Plant diversity in different positions of gullies and valleys in the loess region of western Shanxi Province, northern China
-
摘要:目的
为了对黄土丘陵沟壑区小流域沟谷进行更精准的保护和修复，从植物多样性和生态位宽度等方面，对沟谷不同地貌部位（沟底、沟阳坡和沟阴坡）的自然恢复能力进行了研究。
方法通过在山西吉县森林生态系统国家野外科学观测研究站进行野外实地调查，分析不同部位植物的群落生长特征及其多样性，比较不同地貌部位植物群落间的相似性。
结果（1）研究区灌草植物共有40科76属98种，其中灌木17科27属34种，草本29科51属64种。灌木层科属种总数表现为沟阳坡 > 沟阴坡 > 沟底，草本层为沟底 > 沟阴坡 > 沟阳坡。（2）灌木层优势种为：黄刺玫、荆条、木蓝。草本层优势种为：芦苇、黄花蒿、披针薹草。在灌木层，沟底黄刺玫和杠柳的生态位宽度较大，沟阳坡和沟阴坡中荆条和木蓝的生态位宽度较大。在草本层，沟底芦苇和白莲蒿的生态位宽度较大，沟阳坡和沟阴坡中披针薹草的生态位宽度较大。（3）在沟底、沟阳坡和沟阴坡间Margalef 指数、Shannon-Wiener指数、Simpson指数和Pielou指数并未表现出显著差异（P > 0.05）。各群落间Jaccard系数0.50 ≤ q < 0.75。Jaccard 系数在沟阳坡和沟阴坡间达到最大，为0.630。
结论整体来看，沟谷的自然恢复能力强，地貌部位中沟阳坡和沟阴坡自然植被恢复能力比沟底强。不同地貌部位的群落组成复杂度表现为沟阳坡 > 沟阴坡 > 沟底。沟谷不同地貌部位优势种不同，从沟阳坡到沟阴坡再到沟底，随着光照的减少和水分的增加，优势种由耐旱喜阳植物发展为耐阴植物。
Abstract:ObjectiveIn order to provide more precise protection and restoration of small watershed gullies in loess hills and gullies, the natural restoration capacity of different geomorphic parts of gullies (gully floor, gully sunny slope and gully shady slope) was investigated in terms of plant diversity and ecological niche width.
MethodThrough field investigation at the National Field Scientific Observatory of Forest Ecosystems in Jixian County, Shanxi Province of northern China, we analyzed the growth characteristics of plant communities and their diversity in different parts of the landscape, and compared the similarities between plant communities in different parts of the landscape.
Result(1) There were 98 species of shrub and grass in 40 families and 76 genera in the study area, including 34 species of shrub in 17 families and 27 genera, and 64 species of herb in 29 families and 51 genera. Total number of family species in the shrub layer was showed as gully sunny slope > gully shady slope > gully floor, while in the herb layer, it was showed as gully floor > gully shady slope > gully sunny slope. (2) The dominant species in shrub layer was Rosa xanthina, Vitex negundo var. heterophylla, and Indigofera tinctoria. The dominant species in the herbaceous layer were Phragmites australis, Artemisia annua, and Carex lancifolia. In the shrub layer, Rosa xanthina and Periploca sepium in the gully floor had larger width of ecological niches, and Vitex negundo var. heterophylla and Indigofera tinctoria in the gully sunny slope and gully shady slope had larger width of ecological niches. In the herb layer, Phragmites australis and Artemisia stechmanniana in the gully floor had larger width of ecological niches, and Carex lancifolia in the gully sunny slope and gully shady slope had larger width of ecological niches. (3) Margalef index, Shannon-Wiener index, Simpson index and Pielou index were not significantly different (P > 0.05) among varied geomorphological parts (gully floor, gully sunny slope, gully shady slope). Jaccard’s coefficient between communities was 0.50 ≤ q < 0.75. The Jaccard coefficient reached a maximum of 0.630 between gully sunny slope and gully shady slope.
ConclusionOverall, the gully is found to be naturally resilient, with the gully sunny slope and gully shady slope among the geomorphological sites being more resilient to natural vegetation than the gully floor. The complexity of community composition at different landscape sites is shown as gully sunny slope > gully shady slope > gully floor. The dominant species varies in different geomorphological parts of the gully, from gully sunny slope, gully shady slope to gully floor, and the dominant species evolved from drought-tolerant sun-loving plants to shade-tolerant plants as light decreases and water increases.
-
Keywords:
- plant diversity /
- niche /
- soil and water conservation /
- gully and valley
-
通常情况下，图像识别分类时存在着类内相似、类间差异的特点，但是在树种图像识别中，往往存在着类内差异、类间相似的现象[1]。同类树种之间，由于年龄大小、季节变化等因素，导致图像之间会有很大的差异；不同树种之间，尤其是同科树种之间，在局部特征和细节方面，却存在相似之处。这就给基于单一人工特征的传统识别方法带来了更大的难度。寻求新的方法快速准确地对树种图像进行自动识别是研究的关键所在。
现有的树种识别研究比较热门的有基于遥感影像和基于数字图像两个方面。Richter等[2]利用高光谱数据，通过引入基于偏最小二乘的判别分析，对树种进行分类，总体准确率达到78.4%；Pham等[3]将激光雷达和光谱数据相结合，利用随机森林确定重要的特征变量，支持向量机作为分类器，总体精确度为85.4%（Kappa系数为80.6%）。在基于数字图像方面，又可分为传统人工特征识别和神经网络智能识别。传统人工特征识别方面，陈明健等[4]将叶片传统特征、距离矩阵和角点矩阵相融合，对树种进行识别，识别率达到90%以上；李可心等[5]以树皮图像为研究对象，通过灰度共生矩阵，提取树皮图像的纹理信息，并利用SOM神经网络，对3类树种进行识别，识别率较为理想；杨洋[6]基于Haar小波变换的方法，并将SVM作为分类器，对树种进行识别，通过对叶片提取几何特征和纹理特征，并采用SVM的分类方法，取得了理想的识别准确率；于海鹏等[7]通过对木材图像提取色调、饱和度等9个特征参数，从纹理特征的最大相似性入手，对木材树种进行分类识别，检索正确率较高；孙伶君等[8]对木材图像采用分块LBP特征提取，使用衰减、卡方、欧式3种方法分类，最近邻法识别，准确率高达93.3%。神经网络智能识别方面，在国外，Bertrand等[9]将树干、树叶特征相结合，并将算法嵌入到智能手机中，大大增强了实用化和利用率。Zhao等[10]将树种叶片作为研究对象，基于Android系统，开发一款名为“Apleap”的移动端软件，不仅为专业人士识别带来便利，对普通民众来说，普及率大大提高；在国内，对于树种智能识别的研究起步相对较晚，赵鹏超等[11]以阔叶叶脉的纹理特征为切入点，构建卷积神经网络，最终训练识别率达到95%以上，为树种识别提供新思路。上述方法，尽管都取得了不错的识别效果，但也存在着一些问题，如大部分研究是依靠人工提取图像特征来满足实验要求。众所周知，同一棵树，在不同季节、不同年龄、不同拍摄角度等条件下，都会显示出不同的形态，其图像中各个特征信息都会随之发生变化，因此对继续提高树种识别率带来了困难。
近年来，深度卷积神经网络发展迅速，得到了广泛关注。物体不管呈现出何种状态，深度学习方法获取的低层和深层的特征信息都能够做到保持不变[12]。早期，Lecun等[13]提出L提出LeNet-5模型，基于反向传播算法对网络进行训练，通过卷积层和池化层将原始图像特征进行自动提取，并转化为相对应的特征子图，最后将全连接层作为“分类器”，进行最后的分类输出，并最终在MNIST手写字符数据集的识别上取得了成功。2012年，卷积神经网络迎来了发展高潮，Krizhevsky等[14]首次将深度学习理念应用到图像分类中，提出AlexNet模型，并在ImageNet[15]图像分类大赛中，以巨大优势获得冠军，使得卷积神经网络在图像处理领域成为最受欢迎的方法。在接下来的几年里，在经典卷积神经网络模型的基础上，不断有学者和研究人员进行改进和创新，如Simonyan等[16]提出的VGG模型、Szegedy等[17]提出的GoogLeNet模型、He等[18]提出的ResNet模型等。鉴于卷积神经网络在图像识别分类上的广泛应用，陆续有研究人员在树种图像识别中采用CNN。例如，上面提到的赵鹏超等人，将叶脉的纹理特征作为CNN的输入值，其分类效果明显高于传统人工特征方法，一定程度上表明深度学习方法的可行性。但是，此研究采用单一特征进行识别，不够全面，是否能应用到其他特征识别上来，还有待进一步验证。
基于上述问题，本文基于CNN模型，提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法，使用3路相同的CNN模型作为并行网络，对RGB图像、HSV图像、人工特征Gabor特征和颜色矩分别进行特征提取，并在最后一个全连接层进行汇总，识别输出。通过多特征融合解决了树种单一特征识别的限制问题，完成了对不同树种图像的自动识别。
1. 材料与方法
1.1 图像数据集
6类树种包括：樟子松（Pinus sylvestris var. mongolica）、山杨（Populus davidiana）、白桦（Betula platyphylla）、落叶松（Larix gmelinii）、雪松（Cedrus deodara）和白皮松（Pinus bungeana）。示例图像见图1A ~ F。为满足深度学习模型训练要求，通过裁剪、水平翻转、旋转对原始图像进行扩增。树种图像数据集共计3 375幅，其中训练集2 775幅，测试集600幅，各个树种图像具体数量见图2。最后，利用python脚本语言将图像像素值调整至256 × 256像素，JPG格式保存。所有图像均采集于自然状态下，拍摄设备为数码相机和智能手机。
1.2 卷积神经网络
典型的卷积神经网络（CNN）主要由输入层、卷积层、池化层（降采样层）、全连接层和输出层组成[19]。
通常情况下，CNN网络的输入层为图像，紧接着是卷积层，卷积层通过对卷积核设置不同的个数和大小，将输入的图像转化为特征子图（feature map），传递到下一层。卷积的计算公式可以表示为：
Ilj=∑iIl−1i⊗kl−1ij+blj (1) 式中：
Ilj 代表第l层产生的第j个特征图；kl−1ij 代表卷积核个数；blj 为偏置项；⊗ 代表卷积运算。池化层通常紧连接着卷积层，选择某种池化方法[20]，对卷积得到的特征图进行池化，此操作也被称为下采样。池化的主要目的就是降低特征图的维度和在一定程度上保持特征的尺度不变性。池化层计算公式一般为：
Zlj=down(Ylj) (2) 式中：
Zlj 为池化层的输出项；Ylj 为池化层的输入项；down(Δ) 为池化函数。经过卷积和池化操作后，卷积神经网络会采用全连接层，作为“分类器”，对前面提取的大量特征进行分类，来确定最终的图像类别。计算公式如下：
h(IL)=f(WTIL+b) (3) 式中：
h(Δ) 为全连接层的输出项；IL 为第L层的卷积输出；W和b分别为全连接层的权重和偏置项；f(Δ) 为激励函数。除上述常规网络层之外，为提高CNN网络模型的性能和泛化能力，往往采用辅助方法。本文在每个卷积层采用ReLU激励函数，此函数不会随着输入项的增加而接近饱和[21]。ReLU激励函数计算公式如下：
f(x)=max (4) 式中：x为输入值。
另外，在ReLU函数后，也采用LRN（Local Response Normalization）[22]策略方法，旨在增强网络模型的泛化能力，计算公式如下：
b_{x,y}^i = \frac{{a_{x,y}^i}}{{{{\left( {k + \alpha \displaystyle\sum\limits_{j = \max \left( {0,i - n/2} \right)}^{\min \left( {N - 1,i + n/2} \right)} {{{\left( {a_{x,y}^j} \right)}^2}} } \right)}^\beta }}} (5) 式中：b代表特征图中i泛化后对应的像素值；j代表j ~ i的像素值的平方和；x，y为像素的位置；a代表特征图中i对应的像素值；N为特征图里面最内层向量的列数；k，α，n，β均为超参数，本文取值分别为：k = 2，α = 0.000 1，n = 5，β = 0.75。
1.3 特征提取
1.3.1 RGB图像
RGB图像，即代表红（R）、绿（G）、蓝（B）3个通道的颜色，通过不同颜色分量来表示彩色图像。本文原始数据集，即RGB图像，直接作为本文第1路CNN网络的输入图像。
1.3.2 HSV图像
HSV图像，即代表色调（H）、饱和度（S）、亮度（V），较RGB图像相比，HSV图像更加符合人类对于颜色的直观感受。之所以选择HSV图像作为另一种特征，是因为在拍摄树种图像时，亮度的变化对树种识别产生一定程度的影响。因此，本文将树种图像从RGB颜色空间转化为HSV颜色空间，作为本文第2路CNN网络的输入图像。转换思路如下：
\begin{split} & H = \left\{ \begin{array}{*{20}{l}} \!\!\!\!\!{0^ \circ ,} & \!\!\!\!\!{{\rm{if}}\;{\rm{MAX}} = {\rm{MIN}}}\\ \!\!\!\!{{60^ \circ } \times \dfrac{{G - B}}{{{\rm{MAX}} - {\rm{MIN}}}} + {0^ \circ },} &\!\!\!\!\! {{\rm{if}}\;{\rm{MAX}} = R\;{\rm{and}}\;G \geqslant B}\\ \!\!\!\!{{60^ \circ } \times \dfrac{{G - B}}{{{\rm{MAX}} - {\rm{MIN}}}} + {360^ \circ },} & \!\!\!\!\!{{\rm{if}}\;{\rm{MAX}} = R\;{\rm{and}}\;G < B}\\ \!\!\!\!{{60^ \circ } \times \dfrac{{B - R}}{{{\rm{MAX}} - {\rm{MIN}}}} + {120^ \circ },} & \!\!\!\!\!{{\rm{if}}\;{\rm{MAX}} = G}\\ \!\!\!\!{{60^ \circ } \times \dfrac{{R - G}}{{{\rm{MAX}} - {\rm{MIN}}}} + {240^ \circ },} & \!\!\!\!\!{{\rm{if}}\;{\rm{MAX}} = B} \end{array} \right.\\ & S = \left\{ \begin{array}{*{20}{l}} \!\!\!\!\!{0^ \circ ,} & \!\!\!{{\rm{if}}\;{\rm{MAX}} = 0}\\ \!\!\!\!{\dfrac{{{\rm{MAX}} - {\rm{MIN}}}}{{{\rm{MAX}}}} = 1 - \dfrac{{{\rm{MIN}}}}{{{\rm{MAX}}}},} & \!\!\!\!\!{{\rm{Otherwise}}} \end{array} \right.\\ & V = {\rm{MAX}} \end{split} (6) 式中：R、G、B为红（R）、绿（G）、蓝（B）的颜色值；H、S、V为色调（H）、饱和度（S）、亮度（V）的值；MAX为R、G、B中的最大值，MIN为最小值；H在[0，360°]之间，S在[0，100°]之间，V在[0，MAX]之间。
1.3.3 LBP特征
本文采用LBP[23]来描述树种图像局部纹理特征，利用其灰度不变性、旋转不变性以及对光照变化的鲁棒性，能够表示90%以上的纹理信息。LBP计算公式如下：
{\rm{LBP}}\left( {{x_{\rm{c}}},{y_{\rm{c}}}} \right) = \sum\limits_{p = 0}^{p - 1} {{2^p}s\left( {{i_p} - {i_{\rm{c}}}} \right)} (7) s\left( x \right) = \left\{ \begin{gathered} 1\begin{array}{*{20}{c}} {}&{x \geqslant 0} \end{array} \\ 0\begin{array}{*{20}{c}} {}&{x < 0} \end{array} \\ \end{gathered} \right. (8) 式中：（xc，yc）是邻域窗口的中心元素，像素值大小为ic；ip是3 × 3邻域窗口内其他像素值；s（x）是符号函数。
LBP特征提取步骤：
（1） 首先，根据原始图像的像素大小为256 × 256，因此将检测窗口划分为16 × 16的子区域。
（2） 利用上述公式对每个子区域的像素点的LBP进行计算。
（3） 计算每个子区域的直方图，也就是每个LBP值出现的频率，并对直方图进行归一化处理。
（4） 最后将得到的所有直方图连接成为一个特征向量，即整个图像的LBP纹理信息。
1.3.4 HOG特征
本文采用HOG特征[24]来描述树种图像的形状特征，提高模型对光照因素的鲁棒性，其通过计算图像局部的方向梯度直方图来表达形状特征。HOG特征计算公式如下：
\begin{gathered} {G_{\rm{x}}}\left( {x,y} \right) = H\left( {x + 1,y} \right) - H\left( {x - 1,y} \right) \\ {G_{\rm{y}}}\left( {x,y} \right) = H\left( {x,y + 1} \right) - H\left( {x,y - 1} \right) \\ \end{gathered} (9) 式中：Gx（x，y）代表图像中像素点（x，y）水平方向梯度，Gy（x，y）代表图像中像素点（x，y）垂直方向梯度，H（x，y） 代表图像的像素值。
\begin{gathered} {G_{\rm{x}}}\left( {x,y} \right) = \sqrt {{G_{\rm{x}}}{{\left( {x,y} \right)}^2}{\rm{ + }}{G_{\rm{y}}}{{\left( {x,y} \right)}^2}} \\ \alpha \left( {x,y} \right) = {\tan ^{ - 1}}\left( {\frac{{{G_{\rm{y}}}\left( {x,y} \right)}}{{{G_{\rm{x}}}\left( {x,y} \right)}}} \right) \\ \end{gathered} (10) 式中：α（x，y）代表像素点（x，y）处的方向。
HOG特征提取步骤：
（1） 灰度化：由于颜色信息起的作用不大，因此将图像转化为灰度图像。
（2） 为减少光照等因素的影响，对整个图像进行归一化处理。
（3） 本文采用的梯度算子为：水平方向算子为[− 1, 0, 1]，垂直方向算子为[− 1, 0, 1]T。再通过公式（9）和公式（10）计算梯度幅值和梯度方向。
（4） 将整个图像分割成小的Cell单元格（8 × 8像素）。
（5） 本文采用9个组距的直方图来统计8 × 8个像素的梯度信息，对单元格内的每个像素进行加权投影，得到该单元格对应的9维特征向量。
（6） 最后将得到的所有单元格组成大的块，块内归一化直方图，即整个图像的HOG纹理信息。
1.4 构建树种识别CNN模型
本文在经典卷积神经网络的基础上，进行改进和完善，根据数据集的实际情况，经过不断调试，构建了适合本文树种图像识别的3路并列网络模型（图3）。每路CNN树种识别模型，由4个卷积层、4个池化层、3个全连接层组成，具体的参数设置如下。
第1个卷积层：有64个卷积核，大小为11 × 11；步长为2，激励函数为ReLU；采用最大池化法，池化窗口大小为2 × 2；并加入LRN层。
第2个卷积层：有128个卷积核，大小为5 × 5；步长为2，激励函数为ReLU；采用最大池化法，池化窗口大小为2 × 2；特征图的高度宽度均填充2像素。
第3个卷积层：有128个卷积核，大小为5 × 5；步长为1；采用最大池化法，池化窗口大小为4 × 4；特征图的高度宽度均填充1像素，激励函数为ReLU。
第4个卷积层：有128个卷积核，大小为3 × 3；步长为2；采用最大池化法，池化窗口大小为2 × 2；特征图的高度宽度均填充1像素，激励函数为ReLU。
全连接层：前两个全连接层包含4 096个神经元，最后一个全连接层包含1 000个神经元。输出类别：6类树种名称。
1.5 识别结果评价标准
本文用验证识别准确率和平均验证识别准确率作为识别结果的评价标准。
\begin{array}{l} {\text{验证识别准确率}} = \dfrac{{\text{正确识别出树种类别的数量}}}{{\text{树种图形的总数量}}}\\ \!\!\!\!{\text{平均验证识别准确率}}\! =\! \dfrac{{\text{每类树种验证识别准确率之和}}}{{\text{树种类别总数}}} \end{array} 2. 结果与分析
本文实验是采用的编程语言是Python3.5，在TensorFlow框架下实现的。计算机操作系统为Windows 8.1，处理器为Intel(R) Core(TM) i5-3330 CPU，安装内存6 GB。CNN模型训练参数设置为：学习率0.000 1，迭代次数为6 000，Batch_size为64。整个并列网络训练时的准确率和损失率如图4所示。从图4中可以看出，在训练到5 000次时，训练准确率趋于稳定，且无较大变化。在训练开始的500次时，损失率迅速下降，经过5 000次后，损失率下降到0.1左右，并趋于一个平稳的状态。
基于本文方法的实验结果如表1所示。从最终识别结果可以看出，利用3路并列网络，将多个特征进行融合，平均验证识别准确率为91.17%，基本满足对树种图像的识别要求。其中，白皮松树种图像验证识别准确率最高，达到93.50%，落叶松识别准确率较低，达到88.70%。
表 1 本文方法的实验结果Table 1. Experimental results in this paper% 项目 Item 樟子松
Pinus sylvestris
var. mongolica山杨
Populus
davidiana白桦
Betula
platyphylla落叶松
Larix
gmelinii雪松
Cedrus
deodara白皮松
Pinus
bungeana验证识别准确率
Accuracy rate of verification and recognition91.50 90.40 92.80 88.70 90.10 93.50 平均验证识别准确率
Average accuracy rate of verification and recognition91.17 2.1 模型训练特征图显示
本文以一张白桦图像为例，分别展示了RGB图像、HSV图像、LBP图像和HOG图像在卷积层、池化层的特征图（图5 ~ 8）。由于篇幅有限，本文每层只展示4幅特征图。从图中可以得出4张图像可视化的共同点：在浅层的卷积和池化过程中，模型对图像的边缘信息最感兴趣；在越高层的卷积和池化过程中，提取的图像特征信息越来越抽象，越来越复杂，肉眼已经很难去识别。通过调用CNN的可视化功能，能够及时了解CNN识别图像的过程，也为我们改进网络模型结构提供了参考依据。
2.2 卷积核数目对实验的影响
本文对CNN模型的卷积层中卷积核数目进行不同的组合和测试，对比实验的具体参数和结果如表2所示。经过几种不同的卷积核数目的组合，64-128-128-128组合的训练准确率最高，达到了96.13%。一般情况下，卷积核数目越多，可提取学习的特征信息就越多，但也造成了网络模型中的参数骤增，计算速度变慢，容易在训练过程中造成过拟合。
表 2 不同卷积核数目的训练准确率Table 2. Training accuracy rate of different convolution kernel numbers卷积核数目
Convolution kernel number训练准确率
Training accuracy rate/%32-64-64-128 75.26 32-64-128-64 72.21 32-64-128-192 78.28 48-64-128-128 75.12 48-128-192-128 81.79 48-128-128-192 82.23 64-128-128-128 96.13 64-128-192-192 91.27 64-64-128-192 92.02 2.3 不同特征组合对实验的影响
由表3可以看出，在单一特征条件下，训练准确率和验证准确率最高的是RGB特征，分别为75.21%和72.17%；其次是HSV特征；HOG纹理特征和LBP形状特征的识别率最差。将HSV图像进行单通道提取，分别作为单一特征进行测试，虽然相对LBP-HOG特征来说，训练准确率和验证准确率有所提高，但是实验结果仍然不理想。将RGB像素值特征与其他特征进行融合，与单一特征或其他特征融合得到的模型相比，其中，“RGB + LBP形状 + H通道”的特征融合得到的识别效果最好，训练准确率和验证识别准确率分别为96.13%、93.50%。
表 3 不同特征组合的识别率Table 3. Recognition rate of different feature combinations特征
Feature训练准确率
Training accuracy rate/%验证准确集
Verification accuracy set验证集
Validation set验证识别准确率
Verifying the recognition accuracy rate/%RGB 75.21 433 600 72.17 HSV 71.56 416 600 69.33 HOG-LBP 56.28 314 600 52.33 H 63.78 377 600 62.83 S 68.12 391 600 65.17 V 64.14 375 600 62.50 RGB + H 78.26 451 600 75.17 RGB + S 75.26 440 600 73.33 RGB + V 78.21 445 600 74.17 RGB + LBP 75.23 446 600 74.33 RGB + HOG 77.58 460 600 76.67 RGB + HOG + H 86.29 498 600 83.00 RGB + HOG + S 82.15 475 600 79.17 RGB + HOG + V 84.26 493 600 82.17 RGB + LBP + H 96.13 561 600 93.50 RGB + LBP + S 88.14 525 600 87.50 RGB + LBP + V 92.36 541 600 90.17 RGB + HSV + LBP-HOG 990.56 537 600 89.50 图9给出了本文树种识别模型对6类树种测试结果的混淆矩阵[25]。混淆矩阵的每一列代表树种实际的类别，每一行代表模型预测后的类别，直观地对本文模型的识别效果进行展示。本文识别模型得到的混淆矩阵，在对角线上显示高值，在矩阵的其余部分显示低值。混淆矩阵用从蓝色到红色的颜色标度表示，蓝色表示低值，红色表示高值。从图9中可以看出，对角线上红色最多，说明识别准确率最高，也进一步说明，本文提出的树种识别算法模型取得了理想的识别效果。
![]()
图 9 树种识别结果的混淆矩阵bh：白桦Betula platyphylla；zzs：樟子松Pinus sylvestris var. Mongolica；lys：落叶松Larix gmelinii；sy：山杨Populus davidiana；bps：白皮松Pinus bungeana；xs：雪松Cedrus deodaraFigure 9. Confusion matrix of tree species recognition results2.4 不同方法的实验结果
为验证本文提出的3路并列CNN网络模型的有效性，与SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型作比较，比较结果见表4。由表4中数据可以看出，本文方法对6类树种的识别率最高。原因为：SVM和BP分类器，过度依赖于手动提取图像特征，尤其是在提取特征的过程中，不可避免的会发生一些图像关键特征的遗漏和受无关因素干扰的现象，造成识别率低；另外，LeNet-5模型，虽然是深度学习方法，但最初的设计仅仅应用于手写数字的识别，且一般情况下为灰度图像，在处理复杂的树种图像时，识别能力受到了大大的限制；VGG-16模型，是由13层卷积层和3层全连接层构成的深度学习模型，更适合于大样本量的数据识别，对于本文树种图像的小样本来说，对模型泛化能力的提高是一件困难的事，因此也没有取得理想的识别效果。本文的3路并列网络模型，从数据集中自动提取图像特征，从不同角度对图像特征进行深入挖掘并学习，使得模型泛化能力变强，识别效果理想。
表 4 与其他方法的识别率比较结果Table 4. Comparison results of recognition rates with other methods% 方法
Method识别率 Recognition rate 白桦
Betula platyphylla樟子松
Pinus sylvestris var. mongolica落叶松
Larix gmelinii雪松
Cedrus deodara山杨
Populus davidiana白皮松
Pinus bungeanaSVM 47.25 48.41 48.02 44.95 43.66 45.28 BP 36.25 39.41 40.25 39.65 39.12 38.25 LeNet-5 59.28 55.36 57.25 54.78 55.45 52.36 VGG-16 63.21 60.17 66.28 64.58 64.11 60.29 本文方法
Method in this study92.80 91.50 88.70 90.10 90.40 93.50 3. 结论与讨论
3.1 结 论
本文根据在树种图像识别时存在类内差异、类间相似的现象，提出3路并列CNN网络模型对6类树种图像进行识别。通过设计11层（4层卷积层、4层池化层、3层全连接层）CNN网络模型，分成3路，通过将RGB图像像素值特征、HSV图像色彩特征、LBP纹理和HOG形状特征进行融合，作为CNN模型的识别输入特征，在最后一层全连接层进行特征汇总，对树种种类进行识别分类。本文方法在一定程度上避免了单一特征或传统手动提取特征造成识别率低的问题，并在与SVM、BP、LeNet-5模型、VGG-16模型的比较实验中，识别效果更好，模型泛化能力得到大大提高。
众所周知，树种图像特征选择的好坏，直接影响着最终的识别结果。本文从全局特征中选择了LBP特征和HOG特征，分别从树种图像纹理和形状的角度出发，对树种图像特征做进一步表达。
本文实验研究结果表明，多特征融合的树种种类识别相对于单一特征和传统手动特征的识别方法，具有更好的识别能力。另外，多特征融合的分类器取得了对6类树种图像的最高识别率。
3.2 讨 论
尽管本文研究取得了理想的识别结果，但不同树种图像对应不同的特征，本文的CNN网络模型和参数是否仍能取得同样的识别结果，有待进一步验证。在后续的研究工作中，进一步扩大树种样本的种类和数量，继续探索更具代表性的图像特征，不断调试模型参数和权重，寻找最优的网络模型，训练出更好的CNN树种识别模型。
-
![]()
图 1 不同部位灌草植物群落生长特征
不同字母表示不同位置差异显著（P < 0.05）。Different letters indicate significant differences among varied positions (P < 0.05).
Figure 1. Growth characteristics of shrub and grass communities in different positions
![]()
图 2 不同部位灌草植物群落物种多样性指数
相同字母表示差异不显著（P > 0.05）。The same letter indicates that there is no significant difference (P > 0.05).
Figure 2. Species diversity index of shrub and grass communities in different positions
表 1 样地基本信息
Table 1 Basic information of sample plots
沟样地号
Gully sample plot No.部位
Position经度
Longitude纬度
Latitude海拔
Elevation/m坡向
Aspect/（°）坡度
Slope/（°）1 沟底 Gully floor 110°46′40″E 36°16′24″N 898.4 沟阳坡 Gully sunny slope 110°46′25″E 36°16′13″N 891.1 140 14 沟阴坡 Gully shady slope 110°46′44″E 36°16′30″N 905.2 320 30 2 沟底 Gully floor 110°46′15″E 36°16′08″N 914.0 沟阴坡 Gully shady slope 110°46′14″E 36°16′07″N 917.0 70 35 沟阳坡 Gully sunny slope 110°46′15″E 36°16′08″N 918.0 250 36 3 沟底 Gully floor 110°44′34″E 36°16′42″N 920.0 沟阳坡 Gully sunny slope 110°44′34″E 36°16′42″N 928.0 210 40 沟阴坡 Gully shady slope 110°44′34″E 36°16′42″N 925.0 40 39 注：坡向以正北为0°，顺指针方向旋转。Note: aspect is measured with north as 0 degrees, turning clockwise. 
下载: 导出CSV
表 2 不同地貌部位灌草植物群落前5位物种重要值
Table 2 Top five species importance values of shrub and grass communities in different geomorphological positions
层次
Level部位
Position主要物种
Major species灌木
Shrub沟底
Gully floor黄刺玫（14.78%） + 荆条（11.59%） + 尖叶铁扫帚（10.57%） + 杠柳（10.38%） + 萝藦（5.56%） Rosa xanthina (14.78%) + Vitex negundo var. heterophylla (11.59%) + Lespedeza juncea (10.57%) + Periploca sepium(10.38%) + Cynanchum rostellatum (5.56%) 沟阳坡
Gully sunny slope荆条（16.40%） + 黄刺玫（12.17%） + 木蓝（8.46%） + 杠柳（8.15%） + 油松（6.27%） Vitex negundo var. heterophylla (16.40%) + Rosa xanthina (12.17%) + Indigofera tinctoria (8.46%) + Periploca sepium (8.15%) + Pinus tabuliformis (6.27%) 沟阴坡
Gully shady slope木蓝（12.50%） + 荆条（10.30%） + 河朔荛花（9.66%） + 黄刺玫（8.79%） + 杠柳（7.06%） Indigofera tinctoria (12.50%) + Vitex negundo var. heterophylla (10.30%) + Wikstroemia chamaedaphne (9.66%) + Rosa xanthina (8.79%) + Periploca sepium (7.06%) 草本
Herb沟底
Gully floor芦苇（12.24%） + 白莲蒿（8.07%） + 黄花蒿（6.18%） + 角蒿（4.64%） + 大油芒（4.32%） Phragmites australis (12.24%) + Artemisia stechmanniana (8.07%) + Artemisia annua (6.18%) + Incarvillea sinensis (4.64%) + Spodiopogon sibiricus (4.32%) 沟阳坡
Gully sunny slope披针薹草（13.55%） + 狗尾草（10.73%） + 华北前胡（9.60%） + 黄花蒿（6.75%） + 芦苇（5.68%） Carex lancifolia (13.55%) + Setaria viridis (10.73%) + Peucedanum harry-smithii (9.60%) + Artemisia annua (6.75%) + Phragmites australis (5.68%) 沟阴坡
Gully shady slope黄花蒿（13.31%） + 披针薹草（11.82%） + 狗尾草（7.92%） + 华北前胡（5.99%） + 败酱（4.92%） Artemisia annua (13.31%) + Carex lancifolia (11.82%) + Setaria viridis (7.92%) + Peucedanum harry-smithii (5.99%) + Patrinia scabiosifolia (4.92%) 注：括号内数据为重要值。Note: data in the brackets are important values.
下载: 导出CSV
表 3 不同部位灌草植物群落前5位生态位宽度
Table 3 Niche width of top five shrub-herb plant communities in different positions
部位 Position 灌木
Shrub生态位宽度
Niche width草本
Herb生态位宽度
Niche width沟底 Gully floor 黄刺玫 Rosa xanthina 0.84 芦苇 Phragmites australis 0.56 杠柳 Periploca sepium 0.64 白莲蒿 Artemisia stechmanniana 0.56 荆条 Vitex negundo var. heterophylla 0.60 黄花蒿 Artemisia annua 0.39 尖叶铁扫帚 Lespedeza juncea 0.58 角蒿 Incarvillea sinensis 0.37 萝藦 Cynanchum rostellatum 0.46 披针薹草 Carex lancifolia 0.34 沟阳坡 Gully sunny slope 荆条 Vitex negundo var. heterophylla 0.69 披针薹草 Carex lancifolia 0.78 木蓝 Indigofera tinctoria 0.62 华北前胡 Peucedanum harry-smithii 0.67 黄刺玫 Rosa xanthina 0.62 狗尾草 Setaria viridis 0.58 杠柳 Periploca sepium 0.58 黄花蒿 Artemisia annua 0.54 臭椿 Ailanthus altissima 0.40 败酱 Patrinia scabiosifolia 0.41 沟阴坡 Gully shady slope 荆条 Vitex negundo var. heterophylla 0.69 披针薹草 Carex lancifolia 0.73 木蓝 Indigofera tinctoria 0.61 黄花蒿 Artemisia annua 0.64 黄刺玫 Rosa xanthina 0.59 狗尾草 Setaria viridis 0.48 河朔荛花 Wikstroemia chamaedaphne 0.51 华北前胡 Peucedanum harry-smithii 0.43 杠柳 Periploca sepium 0.47 败酱 Patrinia scabiosifolia 0.38
下载: 导出CSV
表 4 不同地貌部位灌草植物群落相似性系数
Table 4 Similarity coefficients of shrub and grass communities in different geomorphological positions
项目
Item沟底
Gully floor沟阳坡
Gully sunny slope沟阴坡
Gully shady slope沟底
Gully floor1 沟阳坡
Gully sunny slope0.521 1 沟阴坡
Gully shady slope0.545 0.630 1
下载: 导出CSV
-
[1] 刘瑞雪, 林小龙, 陈龙清. 水淹干扰下水库水滨带植物群落谱系结构与物种多样性格局[J]. 生态学报, 2023, 43(11): 4700−4711. Liu R X, Lin X L, Chen L Q. Phylogenetic structure and species diversity pattern of plant community under flooding disturbance in the riparian zone of reservoirs[J]. Acta Ecologica Sinica, 2023, 43(11): 4700−4711.
[2] 刘润红, 常斌, 荣春艳, 等. 漓江河岸带枫杨群落主要木本植物种群生态位[J]. 应用生态学报, 2018, 29(12): 3917−3926. Liu R H, Chang B, Rong C Y, et al. Niche of main woody plant populations of Pterocarya stenoptera community in riparian zone of Lijiang River, China[J]. Chinese Journal of Applied Ecology, 2018, 29(12): 3917−3926.
[3] 陈仕友, 姜春前, 白彦锋, 等. 马尾松次生林林窗初期灌木层优势物种生态位研究[J]. 北京林业大学学报, 2023, 45(7): 27−35. doi: 10.12171/j.1000-1522.20220084 Chen S Y, Jiang C Q, Bai Y F, et al. Niche of dominant species in shrub layer of Pinus massoniana secondary forest at the initial stage of forest gap[J]. Journal of Beijing Forestry University, 2023, 45(7): 27−35. doi: 10.12171/j.1000-1522.20220084
[4] 陈铭, 黄林娟, 黄贵, 等. 广西大石围天坑群草本植物多样性及其生态位变化规律[J]. 生态学报, 2023, 43(7): 2831−2844. Chen M, Huang L J, Huang G, et al. Diversity and niche characteristics of herbaceous plants in Dashiwei Tiankeng Group, Guangxi[J]. Acta Ecologica Sinica, 2023, 43(7): 2831−2844.
[5] 李小鹏, 卜元坤, 陈佳卉, 等. 桥山林区辽东栎次生林生态位及多样性特征与林分分布格局的关系[J]. 生态学杂志, 2024, 43(2): 415−423. Li X P, Bu Y K, Chen J H, et al. Relationship between niche and diversity characteristics and distribution pattern of Quercus wutaishanica secondary forest in Qiaoshan[J]. Chinese Journal of Ecology, 2024, 43(2): 415−423.
[6] 田一显, 韩俊学, 陈炳超, 等. 桂西北香合欢群落物种多样性及种间生态位特征[J]. 广西林业科学, 2022, 51(4): 466−474. Tian Y X, Han J X, Chen B C, et al. Species diversity and interspecific niche characteristics of Albizia odoratissima community in Northwest Guangxi[J]. Guangxi Forestry Science, 2022, 51(4): 466−474.
[7] 谭凤霞, 罗静波, 祁梅, 等. 长湖水生植物多样性与生态位的季节性变化研究[J]. 长江流域资源与环境, 2021, 30(5): 1121−1129. Tan F X, Luo J B, Qi M, et al. Seasonal variation on the diversity, niche breadth and niche overlap of aquatic plant in Changhu Lake[J]. Resources and Environment in the Yangtze Basin, 2021, 30(5): 1121−1129.
[8] 董雪, 辛智鸣, 段瑞兵, 等. 乌兰布和沙漠典型灌木群落多样性及其生态位[J]. 干旱区研究, 2020, 37(4): 1009−1017. Dong X, Xin Z M, Duan R B, et al. Species diversity of typical shrubs and niches of dominant shrub species in the Ulanbuh Desert[J]. Arid Zone Research, 2020, 37(4): 1009−1017.
[9] 杨寒月, 张光辉, 张宝军. 黄土丘陵沟壑区沟坡典型植物群落生长特征[J]. 水土保持研究, 2019, 26(2): 62−67. Yang H Y, Zhang G H, Zhang B J. Growth characteristics of typical plant communities on gully slopes in the loess hilly-gully region[J]. Research of Soil and Water Conservation, 2019, 26(2): 62−67.
[10] 李梁, 张建军, 陈宝强, 等. 晋西黄土区长期封禁小流域植被群落动态变化[J]. 林业科学, 2018, 54(2): 1−9. doi: 10.11707/j.1001-7488.20180201 Li L, Zhang J J, Chen B Q, et al. Dynamic changes of vegetation communities in a small watershed been chronically closed in the Loess Plateau in western Shanxi Province[J]. Scientia Silvae Sinicae, 2018, 54(2): 1−9. doi: 10.11707/j.1001-7488.20180201
[11] 王亚娟, 陈云明, 孙亚荣, 等. 宁南黄土丘陵区侵蚀沟不同部位植物多样性与土壤养分[J]. 水土保持研究, 2023, 30(5): 99−105. Wang Y J, Chen Y M, Sun Y R, et al. Plant diversity and soil nutrients in different parts of erosion cully in loess hilly region of south Ningxia[J]. Research of Soil and Water Conservation, 2023, 30(5): 99−105.
[12] 韩锦涛, 李素清, 赵德怀, 等. 晋西北丘陵风沙区人工植物群落优势种群生态位研究[J]. 山西师范大学学报(自然科学版), 2018, 32(1): 57−65. Han J T, Li S Q, Zhao D H, et al. Study on ecological niche analysis of dominant species in artificial plant communities in sandy hill regions of northwest Shanxi Province, China[J]. Journal of Shanxi Normal University (Natural Science Edition), 2018, 32(1): 57−65.
[13] 白晓航, 张金屯. 小五台山森林群落优势种的生态位分析[J]. 应用生态学报, 2017, 28(12): 3815−3826. Bai X H, Zhang J T. Niche analysis of dominant species of forest community in Xiaowutai Mountain, China[J]. Chinese Journal of Applied Ecology, 2017, 28(12): 3815−3826.
[14] 刘润红, 陈乐, 涂洪润, 等. 桂林岩溶石山青冈群落灌木层主要物种生态位与种间联结[J]. 生态学报, 2020, 40(6): 2057−2071. Liu R H, Chen L, Tu H R, et al. Niche and interspecific association of main species in shrub layer of Cyclobalanopsis glauca community in karst hills of Guilin, southwest China[J]. Acta Ecologica Sinica, 2020, 40(6): 2057−2071.
[15] 马南方. 黄土丘陵区典型小流域土壤水碳时空分布特征及影响因素[D]. 杨凌: 中国科学院大学, 2022. Ma N F. Temporal and spatial distribution characteristics and influencing factors of soil water and carbon in typical small watershed of the loess hilly region[D]. Yangling: University of Chinese Academy of Sciences, 2022.
[16] 徐恩凯, 周梓滢, 胡永歌, 等. 黄土丘陵沟壑区生态修复和植物景观营造模式与策略: 以郑州市滨黄河区域为例[J]. 风景园林, 2022, 29(5): 75−81. Xu E K, Zhou Z Y, Hu Y G, et al. Model and strategy of ecological restoration and plant landscape construction in loess hilly and gully region: a case study of the area along the Yellow River in Zhengzhou City[J]. Landscape Architecture, 2022, 29(5): 75−81.
[17] 赵宇辉. 晋西黄土区蔡家川流域切沟空间分布与发育风险评价[D]. 北京: 北京林业大学, 2022. Zhao Y H. Study on the spatial distribution and development risk assessment of gully in Caijiachuan Watershed in the loess region of western Shanxi Province [D]. Beijing: Beijing Forestry University, 2022.
[18] 张开心, 王西平, 朱洪生, 等. 不同地貌形态下植物地境结构特征研究: 以河南省南太行地区为例[J]. 中南林业科技大学学报, 2023, 43(2): 124−132. Zhang K X, Wang X P, Zhu H S, et al. Research on the structural characteristics of underground plant habitat in different geomorphic forms: a case study of the south Taihang Region in Henan Province[J]. Journal of Central South University of Forestry & Technology, 2023, 43(2): 124−132.
[19] 王丽红. 大兴安岭火烧迹地落叶松人工林生态效应研究[D]. 哈尔滨: 东北林业大学, 2017. Wang L H. Ecological effects of Larix gmelinii plantation in burned areas of Great Xing’an Mountains[D]. Harbin: Northeast Forestry University, 2017.
[20] 张桐, 王玉杰, 王云琦, 等. 晋西黄土区不同森林群落类型植物多样性研究[J]. 北京林业大学学报, 2015, 37(11): 82−88. Zhang T, Wang Y J, Wang Y Q, et al. Plant diversity in various forest community types in the Loess Plateau of western Shanxi Province, northern China[J]. Journal of Beijing Forestry University, 2015, 37(11): 82−88.
[21] 李梁. 蔡家川流域侵蚀沟分类及植被恢复特征研究[D]. 北京: 北京林业大学, 2018. Li L. Study on classification of erosion gully and characteristics of vegetation restoration in Caijiachuan Watershed[D]. Beijing: Beijing Forestry University, 2018.
[22] 郝文芳, 杜峰, 陈小燕, 等. 黄土丘陵区天然群落的植物组成、植物多样性及其与环境因子的关系[J]. 草地学报, 2012, 20(4): 609−615. Hao W F, Du F, Chen X Y, et al. Composition and diversity analysis of natural-community plants in the loess hilly region[J]. Acta Agrestia Sinica, 2012, 20(4): 609−615.
计量
- 文章访问数: 369
- HTML全文浏览量: 67
- PDF下载量: 56
