简介:森林资源与北京地区社会经济、发展及人文、生态环境建设之间有着密切的依存关系。然而,由于自然、社会和历史原因,北京地区森林资源的人工性、人为干扰性十分突出,即森林资源易遭受各种自然灾害侵袭和人为破坏,这些都会给森林资源带来重大损失。在北京地区的林业执法实践中,对这种森林资源损失案件损失额度大小的计量,始终缺乏科学、合理的计量标准和客观、系统的评估方法,也没有一种科学的衡量尺度和处罚依据,妨碍了林业执法的公正和公平。因此,迫切需要建立一套科学合理的评价体系和计量标准,运用到林业案件实际处理中,从而满足林业管理及林业执法实践的需要。该文根据不同类型森林资源损失所具有的不同特点,依据总评估中“分类评估”的思路与原则,形成了不同森林资源损失类型,包括林木损失、种苗损失、野生动物损失、野生植物损失以及林地损失的具体的评估思路,相应地形成了森林资源损失的5大类16亚类的分类评估体系。并进一步建立了不同森林资源损失类型的评估结构和计量模型,包括林木损失额及野生植物损失额的总评估结构与总计量模型,种苗损失额、野生动物损失额、林地损失额的总评估结构、总计量模型与分计量模型。该文提出的评估思路、评估结构以及最终建立的一系列计量模型,不仅可以为不同森林资源损害的经济赔偿提供参考,而且可以为林业执法及处理林事纠纷提供科学依据。
简介:摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的 MobileNetV3网络,结合关键点预测的目标检测网络( CenterNet),构建了用于苹果检测的轻量级无锚点深度学习网络模型( M-CenterNet),并通过与 CenterNet和单次多重检测器( Single Shot Multibox Detector, SSD)网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%;模型体积和帧率分别为 14.2MB和 8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为 CenterNet网络的 1/4;相比于 SSD网络,所提网络模型的 AP提升了 3.9%,模型体积降低了 84.3%;本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。
简介:本研究以内蒙古锡林郭勒盟苏尼特右旗短花针茅荒漠草原为研究对象,采用分层取样技术,分别对碱韭和短花针茅为主的草地植物群落进行调查(测定指标为高度、盖度、密度和地上现存量),获得禾本科为主、碱韭为主以及由二者构成的复合样本数据。通过MATLAB软件平台,把植物群落的数量特征(高度、盖度和密度)作为输入因子,以群落现存量作为输出因子来建立BP神经网络模型,并对预测结果进行检验。结果显示,禾本科为主、碱韭为主以及由二者构成的复合样本,采用BP神经网络平均预测准确率分别为94.1%,92.98%,91.01%。因此,BP神经网络可作为草地植物群落地上现存量模拟与预测的有效工具之一。采用BP神经网络对不同草地植物类群进行模拟和预测可能会存在差异,但这种差异会随着样本容量的增大或训练精度的增加而弱化。