水土保持林学(李凯荣)

合集下载

森林的水土保持机能（Ⅲ）：保水（水源涵养）机能

森林的水土保持机能（Ⅲ）：保水（水源涵养）机能
丸山岩三;方华荣
【期刊名称】《水土保持科技情报》
【年(卷),期】1994(000)002
【摘要】1 森林对保水的影响1．1 地上部(树冠、树干)的影响1．1．1降水量的增加一般来说,林内雨量比林外雨量少,但是有时树冠集中了林内的雾,而使林内的雨量增大,把此称为树雨。

【总页数】4页(P47-50)
【作者】丸山岩三;方华荣
【作者单位】不详;不详
【正文语种】中文
【中图分类】S714.7
【相关文献】
1.昆明市松华坝水源区不同森林类型的水源涵养功能研究 [J], 杨光;戴丽;李小英
2.灵空山森林水源涵养，水土保持效益价值评价 [J], 郝向春
3.水源涵养机能计量化的研究现状 [J], 藤枝基久
4.森林的水土保持机能（Ⅰ）：流域保护机能和局部场所防灾机能 [J], 川口武雄;方华荣
5.森林的水土保持机能（Ⅱ）：保土（防止荒废）机能 [J], 川口武雄;方华荣
因版权原因，仅展示原文概要，查看原文内容请购买。

黄土高原沟壑区杏树林地土壤水分时空动态变化及适宜性研究

黄土高原沟壑区杏树林地土壤水分时空动态变化及适宜性研究张思祖;李凯荣;易亮;时亚坤【期刊名称】《水土保持研究》【年(卷),期】2010(17)5【摘要】水分是制约黄土高原地区生态环境恢复和经济发展的主要限制因子。

研究黄土高原土壤水分变化规律,有着极其重要的科学和实际意义。

本研究以杏树为调查对象,通过测定不同坡向林地土壤水分,分析了土壤水分的时空动态变化规律,并根据生态位适宜度理论分析土壤水分满足杏树生长的程度。

研究表明:(1)土壤含水量年内变化为不对称双峰曲线,且第二高峰峰值明显高于第一高峰峰值,阳坡与阴坡土壤水分动态有着显著的差异,阴坡土壤水分高于阳坡,阴坡蒸发量较小,降雨可以补给更深层的土壤水;(2)一年当中,土壤水分垂直分布可分为4个阶段,分别代表降雨补给土壤水、浅层土壤水入渗和再分布、浅层土壤失墒及深层土壤水上升阶段,阴坡降雨补给土壤水开始的早,阳坡土壤严重失墒开始的早。

总体说来,阴坡的水生态位适宜度要好于阳坡,但不论阳坡还是阴坡,水生态位的适宜度均较低。

【总页数】5页(P21-25)【关键词】杏树林;土壤水分;时空动态变化;适宜性;黄土高原【作者】张思祖;李凯荣;易亮;时亚坤【作者单位】西北农林科技大学资源环境学院【正文语种】中文【中图分类】S152.7;S715.7【相关文献】1.黄土高原沟壑区林地土壤水分特征的研究(Ⅱ)--土壤水分有效性及其亏缺状况的分析 [J], 陈海滨;刘淑明;党坤良;安锋2.黄土高原沟壑区林地土壤水分特征的研究(Ⅰ)--土壤水分的垂直变化和季节变化特征 [J], 陈海滨;孙长忠;安锋;党坤良3.近30年陇东黄土高原沟壑区林地时空变化及其驱动力分析 [J], 董晓峰;马如兰;庞国锦;李波;宋翔4.黄土高原残塬沟壑区坡地刺槐不同皆伐更新幼林地土壤水分动态 [J], 刘增文;余清珠5.黄土高原丘陵沟壑区退耕生态系统土壤水分动态变化规律研究 [J], 李婧;李占斌;李鹏;陈磊因版权原因，仅展示原文概要，查看原文内容请购买。

《水土保持学》课程大纲

《水土保持学》课程大纲一、课程概述课程名称：《水土保持学》：《Water and Soil Conservation》课程编号：19371166课程学分：2.0课程总学时：32课程性质：选修课二、课程内容简介《水土保持学》是研究水土流失规律和水土保持措施的一门应用技术科学，属于林学专业的专业选修。

水土资源是人类赖以生存的物质基础，是发展农业生产的基本要素。

防止水土资源的损失与破坏，保护、改良和合理利用山丘区和风沙区的水土资源，对于维护和提高土地生产力，发展水土流失地区的生产和建设，改善生态环境，维持生态系统平衡具有重要意义。

《水土保持学》课程主要围绕水土流失规律、水土保持规划、水土保持措施、水土保持监测与水土保持方案等展开，系统介绍土壤侵蚀危害、形式和发生发展规律和分析影响土壤侵蚀的自然因子，并且突出与专业学习相关的治理水土流失的各种水土保持措施的方法等。

三、教学目标与要求教学目标：通过本课程的学习使学生具备水土保持方面的基本知识，认识在不同外营力作用下土壤侵蚀发生发展的过程、基本规律，并掌握主要水土保持措施的作用及方法，应用水土保持原理指导水土资源的合理开发、利用和保护，能在本专业范围内灵活应用各种措施防治土壤侵蚀，改良、维护和提高土地生产力，改善生态环境条件。

教学要求：教学与实践相结合，使学生基本掌握土壤侵蚀基本原理、水土保持原理及其主要措施和效益评价与监测的基本方法。

四、教学内容与学时安排第一章绪论（3学时）1. 教学目的与要求：掌握土壤侵蚀、水土流失和水土保持的三个基本概念的内涵和水土保持的意义；熟悉水土保持的研究内容、中国土壤侵蚀的研究特点和中国水土保持应重视的几个问题；了解我国、我省水土流失现状及其危害、国内外水土保持的发展历史、水土保持与其他学科的关系。

2. 教学重点与难点：教学重点:第一节水土保持学的几个重要概念（0.5学时）一、水土流失二、土壤侵蚀三、水土保持四、水土保持学第二节水土保持学研究方法与内容（0.5学时）一、研究方法二、研究内容及动态第三节水土流失现状(全国和安徽省)及危害（0.5学时）第四节水土保持的意义（0.5学时）第五节水土保持学的发展历史与其他学科的关系（0.5学时）第六节中国水土保持应重视的几个问题（0.5学时）难点：水土保持学研究方法和内容第二章水土保持基本原理（5学时）1. 教学目的与要求：掌握流域水循环和水量平衡的基本原理及流域水文要素及其过程的物理基础，如降水的基本概念和面降水计算方法，下渗概念及公式，径流的涵义和径流的形成过程蒸发和土壤水的基本概念和过程。

应用无人机可见光影像和面向对象的随机森林模型对城市树种分类

第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（３１９０１２９８），西藏自治区科学技术重点研发计划项目（ＸＺ２０２２０１ＺＹ０００３Ｇ），福建农林大学省级大学生创新创业训练项目（Ｓ２０２３１０３８９０４６），福建农林大学科技创新专项基金项目（ＫＦｂ２２０３３ＸＡ）㊂第一作者简介：陈逊龙，男，１９９８年１０月生，福建农林大学林学院，硕士研究生㊂Ｅ－ｍａｉｌ：１２２０４９６００２＠ｆａｆｕ．ｅｄｕ．ｃｎ㊂通信作者：张厚喜，福建农林大学林学院㊁南方红壤区水土保持国家林业和草原局重点实验室（福建农林大学）㊁海峡两岸红壤区水土保持协同创新中心（福建农林大学）㊁福建长汀红壤丘陵生态系统国家定位观测研究站，副教授㊂Ｅ－ｍａｉｌ：ｚｈａｎｇｈｏｕｘｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月２３日㊂责任编辑：王广建㊂应用无人机可见光影像和面向对象的随机森林模型对城市树种分类１）陈逊龙㊀孙一铭㊀郭仕杰㊀段煜柯㊀唐桉琦㊀叶章熙㊀张厚喜（福建农林大学，福州，３５０００２）㊀㊀摘㊀要㊀为及时准确的了解城市树种空间分布信息，提升城市居民生活水平和推动城市生态系统可持续发展㊂以福州市仓山区城市森林为研究对象，应用无人机（ＵＡＶ）监测城市树种空间分布及其动态变化的可见光影像，根据最佳尺度对影像进行分割，并提取分割对象的光谱㊁地形㊁指数㊁纹理和几何特征㊂通过对不同类型特征的组合构建不同的分类方案，利用递归特征消除法（ＲＦＥ）筛选出优选特征子集，利用面向对象方法结合随机森林（ＲＦ）模型对城市树种进行分类㊂结果表明：在随机森林模型分类的过程中，利用光谱特征对树种分类的总体分类精度为８２．１２％；地形特征对树种分类的贡献度率为１４．９６％；指数特征和纹理特征的引入，在一定程度提高了树种的分类精度；几何特征的贡献较小，在分类过程中没有明显的贡献㊂特征优选子集的Ｓ１０方案分类精度最高，总体精度达９２．４２％，Ｋａｐｐａ系数为０．９１㊂说明特征优选能够降低高维度特征的复杂性，在大幅减少数据冗余的同时提高了分类精度㊂在最优特征子集下，随机森林（ＲＦ）算法分类的总体精度比极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）和ｋ最近邻算法（ＫＮＮ）分别提高了１．１５％㊁１．８１％和１５．１５％，Ｋａｐｐａ系数分别提高了１％㊁２％和１７％㊂关键词㊀城市树种；无人机影像；面向对象；随机森林模型；地形特征分类号㊀Ｓ７７１．８ＵｒｂａｎＴｒｅｅＳｐｅｃｉｅｓＣｌａｓｓｉｆｉｃａｔｉｏｎｂｙＵＡＶＶｉｓｉｂｌｅＬｉｇｈｔＩｍａｇｅｒｙａｎｄＯＢＩＡ－ＲＦＭｏｄｅｌ／／ＣｈｅｎＸｕｎｌｏｎｇ，ＳｕｎＹｉｍ⁃ｉｎｇ，ＧｕｏＳｈｉｊｉｅ，ＤｕａｎＹｕｋｅ，ＴａｎｇＡｎｑｉ，ＹｅＺｈａｎｇｘｉ，ＺｈａｎｇＨｏｕｘｉ（ＦｕｊｉａｎＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ３５０００２，Ｐ．Ｒ．Ｃｈｉｎａ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：４８－５９．Ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ，ｉｍｐｒｏｖｅｔｈｅｌｉｖｉｎｇｓｔａｎｄ⁃ａｒｄｓｏｆｕｒｂａｎｒｅｓｉｄｅｎｔｓ，ａｎｄｐｒｏｍｏｔｅｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｕｒｂａｎｅｃｏｓｙｓｔｅｍｓ，ｔｈｉｓｓｔｕｄｙｔａｋｅｓｔｈｅｕｒｂａｎｆｏｒｅｓｔｉｎＣａｎｇｓｈａｎＤｉｓｔｒｉｃｔ，ＦｕｚｈｏｕＣｉｔｙａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ．Ｉｔａｐｐｌｉｅｓｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｓ（ＵＡＶｓ）ｔｏｍｏｎｉｔｏｒｔｈｅｖｉｓｉｂｌｅｌｉｇｈｔｉｍａｇｅｓｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｔｈｅｉｒｄｙｎａｍｉｃｃｈａｎｇｅｓ．Ｔｈｅｉｍａｇｅｓｗｅｒｅｓｅｇｍｅｎｔｅｄｂａｓｅｄｏｎｔｈｅｏｐｔｉｍａｌｓｃａｌｅ，ａｎｄｔｈｅｓｐｅｃｔｒａｌ，ｔｅｒｒａｉｎ，Ｉｎｄｅｘ，ｔｅｘｔｕｒｅ，ａｎｄｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｏｆｔｈｅｓｅｇｍｅｎｔｅｄｏｂｊｅｃｔｓａｒｅｅｘｔｒａｃｔｅｄ．Ｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｈｅｍｅｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｃｏｍｂｉｎｉｎｇｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔｗａｓｓｅｌｅｃｔｅｄｕｓｉｎｇｔｈｅｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎ（ＲＦＥ）ｍｅｔｈｏｄ．Ｔｈｅｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｗｅｒｅｃｌａｓｓｉｆｉｅｄｕｓｉｎｇｔｈｅｏｂ⁃ｊｅｃｔ⁃ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｒａｎｄｏｍｆｏｒｅｓｔ（ＲＦ）ｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｉｎｔｈｅｐｒｏｃｅｓｓｏｆＲＦｍｏｄｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｏｖｅｒａｌｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｕｓｉｎｇｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｗａｓ８２．１２％．Ｔｈｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｏｆｔｅｒｒａｉｎｆｅａｔｕｒｅｓｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｗａｓ１４．９６％．ＴｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆＩｎｄｅｘｆｅａｔｕｒｅｓａｎｄｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｉｍ⁃ｐｒｏｖｅｓｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｔｏａｃｅｒｔａｉｎｅｘｔｅｎｔ．Ｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｈａｖｅａｓｍａｌｌｃｏｎｔｒｉｂｕｔｉｏｎａｎｄｄｏｎｏｔｈａｖｅａｓｉｇｎｉｆｉｃａｎｔｃｏｎｔｒｉｂｕｔｉｏｎｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｏｃｅｓｓ．ＴｈｅＳ１０ｓｃｈｅｍｅｏｆｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｓｕｂｓｅｔｈａｄｔｈｅｈｉｇｈｅｓｔｃｌａｓ⁃ｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ９２．４２％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．９１．Ｔｈｉｓｉｎｄｉｃａｔｅｓｔｈａｔｆｅａｔｕｒｅｓｅｌｅｃ⁃ｔｉｏｎｃａｎｒｅｄｕｃｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｈｉｇｈ⁃ｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｓ，ｗｈｉｌｅｇｒｅａｔｌｙｒｅｄｕｃｉｎｇｄａｔａｒｅｄｕｎｄａｎｃｙａｎｄｉｍｐｒｏｖｉｎｇｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｕｎｄｅｒｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔ，ｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｔｈｅＲＦａｌｇｏｒｉｔｈｍｗａｓｉｎ⁃ｃｒｅａｓｅｄｂｙ１．１５％，１．８１％，ａｎｄ１５．１５％ｃｏｍｐａｒｅｄｔｏｅｘｔｒｅｍｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇ（ＸＧＢｏｏｓｔ），ｌｉｇｈｔｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍａ⁃ｃｈｉｎｅ（ＬｉｇｈｔＧＢＭ），ａｎｄｋ⁃ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒａｌｇｏｒｉｔｈｍ（ＫＮＮ），ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓｉｎｃｒｅａｓｅｄｂｙ１％，２％，ａｎｄ１７％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ㊀Ｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ；ＵＡＶｉｍａｇｅｒｙ；Ｏｂｊｅｃｔ－ｂａｓｅｄ；Ｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌ；Ｔｅｒｒａｉｎｆｅａｔｕｒｅ㊀㊀城市树木作为城市的重要组成部分是评估城市生态环境的重要指标之一，具有重要的生态㊁经济和社会效益［１］㊂随着城市化进程的不断深化，城市树木的生态效益也日渐凸显㊂然而，不同种类㊁种植结构和种植区域的城市树木会产生不同的生态环境效益［２］㊂因此，及时准确地获取城市树种的类别和空间分布信息对城市规划㊁城市树木的管理与维护具有重要意义［３］㊂传统的城市树种分类主要依靠地面调查，然而该方法存在成本高㊁耗时长且难以获取大尺度数据等不足［４］㊂近年来，遥感技术飞速发展，为城市树种的准确快速识别提供了新的途径㊂然而，传统的高分辨率卫星遥感影像易受天气和环境因素干扰㊁时效性较差且费用昂贵㊂此外，免费提供的卫星遥感影像空间分辨率低，难以适用于树种层面的识别研究［５］㊂相比传统的遥感平台，近地无人机（ＵＡＶ）能在较小空间尺度上提供高分辨率的遥感影像和地理数据，具有更高的适用性，是遥感数据获取的重要手段之一［６］㊂然而，目前有关树种信息提取的无人机遥感研究多集中于多光谱㊁高光谱影像的分类领域，但由于搭载多光谱㊁高光谱传感器的无人机普遍价格昂贵，极大地限制了其在实际生产中的推广应用㊂随着数码技术的发展，通过搭载可见光传感器的无人机获取包含树种信息的遥感影像，具有获取方便㊁成本低㊁空间分辨率高等优点，已成为遥感影像识别树种研究方向上重要的数据源之一［７］㊂根据遥感影像分类单元的不同，可将分类方法归为基于像元和面向对象两类㊂基于像元的方法主要关注局部像素的光谱信息，在处理高分辨率遥感影像时对噪声比较敏感㊁稳健性差，极易出现错分㊁漏分现象［８］㊂为弥补基于像元方法的不足，面向对象的影像分析技术（ＯＢＩＡ）逐渐被用于处理高分辨率遥感影像［９］㊂ＯＢＩＡ方法综合考虑区域相邻像素的纹理㊁形态以及空间结构等多维特征，减少了椒盐噪声的同时，通常具有更高的准确率［１０］㊂然而，随着特征维数的增加，数据处理的难度呈几何倍数增长，使得传统分类算法的应用受到一定限制㊂随机森林（ＲＦ）是一种基于集成学习思想集成多颗决策树的机器学习算法，通过对样本的决策树建模以及组合多棵决策树的预测，最终由分类树投票决定数据的分类［１１］㊂随机森林算法不仅具有模型简单㊁分类精度更高㊁校正参数更少的特点，而且鲁棒性强，不易过拟合，在遥感领域高维特征分类中得到广泛应用［１２］㊂面向对象方法可以有效减少同物异谱现象，而随机森林算法在处理高维数据时有其独特的性能优势，二者的结合在一定程度上提高了分类精度㊂宗影等［１３］将面向对象方法和随机森林算法的有机结合，有效提高了滨海湿地植被的分类精度，总体精度达８７．０７％；赵士肄等［１４］将面向对象方法和随机森林算法应用于耕地领域，并与其他机器学习分类算法进行对比验证，结果表明基于面向对象的随机森林模型取得了最高的耕地提取精度，并减弱了椒盐噪声，优化了分类结果；耿仁方等［１５］研究结果表明，基于面向对象结合随机森林算法对岩溶湿地植被具有较高的识别能力，在９５％置信区间内的总体精度为８６．７５％㊂虽然该方法的研究已经取得了一定的成功，但不同类型的特征对城市树种信息提取效果的影响尚不明确㊂因此，面向对象结合随机森林的方法对于城市树种分类的效果有待进一步探讨㊂此外，目前主流的数据源是大尺度的卫星影像和航空影像，或者是特征信息更加丰富的多光谱和激光雷达影像，而消费级无人机可见光影像在城市树种的精细分类方面还鲜有报道㊂因此，本文以福州市仓山区无人机可见光影像为研究对象，基于ＯＢＩＡ－ＲＦ模型，通过特征优选，构建最佳子集并比较不同机器学习算法的分类精度，并分析不同特征对城市树种分类的影响，构建该研究区城市行道树的最佳特征子集，比较不同分类算法对城市树种的分类效果，进一步评估ＯＢＩＡ－ＲＦ模型的分类性能和适用性，为城市生态系统保护及生态环境治理提供技术支持㊂１㊀研究区概况研究区位于福建省福州市仓山区（见图１），该区域属于南亚热带海洋性季风气候温暖湿润，冬季无严寒，夏季无酷暑㊂年日照时间１７００１９８０ｈ，年降水量９００２１００ｍｍ，气温２０２５ħ㊂福州市仓山区典型树种包括白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉ⁃ｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌ⁃ｃａｔａｒｉａｆａｌｃａｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａ⁃ｃｈｙｃａｒｐｕｓｆｏｒｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ）等㊂研究区地势平坦，自然环境相对复杂，具备城市的基本特征，对研究城市树种分类具有一定的代表性㊂２㊀研究方法２．１㊀无人机数据采集与预处理实验数据于２０２０年２月８日采集，采用搭载ＦＣ６３１０Ｓ可见光镜头的大疆精灵４Ｐｒｏ（ＤＪＩＰｈａｎｔｏｍ４Ｐｒｏ）无人机进行航拍获取研究区影像，为削弱阴影对分类过程的干扰，选择天气状况良好无风有云的时间段进行作业㊂飞行相关参数设置如下：航高设置为６０ｍ，航向与旁向重叠率均为７０％，镜头角度－９０ʎ，光圈值ｆ／５，曝光时间１／２００ｓ，ＩＯＳ速度为ＩＯＳ－４００㊂本次飞行共获得４５０张航拍影像，照片分辨率为５４７２ˑ３０７８㊂通过瑞士Ｐｉｘ４Ｄｍａｐｐｅｒ专业摄影测量软件对所采集的原始数据进行空中三角测量㊁点云重建㊁裁切以及镶嵌等操作，得到研究区的正射影像（ＤＯＭ）和数字地表模型（ＤＳＭ）㊂为了精确获得研究区的道路信息，采用天地图在线矢量影像作为辅助信息，并通过手绘的方式提取道路矢量数据㊂根据实际调查情况，利用缓冲分析，将缓冲距离设置为５ｍ，得到了行道树的矢量分布图，然后，将矢量布图与原始影像叠加，最终裁剪出了研究区影像㊂２．２㊀地形特征提取归一化数字表面模型（ｎＤＳＭ）是一种反映地物绝对高度的高程模型［１６］，可为地物判别提供可靠依９４第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类据㊂使用ＡｒｃＭａｐ１０．２软件进行地形特征提取㊂首先，通过人工目视解译方法从ＤＳＭ中选取９５０个地面点，并批量提取栅格的高程信息，其中１００个样本点的高程数据用以验证精度㊂其次采用插值的方法生成数字高程模型（ＤＥＭ）㊂为获取更加精确的地面高程信息，比较常见的插值方法（克里金插值法㊁反距离权重法㊁样条插值法以及自然邻域法）生成的数字高程模型（ＤＥＭ），以均方根误差㊁平均绝对值误差和决定系数（Ｒ２）作为评分指标（见表１）㊂４种插值方法均可得到较高精度的ＤＥＭ数据，综合考虑决定系数（Ｒ２）㊁平均绝对值误差以及均方根误差，最终确定采用克里金插值法生成连续的ＤＥＭ数据㊂最后，根据已生成的ＤＥＭ数据，利用Ａｒｃ⁃Ｍａｐ１０．２软件中的栅格计算器，将ＤＳＭ数据与ＤＥＭ数据相减得到ｎＤＳＭ数据［１７］㊂图１㊀研究区概况图表１㊀不同插值方法精度评价方㊀法决定系数（Ｒ２）平均绝对值误差均方根误差克里金插值法０．９９０．０７０．０４反距离权重法０．９９０．０８０．０４样条插值法０．９９０．０８０．０５自然邻域法０．９９０．０７０．０４２．３㊀最佳分割尺度确定影像分割是面向对象方法中至关重要的初始环节，分割结果将直接影响分类精度［１８］㊂本研究采用尺度参数评价工具（ＥＳＰ２），结合目视解译的方法确定最佳分割尺度，所有图像分割过程均在ｅＣｏｇｎｉ⁃ｔｉｏｎ９．０Ｄｅｖｅｌｏｐｅｒ９．０软件完成㊂ＥＳＰ２是用以评价不同尺度影像整体最大差异性的工具，通过计算整体局部方差均值随尺度变化率评估不同地物所对应的最佳尺度参数［１９］㊂而ＥＳＰ２计算出的尺度参数往往是多个值，需要结合人工目视才能确定最佳分割尺度㊂形状参数和紧致度参数是准确表示不同树种轮廓，使得对象内部同质性高的关键㊂综合考虑无人机影像的特点以及影像对象形状和紧致度因子的相互关系，将形状参数设置为０．５，紧致度参数设置为０．３㊂其他必要参数为：各波段的权重值设置为１㊁起始分割尺度为４０㊁分割步长为１㊁迭代８０次㊂随着尺度的增大，局部方差均值整体呈现上升的趋势，而尺度变化率呈现下降的趋势（见图２）㊂为了获得图像的过分割和欠分割之间的临界值，选取尺度变化率峰值为５１㊁５７㊁７６㊁８０㊁８９㊁１０４㊁１０９和１１８作为相对最佳分割尺度参数，采用多尺度分割算法得到分割结果（见图３）㊂当分割尺度参数设置较大（分割尺度参数大于１０４）时，白兰㊁榕树和背景多处０５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷被划分为同一个对象，不同树种存在混淆现象难以被区分㊂当分割尺度参数设置较小（分割尺度小于７６）时，不同地物内部出现了过分割现象，增加了数据冗余㊂当分割尺度参数设置７６８９时，植被与背景区分相对明显，不同的树种之间能够被分割成独立的对象，整体分割效果较为理想㊂权衡分割效果与实际情况的吻合度，最终确定研究区无人机影像最佳分割尺度参数为７６，并利用该分割尺度参数进行城市行道树提取㊂图２㊀ＥＳＰ２最佳分割尺度估计图图３㊀不同尺度参数分割效果图２．４㊀对象光谱特征提取光谱特征是遥感影像的重要特征之一，地物通常具有不同的光谱特征，因此根据可见光影像中的地物光谱信息的差异可以用来区分不同的地物类型［２０］㊂植被指数利用植被在不同波段下反射和吸收的特性，增强植被信息的同时使非植被信息最小化［２１］，被广泛应用于林业病虫害防治㊁农作物生长量估计㊁生态环境监测等领域［２２］㊂在遥感图像中，不同地物通常具有复杂程度不同的边缘特征，因此，形状特征可以作为快速准确识别地物类型的有效手段［２３］㊂纹理特征是遥感影像的底层特征，不受图像亮度的影响，能够综合反映像素的灰度分布和结构信息，利用纹理特征可以有效弥补可见光影像光谱信息的不足［６］㊂在面向对象的分类过程中，结合纹理特征对于提升分类精度效果显著［２４］㊂地形特征能真实反映不同地物的高程信息，在影像分类过程中对于区分不同类型的地物具有重要意义㊂因此，本研究共选取光谱㊁指数㊁纹理㊁几何以及地形５大特征，剔除无效特征筛选出４０个子特征，具体如下：（１）光谱特征（ＳＰＥＣ）：主要包括：红色（Ｒ）波段的像元亮度的均值（ＭＲ）㊁绿色（Ｇ）波段的像元亮度的均值（ＭＧ）㊁蓝色（Ｂ）波段像元亮度的均值（ＭＢ）㊁最大差异值（Ｍｄ）㊁亮度值（Ｂｒ）㊂（２）指数特征（ＩＮＤＥ）：包括植被颜色指数（ＩＣＩＶＥ）㊁可见光波段差异植被指数（ＩＶＤＶＩ）㊁联合指数２（ＩＣＯＭ２）㊁超绿指数（ＩＥＸＧ）㊁超绿超红差分指数（ＩＥＸＧＲ）㊁植被指数（ＩＶＧＥ）㊁归一化红绿差异指数（ＩＮＧＲＤＩ）以及归一化绿蓝差异指数（ＩＮＧＢＤＩ）（见表２）㊂（３）几何特征（ＧＥＯＭ）：包括面积㊁边界长㊁宽度㊁长度㊁不对称性㊁长宽比㊁边界指数㊁圆度㊁像素个数㊁紧致度㊁体积㊁密度㊁椭圆拟合㊁主方向㊁形状指数㊁最大封闭椭圆半径㊁最小封闭椭圆半径以及矩形拟合㊂１５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类（４）纹理特征（ＧＬＣＭ）：基于灰度共生矩阵（ＧＬＣＭ）提取影像的纹理特征，包括对比度（ＴＣＯＮ）㊁相关性（ＴＣＯＲ）㊁相异性（ＴＤＩＳ）㊁熵（ＴＥＮＴ）㊁同质度（ＴＨＯＭ）㊁均值（ＴＭＥＡ）㊁角二阶矩（ＴＡＳＭ）和标准差（ＴＳＤ）等特征值［６］（见表３）㊂（５）地形特征：归一化数字表面模型（ｎＤＳＭ）㊂表２㊀植被指数及表达式指数特征公㊀式归一化红绿差异指数（ＩＮＧＲＤＩ）［２５］ＩＮＧＲＤＩ＝（ＭＧ－ＭＲ）／（ＭＧ＋ＭＲ）归一化绿蓝差异指数（ＩＮＧＢＤＩ）［２６］ＩＮＧＢＤＩ＝（ＭＧ－ＭＢ）／（ＭＧ＋ＭＲ）超绿指数（ＩＥＸＧ）［２７］ＩＥＸＧ＝２ＭＧ－ＭＢ－ＭＲ超绿超红差分指数（ＩＥＸＧＲ）［２８］ＩＥＸＧＲ＝ＭＧ－ＭＢ－２．４ＭＲ可见光波段差异植被指数（ＩＶＤＶＩ）［２１］ＩＶＤＶＩ＝（２ＭＧ－ＭＲ－ＭＢ）／（２ＭＧ＋ＭＲ＋ＭＢ）植被颜色指数（ＩＣＩＶＥ）［２９］ＩＣＩＶＥ＝０．４４ＭＲ－０．８８ＭＧ－０．３９ＭＢ＋１８．７９植被指数（ＩＶＧＥ）［３０］ＩＶＧＥ＝ＭＧ／ＭａＲＭ１－ａＢ，ａ＝０．６６７联合指数２（ＩＣＯＭ２）［３１］ＩＣＯＭ２＝０．３６ＩＥＸＧ＋０．４７ＩＣＩＶＥ＋０．１７ＩＶＧＥ㊀㊀注：ＭＲ㊁ＭＧ㊁ＭＢ分别为红㊁绿㊁蓝波段像元亮度的均值㊂表３㊀纹理特征及表达式纹理指标公㊀式角二阶矩（ＴＡＳＭ）ＴＡＳＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）２对比度（ＴＣＯＮ）ＴＣＯＮ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｊ）２相关性（ＴＣＯＲ）ＴＣＯＲ＝ðＮｇｉ＝０ðＮｇｊ＝０（（ｉ－ｕｘ）ˑ（ｊ－ｕｙ）ˑｐ（ｉ，ｊ）２）／σｘσｙ相异性（ＴＤＩＳ）ＴＤＩＳ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ｜ｉ－ｊ｜熵（ＴＥＮＴ）ＴＥＮＴ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｌｎｐ（ｉ，ｊ）同质度（ＴＨＯＭ）ＴＨＯＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（１／（１＋（ｉ＋ｊ）２））均值（ＴＭＥＡ）ＴＭＥＡ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｉ标准差（ＴＳＤ）ＴＳＤ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｕｘ）２㊀㊀注：其中ｉ，ｊ是像元在图像中的行列坐标，ｐ（ｉ，ｊ）为像素对的频数，Ｎｇ为灰度级数，ｕｘ㊁σｘ分别为ｐｘ的均值和标准差，ｕｙ㊁σｙ分别为ｐｙ的均值和标准差㊂２．５㊀试验样本选取本实验通过实地调查获取样本数据㊂调查者沿着研究区的主要道路记录了绿化树种，并排除了数量较少或被其他冠层遮挡的树种，最终确定了７类树种（白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌｃａｔａｒｉａｆａｌｃａ⁃ｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａｃｈｙｃａｒｐｕｓｆｏｒ⁃ｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ））以及草地㊁灌木作为研究对象㊂根据遥感影像中不同地物类型的分布位置与大致面积比例，共选取了１１００个样本点㊂为了避免较小的样本数量影响模型分类精度，将最小样本数量设置为６０㊂采用Ｓｃｉｋｉｔ－ｌｅａｒｎ中内置的ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ函数进行分层抽样，按７：３的比例将数据划分为训练集和测试集（见表４），使各类别样本点数量大致与该类别的总面积成比例㊂训练集用于构建分类模型，测试集用于验证分类精度㊂表４㊀训练和验证样本地物总样本数训练样本数测试样本数白兰２００１４０６０草地５０３５１５灌木５０３５１５荔枝１４０９８４２芒果２００１４０６０南洋楹１２０８４３６榕树１４０９８４２棕榈６０４２１８樟１２０８４３６总计１１００７７０３３０２．６㊀分类模型与参数优化２．６．１㊀随机森林算法随机森林算法（ＲＦ）是一种通过集成学习的装袋思想将多棵决策树集合起来的算法，每棵决策树都充当预测目标类别的分类器㊂随机森林模型在样本数据和分类特征选择方面具有随机性，不容易过拟合，并且表现出良好的稳健性，即使在处理具有缺失值的高维数据时，仍能保持较高的分类精度㊂因此，它被认为是当今最好的算法之一［３２］㊂目前，随机森林算法已经广泛集成在各种软件包中，使用Ｓｔａｔａ数据管理统计绘图软件㊁Ｒ语言统计软件可以轻松实现㊂在模型构造的过程中，通常只需要确定每个树节点包含的特征数量（Ｍ）以及决策树数量（Ｎ），就足以保证模型的性能［３３］㊂本文采取递归特征消除法（ＲＦＥ）［３４］结合交叉验证（Ｃｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ）确定最佳特征数（见图４）㊂随着特征维数的增加，整体分类精度曲线经历几何增长㊁缓慢上升这个两个阶段后趋于平稳㊂当特征数为２０时，各分类精度曲线均处于相对最高点，因此最终将特征数量的参数设置为２０㊂在使用装袋方法生成训练集的过程中，随机森林算法会导致原始数据集中大约３７％的数据未被抽到，这部分数据被称为袋外（ＯＯＢ）数据㊂利用袋外数据对随机森林模型进行评估是一种无偏估计方法，且在一定程度上能减少计算量，提高算法的运行效率［３５］㊂因此，本文采取遍历不同数量（１１０００）决策树的方法，通过比较袋外误差的大小，确定最佳的决策树数量（见图５）㊂当决策树数量小于８５时，不同子集的袋外数据误差均随着决策树数量的增加而急剧下降，而后随着决策树数量的增加袋外数据误差的下降速度逐渐迟缓，当决策树数量为２００时，袋外数据误差处于相对最低点㊂因此，选择决策树２５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的最佳数量为２００㊂图４㊀模型分类精度与特征数的关系曲线图５㊀袋外误差与决策树数量的关系曲线２．６．２㊀其他分类模型为充分探索随机森林算法对城市树种信息提取的适用性，引入当下流行的机器学习算法作为对照，包括极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）以及ｋ最近邻算法（ＫＮＮ）㊂ＸＧＢｏｏｓｔ是一种基于增强学习（Ｂｏｏｓｔｉｎｇ）的集成算法，它通过在梯度下降方向上将弱分类器集成到强分类器中，并迭代生成新树以拟合先前树的残差㊂ＸＧＢｏｏｓｔ能够自动利用中央处理器（ＣＰＵ）的多线程进行分布式学习和多核计算，在保证分类准确度的前提下提高计算效率，尤其适用于处理大规模数据［３６－３７］㊂ＬｉｇｈｔＧＢＭ也属于增强学习方法，基本原理与ＸＧ⁃Ｂｏｏｓｔ相似㊂但ＬｉｇｈｔＧＢＭ使用基于直方图的决策树算法来减少存储与计算成本，并优化模型训练速度［３８］㊂ＫＮＮ算法是一种近似自变量与连续结果之间的关系的非参数方法［３９］，其基本思路是通过计算待分类样本与临近样本的距离（欧氏距离㊁曼哈顿距离）来确定所属类别，是一种简单而有效的分类算法㊂为了防止过拟合，本研究在ＪｕｐｙｔｅｒＮｏｔｅｂｏｏｋ平台上利用Ｓｃｉｋｉｔ－ｌｅａｒｎ库中的ＧｒｉｄＳｅａｒｃｈＣＶ包对这３种分类器参数进行了调优（见表５）㊂表５㊀不同分类器的超参数分类器参㊀数参数取值范围极致梯度提升（ＸＧＢｏｏｓｔ）决策树数量［５０，１００，１５０，２００］最大树深度［３，５，７，９］学习率［０．０１，０．０５，０．１０］样本抽样率［０．６，０．８，１．０］特征抽样率［０．６，０．８，１．０］轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）学习率［０．０１，０．０５，０．１０］决策树数量［５０，１００，１５０，２００］叶子节点数［１０，２０，３０，４０］最大树深度［３，５，７，９］ｋ最近邻算法（ＫＮＮ）近邻数［１，２，３，４，５，６，７，８，９，１０］２．７㊀试验方案构建不同树种之间单一特征的差异有限，难以满足树种分类的要求㊂因此，本研究采取增加特征数量的方式来提高分类精度，并探究不同特征组合对分类结果的影响（见表６）㊂表６㊀研究区各地物特征值地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟面积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１不对称性０．５５０．４３０．４４０．４３０．４５０．４２０．４８０．５６０．４５边界指数１．７４１．４６２．０１１．９７１．９９１．８４２．０６２．１９１．７９边界长５７８．７０３４０．２０４３１．９５６５０．４１６６９．２９６７０．７３４８８．１６４０８．６３６０１．００亮度值８３．１０７８．７９１１５．６９７４．０９７７．２０８１．１５７１．６３９６．８７６３．８３植被颜色指数－２９．１４－３３．１７－４７．７８－２１．１５－１８．８９－２１．６２－２９．９６－１７．７４－２０．１８联合指数２１４．１１１６．２５２０．１９１１．７４１０．７５１１．６０１５．２７９．２５１１．８２紧致度１．８５１．６３１．８７１．９１１．８６１．８０２．００２．３６１．８５密度２．０３２．１０２．０４２．１０２．１０２．１６１．９７１．８２２．０９超绿指数７６．６０８７．７７１１７．８１５９．６２５３．９３５９．８２８０．８３４８．３１５８．５２超绿超红差分指数－２１５．５６－２０４．０６－３０４．３３－１９４．８８－２０４．０７－１９９．５４－１６８．３２－２７３．２４－１５５．９７椭圆拟合０．６８０．７５０．６３０．６７０．６７０．７１０．５９０．５００．６８角二阶矩０００００００００对比度５５６．７７７８６．２４８７７．５５５９７．２９６１４．１２７７０．７７７１４．２５７６５．５１５１４．１１相关性０．８７０．８２０．８２０．８８０．８８０．８４０．８５０．８６０．９０相异性１７．１３１９．０５２１．６６１８．１２１８．６８２０．２８１９．７２１９．６２１６．６４熵８．７９８．６６８．９０９．１４９．１８９．１９８．９４８．６９９．０７同质度０．０６０．０６０．０５０．０５０．０５０．０５０．０５０．０５０．０６均值１２７．０３１２６．０７１２５．６７１２６．８１１２６．６８１２６．７３１２６．２３１２５．９７１２６．８８３５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类续（表６）地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟标准差３４．１７３４．６５３６．２３３６．４０３６．２３３５．７６３６．４０３７．６６３６．３２长度１４３．４５９１．１０８５．９６１３６．３３１３６．９０１４４．３８１００．０３８９．６２１３８．３１长宽比１．８１１．７４１．５２１．５５１．５５１．５１１．６２１．７８１．６１主方向１１３．６１１３０．６３９５．３２９６．５２９４．５６９４．５５９１．４８８３．５６８１．４５最大差异值１．６４１．６９１．５３１．４７１．３６１．２０１．５０１．３４１．４６蓝色（Ｂ）波段像元亮度的均值８４．４７６６．８０９４．６２７４．２０７９．０８８１．７２６３．６４１０５．５３６４．３８绿色（Ｇ）波段像元亮度的均值１３６．２２１３３．７５１８９．３６１１６．２８１１６．９０１２０．４０１１８．７９１４１．２９１０１．７２红色（Ｒ）波段像元亮度的均值１１１．３８１１２．９２１６６．２８９８．７４１００．７９９９．２６９３．１１１２８．７５８０．５５归一化数字表面模型０．３２１．７０１２．５１７．１６１２．０４２３．２０１０．９６１１．９３８．６７归一化绿蓝差异指数０．２１０．２７０．２７０．２００．１７０．１８０．２６０．１３０．２１归一化红绿差异指数０．１００．０９０．０７０．０８０．０７０．１００．１３０．０５０．１２像素个数６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１最大封闭椭圆半径０．５８０．７２０．４９０．５６０．５４０．６１０．４５０．３８０．５９最小封闭椭圆半径１．４５１．３９１．４４１．４９１．４５１．４３１．５１１．６３１．４５矩形拟合０．８２０．８６０．８００．８２０．８２０．８３０．７８０．７４０．８２圆度０．８６０．６７０．９５０．９３０．９２０．８２１．０６１．２５０．８６形状指数１．８４１．５５２．０９２．０４２．０６１．９０２．１６２．３２１．８６可见光波段差异植被指数０．１７０．２００．１９０．１５０．１３０．１４０．２１０．０９０．１７植被指数１．３６１．４３１．３８１．３０１．２６１．３０１．４６１．１８１．３７体积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１宽度８０．７８５２．７５５８．０３９０．８１９０．４９９７．８８６２．９６５１．４６８８．９４㊀㊀根据优选特征贡献率（见表７），将所选取的５大特征组合形成了１０种试验方案（Ｓ１Ｓ１０）㊂光谱特征作为每幅遥感影像的基本特征，作为基础被纳入到这１０种方案的构建中㊂其中，Ｓ１仅包含光谱特征；为了全面探究其他特征对分类结果的影响，在Ｓ１基础上引入了地形㊁指数㊁纹理等３个总体特征贡献率较高的特征，通过遍历这３个特征的各种组合得到了Ｓ２Ｓ８；Ｓ９包含了所有的特征；根据２０个优选特征组合建立Ｓ１０，具体的分类方案见表８㊂表７㊀优选特征重要性优选特征重要性／％归一化数字表面模型１４．９６最大差异值１２．４１联合指数２５．５７植被颜色指数５．４２绿色（Ｇ）波段像元亮度的均值４．８４归一化绿蓝差异指数４．６７超绿指数４．５８亮度值４．３６可见光波段差异植被指数３．４２植被指数３．２６红色（Ｒ）波段像元亮度的均值３．０５角二阶矩２．９０蓝色（Ｂ）波段像元亮度的均值２．８６超绿超红差分指数２．７８标准差２．２５归一化红绿差异指数２．２３熵２．０３相关性１．９７均值１．４１边界指数１．２８表８㊀分类方案方案特征子集特征数量Ｓ１光谱５Ｓ２光谱＋地形６Ｓ３光谱＋指数１３Ｓ４光谱＋纹理１３Ｓ５光谱＋地形＋指数１４Ｓ６光谱＋地形＋纹理１４Ｓ７光谱＋指数＋纹理２１Ｓ８光谱＋地形＋指数＋纹理２２Ｓ９光谱＋地形＋指数＋纹理＋几何４０Ｓ１０优选特征２０２．８㊀精度评价本文根据混淆矩阵对模型的分类精度进行定量评价㊂混淆矩阵也称为误差矩阵，是遥感影像二分类问题上的一种评价方法，反映了分类结果与真实地物类别之间的相关性［４０］㊂混淆矩阵的评价指标包括总体精度（ＯＡ）㊁Ｋａｐｐａ系数（Ｋｐ）㊁生产者精度（ＰＡ）以及用户精度（ＵＡ）㊂其中，总体精度指正确分类样本与总体样本的比值；生产者精度指分类结果与参考分类相符合的程度；用户精度指样本分类正确的可能性；Ｋａｐｐａ系数是用于检验遥感影像分类结果的一致性，也可以用以均衡分类效果［４１］㊂各指标计算公式如下：㊀㊀㊀㊀㊀ＯＡ＝ðｎｉ＝１ｘｉｉＮ；㊀㊀㊀㊀㊀Ｋｐ＝Ｎðｎｉ＝１ｘｉｉ－ðｎｉ＝１ｘｉ＋ｘ＋ｉＮ２－ðｎｉ＝１ｘｉ＋ｘ＋ｉ；４５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷㊀㊀㊀㊀㊀ＰＡ＝ｘｉｉ／ｘ＋ｉ；㊀㊀㊀㊀㊀ＵＡ＝ｘｉｉ／ｘｉ＋㊂式中：Ｎ为参与评价的样本总数；ｎ为混淆矩阵的行列数；ｘｉｉ为混淆矩阵第ｉ行㊁第ｉ列上的样本数；ｘｉ＋和ｘ＋ｉ分别为第ｉ行和第ｉ列的样本总数㊂３㊀结果与分析３．１㊀随机森林算法的不同分类方案精度由表９可知，随着不同特征类型数量的增加，总体分类精度和ｋａｐｐａ系数整体呈上升趋势㊂其中，仅利用光谱特征作为分类依据的方案Ｓ１精度最低，总体精度和ｋａｐｐａ系数分别为８２．１２％和０．７９，说明光谱特征是遥感影像最重要的特征之一，但仅利用光谱特征难以达到所需的分类精度㊂方案Ｓ２Ｓ４是在Ｓ１的基础上分别加上地形㊁指数和纹理特征，相比方案Ｓ１，这３个方案的总体分类精度分别提高了５．１５％㊁４．５５％㊁１．８２％，ｋａｐｐａ系数分别提高了０．０６㊁０．０６㊁０．０３㊂在分类过程中，地形特征相较于指数和纹理特征扮演着更重要的角色，大幅提高了分类精度㊂方案Ｓ５Ｓ７是在光谱特征的基础上加入地形㊁指数和纹理特征的两两组合，旨在研究它们之间的相互作用对分类精度的影响㊂整体而言，与Ｓ２Ｓ４相比，这３个方案的总体分类精度呈上升趋势㊂其中，Ｓ６具有最高的总体精度和ｋａｐｐａ系数，分别达到９０％和０．８８；其次是Ｓ７，和Ｓ１相比，总体精度和ｋａｐｐａ系数分别提高了７．２７％和０．０９；而Ｓ５总体精度和ｋａｐｐａ系数只增长了６．３６％和０．０８㊂表明地形与指数特征交互作用在分类过程中提供了更大的贡献度㊂方案Ｓ８是由特征重要性靠前的光谱㊁地形㊁指数以及纹理特征构成㊂与包含所有特征的方案Ｓ９相比，Ｓ８反而具有更高的总体分类精度和ｋａｐｐａ系数，分别达到９２．１２％和０．９１㊂表明几何特征对分类精度具有负向影响，它的加入降低了分类精度㊂方案Ｓ１０由优选特征组成，其获得了所有子集中最高的分类精度和ｋａｐｐａ系数，分别为９２．４２％和０．９１㊂与Ｓ９相比，分类精度提高了０．６０％㊂说明特征优选方法能消除高维复杂特征间的信息冗余，使模型仅利用较少特征数量并获得更高的运行效率和分类精度㊂表９㊀不同分类方案分类精度方案总体精度／％Ｋａｐｐａ系数方案总体精度／％Ｋａｐｐａ系数Ｓ１８２．１２０．７９Ｓ６９０．０００．８８Ｓ２８７．２７０．８５Ｓ７８９．３９０．８８Ｓ３８６．６７０．８５Ｓ８９２．１２０．９１Ｓ４８３．９４０．８２Ｓ９９１．８２０．９１Ｓ５８８．４８０．８７Ｓ１０９２．４２０．９１㊀㊀由表１０可知，虽然Ｓ１方案的用户精度与生产者精度整体上处于最低水平，但棕榈树的用户精度达到了１００％，表明棕榈与其他树种存在明显的光谱差异㊂方案Ｓ２加入地形指数后，各类地物的用户精度与生产者精度相比Ｓ１都有不同程度的提高，用户精度提升幅度１．８８％８．１８％，生产者精度提升幅度２．７８％１１．１１％，因为地形特征的加入更好的反映了不同地物之间的空间关系，从而大幅提高了分类精度㊂方案Ｓ３在Ｓ１的基础上加入了指数特征，荔枝㊁榕树以及樟的用户精度分别提升了１０．９５％㊁９．１８％和８．７２％，说明植被指数对荔枝㊁榕树以及樟分类效果显著，但对于其他树种的区分能力有限㊂方案Ｓ４加入纹理特征，芒果和樟的用户精度提升了８．８５％和９．００％，而棕榈和榕树的生产者精度分别提升了２２．２２％和１１．９％，说明这些树种的纹理结构特异性强与其他地物的差异显著，因此纹理特征的加入对分类精度有正向影响㊂方案Ｓ５与Ｓ２相比，荔枝和榕树的用户精度提升了７．０５％和５．１２％，而草地的精度下降了５．８８％；与Ｓ３相比，灌木的用户精度提升了４．４７％㊂总体而言，地形特征与指数特征的组合对分类精度的提升不显著，并且在某些树种的分类上精度出现不同程度的下降，说明这二者的组合产生了冗余信息影响了分类精度㊂方案Ｓ６与Ｓ２相比，芒果与樟的用户精度分别提升了６．４４％和７．６６％，而棕榈树和榕树的生产者精度分别提升了２７．７８％和１１．９０％，这个结果与方案Ｓ４类似，说明地形特征和纹理特征的组合与树种的分类精度呈正相关㊂方案Ｓ７与Ｓ６相比，除个别树种外，整体精度出现了不同程度的降低，波动范围为－６．２１％４．０４％㊂然而，与方案Ｓ５相比，总体分类精度有一定的提升，波动范围是－０．５８％７．５５％㊂方案Ｓ８与表现最好的方案Ｓ７相比，荔枝和榕树的总体分类精度分别提升了９．４２％和６．６７％，其他树种的总体分类精度保持稳定，这表明高维度的特征组合带来了更多的信息，在一定程度上提高了分类精度㊂综合所有特征的方案Ｓ９与Ｓ８相比，总体分类精度呈现出不升反降的现象，波动范围为－１０．２３％４．７４％，说明高纬度的特征产生了冗余信息，影响了随机森林模型的分类性能㊂优选特征子集Ｓ１０与Ｓ９相比，总体分类精度有所提升，其中灌木㊁草地以及荔枝的用户精度分别提升了１０．２３％㊁５．８８％和３．５５％㊂由此可见，特征优选通过对高维数据集的降维和优化，使模型仅利用较少的特征仍能保证良好的分类效果㊂３．２㊀应用优选特征子集对不同分类模型的精度评价由表１１可知，随机森林模型的分类精度最高，总体精度为９２．４２％，比ｋ最近邻算法（ＫＮＮ）㊁极致５５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类。

2007-2008学年第一学期西南大学资源环境学院专业课教材选用征订单

专业英语
ACADEMICENGLISH
自编教材
水保
2004
2
62
何丙辉
西南农业大学
6.00
刘玉民
森林环境学
森林环境学
面向21世纪教材
水保
2005
2
55
ISBN
7040076594
贺庆棠
高等教育出版社
17.9
2001
刘亚敏
水土保持经济植物栽培学
经济林栽培学
高等农林院校教材
水保
2004
2
62
ISBN
7503836709
十五规划教材
环科
2005
1,2
60
魏世强
中国农业出版社
37
2006
蒋珍茂
环境工程学
环境工程学
环科
2004
1,2
蒋展鹏
高等教育出版社
2003
蒋珍茂
环境工程学
环境工程学
环科
2004
1,2
蒋展鹏
高等教育出版社
2003
蒋珍茂
环境管理与环境法
环境规划与管理
环科
2004
1,2
尚金城
科学出版社
2005
王强
可持续发展概论
高教出版社
24.5
2005
江长胜
环境土壤学
环境土壤学
环境工程
2005
2
62
ISBN
7-109-02411-3
牟树森,青长乐编
农业出版社
18
2003
江长胜
环境科学英语
环境工程专业英语
环境科学
2004
2

水土保持林学-重点

水土保持林学复习重点绪论1、水土保持林学：是根据林学和生态学原理，结合山地丘陵区水土保持和资源综合利用，主要阐述造林基本原理与培育技术，水土保持林规划设计与体系配置建设技术，以及水土保持林体系多种功能与效益的一门应用学科。

2、水土保持林：是指在水土流失地区，调节地表径流，防治土壤侵蚀，减少河流、湖泊和水库泥沙淤积，改善山地丘陵区的农牧业生产条件，提供一定林副产品的天然林和人工林。

3、水土保持林目前存在的几个问题（1）数量少，发展速度慢，不能满足水土保持的要求（2）成活率、保存率低。

这是目前水土保持林发展最关键和最难解决的问题（3）生长缓慢，小老林面积大，既无生态效益，又无经济效益（4）科学研究跟不上生产要求，对生产上提出的问题解决不了（5）树种单一，可替换树种研究较少（6）造林所用苗木质量低（7）对现有林分缺乏管理，重造轻管第一章水文效应1、水土保持林的水文效应：指水土保持林对一个流域或区域的水文要素的影响。

水土保持林对这些要素（如降水、蒸发和径流）进行改变、调控，最终改变地下水与地表水的分配比例，从而改变水文过程，调节地表径流，保持水土。

2、对降雨的三次分配林冠层截留：泛指所有森林植物的地上部分（乔木、灌木和活地被物）枯枝落叶截留（死地被物）枯枝落叶层下的土壤：下渗吸收或产生径流3、林降雨量包括（林冠通过雨量）和（林冠滴下雨）4、彩响林冠截留量的因素（看一眼得了）（1）林冠特性林冠结构：重叠多、孔隙少■截留量多；枝叶量：多〉少；湿润程度：干〉湿（2）林分特征树种：针叶〉溝木〉软词〉硬阔；郁闭度；林龄：同一树种因林龄不同，枝叶茂密程度不同，截留率也不相同。

（3）雨量、雨的性质雨量与截留量：正相关关系、非直线性（当林冠截留量IC< C林冠贮水量时）林冠贮水量C：一次降雨中林冠所能容纳的最大降水量。

降雨性质与截田童：雨强越大，降雨越集中，哉留量越小：雨强越小，历时越长，有利于林冠充分吸水和吸水后蒸发，截留量越大。

3种不同林型下蕨类多样性和林冠开阔度的关系

壤含水量范围为１６．５４％一２１．１５％。这就表明维持树体正常生长的最佳土壤含水量为１９．９８％～２１．１５％。
考虑到土壤含水量在２０．０１％～２１．９６％范围时
［９］郑冰．不同灌水处理对滴灌核桃树生长及产量的效应研究［Ｊ］．新
关系［Ｊ］．北方果树，２０１１（３）：７＿９．
［６］文萍，刘济明，徐国瑞，等．水分胁迫对罗甸小米核桃光合与蒸腾
作用的影响［Ｊ］．贵州农业科学，２０１３，４１（８）：５７＿Ｊ６０．
［１６］高峻，吴斌，孟平，等．水分胁迫对金太阳杏幼树蒸腾、光合特性的
影响［Ｊ］．河北农业大学学报，２００７，３０（３）：３６＿４Ｏ．
率的研究［Ｊ］．水土保持研究，２００７，１４（４）：３０－３４．［５］郑冰．滴灌核桃树的耗水规律及其产量效应研究［Ｄ］．乌鲁木齐：
１３（７）：６３７＿６４６．
９
［２］马长明，袁玉欣，翟明普．基于物候期的核桃树干液流特征［Ｊ］．东
北林业大学学报，２００８，３６（１）：４－５，９．
度的影响［Ｊ］．草地学报，２０１１，１９（２）：２１５－２２１．［１５］郝蓬莱，张金平，韩新英，等．干旱胁迫对麻栎无性系蒸腾作用的

刺槐的用途

刺槐的用途Yanbingyang摘要我国刺槐分布广泛，资源丰富，但是没有的到很好的利用。

刺槐的根、木材、叶、花等都有着不同的利用价值。

根系发达，有根瘤菌。

树干木材好、耐水湿，叶、花都有着丰富且大量的蛋白质，具有较高利用价值。

种子可以制作刺槐豆胶。

但是现在利用较少，造成了大量的资源剩余，本文介绍了刺槐的主要利用价值，为刺槐开发宣传打下基础。

一、刺槐的形态特征及分布等情况刺槐（Robinia pseudoaccacia）别名洋槐，蝶形花科，洋槐属。

落叶乔木，高10-25米；树皮灰褐色至黑褐色，浅裂至深纵裂，稀光滑。

小枝灰褐色，幼时有棱脊，微被毛，后无毛；具托叶刺，长达2厘米；冬芽小，被毛。

羽状复叶长10-25(-40)厘米；叶轴上面具沟槽；小叶2-12对，常对生，椭圆形、长椭圆形或卵形，长2-5厘米，宽1.5-2.2厘米，先端圆，微凹，具小尖头，基部圆至阔楔形，全缘，上面绿色，下面灰绿色，幼时被短柔毛，后变无毛；小叶柄长1-3毫米；小托叶针芒状，总状花序花序腋生，长10-20厘米，下垂，花多数，芳香；苞片早落；花梗长7-8毫米；花萼斜钟状，长7-9毫米，萼齿5，三角形至卵状三角形，密被柔毛；花冠白色，各瓣均具瓣柄，旗瓣近圆形，长16毫米，宽约19毫米，先端凹缺，基部圆，反折，内有黄斑，翼瓣斜倒卵形，与旗瓣几等长，长约16毫米，基部一侧具圆耳，龙骨瓣镰状，三角形，与翼瓣等长或稍短，前缘合生，先端钝尖；雄蕊二体，对旗瓣的1枚分离；子房线形，长约1.2厘米，无毛，柄长2-3毫米，花柱钻形，长约8毫米，上弯，顶端具毛，柱头顶生。

荚果褐色，或具红褐色斑纹，线状长圆形，长5-12厘米，宽1-1.3(-1.7)厘米，扁平，先端上弯，具尖头，果颈短，沿腹缝线具狭翅；花萼宿存，有种子2-15粒；种子褐色至黑褐色，微具光泽，有时具斑纹，近肾形，长5-6毫米，宽约3毫米，种脐圆形，偏于一端。

花期4-6月，果期8-9月。

原产美国东部。

抚育间伐对林分生长、结构和多样性的影响研究综述

森林抚育作为森林经营的重要手段，间伐对森林产生的影响主要包括：林分生长、总收获量、林分结构、土壤枯落物、森林小气候及生物多样性等。

并主要表现在生长、结构及多样性方面。

科学合理的森林经营必须从综合角度出发，依靠抚育间伐改善林分质量，促进森林的健康、可持续的方向发展。

1.抚育间伐对林分生长的影响林分在自然演替过程中存在一定的自然稀疏能力，但在现实林分中，仍然存在林分密度过大、林相差、生长不良等情况，严重影响着林分质量。

通过人为干预可以实现森林群落的质量最优化。

就抚育间伐对林分生长而言，主要反映在抚育间伐对单株胸径、林分树高、单株材积和蓄积等方面的影响。

抚育间伐对胸径的影响有着较为一致的结论：在一定间伐强度范围内，直径生长量随间伐强度增大而增加。

徐国巧(2008)通过对华北落叶松的抚育间伐的研究，发现抚育样地胸径生长量显著大于对照样地，随保留密度减小而增大。

关于抚育间伐对林分树高的影响，一部分学者认为抚育间伐对林分树高生长量并没有显著的影响，因为林分树高生长量、树种组成和立地条件存在差异有一定关系，也有学者表明抚育间伐能够促进林分树高生长。

林分蓄积的生长量是由林分的树种、胸径、树高及单位面积株数而决定。

很多学者认为抚育间伐对林分收获量有促进作用，如李春明(2003)通过对落叶松和人工杉木在不同抚育强度下的生长差异分析发现，在抚育间伐初期林分的蓄积量小于未间伐林分，但抚育林分的生长率显著大于未间伐林分，由于林龄和林内竞争逐渐加剧，间伐林分的蓄积最终会趋于未伐林分。

张波（2017）在研究了隔行间伐和隔株间伐的不同抚育方式对速生杨人工林的影响，结果表明抚育后的林分环境得到有效改善，加快林木生长。

张彦芳等（2012）通过对不同抚育间伐强度下华北落叶松人工林林木胸径、单位面积蓄积量的变化进行了研究，随着间伐强度的加大，林木生长的指标胸径和蓄积量均呈上升后平缓的趋势。

武朋辉等（2017）认为抚育间伐通过调整林分密度，改善保留木的生长环境，从而促进保留木的生长。

水土保持与荒漠化防治学一级学科0910

水土保持与荒漠化防治学一、学科简介1.1 研究对象：水土保持与荒漠化防治学是研究地球表层(地表到地下水位)的水土保持和荒漠化防治的学科。

1.2 学科特点：水土保持与荒漠化防治学是一门综合性学科，涉及地质学、土壤学、植物学、环境学等多个学科知识。

主要研究内容包括水土保持理论、方法与技术、土地荒漠化成因、防治对策以及生态经济社会效益等方面。

二、学科发展历程2.1 起源：19世纪末20世纪初，随着人口增加、开垦土地速度增加，水土流失问题成为世界性难题。

国际社会逐渐关注和重视水土保持与荒漠化防治问题。

2.2 发展：20世纪50年代以来，水土保持与荒漠化防治学得到了迅速发展。

各国纷纷建立了相关的学科机构和研究中心，并开展了大量的研究工作。

20世纪90年代初，联合国组织了“联合国防治荒漠化公约”，标志着水土保持与荒漠化防治学正式成为全球环境保护议题。

三、学科研究内容3.1 水土保持理论：主要研究水土保持的原理、机理以及影响因素，探讨水土保持的科学理论和技术方法。

3.2 荒漠化成因：主要研究土地荒漠化的原因和机制，包括自然因素和人为因素等。

探讨土地荒漠化的演变规律和程度评价方法。

3.3 防治对策：主要研究荒漠化防治的原则、方法和技术。

包括植被恢复、水土保持和生态环境建设等方面的研究。

3.4 社会效益：主要研究水土保持与荒漠化防治对生态环境、经济和社会发展的影响，探讨其可持续发展性和保护价值。

四、学科前沿与热点4.1 生态恢复技术：包括湿地恢复、水土保持工程、荒漠植被恢复、土地复垦等方面的研究，是学科的热点之一。

4.2 基于遥感和GIS技术的研究：利用遥感技术和地理信息系统技术研究土地荒漠化的动态变化与监测，是学科的前沿研究方向。

五、学科发展趋势5.1 跨学科融合：水土保持与荒漠化防治学将与地质学、土壤学、植物学、生态学等多个学科融合发展，形成新的联合研究领域。

5.2 国际合作：随着全球环境问题的愈发严重，水土保持与荒漠化防治学将与国际学术机构和组织合作，共同推进人类生存环境的改善工作。

西南林业大学环境科学与工程系

环境科学与工程系成立于２０年７，０１月现设有４个本科专业（水土保持与荒漠化防治、环境科学、环境工程、农业资源与环境）２个硕士学位授权点（生态学、水土保持与荒漠化防治）．个教研室（３水土保持、环境科学、环境工程），个实验室（３环境科学、环境规划、水土保持）。拥有环境科学省院省校合作共建、咨询重点学科１（个与清华大学合作）．教育部特色专业１（个水土保持与荒漠
发等工作的高级工程技术人才。
农业资源与环境（理工类考生）招
漠化防治专业专门人才，强云南省汜可游地区的水土保持科研和水土流加上失综合台工作，实现云南省 “ 色经济强省、旅游和民族文化大省”及对绿生态、经济、社会可持续发展的战略目标具有重要的意义。本专业于
计，开发建设项目水土保持方案编制，水土保持监测、监天独厚的条件，是生态学专学习和从事生态学研究的理想之地。本专业共ＩＩ个研究方向。本专业于理、施工、管理、预防监督以及国土环境整治与资源合理开设置森林生态、恢复生态、湿地生态和环境生态４
发利用工作的高级工程技术人才。环境科学（招理工类考生）１９年开始招收硕士研究生，国家自然科学基金、国家科技攻关项目、９６在云南省自然科学基金、云南省科技计划项目对该
２：．３经费合计６Ｏ万元近年．１￣，９多＿来获国家林业局科技进步二等奖ｌ三等奖２，项、项云南省科技进步二等奖２项、三等奖３，项发表学
术论文２ｏ０余篇，其中ｓＩ、ＳＰｃ、日ＩＴ收录６，版专著８，篇出部学生发表论文３篇，１科研成果实践转化１项。

石油污染胁迫下植株根区土壤微生物多样性分析

石油污染胁迫下植株根区土壤微生物多样性分析王晨霞;来航线;韩刚;李凯荣;韦小敏【摘要】[目的]研究在不同石油污染胁迫水平下,适合陕西延安气候与土壤条件的4种耐性植株根区土壤微生物多样性的变化.[方法]采用室外盆栽模拟法,在含0,5,10,15和20 g/kg石油的土壤中栽植油松、沙棘、刺槐、紫穗槐4种植株,待苗木生长6个月后采集其根区周围土壤,采用微生物平板培养法、酸碱滴定法及Biolog微平板法,从微生物区系、呼吸强度及功能多样性角度,对不同石油污染胁迫水平下植株根区土壤的微生物多样性进行分析.[结果]栽植4种植株均能促进根区土壤微生物的生长,增加根区土壤微生物多样性;在高水平石油污染胁迫下,4种植株对根区土壤微生物的多样性具有保护作用,其中刺槐植株表现最为明显;5～10 g/kg 石油污染胁迫水平能刺激植株根区土壤微生物的生长,促进植株根区土壤微生物对碳源的利用;15～20 g/kg石油污染胁迫水平对部分土壤微生物具有毒害作用,对根区土壤微生物的碳源利用有抑制作用,其中20 g/kg石油污染胁迫水平的毒害及抑制作用最强.主成分分析结果显示,第1主成分将10 g/kg石油污染胁迫水平与0,20 g/kg石油污染胁迫水平的土壤微生物功能多样性明显区分开来,第2主成分将0 g/kg石油污染胁迫水平与其他石油污染胁迫水平的土壤微生物功能多样性区分开来,其中影响第1主成分的碳源主要为多聚物类和氨基酸类,影响第2主成分的碳源主要为碳水化合物类.[结论]4种植株均能有效提高石油污染胁迫下根区土壤微生物的多样性;5～10 g/kg石油污染胁迫水平能提高土壤微生物多样性;15～20g/kg石油污染胁迫水平降低了土壤微生物多样性,对微生物生长具有毒害作用.【期刊名称】《西北农林科技大学学报（自然科学版）》【年(卷),期】2014(042)010【总页数】11页(P166-176)【关键词】石油污染胁迫;植株根区;微生物多样性;土壤呼吸强度;Biolog微平板法【作者】王晨霞;来航线;韩刚;李凯荣;韦小敏【作者单位】西北农林科技大学资源环境学院 ,陕西杨凌712100;西北农林科技大学资源环境学院 ,陕西杨凌712100;西北农林科技大学林学院,陕西杨凌712100;西北农林科技大学资源环境学院 ,陕西杨凌712100;西北农林科技大学资源环境学院 ,陕西杨凌712100【正文语种】中文【中图分类】S154.3近年来，随着石油勘探开发和区域经济的不断发展，受石油污染的土壤面积不断扩大，污染程度也日益增加[1]。

陕南秦巴山区小流域水土保持治理综合效益评价

陕南秦巴山区小流域水土保持治理综合效益评价
卜贵贤;李凯荣;周俊
【期刊名称】《水土保持研究》
【年(卷),期】2011(18)6
【摘要】从自然环境和社会经济特征出发,选取具有代表性的窑沟小流域水土保持示范区为研究对象,通过实地调查和基础资料的收集,应用生态经济学的理论和方法,筛选并建立了一套比较完善的效益评价指标体系;运用层次分析法和多层次模糊评价法对该示范区的水土保持治理综合效益进行了定量评价。

评价结果显示:窖沟流域的综合治理取得了显著的成效,2006年、2007年、2008年的综合效益指数分别为55,65,77,生态经济系统进入初级良性循环阶段。

三大效益中生态效益和社会效益明显,效益指数分别从2006年的58,81增加到2008年的98和100。

【总页数】5页(P231-235)
【关键词】小流域;水土保持;综合效益
【作者】卜贵贤;李凯荣;周俊
【作者单位】杨凌职业技术学院;西北农林科技大学
【正文语种】中文
【中图分类】S157
【相关文献】
1.朝阳县木头城子镇满达小流域水土保持综合治理效益评价 [J], 施蕊英
2.广西西林县非石质山区小流域水土保持综合治理效益评价 [J], 黄艳霞; 梁志鑫;
王玉杰; 王云琦; 王彬; 顾剑红; 李一凡
3.朝阳县六家子小流域水土保持综合治理效益分析与评价 [J], 苏长芳
4.朝阳县石质山区小流域水土保持综合治理效益评价 [J], 王万香
5.朝阳县下洼小流域综合治理中水土保持效益评价研究 [J], 苏长芳
因版权原因，仅展示原文概要，查看原文内容请购买。

渭北黄土高原经济林地土壤养分特征研究

渭北黄土高原经济林地土壤养分特征研究易亮;李凯荣;张冠华;唐荣华【期刊名称】《水土保持研究》【年(卷),期】2009(16)2【摘要】为了探明渭北黄土高原经济林地土壤养分状况及其变化规律,以主要经济林树种杏树、柿树、花椒和核桃作为研究对象,对经济林地土壤养分变化特征进行了研究。

结果表明:经济林地由于受成土母质和人为干扰的作用,土壤养分含量变异范围较宽,其中养分变异范围中碱解氮的变幅最小,而速效磷最大,达74.17%;不同的经济林地土壤养分存在一定的差异性,花椒林地有机质和速效钾含量最高,杏树林地次之,柿树和核桃林地含量较低,碱解氮的变化趋势为:核桃>花椒>杏树>柿树,速效磷的变化趋势为:杏树>柿树>花椒>核桃;各种养分在剖面中的含量具有明显的层次性,表层(0-20cm)养分含量最高,随着剖面深度的增加,养分含量逐渐降低,且降低的幅度越来越小,养分具有明显的"表聚效应";土壤养分含量之间存在一定的相关性,有机质与速效钾呈显著相关,与碱解氮呈极显著相关,碱解氮与速效钾呈极显著相关,而速效磷与其它养分变化的相关性较低,没有明显规律性;依据黄土高原土壤养分分级指标,所调查经济林土壤有机质和碱解氮处于较低水平,速效磷、速效钾含量丰富,能够满足一般树木生长的需要。

【总页数】5页(P186-190)【关键词】渭北黄土高原;黄土高原;经济林;土壤养分【作者】易亮;李凯荣;张冠华;唐荣华【作者单位】西北农林科技大学资源环境学院【正文语种】中文【中图分类】S727.3;S714.8【相关文献】1.黄土高原沟壑区林地土壤水分特征的研究(Ⅰ)--土壤水分的垂直变化和季节变化特征 [J], 陈海滨;孙长忠;安锋;党坤良2.渭北黄土高原沟壑区土地整治中新增耕地土壤养分现状分析 [J], 魏样;韩霁昌;杜宜春;王欢元;马增辉3.渭北黄土高原沟壑区土地整治中新增耕地土壤养分现状分析 [J], 魏样;韩霁昌;杜宜春;王欢元;马增辉;4.渭北黄土高原核桃林地的土壤水分特征 [J], 樊金拴;陈原国5.不同造林模式对渭北黄土高原林地土壤及土壤微生物化学计量的影响 [J], 王飞;吴胜义因版权原因，仅展示原文概要，查看原文内容请购买。

木荷与杉木人工林林冠截留初步探讨

木荷与杉木人工林林冠截留初步探讨
杜紫贤;韩永刚;谢锦升;郭剑芬;张静
【期刊名称】《亚热带水土保持》
【年(卷),期】2007(19)2
【摘要】本文通过对建瓯木荷和杉木人工林林冠截留的观测,分析了二者林冠截留差异及其与降水的关系.研究表明木荷林的年截留量为379.04 mm,平均截留率是21.96%,杉木林的年截留量为259.54mm,仅为木荷林的68.5%,平均截留率是16.31%,比木荷林低5.65%.两林分截留率大小随降雨特征变化存在较大差异.在雨季,木荷林的截留能力明显高于杉木林;随雨量的增大,两者的截留量与截留率的差异有增加趋势,这主要与两种林分结构特征的不同有关.
【总页数】5页(P5-9)
【作者】杜紫贤;韩永刚;谢锦升;郭剑芬;张静
【作者单位】福建师范大学地理科学学院,福州,350007;福建省水土保持试验站,福州,350003;福建师范大学地理科学学院,福州,350007;福建师范大学地理科学学院,福州,350007;福建师范大学地理科学学院,福州,350007
【正文语种】中文
【中图分类】S715.2
【相关文献】
1.木荷与杉木人工林枯枝落叶层水文生态功能 [J], 郭剑芬;杨玉盛;林鹏
2.统计分析软件在木荷林冠截留模型研究中的应用 [J], 兰建容;冯德旺
3.杉木人工林更新木荷及荷杉混交林调查研究 [J], 欧斌;王建皓;朱江华;刘华新;李畅;欧述荣
4.杉木人工林更新木荷及荷杉混交林调查研究 [J], 欧斌;王建皓;朱江华;刘华新;李畅;欧述荣;
5.抚育间伐对杉木人工林及林下套种木荷生长的影响 [J], 谢家仪
因版权原因，仅展示原文概要，查看原文内容请购买。

渭北地区农田土壤物理性质对土壤剖面盐分的影响

渭北地区农田土壤物理性质对土壤剖面盐分的影响樊会敏;许明祥;李彬彬;张蓉蓉;张圣民;马露洋【期刊名称】《水土保持学报》【年(卷),期】2017(31)4【摘要】通过网格布点法对渭北地区农田土壤进行采样分析,研究了土壤团聚体、土壤容重、土壤质地对土壤剖面盐分的影响。

结果表明:(1)研究区轻度盐渍化面积占46.56%,中度盐渍化占23.01%,渭北地区农田土壤盐渍化程度总体不严重但存在较大潜在风险。

(2)各层土壤水稳性团聚体与含盐量呈负相关,容重与含盐量的关系因盐渍化程度不同而在各土层表现出不同的正负效应,土壤质地与含盐量仅在0—20cm土层存在显著相关性。

(3)土壤物理性质对含盐量的异位影响与含盐量水平有关。

当土壤含盐量<1g/kg时,40—60cm容重与20—40cm含盐量为幂函数关系,且呈递增趋势;土壤含盐量在2~4g/kg时,20—40cm容重与0—20cm含盐量为一次函数关系,且呈递增趋势;当含盐量>2g/kg时,0—20cm容重与20—40cm 含盐量为一次函数关系,且呈递减趋势;含盐量>2g/kg时,水稳性团聚体与含盐量呈显著线性负相关。

【总页数】7页(P198-204)【关键词】土壤物理性质;土壤盐渍化;农田;异位影响【作者】樊会敏;许明祥;李彬彬;张蓉蓉;张圣民;马露洋【作者单位】中国科学院教育部水土保持与生态环境研究中心;西北农林科技大学林学院;西北农林科技大学资源与环境学院【正文语种】中文【中图分类】S156.4【相关文献】1.渭北地区土壤剖面电导率年内动态变化及影响因素 [J], 樊会敏;张蓉蓉;许明祥;张圣民;李彬彬2.河套地区春小麦向日葵复种对土壤盐分及农田生产力的影响 [J], 邹超煜;白岗栓;杜社妮3.天津市沿海地区土壤剖面盐分监测及研究 [J], 侯佳渝;刘金成;曹淑萍;程绪江;张亚娜;王卫星4.渭北黄土高原旱地果园生草对土壤物理性质的影响 [J], 李会科;张广军;赵政阳;李凯荣5.渭北旱塬管理措施对冬小麦地土壤剖面物理性状的影响 [J], 王欢; 付威; 胡锦昇; 樊军; 郝明德因版权原因，仅展示原文概要，查看原文内容请购买。