MAFF-YOLO: 面向造林验收的明穴目标检测模型

石燕妮; 王武魁; 吴明晶; 张大兴; 廉瑞峰; 谷亚宇

doi:10.12171/j.1000-1522.20240353

MAFF-YOLO: 面向造林验收的明穴目标检测模型

1.
北京林业大学经济管理学院，北京 100083
2.
福建省将乐国有林场，福建将乐 353300

基金项目: 城市科技与精细化管理项目“数字赋能国家植物园建设及种质资源收集保护关键技术研究与示范”（Z221100005222108），福建省将乐国有林场基于无人机影像的造林监管自动化系统研建（20220517）。

详细信息

作者简介:
石燕妮。主要研究方向：林业信息化。 Email：15540258597@163.com　地址：100083 北京市海淀区清华东路 35 号北京林业大学经济管理学院

责任作者:
王武魁，教授。主要研究方向：林业信息化。 Email：wangwukui@bjfu.edu.cn　地址：同上。

中图分类号: S757;TP391;TP79
计量
- 文章访问数: 7
- HTML全文浏览量: 4
- PDF下载量: 0
出版历程
- 收稿日期: 2024-10-27
- 修回日期: 2025-03-15
- 录用日期: 2025-04-01
- 网络出版日期: 2025-04-07

MAFFYOLO: a target detection model for planting holes in afforestation acceptance

1.
School of Economics and Management, Beijing Forestry University, Beijing 100083, China
2.
Fujian Jiangle State owned Forest Farm, Jiangle 353300, Fujian, China

摘要

摘要:
目的
为解决传统林场造林验收过程中存在的主观性强、缺乏科学性以及管理人员不足等问题，本文提出一种基于单阶段目标检测框架的造林明穴检测模型MAFF-YOLO，旨在自动识别并统计造林明穴的数量和位置，推动造林验收的数字化转型，提高验收效率和科学性。
方法
基于 YOLOv8 模型，通过多方面改进获得了 MAFF-YOLO。首先，采用MobileNetV4作为主干网络，引入更多参数和层次结构提高检测精度；其次，添加基于归一化的注意力模块（NAM），增强对明穴特征的捕捉能力，减少误检和漏检；然后，将特征融合模块替换为跨尺度特征融合模块（CCFM），在降低特征图拼接计算量的同时整合不同尺度特征，提升对小尺度明穴的检测能力；接着，将检测头替换为RFAHead，根据数据的复杂性和重要性动态调整感受野，增强网络对不同输入特征的适应性；最后，优化边界框损失函数为FocusCIoU，改善正负样本分布不平衡问题，增强对关键样本的学习能力。
结果
MAFF-YOLO在识别明穴数量和位置方面表现出较高的准确性。与基础YOLOv8模型相比，其精度提高了1个百分点，mAP提高了0.7个百分点，F_0.5提高了0.6个百分点，且算法复杂度显著降低。
结论
在相同实验条件下，MAFF-YOLO相较于其他现有方法，在提升模型对造林明穴目标的检测效果方面表现出显著优势，并已成功集成至端到端的检测系统中，为造林验收的数字化提供了有效技术支持，进一步提升了造林验收的效率和科学性。
- 小目标检测 /
- YOLOv8 /
- 算法 /
- 数字化造林验收 /
- 无人机 /
- MobileNetV4 /
- NAM /
- CCFM
Abstract:
Objective
To address issues like strong subjectivity, lack of scientific basis, and insufficient personnel in traditional afforestation acceptance, this paper proposes an afforestation hole detection model, MAFF-YOLO. It aims to automatically identify and count the number and location of afforestation holes, promoting the digital transformation of afforestation acceptance and improving efficiency and scientific accuracy.
Method
Based on the YOLOv8 model, MAFF-YOLO was obtained through multiple improvements. First, it used MobileNetV4 as the backbone network to increase parameters and layers, enhancing detection accuracy. Second, it added a normalization-based attention module (NAM) to better capture hole features and reduce false detections. Third, it replaced the feature fusion module with a cross-scale feature fusion module (CCFM), which integrates features of different scales and reduces computational load, improving detection of small holes. Fourth, it replaced the detection head with an RFAHead, which dynamically adjusts the receptive field based on data complexity and importance, thereby enhancing adaptability to different input features. Finally, the bounding box loss function was optimized to FocusCIoU to address sample imbalance and improve learning capability for key samples.
Result
MAFF-YOLO demonstrated high accuracy in identifying the number and location of planting holes. Compared with the basic YOLOv8 model, its precision increased by 1 percentage point, mAP by 0.7 percentage points, and F_0.5 by 0.6 percentage points. Moreover, the algorithm complexity was significantly reduced.
Conclusion
Under the same experimental conditions, MAFF-YOLO shows significant advantages over other existing methods in improving the detection performance of afforestation holes. It has been successfully integrated into an end-to-end detection system, providing effective technical support for the digitalization of afforestation acceptance and further enhancing the efficiency and scientific nature of the acceptance process.
- small object detection /
- YOLOv8 /
- algorithms /
- digital afforestation acceptance /
- unmanned aerial vehicles (UAV) /
- MobileNetV4 /
- NAM /
- CCFM

HTML全文

六盘山位于黄土高原西北部，不仅是干旱区−半干旱区的过渡区，也是黄土区−土石山区的过渡区，具有特殊的地理位置。华北落叶松是六盘山区的主要造林树种，在木材生产和水土保持方面发挥着重要的作用^[1]，但由于该地区气候梯度和年际波动大，降水分布不均，大面积造林虽然增加了植被覆盖率，却使区域生态耗水增加，河川径流减少^[2]，林水矛盾日益突出。森林蒸散是土壤−植物−大气系统（SPAC）中水热传输和能量转换的重要环节之一^[3-4]，是植被对干旱等环境条件响应的关键过程^[5-6]，其中，林分蒸腾是森林蒸散的最主要组分^[7]，约占 40% ~ 70%^[8]。因此，精确推算和预测林分蒸腾及其变化规律，揭示其与环境因子之间的关系，将有助于深入理解林水关系，并为当地植被恢复和林水管理提供理论指导。

以边材面积为空间纯量将树干液流进行尺度上推计算整株和林分蒸腾量的方法已经被广泛应用^[9-10]。但不同时间尺度下，影响树干液流的生态因子会发生显著变化，进而影响林木/林分蒸腾的变化。目前，对不同时间尺度林木/林分蒸腾对环境因子的响应已开展了一些研究，如张静等^[11]对苹果林的蒸腾研究发现，空气温度和饱和水汽压差均是日、月尺度下苹果林蒸腾的主要因子。李振华^[12]发现，潜在蒸散量可解释华北落叶松林分日蒸腾量变异的81%。Liu等^[13]发现林分日蒸腾量受潜在蒸散（PET）、叶面积指数（LAI）和不同深度土壤相对可利用水分（REW）的共同影响。王文杰等^[14]发现，随时间尺度的减小，影响树干液流的主要因子将由土壤环境因子（作用于根系的水分吸收）向大气因子如光照和空气湿度（作用于叶片气孔）转变。但这些研究多在日、年尺度下探讨林分蒸腾对单个或多个环境条件的响应，较少关注小时尺度林分蒸腾对环境因子的响应，同时缺乏小时尺度林分蒸腾对多因子响应的耦合模型。事实上，随着全球气候逐渐变暖，导致干旱加剧、短时和极端天气条件频发^[15]，日尺度上的研究无法揭示树干液流对日内剧烈变化的气象条件的响应，这将影响林分蒸腾的准确估计，限制对林木蒸腾响应环境变化的深入理解，因此有必要开展日内尺度的林分蒸腾的研究。因此，本研究以宁夏六盘山香水河小流域华北落叶松（Larix principis-rupprechtii）为研究对象，利用热扩散液流探针（SF-L）连续监测2018年生长季（5—10月）样树的树干液流，同步观测气象条件和土壤含水量，并拟合多因子影响的蒸腾模型，以期揭示短时间（小时）尺度内蒸腾对环境因子的响应规律，为当地林水管理提供理论依据。

1. 研究区概况

研究地点位于宁夏六盘山香水河小流域（106°12′ ~ 106°16′ E、35°27′ ~ 35°33′ N），面积为43.7 km²，海拔为2 070 ~ 2 931 m。该区属于温带半湿润气候，年均气温为5.8 ℃, 年均降水量为618 mm（1981—2010年）。主要土壤类型为灰褐土和高寒草甸土，其剖面主要分为枯落物层、腐殖质层、有机矿质层、淀积层和母质层^[16]，土壤砾石含量高，平均土层厚度约80 cm^[17]。人工纯林占小流域面积的24%，其中华北落叶松约占人工林总面积的90%。该小流域的分水岭沟子流域内华北落叶松均为同年栽植，经营历史相似，坡向均为东南坡向，因此，在该子流域选取一个水平坡长为425.1 m，平均坡度为27.8°的典型华北落叶松坡面，在坡脚处布设了一个长期固定监测样地，样地大小为30 m × 30 m，海拔为2 290 m, 坡度为37.6°。样地林分基本信息及0 ~ 80 cm土壤物理性质见表1。

表 1 研究样地基本信息

Table 1. Basic information of the study sample plot

平均胸径 Mean DBH/cm	平均树高 Mean tree height/m	平均冠幅 Mean crown width/m	林分密度/（株·hm^{− 2}） Stand density/ (tree·ha^{− 1})	郁闭度Canopy density	土壤密度 Soil bulk density/ (g·cm^{− 3})	总孔隙度 Total porosity/%	毛管孔隙度 Capillary porosity/%	非毛管孔隙度 Noncapillary porosity/%
18.71 ± 4.03	16.19 ± 2.34	3.27 ± 0.81	907	0.72	0.94	56.65	40.56	16.09

下载: 导出CSV

| 显示表格

2. 研究方法

2.1 气象条件监测

在距样地100 m处的林外空旷地安装一台WheatherHawk-232自动气象站（WheatherHawk，美国）记录气象条件，自计频率为5 min。测定的指标包括空气温度（T_a，°C）、空气相对湿度（RH，%）、降雨量（P，mm）、太阳辐射（R_s，W/m²）、风速（W_s，m/s）和风向。饱和水汽压差（vapor pressure deficit，VPD，kPa）由当时气温条件下空气中的饱和水汽压与实际水汽压之差计算而得^[18]：

${\rm{VPD}} = 0.611 \times \left( {1 - \frac{{{\rm{RH}}}}{{100}}} \right) \times {{\rm{e}}^{\left[ {\frac{{17.502T_{\rm{a}}}}{{T_{\rm{a}} + 240.97}}} \right]}}$

(1)

式中：T_a为空气温度（°C）；RH为空气相对湿度（%）。

2.2 土壤水分监测

根系层土壤水分对树木生长有重要作用，林木蒸腾直接受主根系层土壤水分的影响^[19]，而研究区华北落叶松根系层主要分布在0 ~ 60 cm^[20], 故本研究只关注根系层的土壤湿度。土壤湿度随土层深度变化有较大的空间变异^[20]，且变异程度随土层的增加而逐渐降低，所以需在不同土层深度布设探头，且在表层进行加密观测。鉴于此，在样地内按0 ~ 10 cm、10 ~ 20 cm、20 ~ 40 cm、40 ~ 60 cm土层深度布设土壤湿度、温度传感器（5TE，Decagon，美国），监测不同土层的土壤湿度动态变化规律。传感器与EM50（Em50，Decagon，美国）数据采集器相连，记录频率为 5 min一次。土壤可利用水分（relative extractable water，REW）的计算公式如下：

$\begin{array}{l} \;\\ {\rm{REW}} = \dfrac{{{\rm{VSM}} - {\rm{VS}}{{\rm{M}}_{\min}}}}{{{\rm{VS}}{{\rm{M}}_{\max}} - {\rm{VS}}{{\rm{M}}_{\min}}}} \end{array}$

(2)

式中：VSM为0 ~ 60 cm土层实际土壤含水量的平均值（m³/m³），VSM_min为0 ~ 60 cm土层的最小土壤含水量（m³/m³），VSM_max为0 ~ 60 cm土层的最大土壤含水量（m³/m³）。

2.3 树干液流的测定与计算

在样地内按树干径级（< 14 cm、14 ~ 17 cm、17 ~ 20 cm、> 20 cm）各径级选取1棵生长发育良好，无病虫害的树木做为样树用于监测树干液流，树干液流测定采用四针式热扩散液流探针（SF-L，Ecomatik，德国）。探针安装在树干北侧1.3 m处。安装探针时，首先将老化的树皮去除，将探针（S₁、S₀、S₂、S₃）按顺序插入树干内，注意加热探针（S₀）应位于上方。探针安装好后，用玻璃胶将探针与树干之间的缝隙密封，用铝箔纸将探针部位的树干包裹，防止雨水及环境热辐射对探针测定数据的影响。探针与数据采集器DL2e（Delta-T Devices，英国）相连，每5 min记录一次数据。

单株液流速率（J_i，g/（m²·s））及平均液流速率 $\overline {J_{\rm{s}}}$ （g/（m²·s））的计算方法为：

${J_i} = 119 {\left( {\left( {{d_{{\rm{tmax}}}}/{d_{{\rm{tact}}}}} \right) - 1} \right)^{1.231}}$

(3)

${d_{{\rm{tact}}}} = {T_{1 - 0}} - \left( {{T_{1 - 2}} + {T_{1 - 3}}} \right)/2$

(4)

$\overline {J_{\rm{s}}} = \frac{{\displaystyle\mathop \sum \nolimits_i^n {J_i} \times {A_i}}}{{\displaystyle\mathop \sum \nolimits_{i = 1}^n {A_i}}}$

(5)

式中：d_tmax为无液流时的最大温差（℃），即最大d_t值；d_tact为实际的d_t值（℃）；T₁₋₀、T₁₋₂、T₁₋₃分别为探针S₁与S₀、S₂、S₃之间的温度差（℃）。n为样树株数，A_i为第i株样树的边材面积（cm²）。

2.4 林分蒸腾量的计算

林分小时蒸腾量（T，mm/h）由样树的液流速率和边面积上推得到：

$T = \overline {J_{\rm{s}}} \left( {{\displaystyle\mathop \sum \nolimits_{i = 1}^n {A_i}}} \right) {S}^{-1} \times 60 \times 60 \times {10^{ - 3}}$

(6)

式中：S为样地面积（m²）。单株树干的边材面积A_i（cm²）由Liu^[13]基于边材面积与胸径之间的函数关系拟合得来，见公式：

${A_i} = 0.255 \; 1 {\rm{DB}}{{\rm{H}}^{2.189 \; 2}}$

(7)

2.5 数据处理

影响树木/林分蒸腾的环境因子众多，且各因素相互影响，很难区分出单个因素的影响。因此，本文使用上外包线法进行单因素分析，并剥离每个因素对蒸腾量的影响，该方法可在一定程度上消除其他影响因素的干扰^[21]。同时，假设各单因素对蒸腾量的影响是相互独立的，因此蒸腾量受各因素影响的耦合模型为其对每个单因素响应函数的连乘关系：

$T = f\left( {X_1} \right) f\left( {X_2} \right) f\left( {X_3} \right) \cdots f\left( {X_n} \right)$

(8)

式中：T为林分蒸腾量， $f\left( {X_1} \right)$ 、 $f\left( {X_2} \right)$ 、 $f\left( {X_3} \right)$ ··· $f\left( {X_n} \right)$ 分别表示林分蒸腾量对单个因素的响应函数，n为因子数。

用R²和无量纲的纳什系数（NSE）来评价模型模拟的质量^[22]：

${\rm{NSE}} = 1 - \frac{{\displaystyle\mathop \sum \nolimits_i^n {{\left( {{y_i} - {{y'}_i}} \right)}^2}}}{{\displaystyle\mathop \sum \nolimits_i^n {{\left( {{y_i} - \bar y} \right)}^2}}}$

(9)

式中：y_i为实测值；y′_i为预测值； $\bar y$ 为所有实测值的平均值，NES越接近于1，表明模型拟合精度越高。

3. 结果与分析

3.1 环境因子的季节变化特征

研究期间共观测到降水68场，累积降雨量为728 mm。降雨的季节动态呈单峰型变化格局，生长季初期（5月）和末期（9—10月）降水较少，6—8月降水较多。其中，6—8月总降水量占全年累计降水量的72%，最大的两场降雨分别发生在6月25日（59 mm）和7月10日（60 mm）。观测期间土壤相对可利用水分（REW）的变化范围为0.003 ~ 0.997，平均值为0.337。REW在6月25日至7月26日之间保持较高水平，与该时间段内连续的强降雨事件有关。分析数据发现，降水事件后的第2天，REW会大幅度升高，说明REW对降雨的响应存在一定程度的滞后。日均气温的变化趋势表现为随儒略日（DOY）的增加先升后降，变化范围为0.79 ~ 20.03 ℃，平均值为11.71 ℃，月均值表现为7月最大（17.75 ℃），10月最小（3.72 ℃）。观测期间空气相对湿度呈先增后减的变化趋势，变化范围为18% ~ 100%，平均值为68.3%。饱和水汽压差（VPD）的变化范围为0.01 ~ 1.46 kPa，平均值为0.53 kPa；太阳辐射强度（R_s）的变化范围为14.02 ~ 272.23 W/m²，平均值为113.96 W/m²，二者的月均值均表现为5月最大（0.66 kPa，160.6 W/m²），9月最小（0.36 kPa，87.41 W/m²）。2018年生长季环境因子的变化规律见图1。

图 1 2018年生长季内环境因子变化

Figure 1. Variations of environmental factors in growth season of 2018

下载: 全尺寸图片幻灯片

3.2 树干液流速率及林分蒸腾的日内变化

华北落叶松叶片在10月份会变黄并逐渐脱落，为减小叶片活性对数据的影响，选择2018年5—9月连续3个晴天（27日，28日，29日）的液流值，分析生长季不同时期华北落叶松树干平均液流速率（ $\overline {J_{\rm{s}}}$ ）的日进程。由图2可知，液流速率存在明显的日变化，在一天内呈现单峰或多峰的变化特征，且不同时期树干液流的启动和停止时间不尽相同。5月27日至29日，树干液流于早晨06:50—07:05之间启动，之后迅速增加，至10:15—11:45之间达到峰值后开始下降，直至夜晚22:05—23:00之间达到最低值。6月27日至29日树干液流的启动时间为06:45—07:25之间，达到峰值的时间为10:50—12:25，出现最低值的时间为21:45—23:35。7月液流开始启动和停止的时间分别为03:40—07:00和21:05—23:00；9月液流的启动时间和停止时间分别为07:05—08:20和20:45—23:10。但8月27—29日树干液流的日进程与其他月份不同，存在夜间液流的现象。由于夜间气孔关闭，蒸腾作用停止，此时液流活动主要用于补充白天因强烈的蒸腾而导致的树体内的储水量减少的那部分水分^[23-24]。同时，受不同时期土壤水分条件和气候条件的影响，树干液流峰值的大小从5—9月呈逐渐变小的趋势。

图 2 典型晴天树干液流速率的日进程

Figure 2. Diurnal variations of sap flux density (

$\scriptstyle \overline {J_{\rm{s}}}$ ) in typical sunny days

下载: 全尺寸图片幻灯片

利用公式6计算得到林分小时蒸腾，将每月连续3天相同时刻的林分小时蒸腾进行平均，结果见图3。由图3可知，林分小时蒸腾的日内变化规律与树干液流速率基本相同，均呈单峰或者多峰的变化。尽管5—8月，林分蒸腾均从早上07:00开始出现，但生长季初期（5月和6月）林分蒸腾增加到最大值的速度要快于其他月份，而9月份林分蒸腾在早上8:00出现，要晚于其他月份。林分小时蒸腾量的峰值（mm/h）表现为5月（0.173）> 6月（0.122）> 7月（0.916）> 8月（0.762）> 9月（0.468）。

图 3 不同月份内林分小时蒸腾的日内变化特征

Figure 3. Diurnal variations of stand hourly transpiration (T) in different months

下载: 全尺寸图片幻灯片

3.3 林分小时蒸腾对单因素环境条件的响应

在小时尺度上，林分蒸腾的变化主要受VPD^[25]、R_s^[25]和REW的影响，因此，本文选取R_s、VPD和REW为主要影响因子，基于上外包线分析2018年生长季奇数天林分蒸腾量与R_s、VPD和REW的关系，逐个确定其响应函数。

图4为林分小时蒸腾（T）与R_s的外包线关系，由图可知，林分小时蒸腾对R_s的响应呈二次函数关系，可表示为：

图 4 林分小时蒸腾对太阳辐射的响应

Figure 4. Response of stand hourly transpiration (T) to solar radiation

下载: 全尺寸图片幻灯片

$\begin{aligned} & T = - 3.000 \; 0 \times {10^{ - 7}}{R_{\rm{s}}}^2 + 0.000 \; 4{R_{\rm{s}}} + 0.065 \; 4, \\ & {{R^2} = 0.98} \end{aligned}$

(10)

当R_s较小时，林分蒸腾随R_s的增大而增大，当R_s达到666.7 W/m²后，林分蒸腾随R_s的继续增大而减小。这是因为当R_s较小时，随着R_s的增大，气孔因受到光照的诱导作用而打开；同时空气温度升高，叶面温度也随之升高，为植物的蒸腾提供了能量^[26]。而当R_s继续增大时，气孔会因为温度过高而关闭，使得蒸腾量减小。

图5为林分小时蒸腾与VPD的外包线关系，由图可知，林分小时蒸腾与VPD的响应呈二次函数关系，其外包线函数关系为：

图 5 林分小时蒸腾对饱和水汽压差的响应

Figure 5. Response of stand hourly transpiration (T) to vapor pressure deficit

下载: 全尺寸图片幻灯片

$\begin{aligned} & T = - 0.029 \; 3{\rm{VP}}{{\rm{D}}^2} + 0.109 \; 7{\rm{VPD}} + 0.087 ,\\ & {{R^2} = 0.98} \end{aligned}$

(11)

当VPD小于1.86 kPa时，林分蒸腾随VPD的增大而增大，当VPD大于1.86 kPa后，林分蒸腾随VPD的增大而减小。这是因为VPD过高时，植物将缩小气孔开度，减少水分过渡耗失，防止叶片水势过低而造成木质部出现灾变性的功能失衡^[27]，但这将使气孔导度下降，蒸腾减小。

林分小时蒸腾与REW的外包线关系如图6所示。可以看到，林分小时蒸腾与REW的关系符合趋于饱和的指数方程，其外包线关系为：

图 6 林分小时蒸腾对土壤可利用水分的响应

Figure 6. Response of stand hourly transpiration (T) to relative extractable water

下载: 全尺寸图片幻灯片

$\!\begin{aligned} T = & - 0.000 \; 2 + 0.187 \; 0 \times \left( {1 - {\rm{exp}}\left( { - 26.875 \; 0{\rm{REW}}} \right)} \right),\\ & {{R^2} = 0.99} \end{aligned}\!\!\!\!\!\!\!\!\!\!\!$

(12)

林分蒸腾先随REW的增大而快速增加，当REW增加至0.3后，林分蒸腾增加的速度减缓并逐渐趋于稳定。这是因为当REW较小时，叶片水势低，水分由根系向上传递的驱动力弱，水分传输受阻；而随着REW的增加，树木可以吸收的水分和叶片水势增加，蒸腾速率也随之增加^[28]；当REW增加到某一阈值时，蒸腾量逐渐趋于稳定。

3.4 林分小时蒸腾对多因素的响应及耦合模型

为反映R_s、VPD和REW对林分小时蒸腾的综合影响，基于公式10 ~ 12的函数形式和连乘方程（公式8），得到样地小时蒸腾对R_s、VPD和REW响应的耦合模型基本形式：

$T = f\left( {{R_{\rm{s}}}} \right) f\left( {\rm{VPD}} \right) f\left( {\rm{REW}} \right)$

(13)

进一步利用2018年生长季奇数天的实测数据进行重新拟合模型参数。得到模型表达式为：

$\begin{aligned} T = &\left( { - 6.347 \; 0 \times {{10}^{ - 5}}{R_{\rm{s}}^2} - 0.637 \; 0{R_{\rm{s}}} - 208.734 \; 8} \right) \times \\ &\left( { - 0.003 \; 2{\rm{VP}}{{\rm{D}}^2} + 0.013 \; 8{\rm{VPD}} + 0.001 \; 7} \right) \times \\ & \left( { - 0.008 \; 1 - 0.004 \; 6\left( {1 - {\rm{exp}}\left( { - 12.469 \; 6{\rm{REW}}} \right)} \right)} \right),\\ & {R^2} = 0.74 \end{aligned}$

(14)

利用该模型（公式14）得到的模拟值（2018年奇数天）与实测值具有较高的吻合性，（R² = 0.74，NSE = 0.82）。利用未参与模型拟合的偶数天数据对模型进行验证发现（图7），模拟值与实测值的吻合较好（R² = 0.77，NSE = 0.84），表明该模型能较好的模拟小时尺度林分蒸腾对环境变化的响应。

图 7 小时尺度林分蒸腾实测值与模拟值对比

Figure 7. Comparison between the measured and simulated stand hourly transpiration (T)

下载: 全尺寸图片幻灯片

4. 讨　　论

4.1 林分小时蒸腾对单因素环境条件的响应

在小时尺度上，林木/林分蒸腾对R_s和VPD的响应最为敏感，R_s是调节气孔活动的主要环境因子，而VPD是林分蒸腾的主要驱动力^[29]。研究表明，蒸腾速率与R_s，VPD显著相关^[30-33]。VPD表示空气的干燥程度^[34]，当VPD较低时，气孔导度与VPD呈正相关；当VPD上升到一定阈值后，二者呈负相关。气孔对VPD的这种响应机制增加了从土壤到叶片这条水流通路上的导水阻力，保证了树木自身用水安全^[32]。林分蒸腾响应VPD阈值的大小因树种而异。韩路等^[35]对塔里木盆地灰胡杨（Populus pruinosa）的研究发现，蒸腾速率对VPD的响应阈值为2.92 kPa；贾国栋等^[36]发现北方土石山区油松（Pinus tabuliformis）和刺槐（Robinia pseudoacacia）林分蒸腾在VPD达到1.1 kPa后降低。Fletcher等^[37]发现VPD阈值受到植物耐旱程度的影响，一般在0.8 ~ 2.0 kPa。李新宇等^[38]对银杏的蒸腾耗水研究表明，当VPD < 3.2 kPa时，VPD对液流是驱动作用，而VPD > 3.2 kPa时转变为限制作用。本研究中，当VPD于1.86 kPa后，林分蒸腾开始减小，该响应阈值在Fletcher等的研究结果范围之内。R_s影响气温和相对湿度，而VPD是温度和相对湿度的函数，因此，R_s的改变会引起VPD的改变。强太阳辐射使气温升高，空气相对湿度下降而导致VPD增大，引起气孔导度下降从而使林分蒸腾降低，因此，林分蒸腾对R_s的响应也存在一个阈值。朱丽薇等^[39]研究发现当VPD大于2 kPa，同时光合有效辐射大于1 000 μmol/ （m²·s）时，荷木冠层气孔导度与水汽压亏缺呈显著负相关，说明辐射与水汽压亏缺共同决定气孔开闭。因此，R_s与VPD对蒸腾的影响是相互作用的。

除气象条件外，土壤水分也是影响树木蒸腾的主要因子。研究发现，樟子松在土壤水分偏低时，对R_s和VPD的敏感程度会降低，此时，REW成为主要的限制因子^[40]。REW表征土壤供水能力的大小，林木蒸腾的水分主要来自于植物根系从土壤中吸取的水分，因此，植物是否受到干旱胁迫主要是由土壤水分的可利用性决定，并不完全取决于降雨条件^[32]。土壤水分不足时，气孔为了降低干旱造成的风险会关闭^[41]，导致液流速率下降，蒸腾量降低。Orlandini等^[42]通过研究盆栽葡萄（Vitis vinifera）对土壤干旱的响应发现，当REW降低至0.35时，蒸腾速率开始降低。Lagergren 和Lindroth^[43]在瑞典中部的针叶混交林内研究发现，树木蒸腾出现明显降低的REW阈值在0.2左右。当土壤水分充足时，叶片水势增加，蒸腾速率表现为先增加后逐渐趋于稳定的变化趋势^[12]。有研究表明，林分蒸腾达到稳定时的REW的阈值为0.2 ~ 0.5之间^[44]。本研究中，当REW的阈值大于0.3 时，林分小时蒸腾基本保持稳定，该阈值在前人研究的阈值范围之内。

4.2 多因素共同影响下的树木蒸腾

在自然条件下，树木蒸腾受大气蒸腾需求和土壤水分可获得性的共同限制。因此，精确量化各环境因子对蒸腾的影响，并建立多因素影响的林分蒸腾模型非常有必要。利用上外包线法和连乘方程构建多因素对林分蒸腾影响的复合模型，可较好地模拟林分蒸腾^[12,44]。但目前研究均集中在日尺度上，对短时间尺度（如小时尺度）上树木蒸腾对多个环境的响应关系及耦合模型还未见报道，这限制了对树木蒸腾响应短时间环境变化的准确理解。本研究在小时尺度上建立了同时反映R_s，VPD和REW影响的华北落叶松林分蒸腾模型，具有较高的拟合精度，可解释小时蒸腾量变异的74%，可为更进一步理解华北落叶松蒸腾对小时尺度上环境变化的响应提供帮助。但本研究建立的耦合模型并未考虑短时间尺度下树干液流对R_s和VPD的响应的时滞效应问题。Zeppel等^[45]对澳大利亚桉树（Eucalyptus crebra）和白羽松（Callitris glaucophylla）的研究发现，树干液流对VPD的响应关系会出现顺时针方向的时滞圈；Hong等^[6]发现，树干液流速率对R_s的响应在晴天表现为顺时针时滞，而在阴天和雨天表现为逆时针时滞。另外，本研究也未考虑叶面积指数的变化对蒸腾量的影响。已有研究表明，同等辐射强度下，叶面积的大小决定着吸收能量的多少，因叶面积不同导致蒸腾存在差异^[46]，这均有可能影响本研究构建模型的模拟精度（74%），因此，未来还需继续考虑时滞效应与叶面积指数变化的影响，以提高模型模拟精度。

5. 结　　论

（1）林分蒸腾的日内变化呈现单峰或多峰的变化特征，蒸腾量的峰值（mm/h）表现为5月（0.173）> 6月（0.122）> 7月（0.916）> 8月（0.762）> 9月（0.468）。

（2）林分小时蒸腾量对R_s和VPD的响应均符合二次多项式函数，随R_s和VPD的增大，蒸腾量先增后减，达到最高值的R_s和VPD阈值分别为666.7 W/m²和1.86 kPa；而林分小时蒸腾对REW的响应符合趋于饱和的指数关系，随REW的增加，蒸腾量先增加，当REW大于0.3后逐渐趋于稳定。

（3）林分小时蒸腾可用耦合R_s、VPD和REW这3个因素影响的模型进行很好地预测和评估，模型为T = (− 6.347 0 × 10^{− 5} ${R_{\rm{s}}^2}$ − 0.637 0R_s − 208.734 8) × (− 0.003 2VPD² + 0.013 8VPD + 0.001 7) × (− 0.008 1 − 0.004 6(1 − exp(− 12.469 6REW)))。

图 1 MAFF-YOLO结构图

Figure 1. MAFF-YOLO structure diagram

下载: 全尺寸图片幻灯片

图 2 NAM注意力机制

M_C表示输出特征， ${\gamma }_{i}$ 是通道i的比例因子；M_S表示输出特征， ${\lambda }_{i}$ 是通道i的比例因子

Figure 2. NAM Attention mechanism

下载: 全尺寸图片幻灯片

图 3 无人机飞行高度75米时的造林明穴影像

Figure 3. Forest planting hole image of unmanned aerial vehicle flying at an altitude of 75 meters

下载: 全尺寸图片幻灯片

图 4 原始影像及其标注影像

a1、b1、c1、d1为截取的640 × 640像素的原始影像，a2、b2、c2、d2为对应的标注影像

Figure 4. Original images and its annotation images

下载: 全尺寸图片幻灯片

图 5 MAFF-YOLO和YOLOv8模型检测结果对比

Figure 5. Comparison of detection results between the MAFF-YOLO and YOLOv8 models

下载: 全尺寸图片幻灯片

图 6 MAFF-YOLO模型实地检测结果

Figure 6. Field detection results of the MAFF-YOLO model

下载: 全尺寸图片幻灯片

表 1 MobileNetV4体系结构

Table 1 MobileNetV4 architecture

层	模块	输入的特征图	起始深度卷积核大小	中间深度卷积核大小	步幅	扩展比	输出通道数
layer0	Convbn	640 × 640 × 3		3 × 3	2		32
layer1	Convbn	320 × 320 × 32		3 × 3	2		32
layer1	Convbn	160 × 160 × 32		1 × 1	1		32
layer2	Convbn	160 × 160 × 32		3 × 3	2		96
layer2	Convbn	80 × 80 × 96		1 × 1	1		64
layer3	ExtraDW	80 × 80 × 64	5 × 5	5 × 5	2	3	96
	IB	40 × 40 × 96		3 × 3	1	2	96
	IB	40 × 40 × 96		3 × 3	1	2	96
	IB	40 × 40 × 96		3 × 3	1	2	96
	IB	40 × 40 × 96		3 × 3	1	2	96
	ConvNext	40 × 40 × 96	3 × 3		1	4	96
layer4	ExtraDW	40 × 40 × 96	3 × 3	3 × 3	2	6	128
	ExtraDW	20 × 20 × 128	5 × 5	5 × 5	1	4	128
	IB	20 × 20 × 128		5 × 5	1	4	128
	IB	20 × 20 × 128		5 × 5	1	3	128
	IB	20 × 20 × 128		3 × 3	1	4	128
	IB	20 × 20 × 128		3 × 3	1	4	128
layer5	Convbn	20 × 20 × 128		1 × 1	1		960
layer5	Convbn	20 × 20 × 960		1 × 1	1		1 280

下载: 导出CSV

表 2 交叉验证训练结果

Table 2 Cross-validation training results

子集	精度（P）/%	召回率（R）/%	mAP50/%	F_0.5/%
1	95.3	96.6	98.8	95.6
2	93.2	94.2	97.4	93.4
3	91.4	95.9	97.8	92.3
4	96.3	95.7	98.9	96.2
5	95.0	97.9	99.0	95.6
6	95.0	97.9	99.0	95.6
7	94.4	92.0	97.9	93.9
8	93.9	91.1	95.9	93.3
9	97.1	95.1	98.0	96.7
10	97.6	92.8	98.6	96.6
注：F_0.5表示召回率权重是精度0.5倍的F-Score，mAP50为全类平均精度。

下载: 导出CSV

表 3 消融实验结果

Table 3 Ablation experiment results

模型	P/%	R/%	mAP50/%	参数量	浮点运算次数	F_0.5/%
YOLOv8	97.1	95.1	98.0	3.0 × 10⁶	8.1 × 10⁹	96.7
YOLOv8-MobileNetV4	97.7	92.7	97.9	4.3 × 10⁶	8.0 × 10⁹	96.7
YOLOv8-MobileNetV4-NAM	98.1	94.0	98.5	4.3 × 10⁶	8.0 × 10⁹	97.3
YOLOv8-MobileNetV4-NAM-CCFM	97.7	92.6	98.0	3.3 × 10⁶	6.5 × 10⁹	96.6
YOLOv8-MobileNetV4-NAM-CCFM-RFAHead	97.7	93.1	97.9	3.1 × 10⁶	5.6 × 10⁹	96.7
YOLOv8-MobileNetV4-NAM-CCFM-RFAHead-FocusCIoU	98.1	94.0	98.7	3.1 × 10⁶	5.6 × 10⁹	97.3

下载: 导出CSV

表 4 注意力机制对比实验结果

Table 4 Comparison results of attention mechanism experiments

主干	注意力机制	注意力机制添加位置	P/%	R/%	mAP50/%	参数量	浮点运算次数	F_0.5/%
MobileNetV4	CBAM	主干网络SPPF层后	96.0	94.5	98.4	4.4 × 10⁶	8.0 × 10⁹	95.7
		Neck中连接Head的3个C2f后	96.6	92.2	97.7		8.0 × 10⁹	95.7
		Neck中的C2f后	97.4	92.8	97.7		8.0 × 10⁹	96.4
	PSA	主干网络SPPF层后	96.3	93.9	97.9	4.5 × 10⁶	8.2 × 10⁹	95.8
	NAM	主干网络SPPF层后	98.1	94.0	98.5	4.3 × 10⁶	8.0 × 10⁹	97.3
		Neck中连接Head的3个C2f后	97.0	94.2	98.2		8.0 × 10⁹	96.4
		Neck中的C2f后	96.3	93.9	98.0		8.0 × 10⁹	95.8
	MLCA	主干网络SPPF层后	97.7	92.8	98.0	4.3 × 10⁶	8.0 × 10⁹	96.7
		Neck中连接Head的3个C2f后	96.7	94.2	98.0		8.0 × 10⁹	96.2
		Neck中的C2f后	97.7	92.8	98.4		8.0 × 10⁹	96.7
	SE	主干网络SPPF层后	96.7	93.9	98.4	4.3 × 10⁶	8.0 × 10⁹	96.1
		Neck中连接Head的3个C2f后	97.7	91.2	97.0		8.0 × 10⁹	96.3
		Neck中的C2f后	97.0	93.1	98.0		8.0 × 10⁹	96.2

下载: 导出CSV

表 5 特征融合模块对比实验结果

Table 5 Comparison results of feature fusion module experiments

特征融合模块		P/%	R/%	mAP50/%	参数量	浮点运算次数	F_0.5/%
改变Neck网络结构	BiFPN	96.8	92.8	98.3	4.3 × 10⁶	8.0 × 10⁹	96.0
	FASFFHead	97.3	92.2	97.7	5.6 × 10⁶	15.1 × 10⁹	96.2
	RepGFPN	93.7	94.6	97.8	4.5 × 10⁶	8.3 × 10⁹	93.9
	CCFM	97.7	92.6	98.0	3.3 × 10⁶	6.5 × 10⁹	96.6
	HSFPNS	95.9	91.7	97.4	3.3 × 10⁶	6.8 × 10⁹	95.0
	HSFPNL	97.0	92.3	97.6	6.4 × 10⁶	30.7 × 10⁹	96.0
	ASFYOLO	97.0	94.6	98.0	4.3 × 10⁶	8.5 × 10⁹	96.5
替换Neck中的特征提取模块	SDI	90.2	87.4	94.5	6.1 × 10⁶	15.1 × 10⁹	89.6
	SlimNeck	96.7	94.2	98.6	4.1 × 10⁶	7.2 × 10⁹	96.2
	C2f_MLCA	96.8	92.8	98.3	4.3 × 10⁶	8.0 × 10⁹	96.0
联合改进	SDI + ASFYOLO	96.0	94.7	98.5	4.7 × 10⁶	8.9 × 10⁹	95.7

下载: 导出CSV

表 6 检测头对比实验结果

Table 6 Comparison results of detect experiments

检测头	P/%	R/%	mAP50/%	参数量	浮点运算次数	F_0.5/%
HATHead	98.5	92.3	97.5	32.9 × 10⁶	5.3 × 10⁹	97.2
RFAHead	97.7	93.1	97.9	3.1 × 10⁶	5.6 × 10⁹	96.7
RepHead	96.2	92.4	97.4	3.1 × 10⁶	5.4 × 10⁹	95.4
Detect_DBB	97.5	93.0	98.1	3.3 × 10⁶	6.9 × 10⁹	96.6
Dyhead	95.8	95.0	98.0	3.7 × 10⁶	7.3 × 10⁹	95.6
FRMHead	59.4	72.7	70.1	88.2 × 10⁶	74.6 × 10⁹	61.7

下载: 导出CSV

表 7 FocusCIoU参数选择对比实验

Table 7 Comparison experiment of FocusCIoU parameter selection

参数 $\alpha$	P/%	R/%	mAP50/%	F_0.5/%
0.1	0	0	0	0
0.25	95.9	93.4	97.2	95.4
0.5	97.0	93.5	98.0	96.3
0.75	97.7	92.3	98.3	96.6
0.9	98.1	94.0	98.7	97.3
0.99	96.8	93.9	98.1	96.2
0.999	97.0	94.6	97.8	96.5
1	97.2	93.5	97.8	96.4

下载: 导出CSV

参考文献(29)

[1]	全国营造林标准化技术委员会. 造林技术规程: GB/T 15776—2023[S]. 北京: 中国标准出版社, 2023. National Technical Committee on Afforestation and Forest Management of China. Technical regulation for forestation: GB/T 15776−2023[S]. Beijing: China standard Press, 2023.
[2]	段海滨, 梅宇, 赵彦杰, 等. 2023年无人机热点回眸[J]. 科技导报, 2024, 42(1): 217−231. Duan H B, Mei Y, Zhao Y J, et al. Review of technological hotspots of unmanned aerial vehicle in 2023[J]. Science & Technology Review, 2024, 42(1): 217−231.
[3]	樊仲谋, 周成军, 周新年, 等. 无人机航测技术在森林资源调查中的应用[J]. 森林与环境学报, 2018, 38(3): 297−301. Fan Z M, Zhou C J, Zhou X N, et al. Application of unmanned aerial vehicle aerial survey technology in forest inventory[J]. Journal of Forest and Environment, 2018, 38(3): 297−301.
[4]	刘鹤, 顾玲嘉, 任瑞治. 基于无人机遥感技术的森林参数获取研究进展[J]. 遥感技术与应用, 2021, 36(3): 489−501. Liu H, Gu L J, Ren R Z. Research progress of forest parameter acquisition based on UAV remote sensing technology[J]. Remote Sensing Technology and Application, 2021, 36(3): 489−501.
[5]	李聪, 汪陈徽, 金衍科, 等. 面向森林火灾的人工巡视与无人机巡视效益评估[J]. 中国安全生产科学技术, 2024, 20(6): 17−25. Li C, Wang C H, Jin Y K, et al. Benefit evaluation of manual patrol and unmanned aerial vehicle patrol for forest fire[J]. Journal of Safety Science and Technology, 2024, 20(6): 17−25.
[6]	武红敢, 牟晓伟, 杨清钰, 等. 无人机遥感技术在重庆市沙坪坝区松材线虫病监测中的应用[J]. 林业资源管理, 2019(2): 109−115. Wu H G, Mou X W, Yang Q Y, et al. Remote sensing monitoring technology of pine wood nematode disease by unmanned aerial vechicle in Shapingba, Chongqing[J]. Forest and Grassland Resources Research, 2019(2): 109−115.
[7]	阎婧宇, 谢永华. 基于YOLOv7-Tiny算法的无人机实时跟踪野生动物方法[J]. 野生动物学报, 2024, 45(2): 251−261. doi: 10.12375/ysdwxb.20240203 Yan J Y, Xie Y H. Real time tracking of wild animals using unmanned aerial vehicles based on YOLOv7-tiny algorithm[J]. Chinese Journal of Wildlife, 2024, 45(2): 251−261. doi: 10.12375/ysdwxb.20240203
[8]	王小昆, 蒋爱军, 胡继平, 等. 遥感技术在全国营造林综合核查中的应用研究[J]. 林业资源管理, 2008(4): 132−136. doi: 10.3969/j.issn.1002-6622.2008.04.030 Wang X K, Jiang A J, Hu J P, et al. Study on application of remote sensing technology to integrated national afforestation inspection[J]. Forest and Grassland Resources Research, 2008(4): 132−136. doi: 10.3969/j.issn.1002-6622.2008.04.030
[9]	侯学良, 单腾飞, 薛靖国. 深度学习的目标检测典型算法及其应用现状分析[J]. 国外电子测量技术, 2022, 41(6): 165−174. Hou X L, Dan T F, Xue J G. Analysis of typical target detection algorithm based on deep learning and its application status[J]. Foreign Electronic Measurement Technology, 2022, 41(6): 165−174.
[10]	曹家乐, 李亚利, 孙汉卿, 等. 基于深度学习的视觉目标检测技术综述[J]. 中国图象图形学报, 2022, 27(6): 1697−1722. doi: 10.11834/jig.220069 Cao J L, Li Y L, Sun H Q, et al. A survey on deep learning based visual object detection[J]. Journal of Image and Graphics, 2022, 27(6): 1697−1722. doi: 10.11834/jig.220069
[11]	Yu R, Ren L, Luo Y. Early detection of pine wilt disease in Pinus tabuliformis in North China using a field portable spectrometer and UAV-based hyperspectral imagery[J]. Forest Ecosystems, 2021, 8(3): 583−601.
[12]	Yu R, Luo Y Q, Li H A, et al. Three-dimensional convolutional neural network model for early detection of pine wilt disease using UAV-based hyperspectral images[J]. Remote Sensing, 2021, 13(20): 4065−4069.
[13]	王畅, 熊汉江, 涂建光, 等. 无人机影像的松材线虫病半监督学习检测方法[J/OL]. 武汉大学学报(信息科学版). [2023−12−03]. https://doi.org/10.13203/j.whugis20220634. Wang C, Xiong H J, Xu J G, et al. Semi-supervised learning for pine wilt disease detection in UAV images[J/OL]. Geomatics and Information Science of Wuhan University. [2023−12−03]. https://doi.org/10.13203/j.whugis20220634.
[14]	Wang J L, Wang Y P, Liu L P, et al. Weakly supervised forest fire segmentation in UAV imagery based on foreground-aware pooling and context-aware loss[J]. Remote Sensing, 2023, 15(14): 3606−3609.
[15]	Tran D Q, Park M, Jung D, et al. Damage-map estimation using UAV images and deep learning algorithms for disaster management system[J]. Remote Sensing, 2020, 12(24): 4169−4179.
[16]	Onishi M, Ise T. Explainable identification and mapping of trees using UAV RGB image and deep learning[J]. Scientific Reports, 2021, 11(1): 903−907.
[17]	Liu M X, Deng H J, Dong W. Identification of mangrove invasive plant derris trifoliate using UAV images and deep learning algorithms[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 10017−10026.
[18]	梁玉琪. 基于深度学习的南方典型土壤剖面新生体智能识别研究[D]. 武汉: 华中农业大学, 2024. Liang Y Q. Research on intelligent recognition of profiled neonates in typical soils in southern China based on deep learning[D]. Wuhan: Huazhong Agricultural University, 2024.
[19]	陈怡达. 基于子图选择的野外土壤图像土种识别[D]. 重庆: 重庆师范大学, 2023. Chen Y D. Type recognition of field soil images based on subgraph selection algorithm[D]. Chongqing: Chongqing Normal University, 2023.
[20]	宁欣, 田伟娟, 于丽娜, 等. 面向小目标和遮挡目标检测的脑启发CIRA-DETR全推理方法[J]. 计算机学报, 2022, 45(10): 2080−2092. doi: 10.11897/SP.J.1016.2022.02080 Ning X, Tian W J, Yu L N, et al. Brain-inspired CIRA-DETR full inference method for small and occluded object detection[J]. Chinese Journal of Computers, 2022, 45(10): 2080−2092. doi: 10.11897/SP.J.1016.2022.02080
[21]	Redmon J, Farhadi A. YOLOv3: an incremental improvement [J/OL]. arXiv preprint arXiv, 2023 [2023−07−05]. https://arxiv. org/abs/1804.02767.
[22]	Zhang X , Zhou X , Lin M , et al. ShuffleNet: an extremely efficient convolutional neural network for mobile devices[C]//??. Proceedings of the IEEE conference on computer vision and pattern recognition. Salt Lake City: IEEE, 2018: 6848-6856.
[23]	Misra D, Nalamada T, Arasanipalai A U, et al. Rotate to attend: convolutional triplet attention module[C]// ??. Proceedings of the IEEE/CVF winter conference on applications of computer vision. Waikoloa: IEEE, 2021: 3139-3148.
[24]	Tan M, Pang R, Le Q V. EfficientDet: scalable and efficient object detection[C]// ??. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Seattle: IEEE, 2020: 10778-10787.
[25]	Dai X, Chen Y, Xiao B, et al. Dynamic head: unifying object detection heads with attentions[C]// ??. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. Nashville: IEEE, 2021: 7373-7382.
[26]	Zhang H, Xu C, Zhang S. Inner-IoU: more effective intersection over union loss with auxiliary bounding box[J/OL]. arXiv preprint arXiv, 2023. [2024−07−08]. https://doi.org/10.48550/arXiv.2311.02877.
[27]	孙雅楠, 刘亚静, 孙钊, 等. 将乐国有林场杉木径向生长及其对气候的响应[J]. 北京林业大学学报, 2024, 46(2): 18−27. doi: 10.12171/j.1000-1522.20220373 Sun Y N, Liu Y J, Sun Z, et al. Radial growth of Cunninghamia lanceolata and its response to climate in Jiangle National Forest Farm, Fujian Province of eastern China[J]. Journal of Beijing Forestry University, 2024, 46(2): 18−27. doi: 10.12171/j.1000-1522.20220373
[28]	陈灏然. 基于卷积神经网络的小目标检测算法研究[D]. 无锡: 江南大学, 2021. Chen H R. Research on small object detection algorithm based on convolutional neural network [D]. Wuxi: Jiangnan University, 2021.
[29]	孔硕. 基于YOLOv5和无人机图像的杉木幼林小目标检测[D]. 北京: 北京林业大学, 2023. Kong S. Small target detection in young Chinese fir forests based on YOLOv5 and UAV images [D]. Beijing: Beijing Forestry University, 2023.

施引文献(6)

期刊类型引用(3)

1.	蔡家珍. 闽南乡村低山河流型湿地公园植物群落构建. 漳州职业技术学院学报. 2024(04): 103-108 . 百度学术
2.	郭雅婷，李运远. 基于生物多样性的城市绿地植物群落构建途径. 风景园林. 2022(01): 59-63 . 百度学术
3.	杨土士，王伟文，常鸣，王雪梅. 北京市潜在风道的数值模拟与综合识别. 地球信息科学学报. 2020(10): 1996-2009 . 百度学术

其他类型引用(3)

资源附件(0)

图(6) / 表(7)

计量

文章访问数: 7
HTML全文浏览量: 4
PDF下载量: 0
被引次数: 6

1. 研究区概况
2. 研究方法
2.1 气象条件监测
2.2 土壤水分监测
2.3 树干液流的测定与计算
2.4 林分蒸腾量的计算
2.5 数据处理
3. 结果与分析
3.1 环境因子的季节变化特征
3.2 树干液流速率及林分蒸腾的日内变化
3.3 林分小时蒸腾对单因素环境条件的响应
3.4 林分小时蒸腾对多因素的响应及耦合模型
4. 讨　　论
4.1 林分小时蒸腾对单因素环境条件的响应
4.2 多因素共同影响下的树木蒸腾
5. 结　　论

1. 研究区概况
2. 研究方法
2.1 气象条件监测
2.2 土壤水分监测
2.3 树干液流的测定与计算
2.4 林分蒸腾量的计算
2.5 数据处理
3. 结果与分析
3.1 环境因子的季节变化特征
3.2 树干液流速率及林分蒸腾的日内变化
3.3 林分小时蒸腾对单因素环境条件的响应
3.4 林分小时蒸腾对多因素的响应及耦合模型
4. 讨　　论
4.1 林分小时蒸腾对单因素环境条件的响应
4.2 多因素共同影响下的树木蒸腾
5. 结　　论

参考文献(29)

施引文献(6)

资源附件(0)

MAFF-YOLO: 面向造林验收的明穴目标检测模型

作者简介: 石燕妮。主要研究方向：林业信息化。 Email：15540258597@163.com 地址：100083 北京市海淀区清华东路 35 号北京林业大学经济管理学院

责任作者: 王武魁，教授。主要研究方向：林业信息化。 Email：wangwukui@bjfu.edu.cn 地址：同上。

计量

出版历程

MAFFYOLO: a target detection model for planting holes in afforestation acceptance

1. 研究区概况

2. 研究方法

2.1 气象条件监测

2.2 土壤水分监测

2.3 树干液流的测定与计算

2.4 林分蒸腾量的计算

2.5 数据处理

3. 结果与分析

3.1 环境因子的季节变化特征

3.2 树干液流速率及林分蒸腾的日内变化

3.3 林分小时蒸腾对单因素环境条件的响应

3.4 林分小时蒸腾对多因素的响应及耦合模型

4. 讨 论

4.1 林分小时蒸腾对单因素环境条件的响应

4.2 多因素共同影响下的树木蒸腾

5. 结 论

期刊类型引用(3)

其他类型引用(3)

计量

出版历程

目录

1. 研究区概况

2. 研究方法

2.1 气象条件监测

2.2 土壤水分监测

2.3 树干液流的测定与计算

2.4 林分蒸腾量的计算

2.5 数据处理

3. 结果与分析

3.1 环境因子的季节变化特征

3.2 树干液流速率及林分蒸腾的日内变化

3.3 林分小时蒸腾对单因素环境条件的响应

3.4 林分小时蒸腾对多因素的响应及耦合模型

4. 讨 论

4.1 林分小时蒸腾对单因素环境条件的响应

4.2 多因素共同影响下的树木蒸腾

5. 结 论

作者简介:
石燕妮。主要研究方向：林业信息化。 Email：15540258597@163.com　地址：100083 北京市海淀区清华东路 35 号北京林业大学经济管理学院

责任作者:
王武魁，教授。主要研究方向：林业信息化。 Email：wangwukui@bjfu.edu.cn　地址：同上。

4. 讨　　论

5. 结　　论

4. 讨　　论

5. 结　　论