被分为多类，浅颜色区域代表树冠；d ~ e和f ~ g中的不同颜色的区域代表不同单木树冠，白线代表树冠区域的边框线。The yellow line in figure a is the edge of each canopy; the image in figure b is divided into gray and green, and the green area is the canopy; the image in figure e is divided into multiple categories, and the light-colored area represents the canopy; the areas of different colors in figure c−d and figure f−g represent different single tree canopy, and the white lines represent the border lines of the canopy area.
Figure 5. Reference crowns and crown segmentation results of 6 models
![]()
图 6 4个深度学习模型的各株数比较
Figure 6. Comparison of the number of trees in 4 deep learning models
![]()
图 7 MRCNN50-T和MRCNN101-T冠幅预测散点图
Figure 7. Scatter plots of MRCNN50-T and MRCNN101-T crown width prediction
![]()
图 8 MRCNN50-T和MRCNN101-T树冠面积预测散点图
Figure 8. Scatter plots of MRCNN50-T and MRCNN101-T crown area prediction
![]()
图 9 MRCNN50-T和MRCNN101-T郁闭度预测散点图
Figure 9. Scatter plots of MRCNN50-T and MRCNN101-T crown density prediction
表 1 测试集林分参数统计
Table 1 Stand parameter statistics of test dataset
参数
Parameter最小值
Min. value最大值
Max. value平均值
Mean标准差
Standard deviation东西冠幅 East-west crown width/m 0.29 2.34 1.15 0.37 南北冠幅 South-north crown width/m 0.38 2.41 1.18 0.38 树冠面积 Crown area/m2 0.18 3.19 1.01 0.57 株数 Plant number 21.00 77.00 40.86 14.42 郁闭度 Canopy density 0.45 0.75 0.61 0.09 
下载: 导出CSV
表 2 MRCNN50-T模型和MRCNN101-T模型权重选择参数统计
Table 2 Weight selection parameter statistics of MRCNN50-T model and MRCNN101-T model
MRCNN50-T MRCNN101-T 轮数
Epoch平均精度均值
Average precision mean均方根误差
RMSE轮数
Epoch平均精度均值
Average precision mean均方根误差
RMSE79 0.534 2.345 74 0.465 4.745 78 0.533 2.451 73 0.472 4.631 77 0.526 2.456 72 0.479 4.579 76 0.536 2.356 71 0.473 4.448 75 0.533 2.523 70 0.472 4.814 74 0.532 2.626 69 0.479 4.691 73 0.520 2.564 68 0.466 4.662 72 0.530 2.658 67 0.478 4.568 71 0.530 2.554 66 0.472 4.562 70 0.539 2.334 65 0.475 4.766 69 0.529 2.414 64 0.480 4.552 68 0.540 2.988 63 0.483 3.624 67* 0.541 2.344 62 0.483 5.397 66 0.542 4.156 61* 0.490 3.096 65 0.532 2.822 60 0.484 4.552 64 0.543 3.595 59 0.490 3.591 63 0.541 2.626 58 0.481 4.000 62 0.526 3.978 57 0.482 3.648 61 0.538 2.760 56 0.491 3.737 60 0.534 3.464 55 0.489 3.619 注：加粗并带*字符的轮数代表该模型的最优权重轮数。Note：the epoch in bold with * characters represents the optimal epoch of model weight.
下载: 导出CSV
表 3 传统模型与深度学习模型精度对比
Table 3 Comparison of accuracy between traditional models and deep learning models
模型
Model总体精度
Overall accuracy/%用户精度
User accuracy/%F1分数
F1 score/%mAP ISO聚类 ISO clustering 70.02 67.67 68.82 均值漂移 Mean shift 65.89 75.45 70.35 MRCNN50 94.02 69.51 79.28 0.36 MRCNN101 93.15 61.40 72.82 0.25 MRCNN50-T 96.94 95.57 96.17 0.54 MRCNN101-T 96.20 94.41 95.19 0.49 注：mAP表示深度学习目标检测独有的评价指标，因此ISO聚类和均值漂移不做运算。Notes: mAP represents the unique evaluation index of deep learning target detection, so ISO clustering and mean shift are not calculated.
下载: 导出CSV
-
[1] 覃先林, 李增元, 易浩若. 高空间分辨率卫星遥感影像树冠信息提取方法研究[J]. 遥感技术与应用, 2005(2): 228−232. Qin X L, Li Z Y, Yi H R. Extraction method of tree crown using high-resolution satellite image[J]. Remote Sensing Technology and Application, 2005(2): 228−232.
[2] 孙振峰, 张晓丽, 李霓雯. 机载与星载高分遥感影像单木树冠分割方法和适宜性对比[J]. 北京林业大学学报, 2019, 41(11): 66−75. Sun Z F, Zhang X L, Li N W. Comparison of individual tree crown extraction method and suitability of airborne and spaceborne high-resolution remote sensing images[J]. Journal of Beijing Forestry University, 2019, 41(11): 66−75.
[3] Santos A A, Marcato J J, Araújo M S, et al. Assessment of CNN-based methods for individual tree detection on images captured by RGB cameras attached to UAVs[J]. Sensors, 2019, 19(16): 3595. doi: 10.3390/s19163595
[4] 于东海, 冯仲科. 基于无人机倾斜航空影像的树冠体积测算方法[J]. 农业工程学报, 2019, 35(1): 90−97. doi: 10.11975/j.issn.1002-6819.2019.01.011 Yu D H, Feng Z K. Tree crown volume measurement method based on oblique aerial images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 90−97. doi: 10.11975/j.issn.1002-6819.2019.01.011
[5] 汪小钦, 王苗苗, 王绍强, 等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报, 2015, 31(5): 152−159. doi: 10.3969/j.issn.1002-6819.2015.05.022 Wang X Q, Wang M M, Wang S Q, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152−159. doi: 10.3969/j.issn.1002-6819.2015.05.022
[6] Huang H, Li X, Chen C. Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(7): 2253−2262. doi: 10.1109/JSTARS.2018.2830410
[7] 李丹, 张俊杰, 赵梦溪. 基于FCM和分水岭算法的无人机影像中林分因子提取[J]. 林业科学, 2019, 55(5): 180−187. doi: 10.11707/j.1001-7488.20190520 Li D, Zhang J J, Zhao M X. Extraction of stand factors in UAV image based on FCM and watershed algorithm[J]. Scientia Silvae Sinicae, 2019, 55(5): 180−187. doi: 10.11707/j.1001-7488.20190520
[8] 张凝, 冯跃文, 张晓丽, 等. 结合航空影像纹理和光谱特征的单木冠幅提取[J]. 北京林业大学学报, 2015, 37(3): 13−19. Zhang N, Feng Y W, Zhang X L, et al. Extracting individual tree crown by combining spectral and texture features from aerial images[J]. Journal of Beijing Forestry University, 2015, 37(3): 13−19.
[9] 孙钊, 潘磊, 孙玉军. 基于无人机影像的高郁闭度杉木纯林树冠参数提取[J]. 北京林业大学学报, 2020, 42(10): 20−26. Sun Z, Pan L, Sun Y J. Extraction of tree crown parameters from high-density pure Chinese fir plantations based on UAV images[J]. Journal of Beijing Forestry University, 2020, 42(10): 20−26.
[10] 徐永胜. 基于无人机影像的林木冠幅提取与树种识别研究[D]. 哈尔滨: 东北林业大学, 2021. Xu Y S. Research on tree crown extraction and tree species recognition bases on UAV images[D]. Harbin: Northeast Forestry University, 2021.
[11] Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assisted intervention. Munich: Technische Universität München, 2015.
[12] Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. Boston: Computer Vision, 2015.
[13] Li W J, Fu H h, Yu L, et al. Deep learning based oil palm tree detection and counting for high-resolution remote sensing images[J]. Remote Sensing, 2017, 9(1): 22.
[14] 田萱, 王亮, 丁琪. 基于深度学习的图像语义分割方法综述[J]. 软件学报, 2019, 30(2): 440−468. Tian X, Wang L, Ding Q. Review of image semantic segmentation based on deep learning[J]. Journal of Software, 2019, 30(2): 440−468.
[15] He K, Gkioxari G, Dollár P, et al. Mask R-CNN[C]//Proceedings of the IEEE international conference on computer vision. Venice: Computer Vision, 2017.
[16] Li Q, Arnab A, Torr P H S. Weakly-and semi-supervised panoptic segmentation[C]//Proceedings of the European conference on computer vision (ECCV). Munich: Computer Vision, 2018.
[17] 高云, 郭继亮, 黎煊, 等. 基于深度学习的群猪图像实例分割方法[J]. 农业机械学报, 2019, 50(4): 179−187. Gao Y, Guo J L, Li X, et al. Instance-level segmentation method for group pig images based on deep learning[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(4): 179−187.
[18] Dai J, He K, Sun J. Instance-aware semantic segmentation via multi-task network cascades[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. Las Vegas: Computer Vision, 2016.
[19] Bai M, Urtasun R. Deep watershed transform for instance segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Hawaii: Computer Vision, 2017.
[20] Tan C, Sun F, Kong T, et al. A survey on deep transfer learning[C]//International conference on artificial neural networks. Springer: European Neural Network Society, 2018.
[21] Gu S, Ding L. A complex-valued vgg network based deep learning algorithm for image recognition[C]//2018 Ninth International Conference on Intelligent Control and Information Processing (ICICIP). Wanzhou: International Conference on Intelligent Control and Information Processing (ICICIP), 2018.
[22] 李博, 江朝晖, 谢军, 等. 基于迁移学习的园艺作物叶部病害识别及应用[J]. 中国农学通报, 2021, 37(7): 138−143. Li B, Jiang C H, Xie J, et al. Leaf disease recognition of horticultural crops based on transfer learning and its application[J]. Chinese Agricultural Science Bulletin, 2021, 37(7): 138−143.
[23] 查志华, 周文静, 吴杰. 基于迁移学习Faster R-CNN模型田间红提葡萄果穗的识别[J]. 石河子大学学报(自然科学版), 2021, 39(1): 26−31. Zha Z H, Zhou W J, Wu J. Identification of red globe grape cluster in grapery with Faster R-CNN model based on transfer learning[J]. Journal of Shihezi University (Natural Science Edition), 2021, 39(1): 26−31.
[24] Ocer N E, Kaplan G, Erdem F, et al. Tree extraction from multi-scale UAV images using Mask R-CNN with FPN[J]. Remote Sensing Letters, 2020, 11(9): 847−856. doi: 10.1080/2150704X.2020.1784491
[25] Safonova A, Guirado E, Maglinets Y, et al. Olive tree biovolume from uav multi-resolution image segmentation with mask r-cnn[J]. Sensors, 2021, 21(5): 1617. doi: 10.3390/s21051617
[26] Hao Z, Lin L, Post C J, et al. Automated tree-crown and height detection in a young forest plantation using mask region-based convolutional neural network (Mask R-CNN)[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 178: 112−123. doi: 10.1016/j.isprsjprs.2021.06.003
[27] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. Advances in Neural Information Processing Systems, 2015, 28: 91−99.
[28] Sun W, Wang R. Fully convolutional networks for semantic segmentation of very high resolution remotely sensed images combined with DSM[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(3): 474−478.
[29] Sharma N, Jain V, Mishra A. An analysis of convolutional neural networks for image classification[J]. Procedia Computer Science, 2018, 132: 377−384. doi: 10.1016/j.procs.2018.05.198
[30] Torrey L, Shavlik J. Transfer learning[M]//Handbook of research on machine learning applications and trends: algorithms, methods, and techniques. Hershey: IGI Global, 2010.
[31] 梁泽, 黄姣, 韦飞黎, 等. 基于夜光遥感影像与百度POI数据的中国城市群空间范围识别方法[J]. 地理研究, 2020, 39(1): 92−102. Liang Z, Huang J, Wei F L, et al. Identifying the spatial range of urban agglomerations in China based on night light remote sensing and POI data[J]. Geographical Research, 2020, 39(1): 92−102.
[32] 伍艳莲, 赵力, 姜海燕, 等. 基于改进均值漂移算法的绿色作物图像分割方法[J]. 农业工程学报, 2014, 30(24): 161−167. Wu Y L, Zhao L, Jiang H Y, et al. Image segmentation method for green crops using improved mean shift[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24): 161−167.
[33] Özcan A H, Hisar D, Sayar Y, et al. Tree crown detection and delineation in satellite images using probabilistic voting[J]. Remote Sensing Letters, 2017, 8(8): 761−770. doi: 10.1080/2150704X.2017.1322733
-
期刊类型引用(3)
1. 张欢欢，范挺秀，高双成，范丙友，史国安. 2个牡丹切花品种核型、花药形态与花粉特性的比较. 浙江农业学报. 2025(02): 329-337 . 
百度学术
2. 孙榕泽，宋焕芝，蒋珈琦，于晓南. 三倍体芍药品种染色体制片优化和核型分析. 河北农业大学学报. 2024(03): 46-55 . 百度学术
3. 段英姿，客绍英，王晓英，张胜珍，马艳芝. 15个油用紫斑牡丹品种核型及亲缘关系分析. 种子. 2023(07): 96-104 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 660
- HTML全文浏览量: 128
- PDF下载量: 92
- 被引次数: 3
