杨树根系形态、分布、动态特征及其吸水特性

席本野

doi:10.12171/j.1000-1522.20190400

杨树根系形态、分布、动态特征及其吸水特性

席本野

北京林业大学省部共建森林培育与保护教育部重点实验室，北京 100083

基金项目: 北京林业大学中央高校基本科研业务费专项资金项目（2018ZY26），国家科学自然基金项目（31872702、31670625、31971640），“十二五”国家科技支撑计划（2015BAD09B02），国家重点研发计划（2016YFD0600403）

详细信息

作者简介:
席本野，博士，副教授。主要研究方向：人工林水分关系和用材林培育理论与技术。Email：benyexi@bjfu.edu.cn　地址：100083 北京市海淀区清华东路35号北京林业大学

计量
- 文章访问数: 14743
- HTML全文浏览量: 4834
- PDF下载量: 350
出版历程
- 收稿日期: 2019-10-20
- 修回日期: 2019-11-21
- 网络出版日期: 2019-11-26
- 发布日期: 2019-11-30

Morphology, distribution, dynamic characteristics of poplar roots and its water uptake habits

Xi Benye

Key Laboratory for Silviculture and Conservation of Ministry of Education, Beijing Forestry University, Beijing 100083, China

摘要

摘要: 根系是连接植物与土壤的纽带，也是植物吸收水养资源的器官，在树木生理生活中发挥着至关重要的作用。杨树在我国北方被广泛栽植，其木材产量占我国总木材产量的30%。因此，了解杨树根系的各种特点有助于深入认识其生存和生长机制，以及在各种环境下的生态适应策略，从而为杨树林地高效经营管理技术的优化、林分质量和产量的双提升提供理论基础。本文基于已有研究，对杨树根系形态、分布、动态特征以及吸水特性等内容及部分研究方法进行了综述。首先，本文总结了已有研究中采用的各种根系分级方法，指出其各自的不足与可取之处，并提出更适合杨树根系分级的方法。其次，对现有研究中发现的各种杨树根系构型、形态、分布以及生长动态等特征进行了归纳总结，探讨了各种特征产生的原因以及对杨树根系吸收效率产生的影响。然后，总结了杨树根系在各种条件下的吸水特性与机制，并在最后提出了现有杨树根系研究的不足以及今后的发展方向。
- 细根 /
- 粗根 /
- 根系分布 /
- 根系动态 /
- 杨树
Abstract: Root is the link between plants and soil, and also the organ for plants to absorb water and nutrients. It plays a vital role in the physiological activities of plants. Poplar is widely planted in plain of North China, and the wood output accounts for almost 30% of the total wood output in China. Therefore, understanding the characteristics of poplar root is conducive to the in-depth understanding of its survival and growth mechanism, ecological adaptation strategies in various environments, so as to provide a theoretical basis for the optimization of efficient management technology of poplar plantation and the improvement of forest quality and forest yield. In this paper, based on the existing studies, the contents of poplar root morphology, distribution, dynamic characteristics, water absorption characteristics and some research methods are reviewed. Firstly, various root classification methods used in previous studies were discussed, then their shortcomings and merits and more suitable methods for poplar root classification were pointed out. Secondly, the various architecture, morphology, distribution and growth dynamics of poplar root found in existing studies were summarized, and the causes of various characteristics and their effects on the absorption efficiency of poplar root were discussed. Finally, the water absorption characteristics and mechanism of poplar root under various conditions were summarized, the deficiencies of existing research on poplar root and the future research direction were also put forward.
- fine root /
- coarse root /
- root distribution /
- root dynamics /
- poplar

HTML全文

我国野生动物种类繁多，分布广泛，其中国家一级保护动物约97种，二级保护动物约320种，野生动物资源已经成为我国重要的战略资源。对野生动物进行监测是野生动物保护管理工作的重要组成，利用红外自动感应相机、无线遥感等技术^[1-3]对野生动物进行图像监测是当前最有效的手段之一。这种方法可以提供野生动物的种群分布、物种多样性等信息，但是存在着人工识别效率低，监测周期长的问题。因此，采用机器学习技术对野生动物图像进行自动检测与识别成为当前的研究热点。

曾陈颖^[4]提出了一种基于BP神经网络的大熊猫(Ailuropoda melanoleuca)识别方法。Okafor^[5]等提出一种基于深层学习与视觉词汇袋的野生动物识别方法，该方法使用灰度、颜色信息和不同的空间汇集方法来完成训练过程。但是利用红外自动感应相机监测野生动物时，由于相机布设在野外，拍摄时易受到动物本身的行为、周围环境和气候的影响，成像条件较差，导致识别的准确率低，因此学者们开始专注于解决由复杂环境背景导致的低识别率的问题。Villa等^[6]在文章中指出：图像包含的复杂背景信息对于识别的效果存在一定的影响，需要依靠准确的分割算法来提高识别准确率。Yu等^[7]将动物体从待训练图像中手动提取出来，这使得其对自建数据库的识别准确率提高到82%。近些年，深度学习理论的成熟与大数据的积累，为深度学习的应用提供了实践基础^[8]。在此基础上，通过应用深度学习理论构建了多种深度学习网络，并在ImageNet数据集上取得了极高的识别准确率。这些深度网络模型包括AlexNet^[9]、VGG Net^[10]、GoogleNet^[11]、Deep Residual Net^[12]和DenseNet^[13]等，与此同时，这些网络模型也被用于大熊猫、长颈鹿(Giraffa camelopardalis)等野生动物^[14]的图像识别。

就目前而言，深度神经网络已在动物图像的识别上广泛应用，Chen等^[15]使用自动图形切割算法分割野生动物区域，再使用深度卷积神经网络对20种野生动物进行识别，得到较好的识别精度。相比其他深度网络，近年兴起的DCNN(深度卷积神经网络)直接由数据本身得到特征和表达关系的自我学习，对图像具有极强的数据特征抽象能力，因此可以适应环境变化下的对象识别。目前，DCNN已在手写字符识别^[16]、行为识别^[17]以及农作物识别^[18-19]等方面获得了较好的效果，但是针对红外相机监测图像的检测与识别的研究仍面临着准确率低的问题。

针对以上问题，本研究提出一种基于目标检测与卷积神经网络(ROI-CNN)的野生动物监测图像的自动识别方法，通过基于回归算法的目标检测方法将野生动物所在区域从红外监测图像中分割出来，建立ROI图像数据库；将原始图像和ROI图像输入双通道卷积神经网络进行基于全局-局部的自动识别，最终实现高准确率的野生动物物种识别。

1. 材料与方法

1.1 野外环境下野生动物监测图像数据库的建立

2010—2016年间，项目组在内蒙古赛罕乌拉国家级自然保护区，利用红外感应触发相机对野生动物进行图像监测，获得了上千张野生动物监测图像，构建了野生动物监测图像数据库。监测图像均为24位RGB真彩色图像，分辨率为2 560 × 1 920。本研究从中选择了5种常见的国家级陆生保护动物^[20]为研究对象，包括马鹿(Cervus elaphus)、斑羚(Naemorhedus goral)、狍(Capreolus capreolus)、猞猁(Lynx lynx)和野猪(Sus scrofa)。表 1为图像数据库中5种动物的图像数量。

表 1 野生动物图像样本数据库

Table 1. Wildlife image sample database

图像数量 Image number	马鹿 Red deer	斑羚 Goral	狍 Roe deer	猞猁 Lynx	野猪 Boar
白天 Day time	542	574	498	186	69
黑夜 Night time	322	75	267	50	85
总图像 Total images	864	649	765	236	154

下载: 导出CSV

| 显示表格

红外自动感应相机在野外捕捉到的野生动物图像鲜有如图 1a所示的理想状况，监测图像通常会受到环境、动物行为和相机硬件的影响，存在如图 1b所示的遮挡问题，如图 1c、d所示的曝光以及动物颜色与背景难区分等问题，这些问题都会给图像监测中野生动物的检测与识别带来困难。

图 1 野生动物监测图像的常见情形

Figure 1. Common situations of wildlife monitoring images

下载: 全尺寸图片幻灯片

除此之外，红外自动感应相机也会因其他因素影响导致误触发拍摄大量无效图像，在训练中过大的数据量会导致检测与识别的效率低下。基于以上问题，本研究提出将ROI提取技术加入到野生动物图像的检测与识别中，减少复杂背景对动物识别的影响，同时提高模型训练的效率。

1.2 基于目标检测技术的野生动物区域自动检测分割

针对复杂背景对野生动物图像中动物的检测识别带来的影响，本研究采用一种基于回归算法的目标检测技术对图像中野生动物所在区域进行检测与分割。

回归检测算法网络DarkNet-19由19个卷积层、5个最大值池化层构成，首先将图像尺寸修改为448×448，输入网络进行预测，网络输出为S×S×(B×5+C)的张量，其中S为划分网格数，B为网络预测边框数，C为类别个数。然后将整幅图像划分为S×S个网格(grid cell)，每个网格预测B个检测边界框(bounding boxes)，以及每个框的置信度(confidence)，每个检测边界框包含5个参数(x、y、w、h和confidence)。(x, y)代表检测边界框的中心相对其母网格的位置，(w, h)为检测边界框的宽和高。置信度confidence计算公式如下：

${\rm{confidence}}=\operatorname{Pr}(\text { Object }) \times \mathrm{IOU}$

(1)

$\mathrm{IOU}=\frac{\operatorname{area}\left(\mathrm{BB}_{\mathrm{dt}} \cap \mathrm{BB}_{\mathrm{gt}}\right)}{\operatorname{area}\left(\mathrm{BB}_{\mathrm{dt}} \cup \mathrm{BB}_{\mathrm{gt}}\right)}$

(2)

式中：Pr(Object)为边界框包含目标物体的概率；IOU为检测框与标准框的交并比值；BB_gt为基于训练标签的参考标准框；BB_dt为检测边界框；area()表示面积。

本文中使用的S=7，即将输入图像首先分为49个网格，每个网格预测2个检测边界框，在算法中每个框包含x、y、w、h、confindence这5个数值，此处仅做野生动物区域回归，不做物种的具体类别预测，因此C取1，最后的输出是7×7×(2×5+1)的张量。采用误差平方和作为损失函数(loss)：

$\begin{array}{l}{\operatorname{loss}=\lambda_{\text { coord }} \sum\limits_{i=0}^{S^{2}} \sum\limits_{j=0}^{B} I_{i j}^{\mathrm{obj}}\left[\left(x_{i}-\hat{x}_{i}\right)^{2}+\left(y_{i}-\hat{y}_{i}\right)^{2}\right]+} \\ {\lambda_{\text { coord }} \sum\limits_{i=0}^{S^{2}} \sum\limits_{j=0}^{B} I_{i j}^{\mathrm{obj}}\left[\left(\sqrt{w_{i}}-\sqrt{\hat{w}_{i}}\right)^{2}+\left(\sqrt{h_{i}}-\sqrt{h_{i}}\right)^{2}\right]}\end{array}$

(3)

式中：λ_coord为定位误差的权重；x_i、y_i、w_i、h_i是第i个网格的位置以及宽和高； $\hat{x}_{i}, \hat{y}_{i}, \hat{w}_{i}, \hat{h}_{i}$ 是参考标准框的参数值。I_ij^obj表示第i个网格中第j个负责预测的预测值(predictor)。

在每一张图像中，会存在很多并不包含物体的网格，这些网格的置信度为0，它们的训练梯度远大于包含物体中心的部分网格，很可能会覆盖掉它们的梯度更新，使得模型不稳定，导致网络的发散。针对这个问题，本研究给定位误差更大的权重，使λ_coord=5，同时减小不包含物体中心网格的置信度误差的权重，包含物体中心网格的置信度误差则保持不变。

按照检测得到的野生动物所在区域的坐标(包含左上角坐标[x₁, y₁]和右下角坐标[x₂, y₂])对图像(图 2a)进行切割，输出如图 2b的目标区域图像，建立ROI图像库，为下一步的野生动物的自动识别提供数据基础。为了更精确地提取目标物种的特征，本研究需要目标检测算法的准确率达到90%以上才可进行后续的模型训练。

图 2 野生动物图像目标检测分割

Figure 2. Target detection segmentation for wildlife images

下载: 全尺寸图片幻灯片

1.3 基于VGG16的训练网络

VGGNet是DCNN的典型代表，其3×3小卷积核的设计思想使得网络的参数更少，且在具有1 000个分类的大规模图像数据集ImageNet^[21]的分类和定位上的适用性已得到了充分的验证，因此本研究以此为基础设计针对野生动物监测图像的识别网络。图 3为16个权重层的网络结构。

图 3 VGG16网络架构

注：COV3-64表示卷积核大小为3 × 3，通道数为64的卷积层；COV3-128表示卷积核大小为3 × 3，通道数为128的卷积层；COV3-256表示卷积核大小为3 × 3，通道数为256的卷积层；COV3-512表示卷积核大小为3 × 3，通道数为512的卷积层；MAXPOOL表示采用最大值池化；FC-4096表示通道数为4096的全连接层；FC-1000表示通道数为1000的全连接层；分类层采用softmax函数。

Figure 3. VGG16 network architecture

Notes: COV3-64 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 64 channels. COV3-128 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 128 channels. COV3-256 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 256 channels. COV3-512 represents a convolution layer with a convolutional kernel of 3×3 and a convolutional layer with 512 channels. MAXPOOL indicates that the maximum pool is used.FC-4096 denotes a fully connected layer with a channel number of 4096. FC-1000 denotes a fully connected layer with a channel number of 1000;the classification layer uses softmax function.

下载: 全尺寸图片幻灯片

VGGNet的输入为224×224的RGB图像，图像经过网络的处理，输出其属于每个类别的概率。VGGNet架构的核心由卷积层和池化层交替构成。其中前5部分分别由多个卷积核大小为3×3的卷积层构成，第6部分为3个全连接(fully-connected, FC)层。卷积层的主要作用是提取特征^[22]，即包含一组经数据驱动进行自主学习的卷积核，又称特征提取器。针对不同的特征提取密集度，卷积核用固定大小的卷积步幅与输入做卷积运算，经由激活函数变换后构成卷积特征图，代表对输入图像特征的响应。输出的特征图通常表示为：

$a_{n}^{l}=f\left(\sum\limits_{\forall m}\left(a_{m}^{l-1} \times k_{m, n}^{l}\right)+b_{n}^{l}\right)$

(4)

式中：a_n^l为第l层(当前层)的第n个特征图，a_m^l-1为第(l-1)层(上一层)的第m个特征图，k_{m, n}^l表示作用于2个特征图之间的卷积核，f(x)为激活函数，b_n^l代表偏置项。

池化层用于特征映射和降维，本研究中采用最大值池化，对卷积特征图进行下采样后构成池化特征图，通常表示为：

$a_{n}^{l}=f\left(r_{n}^{l} \times \frac{1}{s^{2}} \sum\limits_{s \times s} a_{n}^{l-1}+b_{n}^{l}\right)$

(5)

式中：s是选取的下采样模板，r_n^l为模板的权值。

经过多层级联后，全连接层对最后一个池化层输出的特征图作矢量变换，构成特征向量输送到分类层。

2. 基于全局-局部的双通道VGG16野生动物自动识别

基于上文提到的技术与方法，提出一种基于ROI-CNN的野生动物监测图像自动识别方法，首先采用基于回归算法的目标检测技术对图像中野生动物所在的区域进行检测，实现自动的分割与裁剪，得到以动物为主体的图像集(ROI图像)；提出一种双通道模型，将未经感兴趣区域提取的图像和ROI图像同时导入VGGNet进行训练，基于ImageNet数据库进行微调，最后接入分类器输出最终的识别结果。图 4为算法流程图。

图 4 算法流程图

Figure 4. Algorithm flow chart

下载: 全尺寸图片幻灯片

图 5所示为构建的基于VGG16的双通道网络模型，其中包括网络通道G1与网络通道G2。将未经感兴趣区域提取的图像数据库与经感兴趣区域提取后的ROI图像数据库作为训练样本，分别输入G1与G2，以softmax作为分类器，分别输出预测概率矩阵P_G1与P_G2：

图 5 双通道网络模型

Figure 5. Dual-channel network model

下载: 全尺寸图片幻灯片

$\boldsymbol{P}_{\mathrm{G} 1}=\left[P_{1\_1}, P_{1\_2}, P_{1\_3}, P_{1\_4}, P_{1\_5} \right]$

(6)

$\boldsymbol{P}_{\mathrm{G} 2}=\left[P_{2\_1}, P_{2\_2}, P_{2\_3}, P_{2\_4}, P_{2\_5}\right]$

(7)

式中：P_{i_j}表示网络输出的预测概率，i∈{1，2}，分别对应网络通道G1与G2；j∈{1，2，3，4，5}，分别对应5种被预测的物种。P_G1与P_G2为n=5的行向量，概率矩阵满足各类预测概率之和为1，即满足：

$\sum\limits_{j=1}^{5} P_{i j}=1$

(8)

最后通过分类概率融合将概率矩阵P_G1与P_G2相加取平均值，得到最终的识别概率矩阵Q，并输出矩阵中概率最大值所对应的物种作为识别的结果。

$Q=\frac{\boldsymbol{P}_{\mathrm{G} 1}+\boldsymbol{P}_{\mathrm{C} 2}}{2}$

(9)

3. 实验和结果分析

本研究的硬件平台为E5-2620 CPU，两块GTX 1080ti GPU的工作站，软件为Ubuntu16.04操作系统、Python2.7的编程环境、Tensorflow1.3.0的深度学习框架。

3.1 野生动物目标检测器训练

首先采用1.2节介绍的基于回归的目标检测技术训练野生动物目标检测器。从样本库中随机选择每类野生动物图片的80%作为训练样本，使用labelImg作为图像标定软件，对训练集图像中的野生动物区域进行人工标定。以Darknet-19作为特征提取网络，采用随机梯度下降法(SGD)为优化函数，初始学习率为0.001，冲量(momentum)为0.9，训练批次(batch size)为8。训练过程迭代次数为1 200次，图 6为训练准确率的变化图。训练集准确率在训练迭代1 200次后达到97%以上，将数据库中其余20%的样本作为验证集，最终验证集准确率为96.6%。这说明野生动物目标检测器满足90%的准确率要求，可以用来提取监测图像中野生动物所在区域。

图 6 目标检测算法训练准确率

Figure 6. Training accuracy chart of the target detection algorithm

下载: 全尺寸图片幻灯片

3.2 双通道卷积神经网络模型训练

训练VGG16网络模型时，采用随机梯度下降(stochastic gradient descent, SGD)算法进行优化实验，学习率采用步进阶梯调节策略step。网络模型训练参数如表 2所示。

表 2 网络模型训练参数

Table 2. Training parameters of the network model

参数类型 Parameter type	批量数据 Batch data	优化算法 Optimization algorithm	初始学习率 Initial learning rate	迭代次数 Epochs	损失函数 Loss function
值或方法Value or method	64	随机梯度下降 Stochastic gradient descent	0.001	50	交叉熵函数Cross entropy function

下载: 导出CSV

| 显示表格

为了丰富图像训练集，更好地提取图像特征，提高模型泛化能力，本研究在训练过程中采用仿射变换和裁剪等方式对样本图像进行数据扩充，将原有训练样本数据扩充5倍。将图像数据库中的每类野生动物图像分成训练集、测试集和验证集。其中训练集和测试集分别占每类动物图像总数的70%和30%，随机从图像数据库中产生20%作为验证集。

选定平均识别精度的平均值MAP^[23](mean average precision)来评价识别模型的好坏，MAP的计算公式如式(10)：

$\operatorname{MAP}=\frac{\sum\limits_{q=1}^{5} \operatorname{Ave} P(q)}{5}$

(10)

式中：q为野生动物物种的编号，P(q)为野生动物监测图像中第q类物种的识别精度，AveP(q)为第q类物种的平均识别精度(average precision，AP)，MAP为5种物种的平均识别精度的均值。

3.3 不同CNN网络结构的对比实验

本研究算法中采用的网络结构是VGG16，为了验证不同网络结构对算法识别效果的影响，用VGG19结构代替VGG16进行训练识别，将两种结构下的训练效果进行对比。

图 7所示为两种结构下的模型在训练时损失函数值和准确率随迭代次数的变化，两种模型的训练均在40次迭代之后开始趋于稳定。对5种野生动物的识别效果以及训练的MAP值和验证时最大MAP值的对比如表 3所示。

图 7 损失函数值(a)和准确率(b)随迭代次数的变化

Figure 7. Variations of loss fuction values (a) and accuracy (b)with epoch changing

下载: 全尺寸图片幻灯片

表 3 不同物种的AP值与不同模型的MAP值

Table 3. AP value of different species and MAP value of varied models

算法类别 Algorithm class	AP					MAP(测试) MAP(test)	最大MAP(验证) Max. MAP(validation)
算法类别 Algorithm class	马鹿 Red deer	斑羚 Goral	狍 Roe deer	猞猁 Lynx	野猪 Boar	MAP(测试) MAP(test)	最大MAP(验证) Max. MAP(validation)
VGG19	0.87	0.82	0.82	0.83	0.81	0.83	0.87
本研究算法Algorithm in this research	0.94	0.91	0.91	0.88	0.92	0.91	0.94
注：AP代表平均识别精度，MAP代表平均识别精度的均值。Notes: AP is average identification precision, and MAP is mean AP.

下载: 导出CSV

| 显示表格

表 3中，2~6列为不同物种测试集的平均识别精度AP，第7列为测试集5种物种的平均识别精度的均值MAP，第8列为训练过程中，验证集的最大MAP值。综合分析图 7和表 3可得：1)无论采用哪种结构，验证时的最大MAP值和测试时的MAP值相差较小，说明模型没有产生欠拟合或者过拟合的问题；2)训练时，相比于VGG19结构，VGG16结构下的损失函数值下降更快，稳定后的损失函数值更低，训练效率较高；3)两种结构下的测试准确率差值较小，但是VGG16结构下的测试准确率始终高于VGG19；4)针对研究中这5种野生动物，VGG16结构下的模型识别效果均优于VGG19，且最高的准确率差值达到11%；5)验证时，VGG16结构的最大MAP值为0.94，而VGG19结构的最大MAP值仅为0.87。

VGG19网络相较于VGG16虽然具有更深的网络层数，但网络层数越深，网络反向传播的梯度相关性越差，造成梯度弥散现象，所以并非网络层数越深，识别效果越优。综上所述，本研究采用VGG16结构的模型，使得训练效果更优，训练效率更高，能够得到更高的MAP值，更加适合于红外自动感应相机下野生动物监测图像的物种识别。

3.4 算法性能评估实验

R-CNN、Fast R-CNN^[24]是DCNN初期应用算法中的主流方法，其思想也影响了目前大量的检测模型网络。R-CNN的核心思想是从输入图像中选出上千个候选框，对每个候选框做卷积运算以及特征提取，再使用分类器判别其类别；而Fast R-CNN则是只对输入图像做一次卷积运算得到特征图，找到每个候选框在特征图上的映射，再提取出特征输入分类器进行判别。这两种算法都是在输入图像上划分出大量的候选框进行处理，本研究算法则是对输入图像进行处理，分割出目标所在的区域，再进行之后的模型训练以及识别分类。为了证明本研究提出算法的有效性，在野生动物监测图像集上，分别利用4种算法对5种野生动物进行物种识别，图 8所示为不同算法准确率的对比，其MAP值的对比如表 4所示。

图 8 4种模型下的5种野生动物测试准确率

Figure 8. Test accuracy of five kinds of wildlife under four models

下载: 全尺寸图片幻灯片

表 4 不同算法的MAP

Table 4. MAP of different algorithms

算法类别 Algorithm class	VGG16	R-CNN	Fast R-CNN	本研究算法 Algorithm in this research
最大MAP(验证) Max.MAP(validation)	0.672	0.803	0.895	0.931
MAP(测试) MAP(test)	0.656	0.762	0.856	0.912

下载: 导出CSV

| 显示表格

综合分析图 8、表 4可得：1)训练时，针对5种野生动物，本研究算法的训练效果相比于VGG16、R-CNN与Fast R-CNN均为最佳，测试时MAP的值也最高；2)与单独的VGG16结构相比，本研究算法对5种野生动物的测试准确率均高出20%以上，验证时的最大MAP值高出0.259，证明对图像进行ROI提取能够降低复杂背景信息对图像识别的影响，得到更好的识别效果；3)对于狍的准确率，本研究算法比R-CNN的准确率高出18%，狍的图像质量较差，动物本身与背景经常难以区分，说明本研究算法比R-CNN更好地减少了背景对图像识别的影响；4)与Fast R-CNN的表现相比，由于马鹿图像质量较好，大多比较清晰、辨识度高，受背景影响较小，本研究算法在马鹿的识别上仅高出2%，相比之下，背景更为复杂的猞猁、野猪、斑羚和狍图像的识别上，本研究算法的准确率就比Fast R-CNN提高了8%、5%、6%、7%，也说明了本研究算法在处理背景复杂的图像上优于Fast R-CNN，能够达到更高的识别准确率；5)验证时，本研究算法的最大MAP值最大，VGG16的最小，与识别效果的比较关系相对应，且对于4种算法，验证时的最大MAP值和测试时的MAP值的差值均较小，再次证明训练没有产生过拟合的问题。

综上所述，与VGG16、R-CNN与Fast R-CNN相比，本研究算法在马鹿、猞猁、野猪、斑羚和狍的红外相机监测图像的检测与识别上具有更高的精度，图像初期的检测分割处理减少了无效背景的影响，对于树木遮挡、光线变化有较好的鲁棒性，更加满足野生动物监测图像识别的要求。

4. 结论

针对红外自动感应相机在野外环境下拍摄的野生动物监测图像，提出一种基于ROI-CNN的图像自动识别方法，利用基于回归算法的目标检测与全局-局部的双通道卷积神经网络，有效克服复杂背景信息对野生动物监测图像物种识别的干扰。通过实验分析，采用VGG16作为卷积网络的测试准确率最高，对内蒙古赛罕乌拉国家级自然保护区内5种陆生野生动物的平均识别率均可达到90%左右。为了验证本研究算法的有效性，设计了与VGG16、R-CNN、Fast R-CNN算法的对比试验，与5种野生动物的测试准确率和MAP值进行对比，实验结果表明：针对全部5种野生动物，本研究提出算法的测试准确率最高，达到更高的测试MAP值，识别效果最优。

图 1 典型杨树根型

a.法国莱茵河附近较粗质地土壤上杨树的主根型根系系统（引自文献[46]）；b.中国山东高唐粉壤土立地上三倍体毛白杨的水平根型根系系统；c.中国北京顺义砂土立地上欧美108杨的水平根型根系系统。a, the root-root system of poplar on the coarse soil near the Rhine River in France (cited from Ref. [46]); b, the horizontal root system of (P. tomentsoa × P. bolleana) × P. tomentosa on the silt soil in Gaotang County, Shandong Province, eastern China; c, the horizontal root system of P. × euramericana ‘Guariento’ on the sandy soil in Shunyi District, Beijing, northern China.

Figure 1. Typical types of poplar root system

下载: 全尺寸图片幻灯片

图 2 三倍体毛白杨侧根的构型和生长路径

a.水平侧根；b.斜生侧根；c.垂直侧根（引自文献[53]）。图中灰色虚线代表地面，棕色圆柱代表根桩，黑色曲线代表根系，数字代表根系上黑点标记位置处的深度。 a, horizontal lateral roots; b, oblique lateral roots; c, vertical lateral roots (cited from Ref. [53]). The grey dotted line represents the soil surface and the brown cylinder represents the stump. The black curve represents the roots, and the numbers indicate the depths of roots where marked by black dots.

Figure 2. Architecture and growth path of the lateral roots of (P. tomentsoa × P. bolleana) × P. tomentosa

下载: 全尺寸图片幻灯片

图 3 粉土立地上7年生毛白杨垂直根生长与构型特征（扎根深度2.7 m）

Figure 3. Growth and architecture characteristics of a vertical root in a 7-year-old Populus tomentosa plantation on silt soil (rooting depth of 2.7 m)

下载: 全尺寸图片幻灯片

图 4 不同地区不同杨树品种水平侧根分布的俯视图

a. 栽植于新西兰北帕默斯顿附近山地上的杂交杨，株行距为8 m × 8 m（引自文献[48]）；b. 栽植于印度希萨尔平地上的美洲黑杨，株行距2 m × 2 m（引自Puri^[9]）；c. 栽植于中国山东高唐平地上的三倍体毛白杨，株行距2 m × 4 m（引自文献[53]）；d. 栽植于中国北京顺义平地上的欧美108杨，株行距4 m × 6 m + 12 m（宽窄行栽植模式）（笔者团队数据）。 a, P. trichocarpa × P. deltoides, planted on the mountainous area near Palmerston, New Zealand, with a planting spacing of 8 m × 8 m (cited from Ref. [51]); b, P. deltoides, planted on flat site in Hisar, India, with a planting spacing of 2 m × 2 m (cited from Ref. [34]); c, (P. tomentsoa × P. bolleana) × P. tomentosa, planted on flat site in Gaotang County, Shandong Province, China, with a planting spacing of 2 m × 4 m (cited from Ref. [56]); d, P. × euramericana ‘Guariento’, planted on flat site in the Shunyi District, Beijing, China, with a planting spacing of 4 m × 6 m + 12 m (wide and narrow row planting scheme) (our unpublished data).

Figure 4. Plan view of the horizontal lateral root distribution of different poplar species in different regions

下载: 全尺寸图片幻灯片

图 5 杨树根系分布深度与地下水位的关系

Figure 5. Relationship between root distributing depth of poplar and underground water table

下载: 全尺寸图片幻灯片

参考文献(106)

[1]	Dickmann D I, Kuzovkina J. Poplars and willows of the world, with emphasis on silviculturally important species[Z]. Poplars and Willows—Trees for Society and the Environment, 2014: 8–91.
[2]	方升佐. 中国杨树人工林培育技术研究进展[J]. 应用生态学报, 2008, 19(10):2308−2316. Fang S Z. Silviculture of poplar plantation in China[J]. Chinese Journal of Applied Ecology, 2008, 19(10): 2308−2316.
[3]	Stanturf J A, Van Oosten C. Operational poplar and willow culture[Z]. Poplars and Willows—Trees for Society and the Environment, 2014: 200–257.
[4]	焦玉海, 丁贤生, 刘小虎. 确保把最优质最有潜力林分纳入战略储备[N]. 中国绿色时报, 2014–07–01(A01). Jiao Y H, Ding X S, Liu X H. Ensure that the best and most promising stands are included in the strategic reserve[N]. China Green Times, 2014–07–01(A01).
[5]	Hogg E H, Barr A G, Black T A. A simple soil moisture index for representing multi-year drought impacts on aspen productivity in the western Canadian interior[J]. Agricultural and Forest Meteorology, 2013, 178: 173−182.
[6]	Xi B Y, Bloomberg M, Watt M S, et al. Modeling growth response to soil water availability simulated by HYDRUS for a mature triploid Populus tomentosa plantation located on the North China Plain[J]. Agricultural Water Management, 2016, 176: 243−254. doi: 10.1016/j.agwat.2016.06.017
[7]	Xi B Y, Di N, Wang Y, et al. Modeling stand water use response to soil water availability and groundwater level for a mature Populus tomentosa plantation located on the North China Plain[J]. Forest Ecology and Management, 2017, 391: 63−74. doi: 10.1016/j.foreco.2017.02.016
[8]	Jackson R B, Mooney H A, Schulze E D. A global budget for fine root biomass, surface area, and nutrient contents[J]. Ecology, 1997, 94(14): 7362−7366.
[9]	Puri S, Singh V, Bhushan B, et al. Biomass production and distribution of roots in three stands of Populus deltoides[J]. Forest Ecology and Management, 1994, 65: 135−147. doi: 10.1016/0378-1127(94)90165-1
[10]	Atkinson D, Dawson L A. Root growth: methods of measurement[M]//Smith K A Soil and environmental analysis. Boca Raton: CRC Press, 2000: 440–502.
[11]	成向荣, 黄明斌, 邵明安. 沙地小叶杨和柠条细根分布与土壤水分消耗的关系[J]. 中国水土保持科学, 2008, 6(5):77−83. doi: 10.3969/j.issn.1672-3007.2008.05.015 Cheng X R, Huang M B, Shao M A. Relationship between fine roots distribution and soil water consumption of Populus simonii and Caragana Korshinkii plantation on sandy land[J]. Science of Soil and Water Conservation, 2008, 6(5): 77−83. doi: 10.3969/j.issn.1672-3007.2008.05.015
[12]	Zhu Y H, Ren L L, Skaggs T H, et al. Simulation of Populus euphratica root uptake of groundwater in an arid woodland of the Ejina Basin, China[J]. Hydrological Processes, 2009, 23(17): 2460−2469. doi: 10.1002/hyp.7353
[13]	Fitter A. Characteristics and functions of root systems[M]//Eshel A, Beeckman T. Plant roots. Boca Raton: CRC Press, 2002: 49–78.
[14]	Pregitzer K S, Deforest J L, Burton A J, et al. Fine root architecture of nine north American trees[J]. Ecological Monographs, 2002, 72(2): 293−309. doi: 10.1890/0012-9615(2002)072[0293:FRAONN]2.0.CO;2
[15]	卫星, 刘颖, 陈海波. 黄波罗不同根序的解剖结构及其功能异质性[J]. 植物生态学报, 2008, 32(6):1238−1247. doi: 10.3773/j.issn.1005-264x.2008.06.004 Wei X, Liu Y, Chen H B. Anatomical and functional heterogeneity among different root orders of Phellodendron amurense[J]. Journal of Plant Ecology, 2008, 32(6): 1238−1247. doi: 10.3773/j.issn.1005-264x.2008.06.004
[16]	杨丽君. 杨树幼龄林细根构型对施肥的响应[D]. 雅安: 四川农业大学, 2013. Yang L J. Effect of fertilization on fine root architecture of the plantation of Populus × euramericana cv. ‘74/76’[D]. Yaan: Sichuan Agricultural University, 2013.
[17]	Pregitzer K S, Hendrick R L, Fogel R. The demography of fine roots in response to patches of water and nitrogen[J]. New Phytologist, 1993, 125(3): 575−580. doi: 10.1111/j.1469-8137.1993.tb03905.x
[18]	Wells C E, Eissenstat D M. Marked differences in survivorship among apple roots of different diameters[J]. Ecology, 2001, 82(3): 882−892. doi: 10.1890/0012-9658(2001)082[0882:MDISAA]2.0.CO;2
[19]	Tierney G L, Fahey T J. Fine root turnover in a northern hardwood forest: a direct comparison of the radiocarbon and minirhizotron methods[J]. Canadian Journal of Forest Research, 2002, 32(9): 1692−1697. doi: 10.1139/x02-123
[20]	王向荣, 王政权, 韩有志, 等. 水曲柳和落叶松不同根序之间细根直径的变异研究[J]. 植物生态学报, 2005, 29(6):871−877. doi: 10.3321/j.issn:1005-264X.2005.06.001 Wang X R, Wang Z Q, Han Y Z, et al. Variations of fine root diameter with root order in Manchurian ash and Dahurian larch plantations[J]. Chinese Journal of Plant Ecology, 2005, 29(6): 871−877. doi: 10.3321/j.issn:1005-264X.2005.06.001
[21]	Block R M A, Van Rees K C J, Knight J D. A review of fine root dynamics in Populus plantations[J]. Agroforestry Systems, 2006, 67(1): 73−84. doi: 10.1007/s10457-005-2002-7
[22]	Mulia R, Dupraz C. Unusual fine root distributions of two deciduous tree species in southern France: what consequences for modelling of tree root dynamics?[J]. Plant and Soil, 2006, 281(1–2): 71−85.
[23]	Domenicano S, Coll L, Messier C, et al. Nitrogen forms affect root structure and water uptake in the hybrid poplar[J]. New Forest, 2011, 42(3): 347−362. doi: 10.1007/s11056-011-9256-x
[24]	Snyder K A, Williams D G. Root allocation and water uptake patterns in riparian tree saplings: response to irrigation and defoliation[J]. Forest Ecology and Management, 2007, 246(2–3): 222−231.
[25]	Al Afas N, Marron N, Zavalloni C, et al. Growth and production of a short-rotation coppice culture of poplar (IV): fine root characteristics of five poplar clones[J]. Biomass and Bioenergy, 2008, 32(6): 494−502. doi: 10.1016/j.biombioe.2007.11.007
[26]	王文全, 贾渝彬, 胥丽敏, 等. 毛白杨根系分布的研究[J]. 河北农业大学学报, 1997, 20(1):24−29. Wang W Q, Jia Y B, Xu L M, et al. Study on the root distribution of Populus tomentosa[J]. Journal of Agricultural University of Hebei, 1997, 20(1): 24−29.
[27]	张宇清, 齐实. 梯田埂坎杨树的根系分布研究[J]. 西北林学院学报, 2002, 17(2):6−9. doi: 10.3969/j.issn.1001-7461.2002.02.003 Zhang Y Q, Qi S. Root distribution of poplar on terrace ridge[J]. Journal of Northwest Forestry University, 2002, 17(2): 6−9. doi: 10.3969/j.issn.1001-7461.2002.02.003
[28]	马秀玲, 陆光明, 徐祝龄. 农林复合系统中林带和作物的根系分布特征[J]. 中国农业大学学报, 1997, 2(1):109−116. Ma X L, Lu G M, Xu Z L. Distribution characteristic of the root system of forest belt and crop within the composite system of agriculture and forestry[J]. Journal of China Agriculture University, 1997, 2(1): 109−116.
[29]	Coleman M. Spatial and temporal patterns of root distribution in developing stands of four woody crop species grown with drip irrigation and fertilization[J]. Plant and Soil, 2007, 299(1−2): 195−213.
[30]	Imada S, Yamanaka N, Tamai S. Water table depth affects Populus alba fine root growth and whole plant biomass[J]. Functional Ecology, 2008, 22(6): 1018−1026. doi: 10.1111/j.1365-2435.2008.01454.x
[31]	Pregitzer K S, Dickmann D I, Hendrick R, et al. Whole-tree carbon and nitrogen partitioning in young hybrid poplars[J]. Tree Physiology, 1990, 7(1−4): 79−93.
[32]	Heilman P E, Ekuan G, Fogle D B. First-order root development from cuttings of Populus trichocarpa × P. deltoides hybrids[J]. Tree Physiology, 1994, 14(7−9): 911−920.
[33]	Friend A L, Scarascia-Mugnozza G, Isebrands J G, et al. Quantification of two-year-old hybrid poplar root systems: morphology, biomass, and ¹⁴C distribution[J]. Tree Physiology, 1991, 8(2): 109−119. doi: 10.1093/treephys/8.2.109
[34]	Tufekcioglu A, Raich J W, Isenhart T M, et al. Fine root dynamics, coarse root biomass, root distribution and soil respiration in a multispecies riparian buffer in Central Iowa, USA[J]. Agroforestry System, 1999, 44(2−3): 163−174.
[35]	Hibbs D, Withrow-Robinson B, Brown D, et al. Hybrid poplar in the Willamette Valley[J]. Western Journal of Applied Forestry, 2003, 18(4): 281−285. doi: 10.1093/wjaf/18.4.281
[36]	Zalesny J A, Zalesny R S, Coyle D R, et al. Clonal variation in morphology of Populus root systems following irrigation with landfill leachate or water during 2 years of establishment[J]. BioEnergy Research, 2009, 2(3): 134−143. doi: 10.1007/s12155-009-9037-y
[37]	McIvor I R, Douglas G B, Benavides R. Coarse root growth of Veronese poplar trees varies with position on an erodible slope in New Zealand[J]. Agroforestry Systems, 2009, 76(1): 251−264. doi: 10.1007/s10457-009-9209-y
[38]	Guo D L, Xia M X, Wei X, et al. Anatomical traits associated with absorption and mycorrhizal colonization are linked to root branch order in twenty-three Chinese temperate tree species[J]. New Phytologist, 2008, 180(3): 673−683. doi: 10.1111/j.1469-8137.2008.02573.x
[39]	许坛, 王华田, 朱婉芮, 等. 连作杨树细根根序形态及解剖结构[J]. 林业科学, 2015, 51(1):119−126. Xu T, Wang H T, Zhu W R, et al. Morphological and anatomical traits of poplar fine roots in successive rotation plantations[J]. Scientia Silvae Sinicae, 2015, 51(1): 119−126.
[40]	Fitter A H. Morphometric analysis of root systems: application of the technique and influence of soil fertility on root system development in two herbaceous species[J]. Plant, Cell and Environment, 1982, 5(4): 313−322.
[41]	Cannon W A. A tentative classification of root systems[J]. Ecology, 1949, 30(4): 542−548. doi: 10.2307/1932458
[42]	Weaver J E. Summary and interpretation of underground development in natural grassland communities[J]. Ecological Monographs, 1958, 28(1): 55−78. doi: 10.2307/1942275
[43]	Köstler J N, Bruckner E, Bibelriether H. The root systems of forest trees[M]. Hamburg: Parey, 1968: 284.
[44]	向师庆, 赵相华. 北京主要造林树种的根系研究[J]. 北京林业学院学报, 1981, 2(2):19−32. Xiang S Q, Zhao X H. Study on root system of main afforestation tree species in Beijing[J]. Journal of Beijing Forestry University, 1981, 2(2): 19−32.
[45]	Zanetti C, Vennetier M, Mériaux P, et al. Plasticity of tree root system structure in contrasting soil materials and environmental conditions[J]. Plant and Soil, 2015, 387(1−2): 21−35.
[46]	Day M W. The root system of Aspen[J]. American Midland Naturalist, 1944, 32(2): 502−509. doi: 10.2307/2421314
[47]	Mclvor I R, Douglas G B, Hurst S E, et al. Structural root growth of young Veronese poplars on erodible slopes in the southern North Island, New Zealand[J]. Agroforestry Systems, 2008, 72(1): 75−86.
[48]	席本野. 毛白杨人工林灌溉管理理论及高效地下滴灌关键技术研究[D]. 北京: 北京林业大学, 2013. Xi B Y. Research on theories of irrigation management and key techniques of high efficient subsurface drip irrigation in Populus tomentosa[D]. Beijing: Beijing Forestry University, 2013.
[49]	Gifford G F. Aspen root studies on three sites in northern Utah[J]. American Midland Naturalist, 1966, 75(1): 132−141. doi: 10.2307/2423485
[50]	赵建诚, 曹帮华, 吴丽云, 等. 杨树无性系根系特征及地上与地下部分相关性研究[J]. 山东大学学报(理学版), 2013, 48(11):7−13. Zhao J C, Cao B H, Wu L Y, et al. Studies on roots characteristics and correlations between the aerial and underground parts of Populus clones[J]. Journal of Shandong University (Natural Science), 2013, 48(11): 7−13.
[51]	王文全, 王世绩, 刘雅荣, 等. 粉煤灰复田立地上杨, 柳, 榆, 刺槐根系的分布和生长特点[J]. 林业科学, 1994, 30(1):25−33. doi: 10.3321/j.issn:1001-7488.1994.01.006 Wang W Q, Wang S J, Liu Y R, et al. Distribution and growth characteristics of the root systems of poplar, willow, elm and locust on site of renewed land by fine ash of coal[J]. Scientia Silvae Sinicae, 1994, 30(1): 25−33. doi: 10.3321/j.issn:1001-7488.1994.01.006
[52]	Di N, Liu Y, Mead D J, et al. Root system characteristics of plantation-grown Populus tomentosa adapted to seasonal fluctuation in the groundwater table[J]. Trees, 2017, 32(1): 137−149.
[53]	Pregitzer K S, Friend A L. The structure and function of Populus root system[M]// Stettler R F. Biology of Populus and its implications for management and conservation. Ottawa: NRC Research Press, 1996: 331–354.
[54]	韦艳葵, 贾黎明, 王玲, 等. 地下滴灌条件下杨树速生丰产林林木根系生长特性[J]. 北京林业大学学报, 2007, 29(2):98−105. doi: 10.3321/j.issn:1000-1522.2007.01.017 Wei Y K, Jia L M, Wang L, et al. Characteristics of root growth in fast-growing and high-yield poplar plantations under subsurface drip irrigation[J]. Journal of Beijing Forestry University, 2007, 29(2): 98−105. doi: 10.3321/j.issn:1000-1522.2007.01.017
[55]	胡海波, 万福绪, 张金池. 徐淮平原农田防护林带杨树根系特征研究[J]. 南京林业大学学报(自然科学版), 1996, 20(1):12−16. Hu H B, Wan F X, Zhang J C. Study on root distribution characteristic of shelter belt for farmland in Xuhuai Plain Area[J]. Journal of Nanjing Forestry University (Natural Science), 1996, 20(1): 12−16.
[56]	于立忠, 丁国泉, 史建伟, 等. 施肥对日本落叶松人工林细根直径, 根长和比根长的影响[J]. 应用生态学报, 2007, 18(5):957−962. doi: 10.3321/j.issn:1001-9332.2007.05.003 Yu L Z, Ding G Q, Shi J W, et al. Effects of fertilization on fine root diameter root length and specific root length in Larix kaempferi plantation[J]. Chinese Journal of Applied Ecology, 2007, 18(5): 957−962. doi: 10.3321/j.issn:1001-9332.2007.05.003
[57]	Eissenstat D M. Costs and benefits of constructing roots of small diameter[J]. Journal of Plant Nutrition, 1992, 15(6−7): 763−782.
[58]	Roumet C, Urcelay C, Sandra D. Suites of root traits differ between annual and perennial species growing in the field[J]. New Phytologist, 2006, 170(2): 357−368. doi: 10.1111/j.1469-8137.2006.01667.x
[59]	Ma Z Q, Guo D L, Xu X L, et al. Evolutionary history resolves global organization of root functional roots[J]. Nature, 2018, 555: 94−97. doi: 10.1038/nature25783
[60]	Kramer-Walter K R, Laughlin D C. Root nutrient concentration and biomass allocation are more plastic than morphological traits in response to nutrient limitation[J]. Plant and Soil, 2017, 416(1–2): 539−550.
[61]	Dickmann D I, Nguyen P V, Pregitzer K S. Effects of irrigation and coppicing on above-ground growth, physiology, and fine-root dynamics of two field-grown hybrid poplar clones[J]. Forest Ecology and Management, 1996, 80(1−3): 163−174.
[62]	闫小莉, 戴腾飞, 邢长山, 等. 水肥耦合对欧美108杨幼林表土层细根形态及分布的影响[J]. 生态学报, 2015, 35(11):207−216. Yan X L, Dai T F, Xing C S, et al. Coupling effect of water and nitrogen on the morphology and distribution of fine root in surface soil layer of young Populus × euramericana plantation[J]. Acta Ecologica Sinica, 2015, 35(11): 207−216.
[63]	闫小莉, 戴腾飞, 贾黎明, 等. 欧美108杨细根形态及垂直分布对水氮耦合措施的响应[J]. 植物生态学报, 2015, 39(8):825−837. doi: 10.17521/cjpe.2015.0079 Yan X L, Dai T F, Jia L M, et al. Responses of the fine root morphology and vertical distribution of Populus × euramericana ‘Guariento’ to the coupled effect of water and nitrogen[J]. Chinese Journal of Plant Ecology, 2015, 39(8): 825−837. doi: 10.17521/cjpe.2015.0079
[64]	燕辉, 苏印泉, 朱昱燕, 等. 秦岭北坡杨树人工林细根分布与土壤特性的关系[J]. 南京林业大学学报(自然科学版), 2009, 33(2):85−89. doi: 10.3969/j.issn.1000-2006.2009.02.021 Yan H, Su Y Q, Zhu Y Y, et al. Distribution characters of fine root of poplar plantation and its relation to properties of soil in the northern slope of Qinling Mountain[J]. Journal of Nanjing Forestry University (Natural Science), 2009, 33(2): 85−89. doi: 10.3969/j.issn.1000-2006.2009.02.021
[65]	燕辉, 刘广全, 李红生, 等. 青杨人工林根系生物量, 表面积和根长密度变化[J]. 应用生态学报, 2010, 21(11):2763−2768. Yan H, Liu G Q, Li H S, et al. Changes of root biomass, root surface area, and root length density in a Populus cathayana plantation[J]. Chinese Journal of Applied Ecology, 2010, 21(11): 2763−2768.
[66]	Yan X L, Jia L M, Dai P F. Fine root morphology and growth in response to nitrogen addition through drip fertigation in a Populus × euramericana “Guariento” plantation over multiple years[J]. Annals of Forest Science, 2019, 76(1): 13. doi: 10.1007/s13595-019-0798-y
[67]	邹松言, 李豆豆, 汪金松, 等. 毛白杨幼林根系对梯度土壤水分的响应[J]. 林业科学, 2019, 55(10):125−138. Zou S Y, Li D D, Wang J S, et al. Response of fine root to soil moisture of different gradients in young Populus tomentosa plantation[J]. Scientia Silvae Sinicae, 2019, 55(10): 125−138.
[68]	陈丽英, 杜克兵, 姜法祥, 等. 淹水胁迫对2种杨树初生根细胞结构的影响[J]. 林业科学, 2015, 51(3):163−169. Chen L Y, Du K B, Jiang F X, et al. Influences of waterlogging stress on cell structure of primary roots of two poplar species[J]. Scientia Silvae Sinicae, 2015, 51(3): 163−169.
[69]	李盼盼, 王延平, 王华田, 等. 黄河冲积平原杨树人工林细根空间分布特征[J]. 山东农业大学学报(自然科学版), 2013, 44(1):61−65. Li P P, Wang Y P, Wang H T, et al. Fine roots distribution patter of Populus deltoites plantations in Yellow River Fluvial Plain[J]. Journal of Shandong Agricultural University (Natural Science), 2013, 44(1): 61−65.
[70]	王延平, 许坛, 朱婉芮, 等. 杨树人工林细根数量和形态特征的季节动态及代际差异[J]. 应用生态学报, 2016, 27(2):395−402. Wang Y P, Xu T, Zhu W R, et al. Seasonal dynamics of quantitative and morphological traits of differences between successive rotation plantations[J]. Chinese Journal of Applied Ecology, 2016, 27(2): 395−402.
[71]	Pregitzer K S, King J S, Burton A J, et al. Responses of tree fine roots to temperature[J]. New Phytologist, 2000, 147(1): 105−115. doi: 10.1046/j.1469-8137.2000.00689.x
[72]	Liu L P, Gan Y T, Bueckerta R, et al. Rooting systems of oilseed and pulse crops (II.): vertical distribution patterns across the soil profile[J]. Field Crops Research, 2011, 122(3): 248−255. doi: 10.1016/j.fcr.2011.04.003
[73]	郭京衡, 曾凡江, 李尝君, 等. 塔克拉玛干沙漠南缘三种防护林植物根系构型及其生态适应策略[J]. 植物生态学报, 2014, 38(1):36−44. Guo J H, Zeng F J, Li C J, et al. Root architecture and ecological adaptation strategies in three shelterbelt plant species in the southern Taklimakan Desert[J]. Chinese Journal of Plant Ecology, 2014, 38(1): 36−44.
[74]	邸楠, 席本野, 王烨, 等. 宽窄行栽植下三倍体毛白杨根系生物量分布及其对土壤养分因子的响应[J]. 植物生态学报, 2013, 37(10):961−971. Di N, Xi B Y, Wang Y, et al. Root biomass distribution of triploid Populus tomentosa under wide- and narrow -row spacing planting schemes and its responses to soil nutrients[J]. Chinese Journal of Plant Ecology, 2013, 37(10): 961−971.
[75]	傅建平, 兰再平, 孙尚伟, 等. 地面滴灌对107杨人工林根系分布的影响[J]. 林业科学研究, 2013, 26(6):766−772. Fu J P, Lan Z P, Sun S W, et al. A study on distribution of root system of Populus × euramericana cv. ‘74/76’ plantation with ground drip irrigation[J]. Forest Research, 2013, 26(6): 766−772.
[76]	黄晶晶, 井家林, 曹德昌, 等. 不同林龄胡杨克隆繁殖根系分布特征及其构型[J]. 生态学报, 2013, 33(14):4331−4342. Huang J J, Jing J L, Cao D C, et al. Cloning root system distribution and architecture of different forest age Populus euphratica in Ejina Oasis[J]. Acta Ecologica Sinica, 2013, 33(14): 4331−4342.
[77]	Jackson R B, Canadell J, Ehleringer J R, et al. A global analysis of root distributions for terrestrial biomes[J]. Oecologia, 1996, 108(3): 389−411. doi: 10.1007/BF00333714
[78]	Douglas G B, McIvor I R, Potter J F, et al. Root distribution of poplar at varying densities on pastoral hill country[J]. Plant and Soil, 2010, 333(1–2): 147−161.
[79]	Coleman M D, Dickson R E, Isebrands J G. Contrasting fine-root production, survival and soil CO₂ efflux in pine and poplar plantations[J]. Plant and Soil, 2000, 225(1): 129−139.
[80]	Steele S J, Gower S T, Vogel J G, et al. Root mass, net primary production and turnover in aspen, jack pine and black spruce forests in Saskatchewan and Manitoba, Canada[J]. Tree Physiology, 1997, 17(8–9): 577−587.
[81]	Ruess R W, Van Cleve K, Yarie J, et al. Contributions of fine root production and turnover to the carbon and nitrogen cycling in taiga forests of the Alaskan interior[J]. Canadian Journal of Forest Research, 1996, 26(8): 1326−1336. doi: 10.1139/x26-148
[82]	朱强根, 张焕朝, 方升佐, 等. 苏北杨树人工林细根分布及其季节动态[J]. 林业科技开发, 2008, 22(3):45−48. doi: 10.3969/j.issn.1000-8101.2008.03.014 Zhu Q G, Zhang H C, Fang S Z, et al. Distribution and seasonal changes of fine roots in poplar plantations in the northern areas of Jiangsu Province China[J]. China Forestry Science and Technology, 2008, 22(3): 45−48. doi: 10.3969/j.issn.1000-8101.2008.03.014
[83]	Lukac M, Calfapietra C, Godbold D L. Production, turnover and mycorrhizal colonization of root systems of three Populus species grown under elevated CO₂ (POPFACE)[J]. Global Change Biology, 2003, 9(6): 838−848. doi: 10.1046/j.1365-2486.2003.00582.x
[84]	Berhongaray G, Janssens I A, King J S, et al. Fine root biomass and turnover of two fast-growing poplar genotypes in a short-rotation coppice culture[J]. Plant and Soil, 2013, 373(1−2): 269−283.
[85]	宋曰钦, 翟明普, 贾黎明, 等. 不同年龄三倍体毛白杨纸浆林生长期间细根变化规律[J]. 生态学杂志, 2010, 29(9):1696−1702. Song Y Q, Zhai M P, Jia L M, et al. Fine root dynamics of different aged triploid Populus tomentosa pulp forests during growth period[J]. Chinese Journal of Ecology, 2010, 29(9): 1696−1702.
[86]	Coleman M D, Aubrey D P. Stand development and other intrinsic factors largely control fine–root dynamics with only subtle modifications from resource availability[J]. Tree Physiology, 2018, 38(12): 1805−1819. doi: 10.1093/treephys/tpy033
[87]	朱婉芮, 汪其同, 刘梦玲, 等. 连作杨树人工林细根寿命的代际差异及其影响因素[J]. 生态学报, 2018, 38(1):226−235. Zhu W R, Wang Q T, Liu M L, et al. The difference in fine root lifespan between successive rotations of poplar plantation and the dominant causal factors[J]. Acta Ecologica Sinica, 2018, 38(1): 226−235.
[88]	席本野, 贾黎明, 刘寅, 等. 宽窄行栽植模式下三倍体毛白杨吸水根系的空间分布与模拟[J]. 浙江林学院学报, 2010, 27(2):259−265. Xi B Y, Jia L M, Liu Y, et al. Spatial distribution and simulation for fine roots of triploid Populus tomentosa with wide and narrow row spacing[J]. Journal of Zhejiang A&F University, 2010, 27(2): 259−265.
[89]	Youri R, Mathieu J. Reviews and syntheses: isotopic approaches to quantify root water uptake: a review and comparison of methods[J]. Biogeosciences, 2017, 14(8): 2199−2224. doi: 10.5194/bg-14-2199-2017
[90]	Allen S J, Hall R L, Rosier P T W. Transpiration by two poplar varieties grown as coppice for biomass production[J]. Tree Physiology, 1999, 19(8): 493−501. doi: 10.1093/treephys/19.8.493
[91]	Zhang H P, Morison J I L, Simmonds L P. Transpiration and water relations of poplar trees growing close to the water table[J]. Tree Physiology, 1999, 19(9): 563−573. doi: 10.1093/treephys/19.9.563
[92]	Cox G, Fischer D, Hart S C, et al. Nonresponse of native cottonwood trees to water additions during summer drought[J]. Western North American Naturalist, 2005, 65(2): 175−185.
[93]	Wilske B, Lu N, Wei L, et al. Poplar plantation has the potential to alter the water balance in semiarid Inner Mongolia[J]. Journal of Environmental Management, 2009, 90(8): 2762−2770. doi: 10.1016/j.jenvman.2009.03.004
[94]	Si J H, Feng Q, Cao S K, et al. Water use sources of desert riparian Populus euphratica forests[J]. Environmental Monitoring and Assessment, 2014, 186(9): 5469−5477. doi: 10.1007/s10661-014-3796-4
[95]	高琛, 杨新兵, 鲁绍伟, 等. 北京沙地杨树人工林生态系统水分利用策略[J]. 东北林业大学学报, 2014, 42(1):80−85. doi: 10.3969/j.issn.1000-5382.2014.01.018 Gao C, Yang X B, Lu S W, et al. Strategies on water utilization of poplar plantation ecosystem in Beijing sandy area[J]. Journal of Northeast Forestry University, 2014, 42(1): 80−85. doi: 10.3969/j.issn.1000-5382.2014.01.018
[96]	苗博, 孟平, 张劲松, 等. 基于稳定同位素和热扩散技术的张北杨树水分关系差异[J]. 应用生态学报, 2017, 28(7):2111−2118. Miao B, Meng P, Zhang J S, et al. Difference of water relationships of poplar trees in Zhangbei County, Hebei, China based on stable isotope and thermal dissipation method[J]. Chinese Journal of Applied Ecology, 2017, 28(7): 2111−2118.
[97]	郭辉, 赵英, 蔡东旭, 等. 基于氢氧同位素示踪法探测新疆地区防护林和棉花体系水分来源与竞争[J]. 生态学报, 2019, 39(18):6642−6650. Guo H, Zhao Y, Cai D X, et al. Application of hydrogen and oxygen isotopes to study the source of water and competition in shelter-forest-cotton systems in the Xinjiang Oasis[J]. Acta Ecology Sinca, 2019, 39(18): 6642−6650.
[98]	Liu Z Q, Jia G D, Yu X X. Variation of water uptake in degradation agroforestry shelterbelts on the North China Plain[J/OL]. Agriculture, Ecosystems and Environment, 2020, 287: 106697 [2019−10−08]. https://doi.org/10.1016/j.agee.2019.106697.
[99]	Rood S B, Braatne J H, Hughes F M R. Ecophysiology of riparian cottonwoods: stream flow dependency, water relations and restoration[J]. Tree Physiology, 2003, 23(16): 1113−1124. doi: 10.1093/treephys/23.16.1113
[100]	Nagler P, Jetton A, Fleming J, et al. Evapotranspiration in a cottonwood (Populus fremontii) restoration plantation estimated by sap flow and remote sensing methods[J]. Agricultural and Forest Meteorology, 2007, 144(1–2): 95−110.
[101]	陈亚宁, 李卫红, 周洪华, 等. 黑河下游荒漠河岸林植物水分传输观测试验研究[J]. 北京师范大学学报(自然科学版), 2016, 52(3):271−276. Chen Y N, Li W H, Zhou H H, et al. Field experiment on water transport in desert riparian forests downstream of the Heihe River[J]. Journal of Beijing Normal University (Natural Science), 2016, 52(3): 271−276.
[102]	Chen Y P, Chen Y N, Xu C C, et al. The effects of groundwater depth on water uptake of Populus euphratica and Tamarix ramosissima in the hyperarid region of Northwestern China[J]. Environmental Science and Pollution Research, 2016, 23(17): 17404−17412. doi: 10.1007/s11356-016-6914-8
[103]	Fan Y, Miguez-Macho G, Jobbágy E G, et al. Hydrologic regulation of plant rooting depth[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017, 114(40): 10572−10577. doi: 10.1073/pnas.1712381114
[104]	Hayes F A, Stoeckler J H. Possibilities of shelterbelt planting in the plains regions[M]. Washington: Department of Agriculture, Forest Service., 1935: 111–155.
[105]	Pierret A, Maeght J L, Clément C, et al. Understanding deep roots and their functions in ecosystems: an advocacy for more unconventional research[J]. Annals of Botany, 2016, 118(4): 621−635. doi: 10.1093/aob/mcw130
[106]	席本野, 邸楠, 曹治国, 等. 树木吸收利用深层土壤水的特征与机制: 对人工林培育的启示[J]. 植物生态学报, 2018, 42(9):5−25. Xi B Y, Di N, Cao Z G, et al. Characteristics and underlying mechanisms of plant deep soil water uptake and utilization: Implication for the cultivation of plantation trees[J]. Chinese Journal of Plant Ecology, 2018, 42(9): 5−25.

施引文献(33)

期刊类型引用(13)

1.	柯澳，王宇聪，胡博宇，林琦，李勇，双丰. 基于图像的野生动物检测与识别综述. 计算机系统应用. 2024(01): 22-36 . 百度学术
2.	陈明，王善勤. 基于改进YOLOv5s算法和自适应决策的野猪检测方法. 湖南工业职业技术学院学报. 2024(04): 19-24 . 百度学术
3.	杨帆. 基于人工智能下的野生动物识别研究与应用. 中国高新科技. 2024(16): 72-74 . 百度学术
4.	杨拂晓，费龙，闫泰辰. 基于深度学习的野生动物图像识别研究综述. 北京测绘. 2024(09): 1237-1242 . 百度学术
5.	戴天虹，刘超. 基于改进EfficientDet的雪豹红外相机图像检测方法. 哈尔滨理工大学学报. 2023(02): 108-116 . 百度学术
6.	杨雪珂，蒙金超，冯悦恒，林婷婷，王兆君，刘辉. 基于残差卷积神经网络模型的勺嘴鹬动作识别. 热带生物学报. 2023(05): 481-489 . 百度学术
7.	齐建东，马鐘添，张德怀，田赟. 基于BS-ResNeXt-50的密云地区野生动物图像识别. 林业科学. 2023(08): 112-122 . 百度学术
8.	杨琴，安见才让. 遮挡条件下的动物目标检测方法研究进展. 信息技术与信息化. 2023(12): 189-192 . 百度学术
9.	王翰霖，文帅，白俊，李东睿，罗概，林玉成. 红外相机监测目标物种的一种自动化检测方法：以绿尾虹雉为例. 四川动物. 2022(04): 361-369 . 百度学术
10.	李艳杰，召玉龙. 自然保护区亚洲象活动行为监测方法研究. 绿色科技. 2021(22): 63-64+79 . 百度学术
11.	陈建促，王越，朱小飞，李章宇，林志航. 融合多特征图的野生动物视频目标检测方法. 计算机工程与应用. 2020(07): 221-227 . 百度学术
12.	谢将剑，杨俊，邢照亮，张卓，陈新. 多特征融合的鸟类物种识别方法. 应用声学. 2020(02): 199-206 . 百度学术
13.	宫一男，谭孟雨，王震，赵国静，蒋沛林，蒋仕铭，张鼎基，葛剑平，冯利民. 基于深度学习的红外相机动物影像人工智能识别:以东北虎豹国家公园为例. 兽类学报. 2019(04): 458-465 . 百度学术

其他类型引用(20)

资源附件(0)

图(5)

计量

文章访问数: 14743
HTML全文浏览量: 4834
PDF下载量: 350
被引次数: 33

1. 材料与方法
1.1 野外环境下野生动物监测图像数据库的建立
1.2 基于目标检测技术的野生动物区域自动检测分割
1.3 基于VGG16的训练网络
2. 基于全局-局部的双通道VGG16野生动物自动识别
3. 实验和结果分析
3.1 野生动物目标检测器训练
3.2 双通道卷积神经网络模型训练
3.3 不同CNN网络结构的对比实验
3.4 算法性能评估实验
4. 结论

1. 材料与方法
1.1 野外环境下野生动物监测图像数据库的建立
1.2 基于目标检测技术的野生动物区域自动检测分割
1.3 基于VGG16的训练网络
2. 基于全局-局部的双通道VGG16野生动物自动识别
3. 实验和结果分析
3.1 野生动物目标检测器训练
3.2 双通道卷积神经网络模型训练
3.3 不同CNN网络结构的对比实验
3.4 算法性能评估实验
4. 结论

参考文献(106)

施引文献(33)

资源附件(0)

杨树根系形态、分布、动态特征及其吸水特性

作者简介: 席本野，博士，副教授。主要研究方向：人工林水分关系和用材林培育理论与技术。Email：benyexi@bjfu.edu.cn 地址：100083 北京市海淀区清华东路35号北京林业大学

计量

出版历程