CN114332657B - 一种调控黄帚橐吾种群密度的方法 - Google Patents

Abstract

本申请提出了一种调控黄帚橐吾种群密度的方法及系统，包括以下特征：步骤S1、利用无人机拍摄高寒牧区指定区域的图像或视频；步骤S2、对所述图像或关键帧进行识别，获得黄帚橐吾群落；步骤S3、对所述指定区域进行网格划分，形成多个子网格，并获得各网格区域内的黄帚橐吾群落密度或盖度；步骤S4、根据各网格区域内的不同密度或盖度，采用与之对应的调控方式进行调控。本申请的黄帚橐吾调控方式有效利用植物的生长特点，将种群密度控制在合理水平，对牧区安全无污染，保持草地生态系统的完整，而且还引入了机器视觉的技术，能够对种群进行智能识别，降低了人工成本，克服了需要频繁入高寒地观察且人工观察或统计不准确的问题。

Description

一种调控黄帚橐吾种群密度的方法

技术领域

本发明涉及毒害草的去除技术领域，具体涉及一种调控黄帚橐吾种群密度的方法。

背景技术

黄帚橐吾是高寒草甸常见的一种毒害草，它因含有生物碱而不易被家畜采食，并且其繁殖能力强，在竞争过程中过多的抢用了资源，导致其有优质牧草退化，对草原生态和生产造成一定危害，是高寒草甸退化的重要标志植物之一。黄帚橐吾种群密度的调控是高寒草甸保护和修复的主要途径和方法。常用的黄帚橐吾防治方法有物理方法、化学方法，均有一定的弊端。

高寒牧区毒害草肆虐，造成草原生产力下降，草原生态系统功能衰退。针对毒害草防除，通常采用化学和物理防除。物理方法常见的有人工拔除法、机械收割法等，此种方法主要的弊端在于成本高，费人费力费时，效果差。化学方法常见的就是药物灭除法，采用化学药品对黄帚橐吾种群进行喷洒或者株体注射、涂抹，从植物机体生长过程中对其进行灭杀来防治，污染重，残留深，不环保。总体来讲，以上的高寒草甸中黄帚橐吾的防除缺乏整体系统性考虑，比较片面，只强调治理，不管修复，不可持续。针对地处生态脆弱区和水源涵养区的高寒牧区来讲，两种方法都能达到一定效果，但是成本高，有污染，效果缺乏持久性，破坏当地生态环境。因此，在草原牧区实际生产中难以全面推广应用。

本发明适用于高寒牧区天然毒害草防控，成本低，无污染，在利用中求治理。根据黄帚橐吾群落生长和发展规律，利用农艺措施在不同物候期下进行处理，以改变植物生境和调控生长节律，改变高寒牧区天然草地黄帚橐吾群落生存环境和生长条件，以植物光合作用和群落竞争理论为理论基础，通过人为干扰和调控，利用生物间的竞争、生存的原则，实现对高寒草甸毒害草黄帚橐吾的种群密度进行调控。同时，促进草地群落元素循环，实现生态系统平衡，促使正向演替，保证高寒牧区草地管理可持续发展。

发明内容

本发明的目的在于克服现有技术存在的不足，而提出一种调控黄帚橐吾种群密度的方法，包括以下特征：

步骤S1、利用无人机拍摄高寒牧区指定区域的图像和/或视频，并提取视频中的高清关键帧；

步骤S2、对所述图像和/或关键帧进行识别，获得黄帚橐吾群落；

步骤S3、对所述指定区域进行网格划分，形成多个子网格，并获得各网格区域内的黄帚橐吾群落密度或盖度；

步骤S4、根据各网格区域内的不同密度或盖度，采用与之对应的调控方式进行调控。

可选的，利用步骤S1获取到的所述图像或关键帧拼接成包含特定区域的全景图，所述特定区域指包含黄帚橐吾种群密度与其它区域明显不同的区域，该特定区域可包含一个或多个子网格，形成合并的网格区域。

可选的，所述步骤S2中的识别方法，采用语义分割网络完成像素级的识别，而非对具体的对象进行识别，识别时综合利用颜色、纹理以及形状特征。

可选的，在所述步骤S3中进行网格划分时，按照指定面积或指定的形状进行子网格划分。

可选的，指定区域的指定形状为正方形、长方形、三角形、圆形或其它形状。

可选的，当指定形状为正方形或长方形时，指定区域的面积为M*N,其中，M，N均为大于0的自然数，单位为米。

可选的，为方便计算并且使得后续的调控更加具有可操作性，将邻近网格中具有相似黄帚橐吾种群形态的子网格进行合并。

可选的，将各子网格或合并后的子网格按照密度划分为三种区域：第一区域，密度≤5株/m²；第二区域，密度5-10株/m²；第三区域，密度≥10株/m²；或者按照盖度划分为三种区域：第一区域，盖度≤10％；第二区域，盖度10-30％；第三区域，盖度≥30％。

可选的，所述调控具体包括：

1)放牧处理：在牧草返青前进行放牧，时间在3-4月份，放牧家畜选择藏羊和牦牛，采用单独放牧或混合放牧方式，以20-30头·月/ha放牧强度进行放牧，放牧一次即可，牧草盖度在15-25％之间即可停止放牧；

2)5-6月进行机械划破，对于第一区域，划破度在10-15％，采用单向划破，然后施有机肥1.5吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播,播种量为20-30kg/ha，播种后镇压；对于第二区域，划破度在15-30％，采用单向划破，然后施有机肥2.25吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播，播种量30-40kg/ha,播种后镇压；对于第三区域，划破度在30-50％，采用双向十字交叉划破，然后施有机肥3吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播，播种量40-60kg/ha,播种后镇压；

3)8-12月份，禁牧，翌年1-3月，进行放牧，对于第一区域，放牧强度20-25头·月/ha；对于第二区域，放牧强度10-20头·月/ha；对于第三区域，放牧强度≤10头·月/ha；

4)翌年4-10月，禁牧；翌年11-12月，对于第一区域，放牧强度20-25头·月/ha；对于第二区域，放牧强度10-20头·月/ha；对于第三区域，禁牧；第三年与第二年的处理方式相同。

可选的，所述S2包括：所述识别采用深度神经网络完成像素级识别，所述深度神经网络包含有输入层、一个或多个隐含层、输出层。

本申请的的技术效果在于：

1.针对不同网格区域的黄帚橐吾群落的密度或盖度，采用具有针对性的调控方式，保证了各个子区域均能获得最佳的调控效果。

2.本申请的方式环保无污染、无任何化学毒害，可保证牧区环境的可持续发展，有助于保持草地生态系统的完整，保证生态系统可持续发展和利用：利用动物之间的竞争保持各种种群的相对稳定，并维持在适当的阈值之内，成本低，可操作性强，在草原牧区科大范围使用和推广。

3.通过放牧干扰影响黄帚橐吾种群密度和生殖分配，通过施肥可以调控黄帚橐吾克隆繁殖的密度，通过在群落里面增加禾本科牧草种类比例可以制约黄帚橐吾的繁殖能力，充分利用好黄帚橐吾生命史，在不同生命过程中采用放牧、施肥和补播禾本科牧草，来调节黄帚橐吾种群密度，可有效降低黄帚橐吾对高寒草甸的危害，为高寒牧区草地管理和退化高寒草甸生态修复提供一种技术和方法。该技术与国家在草原牧区实施的生态建设工程相结合，可有效发挥生态文明建设中草原生态系统的功能，效果倍增。

4.本申请在计算黄帚橐吾种群密度或盖度时，引入了计算机视觉技术，通过无人机获取视频及图像信息，利用训练后的深度神经网络模型，进行像素级的判断，最后通过黄帚橐吾像素占比计算指定区域的种群密度或盖度，进而根据不同的密度或盖度采用对应的调控方案。

5.该技术通过利用进行治理，黄帚橐吾种群密度整体下降33％以上，在高密度区，黄帚橐吾种群密度可降到10％以内。同时提高草地利用率12％，促进了元素循环，改善草地土壤物理特性，有效提高治理草地的持续性和有效性。

附图说明

图1是本发明的主要逻辑顺序图。

具体实施方式

如图1所述，为解决上述问题，本发明提出提出一种调控黄帚橐吾种群密度的方法，包括以下特征：

步骤S1、利用无人机拍摄高寒牧区指定区域的图像和/或视频，并提取视频中的高清关键帧；

步骤S2、对所述图像和/或关键帧进行识别，获得黄帚橐吾群落；

步骤S3、对所述指定区域进行网格划分，形成多个子网格，并获得各网格区域内的黄帚橐吾群落密度或盖度；

步骤S4、根据各网格区域内的不同密度或盖度，采用与之对应的调控方式进行调控。

可选的，在步骤S1与S2之间，可以进行预处理步骤，例如：消除视频帧或图像的反光，对视频帧或图像帧进行去噪以及图像增强等步骤，还可以对所述视频帧或图像帧进行筛选，选择具有代表性的视频帧或图像帧进行后续的处理及模型训练样本基础。

由于黄帚橐吾的主体是绿色，而牧区中的枯草、碎石等都非绿色，因此，可选的，可以对视频帧或图像的G分量进行增益，首先对进行R、G、B分量的分离；生成G分量的增益因子：

然后利用增益因子进行增益：

利用增益后的G_F逆向合成图像或视频帧；

虽然各分量的分解及合成属于本领域的现有技术，但是上述增益方式是本发明人的首次提出，经过上述增益，能够充分利用牧区地面的绿色通道信息，使得后续的将图像或视频帧输入到神经网络模型中进行识别或直接采用所提出的分割算法进行直接分割，得到的结果都会更加准确。

可选的，利用步骤S1获取到的所述图像或关键帧拼接成包含特定区域的全景图，所述特定区域指包含黄帚橐吾种群密度与其它区域明显不同的区域，该特定区域可包含一个或多个子网格，形成合并的网格区域。

可选的，所述步骤S2中的识别方法，采用语义分割网络完成像素级的识别，而非对具体的对象进行识别，识别时综合利用颜色、纹理以及形状特征。

可选的，所述S2包括：所述识别采用深度神经网络完成像素级识别，所述深度神经网络包含有输入层、一个或多个隐含层、输出层；所述输入层用于接收无人机采集的图像或关键帧信息；所述输出层用于输出各个像素点关于黄帚橐吾的分类信息。

可选的，所述隐含层包含一个或多个卷积层、一个或多个池化层；所述深度学习模型采用的损失函数为交叉熵损失函数。

可选的，所述池化方法如下：

x^e＝f(w^eφ(u^e))

u^e＝(1-w^e)φ(x^e-1)；

其中，x^e表示当前层的输出，u^e用以表示函数φ的输入，w^e表示当前层的权重，φ表示交叉熵损失函数，x^e-1表示上一层的输出。

可选的，所述

N表示所述样本数据集的大小，i取值1～N，yi表示样本xi对应的标签；Q_yi表示样本xi在其标签yi处的权重，M_yi表示样本xi在其标签yi处的偏差，M_j表示输出节点j处的偏差；

激励函数R为：

N表示包含样本数据集的大小；yi表示样本特征向量x_i对应的标签值；W_yi表示样本特征向量x_i在其标签yi处的权重，θ_yi表示为样本x_i与其对应标签yi的向量夹角。

对上述深度学习模型不断进行训练，直到满足预定的条件为止,得到训练后的深度学习模型。

可选的，在所述步骤S3中进行网格划分时，按照指定面积或指定的形状进行子网格划分。

当通过深度学习模型获得每个像素是否为黄帚橐吾像素点之后，计算出黄帚橐吾的密度或盖度属于本领域的惯用技术手段，此处不再赘述。

可选的，指定区域的指定形状为正方形、长方形、三角形、圆形或其它形状，优选的，指定区域为正方形以及长方形。

可选的，当指定形状为正方形或长方形时，指定区域的面积为M*N,其中，M，N均为大于0的自然数，单位为米或千米；优选的，M、N的的取值范围大于100米，防止区域面积太小导致后续放牧或划破不便利。

可选的，为方便计算并且使得后续的调控更加具有可操作性，将邻近网格中具有相似黄帚橐吾种群形态的子网格进行合并，上述合并操作有利于后续的放牧管理以及机械划破作业。

可选的，将各子网格或合并后的子网格按照密度划分为三种区域：第一区域，密度≤5株/m²；第二区域，密度5-10株/m²；第三区域，密度≥10株/m²；或者按照盖度划分为三种区域：第一区域，盖度≤10％；第二区域，盖度10-30％；第三区域，盖度≥30％。

可选的，所述调控具体包括：

1)放牧处理：在牧草返青前进行放牧，时间在3-4月份，放牧家畜选择藏羊和牦牛，采用单独放牧或混合放牧方式，以20-30头·月/ha放牧强度进行放牧，放牧一次即可，牧草盖度在15-25％之间即可停止放牧；

2)5-6月进行机械划破，对于第一区域，划破度在10-15％，采用单向划破，然后施有机肥1.5吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播,播种量为20-30kg/ha，播种后镇压；对于第二区域，划破度在15-30％，采用单向划破，然后施有机肥2.25吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播，播种量30-40kg/ha,播种后镇压；对于第三区域，划破度在30-50％，采用双向十字交叉划破，然后施有机肥3吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播，播种量40-60kg/ha,播种后镇压；

3)8-12月份，禁牧，翌年1-3月，进行放牧，对于第一区域，放牧强度20-25头·月/ha；对于第二区域，放牧强度10-20头·月/ha；对于第三区域，放牧强度≤10头·月/ha；

4)翌年4-10月，禁牧；翌年11-12月，对于第一区域，放牧强度20-25头·月/ha；对于第二区域，放牧强度10-20头·月/ha；对于第三区域，禁牧；第三年与第二年的处理方式相同。

可选的，作为一种替代性的实施例，也可采用图像分割的方式进行黄帚橐吾的分割或初步分割：

其中

表示像素点(x,y)的初始梯度值；

分别表示在窗口D区域内的梯度均值、最小值、最大值；Gra表示最终梯度值；

S＝watershed(Gra)，其中S表示最后的分割结果；所述watershed表示分割算法。

可选的，可以将上述分割结果作为第一标记信息，将得到的意思感兴趣图像(黄帚橐吾)像素点分离出来，并进行标记，与后续的深度学习模型的输出层结果进行融合；融合方式可以采用以下方式：将像素点疑似黄帚橐吾的概率值进行比较，将较大的值作为最终的判断结果；或者将二者的概率值各以50％的权重进行加权，如果加权结果超过指定阈值，则判断为黄帚橐吾。

作为另一可选的实施方案，也可以将经过分割后的带有标注信息(是否为黄帚橐吾像素点)的样本输入深度神经网络模型进行训练，不断进行训练，直到满足预定的条件为止,得到训练后的深度学习模型。也即，实质上将分割算法所得到的标注信息用以监督学习的方式，指引深度学习模型不断优化。

需要特别说明的是，以上各种实施例或进一步限定，在不冲突的情况下可自行组合使用，都构成本发明的实际公开范围，限于篇幅，不予一一列举，但各种组合方式均落入本申请的保护范围。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种调控黄帚橐吾种群密度的方法，包括以下特征：

步骤S1、利用无人机拍摄高寒牧区指定区域的视频，并提取视频中的高清关键帧；

步骤S2、对所述关键帧进行识别，获得黄帚橐吾群落；

步骤S3、对所述指定区域进行网格划分，形成多个子网格，并获得各网格区域内的黄帚橐吾群落密度或盖度；

步骤S4、根据各网格区域内的不同密度或盖度，采用与之对应的调控方式进行调控；其中，步骤S2包括以下步骤：

步骤S21、采用图像分割的方式进行黄帚橐吾的分割：

其中Gradient(x,y)表示像素点(x,y)的初始梯度值；

分别表示在窗口D区域内的梯度均值、最小值、最大值；Gra表示最终梯度值；

S＝watershed(Gra)，其中S表示最后的分割结果；所述watershed表示分割算法；

步骤S22、采用深度神经网络完成像素级识别，所述深度神经网络包含有输入层、一个或多个隐含层、输出层；

所述输入层用于接收无人机采集的关键帧信息；

所述输出层用于输出各个像素点关于黄帚橐吾的分类信息；

所述隐含层包含一个或多个卷积层、一个或多个池化层；

所述深度学习模型采用的损失函数为交叉熵损失函数；

所述池化方法如下：

x^e＝f(w^eφ(u^e))

u^e＝(1-w^e)φ(x^e-1)；

其中，x^e表示当前层的输出，u^e用以表示函数φ的输入，w^e表示当前层的权重，φ表示交叉熵损失函数，x^e-1表示上一层的输出；

所述

N表示样本数据集的大小，i取值1～N；Q_yi表示样本xi在其标签yi处的权重，M_yi表示样本xi在其标签yi处的偏差，M_j表示输出节点j处的偏差；

步骤S23、将步骤S21分割结果作为第一标记信息，将得到的黄帚橐吾像素点分离出来，并进行标记，与步骤S22的输出层结果进行融合，获得黄帚橐吾群落。

2.根据权利要求1所述的一种调控黄帚橐吾种群密度的方法，利用步骤S1获取到的所述关键帧拼接成包含特定区域的全景图，所述特定区域指包含黄帚橐吾种群密度与其它区域明显不同的区域，该特定区域可包含一个或多个子网格，形成合并的网格区域。

3.根据权利要求1所述的一种调控黄帚橐吾种群密度的方法，所述步骤S2中的识别方法，采用语义分割网络完成像素级的识别，而非对具体的对象进行识别，识别时综合利用颜色、纹理以及形状特征。

4.根据权利要求1所述的一种调控黄帚橐吾种群密度的方法，在所述步骤S3中进行网格划分时，按照指定面积或指定的形状进行子网格划分。

5.根据权利要求4所述的一种调控黄帚橐吾种群密度的方法，指定区域的指定形状为正方形、长方形、三角形、圆形或其它形状。

6.根据权利要求5所述的一种调控黄帚橐吾种群密度的方法，当指定形状为正方形或长方形时，指定区域的面积为M*N,其中，M，N均为大于0的自然数，单位为米。

7.根据权利要求1所述的一种调控黄帚橐吾种群密度的方法，为方便计算并且使得后续的调控更加具有可操作性，将邻近网格中具有相似黄帚橐吾种群形态的子网格进行合并。

8.根据权利要求7所述的一种调控黄帚橐吾种群密度的方法，将各子网格或合并后的子网格按照密度划分为三种区域：第一区域，密度≤5株/m²；第二区域，密度5-10株/m²；第三区域，密度≥10株/m²；或者按照盖度划分为三种区域：第一区域，盖度≤10％；第二区域，盖度10-30％；第三区域，盖度≥30％。

9.根据权利要求8所述的一种调控黄帚橐吾种群密度的方法，所述调控具体包括：

1)放牧处理：在牧草返青前进行放牧，时间在3-4月份，放牧家畜选择藏羊和牦牛，采用单独放牧或混合放牧方式，以20-30头·月/ha放牧强度进行放牧，放牧一次即可，牧草盖度在15-25％之间即可停止放牧；

2)5-6月进行机械划破，对于第一区域，划破度在10-15％，采用单向划破，然后施有机肥1.5吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播,播种量为20-30kg/ha，播种后镇压；对于第二区域，划破度在15-30％，采用单向划破，然后施有机肥2.25吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播，播种量30-40kg/ha,播种后镇压；对于第三区域，划破度在30-50％，采用双向十字交叉划破，然后施有机肥3吨/ha,补播禾本科牧草种，对中华羊茅及垂穗披以碱草1:1混播，播种量40-60kg/ha,播种后镇压；

3)8-12月份，禁牧，翌年1-3月，进行放牧，对于第一区域，放牧强度20-25头·月/ha；对于第二区域，放牧强度10-20头·月/ha；对于第三区域，放牧强度≤10头·月/ha；

4)翌年4-10月，禁牧；翌年11-12月，对于第一区域，放牧强度20-25头·月/ha；对于第二区域，放牧强度10-20头·月/ha；对于第三区域，禁牧；第三年与第二年的处理方式相同。

Images