Классификация обыкновенной ели: Pinales — Wikipédia

Ель Энгельмана ( Picea engelmannii ).

Picea pungens

Классификация

Picea pungens или чаще Колорадская голубая ель получила свое название от ее голубой, почти серебристо-голубой цвет.В 1939 году оно было названо государственным деревом Колорадо, и с тех пор его называют Голубым Колорадо. С тех пор ель. Picea происходит от латинского слова pix или смола, относящаяся к смоле, содержащейся в его коре, и pungens переводится как «острый», имея в виду иглы.

Домен Eukarya: Члены этого домена имеют мембраносвязанные органеллы, ДНК которых организована в хромосомы расположены в ядре и более разнообразны, чем любая другая область жизни.Другие домены состоят из архей и бактерий.

Королевство Plantae: у членов этого Королевства есть ячейка стены сделаны из целлюлозы, а запасают пищу в виде крахмала. Они также фотосинтетические, что означает, что они автотрофы, обладающие способностью производить свои собственное питание для энергии. Другие королевства состоят из животных, грибов и Протиста

Тип Coniferophyta: представители этого типа имеют семена. и являются сосудистыми, что означает, что они имеют сосудистые ткани, которые циркулируют питательных веществ и ресурсов по всему растению.

Класс Хвойные: Этот класс включает хвойные деревья. Это конусовидные растения. Их семена размещены в этих шишках. Другие представители включают кипарисы, ели, каурисы, лиственницы, сосны, кедры. и секвойи.

Отряд Pinales: члены этого отряда — древесные растения. и состоят в основном из деревьев. Другие представители включают тисы, можжевельники, секвойи, лиственницы, кедры и сосны.

Семейство Pinaceae: Члены семейства сосновых почти сплошь деревья, в основном вечнозеленые. Они однодомные, то есть имеют и то, и другое. наборов половых органов на одном организме. Сосны также смолисты, и их филиалы имеют линейные, игольчатые листья. Другие члены включают кедры, сосны, лиственницы и болиголовы.

Род Picea A. Dietr.: Ели

Виды Picea pungens

Это филогенетическое древо, родство между всеми сперматопсидами таково. показано. P. pungens , член семейства хвойных, оказался наиболее тесно связан с Cordaitopsidas.Кроме того, вы можете видеть, что Хвойные имеют общих предков с большинством других сперматопсидов, включая, но не ограничиваясь, гинкго, саговники и покрытосеменные растения (или цветущие растения). Среди наименее родственных хвойным, под конечности сперматопсиды, относятся к Calamopityaceae (члены включают B. perplexa ) и Hydraspermaceae. Другой родственник довольно далеко в отношении хвойные — это Lyginopteridaceae (члены включают E.полиморфа ). Кладистические деревья были созданы с использованием ДНК хлоропластов. вариации, а также молекулярный анализ данных (показан в кладистическом дерево ниже). Для получения дополнительной информации по данному виду работ нажмите здесь .

Хвойные факты для детей

Хвойные деревья — это шишковидные семенные растения. Большинство из них — деревья; некоторые кустарники.Формально они относятся к подразделу Pinophyta или Coniferophyta .

Хвойные относятся к голосеменным растениям. Это конусовидные семенные растения с сосудистой тканью. Все живые хвойные — древесные растения, и большинство из них — деревья.

Живые хвойные все в порядке Pinales . Типичные примеры включают кедры, кипарисы, ели, можжевельники, каурисы, лиственницы, сосны, секвойи, ели и тисы.

Виды хвойных встречаются почти во всех частях света и часто являются наиболее распространенными растениями в местах своего обитания, например, в тайге.Хвойные деревья имеют большое хозяйственное значение, а их древесина в основном используется для производства древесины и бумаги. Древесина хвойных пород известна как мягкая древесина, хотя древесина тиса на самом деле довольно твердая. Подразделение Coniferae включает около 700 живых видов.

Эволюция

Самые ранние хвойные появились в конце каменноугольного (пенсильванского) периода (около 300 миллионов лет назад), пинофиты, саговники и гинкго развивались в это время. Эти растения живут, не будучи так зависимы от воды.Другими адаптациями являются пыльца (поэтому оплодотворение может происходить без воды) и семя, которое позволяет транспортировать и развивать зародыш в другом месте.

Хвойные, по-видимому, являются одним из таксонов, которые выиграли от пермско-триасового вымирания. Они были доминирующими наземными растениями мезозойской эры. Хвойные со временем уступили место цветковым растениям, впервые появившимся в меловом периоде. Цветковые растения стали доминирующими в кайнозойскую эру.

Хвойные деревья были основной пищей травоядных динозавров, и их смолы и яды, несомненно, давали им некоторую защиту от травоядных.К концу мезозоя сложились все репродуктивные признаки современных хвойных.

Связанные страницы

Картинки для детей

• Узкоконическая форма северных хвойных деревьев и их свисающие вниз ветви помогают им сбрасывать снег.

• У Abies grandis ( grand fir ) и многих других видов со спирально расположенными листьями основания листьев скручены, чтобы сгладить их расположение и максимально уловить свет.

• Внутренняя структура из хвойных пород

• Сосновый лес Монтерей в Сиднее, Австралия.

• Pinaceae: нераспустившиеся женские шишки пихты субальпийской ( Abies lasiocarpa )

• Taxaceae: мясистая кожура, окружающая каждое семя тиса европейского ( Taxus baccata ), представляет собой сильно модифицированную чешуйку семенной шишки

• Pinaceae: конус пыльцы лиственницы японской ( Larix kaempferi )

Классификация пород круглого леса сосны и ели с использованием многомерного анализа изображений коры

Литература

Антонелли, А., Cocchi, M., Fava, P., Foca, G., Franchini, C.G., Ulrici, A. (2004) Автоматизированная оценка пищевого цвета с помощью многомерного анализа изображений в сочетании с алгоритмом классификации на основе вейвлетов. Анальный. Чим. Acta515:3–13.Search in Google Scholar

Basset, O., Buquet, B., Abouelkaram, S., Delachartre, P., Culioli, J. (2000) Применение анализа изображения текстуры для классификации говядины. . Food Chem.69:437–445.Поиск в Google Scholar

Бхарати, М.Х., Лю, Дж.Дж., МакГрегор Дж.Ф. (2004) Анализ текстуры изображения: методы и сравнения. Химмет. Интел. лаборатория Syst.72:57–71.Search in Google Scholar

Бруннер, М., Югстер, Р., Тренка, Э., Бергамин-Стротц, Л. (1996) Спектроскопия FT-NIR и идентификация древесины. Holzforschung 50: 130–134. Поиск в Google Scholar

Daubechies, I. Десять лекций по вейвлетам. SIAM, Филадельфия, 1992. Поиск в Google Scholar

Эсбенсен К., Гелади П. (1989) Стратегия многомерного анализа изображений (MIA). Химмет. Интел.лаборатория Syst.7:67–86. Поиск в Google Scholar

Funck, JW, Zhong, Y., Butler, DA, Brunner, CC, Forrer, JB (2003). Алгоритмы сегментации изображения, применяемые для обнаружения дефектов древесины. вычисл. Электрон. Agric.41:157–179.Search in Google Scholar

Geladi, P., Esbensen, K. (1991) Регрессия на многомерных изображениях – регрессия основных компонентов для инструментов моделирования, прогнозирования и визуальной диагностики. J. Chemomet.5:97–111.Поиск в Google Scholar

Гелади П., Ковальски Б.Р. (1986) Частичная регрессия методом наименьших квадратов: Учебное пособие. Анальный. Чим. Acta185:1–17.Search in Google Scholar

Geladi, P., Isaksson, H., Lindqvist, L., Wold, S., Esbensen, K. (1989) Анализ основных компонентов многомерных изображений. Химмет. Интел. лаборатория Syst.5:209–220.Search in Google Scholar

Gjerdrum, P., Warensjö, M., Nylinder, M. (2001) Классификация типов кривизны для неокоренных пиловочников ели европейской с помощью 3D сканера бревен. Holz Roh Werkstoff59:374–379.Поиск в Google Scholar

Gonzalez R.К., Вудс Р.Э. Цифровая обработка изображений, 2-е изд. Прентис Холл, Нью-Джерси, 2002 г. Поиск в Google Scholar

Hagman, P.O.G. (1993) Автоматическая сортировка по качеству бревен Picea abies с помощью гамма-сканера бревен. Сканд. Дж. Для. Рез. 8: 583–590. Поиск в Google Scholar

Харалик, Р. М., Шанмугам, К., Динштейн, И. (1973) Текстурные признаки для классификации изображений. IEEE транс. Сист. Man Cybernetics3:610–621.Поиск в Google Scholar

Джайн, А.К., Мао, Дж.К., Мохиуддин, К.М. (1996) Искусственные нейронные сети: Учебное пособие. Компьютер 29:31–44.Поиск в Google Scholar

Джордан Р., Фини Ф., Несбитт Н., Эвертсен Дж.А. (1998) Классификация пород древесины с помощью нейросетевого анализа ультразвуковых сигналов. Ultrasonics36:219–222.Search in Google Scholar

Kvaal, K., Wold, J.P., Indahl, U.G., Baardseth, P., Næs, T. (1998) Многомерное извлечение признаков из текстурных изображений хлеба. Химмет. Интел. лаборатория Syst.42:141–158.Поиск в Google Scholar

Лоуренс, А.H. (1989) Быстрая характеристика пород древесины с помощью спектрометрии ионной подвижности. Дж. Палп Пап. Sci.15:J196–J199. Поиск в Google Scholar

Льюис, И.Р., Дэниел, Н.В., Чаффин, Н., Гриффитс, П. (1994) Рамановская спектрометрия и нейронные сети для классификации типов древесины 1. Спектрохим. Акта А Мол. Spectrosc.50:1943–1958. Поиск в Google Scholar

Lo, S.C.B., Li, H., Freedman, M.T. (2003) Оптимизация вейвлет-разложения для сжатия изображений и сохранения признаков. IEEE транс.Мед. Imaging22:1141–1151. Поиск в Google Scholar

Mäenpää, T., Pietikainen, M. (2004) Классификация по цвету и текстуре: вместе или по отдельности? Pattern Recognin.37:1629–1640.Search in Google Scholar

Oja, J., Wallbäcks, L., Grundberg, S., Hägerdal, E., Grönlund, A. (2003) Автоматическая классификация сосны обыкновенной ( Pinus sylvestris L.) пиловочника с помощью промышленного рентгеновского сканера бревен. вычисл. Электрон. Agric.41:63–75.Поиск в Google Scholar

Thygesen, L.G., Lundqvist, S.О. (2000) NIR-измерение содержания влаги в древесине в нестабильных температурных условиях. Часть 1. Тепловые эффекты в ближнем инфракрасном спектре древесины. J. Near Infrared Spectrosc.8:183–189.Search in Google Scholar

Trygg, J., Wold, S. (2002) Ортогональные проекции на скрытые структуры, O-PLS. J. Chemomet.16:119–128. Поиск в Google Scholar

Van de Wouwer, G., Scheunders, P., Livens, S., Van Dyck, D. (1999) Сигнатуры корреляции вейвлетов для характеристики цветовой текстуры. Распознавание образов32:443–451. Поиск в Google Scholar

Веттимуни, Р., Пенумаду, Д. (2004) Применение анализа Фурье к цифровым изображениям для анализа формы частиц. Дж. Комп. Civil Eng.18:2–9.Поиск в Google Scholar

Wold, S. (1978) Перекрестная проверка количества компонентов в моделях факторов и основных компонентов. Technometrics20:397–405. Поиск в Google Scholar

Уолд С., Эсбенсен К., Гелади П. (1987) Анализ главных компонентов. Химмет. Интел. лаборатория Сист.2:37–52. Поиск в Google Scholar

Уолд С., Антти Х., Линдгрен Ф., Оман Дж. (1998) Коррекция ортогонального сигнала спектров ближнего инфракрасного диапазона. Химмет. Интел. лаборатория Syst.44:175–185.Search in Google Scholar

Программа визуального распознавания для бинарной классификации и ее применение для идентификации пыльцы ели

Abstract

Различение ели черной и белой ( Picea mariana и Picea glauca ) является сложной проблемой палинологической классификации, решение которой может предоставить ценные данные для реконструкции палеоклимата.Мы разработали программное обеспечение для визуального распознавания с открытым исходным кодом (ARLO, Automated Recognition with Layered Optimization), способное различать эти два вида с точностью, сравнимой с точностью экспертов-людей. Система применяет распознавание образов и машинное обучение к анализу изображений пыльцы и обнаруживает общие характеристики изображений, определяемые простыми характеристиками линий и сеток пикселей, взятых с разными размерами, размером, интервалами и разрешением. Он адаптируется к заданной проблеме, ища наиболее эффективную комбинацию как представления признаков, так и стратегии обучения.В результате получается мощная и гибкая структура для классификации изображений. Мы работали с изображениями, полученными с помощью автоматического сканера слайдов. Сначала мы применили основанную на хеше модель «выявления пыльцы», чтобы отделить пыльцевые зерна от фона слайда. Затем мы проверили способность ARLO реконструировать соотношение пыльцы черной и белой ели, используя искусственно созданные слайды с известным соотношением. Затем мы разработали более масштабируемый метод анализа изображений на основе хэшей, который смог различать пыльцу черной и белой ели с расчетной точностью 83.61%, что сравнимо с производительностью человека-эксперта. Наши результаты демонстрируют способность систем машинного обучения автоматизировать сложные таксономические классификации при анализе пыльцы, а наш успех с простым представлением изображений предполагает, что наш подход применим ко многим другим задачам распознавания объектов.

Образец цитирования: Ченг Д.К., Наяк А.К., Фаулкс К.С., Пуньясена С.В. (2016) Программное обеспечение визуального распознавания для бинарной классификации и его применение для идентификации пыльцы ели.ПЛОС ОДИН 11(2): e0148879. https://doi.org/10.1371/journal.pone.0148879

Редактор: Peter Wilf, Penn State University, США

Поступила в редакцию: 23 апреля 2015 г.; Принято: 23 января 2016 г.; Опубликовано: 11 февраля 2016 г.

Авторские права: © 2016 Tcheng et al. Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все программное обеспечение имеет открытый исходный код и доступно через SourceForge. Из-за большого размера необработанных файлов изображений, собранных в этом анализе (~ 53 ТБ), данные изображения будут храниться в автономном режиме и будут доступны по запросу Суранги В. Пуньясене, с которой можно связаться по адресу [email protected].

Финансирование: Финансирование было предоставлено Национальным научным фондом (NSF EF-1137396 для SWP и DKT; NSF-DBI 1053036 для CCF; NSF-DBI 1262547 для CCF) и Национальным центром суперкомпьютерных приложений Institute for Advanced Computing Applications и технологии (NCSA IACAT) Стипендия присуждена SWP.AN была поддержана исследовательским опытом для студентов (REU) от NSF Macrosystems Biology, присужденным SWP. Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Морфологическая дискриминация близкородственных, часто однородных видов является фундаментальной проблемой пыльцевого анализа, что способствует низкому таксономическому разрешению записи пыльцы и спор [1–4].Важным примером является различение пыльцы черной и белой ели ( Picea mariana и Picea glauca соответственно), которая бросала вызов исследователям с самого начала палинологии в Северной Америке [3, 5–8]. Хотя морфология пыльцевых зерен похожа, эти два вида имеют существенные экологические различия. Ель белая, как правило, занимает хорошо дренированные возвышенные почвы, тогда как ель черная часто заселяет плохо дренированные низменности и торфяники [9]. Следовательно, изменение их численности в ландшафте отражает изменение климатических условий, что делает эти два вида из таксонов Picea важными в реконструкции позднечетвертичных палеоклиматов Северной Америки [10, 11].

Мы разработали программное обеспечение с открытым исходным кодом ARLO (автоматическое распознавание с многоуровневой оптимизацией) для решения сложных задач классификации изображений, таких как идентификация пыльцы черной и белой ели. Программа применяет распознавание образов и машинное обучение к задачам идентификации и подсчета анализа пыльцы. В области палинологии анализ часто ограничивается скоростью сбора данных [12]. Автоматизация может экспоненциально увеличить размер палинологической выборки и увеличить пропускную способность выборки, тем самым позволяя исследователю-палинологу сосредоточиться на анализе и интерпретации подсчета пыльцы [13].Более крупные размеры выборки дополнительно позволили бы более точно оценить разнообразие растений, включая обнаружение редких таксонов.

Автоматическое распознавание образов было предметом машинного обучения с момента его появления в 1950-х годах [14]. С тех пор развились три основных подхода к построению системы машинного обучения для задач распознавания изображений. Эти подходы относятся к континууму, основанному на объеме фоновых знаний, встроенных в систему. На одном полюсе находятся чисто дедуктивные системы, которым заданы правила, определенные экспертами-людьми, а не изученные машиной.Эти модели часто называют «экспертными системами», чтобы подчеркнуть объем экспертных знаний, необходимых для разработки этих систем. В контексте распознавания пыльцы эти правила выводятся из характеристик изображения, таких как количество, форма и ориентация отверстий (апертур), размер, форма и симметрия зерен, орнаментация экзины и толщина экзины (следуя [15, 16]). Дедуктивная система распознает эти особенности изображения и реализует экспертные правила. Никакого обучения не требуется, потому что система просто применяет предопределенную логику, т.е.д., следуя классификационному ключу. Другой крайностью являются чисто индуктивные системы, в которых машине не даются фоновые знания (в виде экспертных правил или признаков изображения) для решения задачи [17]. Вместо этого для обучения даются только правильно классифицированные примеры (известные как основная правда). Система создает свои собственные правила, используя правильно классифицированные примеры, обнаруживая функции, которые хорошо работают при прогнозировании видов пыльцы. Многие системы анализа изображений используют некий промежуточный подход, при котором эксперт указывает характеристики изображения, а система индуктивно изучает относительную важность этих характеристик для получения правильной классификации (например,г. [3, 18]).

Методология классификации пыльцы ели, представленная в этом исследовании, в основном носит индуктивный характер, поскольку не требует каких-либо специальных знаний в виде правил или признаков, полученных экспертами-людьми. Система дает правильно классифицированные образцы пыльцы черной и белой ели и выводит свои признаки для классификации. В этом отношении система повторяет поведение большинства предыдущих автоматизированных систем классификации пыльцы (например, [3, 19, 20]). Ключевое отличие заключается в выборе системы обучения и используемых функций.Особенности, которые обнаруживает наша система, не являются традиционными особенностями морфологии пыльцы, которые мог бы распознать палинолог. Вместо этого используются низкоуровневые функции на основе изображений, такие как простые представления пиксельной сетки. Следовательно, наша методология должна быть применима к широкому кругу задач визуального распознавания, помимо классификации пыльцы. Однако за эту универсальность приходится платить. Значительный объем вычислений затрачивается на изучение этих особенностей на примерах.

Разработанная нами двухуровневая или двухэтапная индуктивная методология использует машинное обучение для сегментации пыльцевых зерен на фоновом слайде, классификации пикселей пыльцы и определения соотношения видов.Мы использовали ARLO для проведения двух отдельных экспериментов, в которых использовались два различных набора алгоритмов и процедур оптимизации. Первый анализ требовал значительных вычислительных ресурсов и был направлен на восстановление соотношений пыльцы черной и белой ели. Вместо того, чтобы сегментировать отдельные зерна пыльцы, мы обучили и протестировали нашу модель классификации на уровне слайдов. Это позволило нам напрямую сравнить наши автоматические подсчеты и подсчеты экспертов со слайдами с известными коэффициентами ели. Для достижения результатов, сравнимых с результатами экспертов-людей, мы использовали интенсивные методы оптимизации, но наши результаты нельзя было масштабировать, поскольку мы использовали алгоритм машинного обучения на основе экземпляров с вычислительной сложностью N ² (где N — количество Примеры).Это означало, что подход был слишком затратным в вычислительном отношении, чтобы его можно было применять к более чем ограниченному числу выборок. Наш второй анализ был сосредоточен на максимальной точности классификации на уровне отдельных пыльцевых зерен. Вместо того, чтобы предсказывать соотношение данных слайдов, мы предсказали виды, представленные в данном окне изображения. Полученный анализ был более масштабируемым, поскольку мы использовали алгоритм машинного обучения на основе хэшей, сложность которого увеличивалась линейно, а не квадратично.

В нашей предыдущей работе мы показали, что индуктивный подход может создавать модели машинного обучения, которые точно имитируют экспертные реконструкции соотношений пыльцы ископаемой ели [3].Недостаток этого подхода заключался в том, что у нас не было абсолютной меры точности классификации. В наших обучающих выборках для предыдущего анализа использовались примеры, которые были классифицированы экспертом-человеком. Однако у нас не было объективного механизма проверки точности экспертных идентификаций. Напротив, для оценок отношения, полученных в этом исследовании, мы ожидаем, что наша основная правда должна иметь нулевую ошибку, потому что слайды пыльцы, используемые для обучения (или обучения), были созданы вручную из отобранных образцов пыльцы с известным количеством пыльцы каждого вида.Это почти исключает потенциальную ошибку в обучающих данных и позволяет нам строго оценить нашу систему классификации в большей степени, чем это было возможно в нашей предыдущей работе.

Материалы и методы

Заявление об этике

Пыльца была собрана с разрешения с мужских шишек деревьев на частной земле в Миннесоте. Насколько нам известно, для этих коллекций не требовалось никаких разрешений, которые соответствовали всем соответствующим правилам. Ни Picea mariana , ни Picea glauca не являются охраняемыми видами.

Подготовка предметных стекол

Пыльца была собрана с нескольких шишек ели черной ( Picea mariana ) и ели белой ( Picea glauca ) с трех насаждений ели за пределами Дулута и Гранд-Рапидса, Миннесота (46,466387°N -92,930358°W; 47,095307°N). -93,579061°з.д.; 46,825145°с.ш. -93,526411°з.д.) в мае 2011 г. Деревья были идентифицированы местными экспертами в полевых условиях. Из этого материала мы создали 12 эталонных слайдов (слайдов, содержащих сотни пыльцевых зерен с одного отдельного дерева).Было представлено по две особи каждого вида; у каждого человека было три повторных слайда. Эти слайды представляли собой сбалансированный набор для обучения машинному обучению.

Мы также вручную сконструировали 22 слайда с известным соотношением пыльцы черной и белой ели к производительности тестовой системы (таблица 1). Сто отдельных зерен помещали на предметные стекла с помощью реснички, прикрепленной к препаровальному зонду. Шесть уникальных особей (особи, которые не были представлены в эталонном наборе) были использованы для создания предметных стекол для тестирования, по три особи на вид.Использование уникальных людей должно было научить систему учитывать изменчивость среди людей. Существуют незначительные различия в форме и размере пыльцы даже в пределах пыльцы, происходящей от одного вида или одной шишки [21–23], и использование нескольких особей позволило нам учесть наибольший диапазон морфологической изменчивости. Из-за такой конструкции производительность системы измерялась, в частности, при идентификации пыльцы невидимых особей, что создавало более сложную задачу распознавания, чем тестировалось в предыдущих приложениях машинного обучения для идентификации пыльцы (например,г. [3, 19, 20]).

Сканирование слайдов и визуализация образцов

Мы использовали роботизированный сканирующий микроскоп Hamamatsu NanoZoomer для сканирования партий пыльцевых препаратов при максимально возможном оптическом увеличении (400x, 0,23 мкм/пиксель). Это стандартное увеличение для анализа пыльцы с помощью микроскопии в проходящем свете. Мы вручную установили область сканирования так, чтобы можно было сканировать весь образец пыльцы на каждом предметном стекле. Для каждого предметного стекла сканировали 61 осевую (z-) плоскость с интервалом 1 мкм, получая трехмерное изображение всего образца в оптическом разрезе.Несжатые данные изображения были получены с микроскопа со скоростью около 70 МБ/с с использованием собственного формата необработанных файлов NanoZoomer. В сотрудничестве с Hamamatsu мы разработали код Java для преобразования изображений NanoZoomer в примитивные объекты Java с использованием двумерных байтовых массивов для хранения информации о каналах. Требования к хранению изображений как для исходных необработанных изображений, так и для изображений в формате Java составляли в общей сложности около 53 ТБ. Мы решили использовать формат несжатого необработанного изображения, потому что отдали предпочтение скорости сканирования и обработки изображения, а не требованиям к хранилищу.Из-за размера необработанных несжатых изображений мы не можем поделиться полным набором данных изображений в Интернете. Однако исходные эталонные слайды и слайды с построенным соотношением, необработанные сканы изображений и субдискретизированные изображения доступны по запросу у соответствующего автора.

Вычислительная рабочая среда

Наша цель при разработке ARLO заключалась в создании системы машинного обучения, способной выполнять высокоуровневый анализ биологических изображений. Поскольку наш подход требует больших вычислительных ресурсов, мы воспользовались преимуществами суперкомпьютерных ресурсов, доступных через сеть Extreme Science and Engineering Discovery Environment (XSEDE) Национального научного фонда США.Суперкомпьютеры XSEDE имеют параллельный дисковый ввод-вывод, поэтому многие узлы могут одновременно обрабатывать данные изображений. Нам было предоставлено 50 000 процессорных часов XSEDE для запуска на суперкомпьютере Texas Advanced Computing Center «Lonestar» и их суперкомпьютере следующего поколения «Stampede». Lonestar имеет 1888 вычислительных узлов (24 ГБ памяти), 22 656 ядер, 44 ТБ общей памяти и 1 ПБ общего дискового пространства. Stampede, более крупная машина, имеет 6 400 вычислительных узлов (32 ГБ памяти), 102 400 ядер, 205 ТБ общей памяти и 14 ПБ общего дискового пространства.Некоторые из обработанных нами слайдов содержали информацию в одной цветовой полосе, что требовало большей емкости — 32 ГБ.

Обзор системы обучения

ARLO анализирует образцы иерархически за два прохода (рис. 1). Во время первого прохода он идентифицирует важные пиксели изображения. Мы называем этот первый шаг «выявлением пыльцы», потому что ARLO эффективно отличает пиксели пыльцы от фоновых пикселей (сегментация исходного изображения). Во время второго прохода ARLO классифицирует эти пиксели по одному из предопределенных классов, предоставленных пользователем.В этой статье ARLO классифицировал эти пиксели пыльцы как черную или белую ель. На протяжении всего процесса ARLO оптимизирует собственные параметры управления (подробно ниже), в конечном итоге выбирая стратегию представления и классификации с наиболее точным решением задачи. Java-код для ARLO доступен через SourceForge: http://sourceforge.net/projects/arlo/files/APPS/.

Рис. 1. Обзор системы.

Слайды были отсканированы с использованием микроскопа Hamamatsu NanoZoomer.Во время первого прохода ARLO извлекала случайные окна изображений, которые эксперты-люди помечали как «пыльца» или «не пыльца». Используя эту информацию, была построена модель сегментации или «выявления пыльцы», позволяющая отличать пиксели пыльцы от фона изображения. Во время второго прохода ARLO применил эту модель к новому набору случайных окон. Пул образцов, из которых были взяты эти окна, варьировался в экспериментах 1 и 2. Затем случайные окна с достаточным содержанием пыльцы использовались для построения модели классификации видов пыльцы, которая использовалась для прогнозирования соотношений видов на предметных стеклах в эксперименте 1 и для произвести классификацию видов в Эксперименте 2.Подробности смотрите в тексте.

https://doi.org/10.1371/journal.pone.0148879.g001

Мы использовали двухчастный анализ ARLO для проведения двух отдельных, но связанных экспериментов по классификации. Первый эксперимент был направлен на восстановление соотношений видов пыльцы ели на известных тестовых слайдах с учетом набора из 12 чистых эталонных (обучающих) слайдов, а второй — на максимальном повышении точности классификации с использованием всех примеров изображений. Однако оба классификационных анализа основаны на одной и той же методологии «выявления пыльцы».

Пятнистость пыльцы (сегментация)

Обнаружение пыльцы: создание обучающего примера.

Основную информацию об идентификации пикселей пыльцы на фоне фона предоставили 11 «экспертов» (студенты-аналитики, перечисленные в разделе «Благодарности»), которые пометили те же 637 окон размером 1000 x 1000 пикселей. Эти окна представляли собой случайную подвыборку из всех 30 слайдов и всех 61 z-плоскости. Окна находились в плоскости как в фокусе, так и вне фокуса. Каждое изображение было «сегментировано» экспертами на пыльцевые и непыльцевые пиксели путем ручной маркировки всех пикселей, содержащих пыльцу.Классификатор пикселей использовал пиксели, помеченные экспертом (наземная правда), чтобы отличить пиксели пыльцы от фоновых пикселей. В большинстве случаев случайно сгенерированные окна не содержали пыльцевых зерен, поэтому большинство примеров были «не пыльцевыми» пикселями. Наша модель обучалась на уровне пикселей, а всего было 7 007 000 000 размеченных обучающих примеров (пикселей). В среднем 9% (637 000 000) пикселей были помечены как «пыльца».

Обнаружение пыльцы: Алгоритм.

Мы использовали алгоритм машинного обучения на основе хеш-кода, который вычисляет числовой признак, «хеш-код», значение индекса для каждого пикселя на основе признаков его окрестности [24, 25].Каждый хэш-код указывает «класс формы» или категорию, к которой принадлежит пиксель, и представляет собой целое число в диапазоне от 1 до N , где N — системный параметр, подлежащий оптимизации. Параметр N управляет количеством различных классов форм, которые может распознать алгоритм. Оптимальное количество классов форм для изучения зависит от сложности задачи классификации и количества доступных обучающих примеров. Для сложных задач для высокой точности необходимы более четкие классы формы.По мере использования большего количества обучающих примеров оправдана более сложная модель (большее количество классов форм). Построение примеров хеш-кода для обучения включает (1) идентификацию представляющих интерес пикселей, окружающих пиксель, подлежащий классификации, (2) уменьшение разрешения значений пикселей (квантование), (3) вычисление случайно упорядоченных 64-битных хэш-кодов и (4) ) уменьшение диапазона хэш-кодов делением по модулю.

Чтобы определить интересующие пиксели, мы просмотрели каждый пиксель ( p _i ) в каждом обучающем изображении и создали для него «пример сетки» ( g _i ) (рис. 2).Пример сетки состоял из сетки пикселей с центром в интересующем пикселе ( p _i ). Количество пикселей в сетке и расстояние между ними задавались параметрами размера сетки и шага сетки соответственно (рис. 3). Теоретически размер сетки может быть как 1 x 1 (один пиксель), так и 1000 x 1000 (все тренировочное изображение). При наименьшем размере сетки пример сетки состоял только из интересующего пикселя ( p _i ), но при больших размерах сетки включались соседние пиксели.Мы рассматривали размеры сетки 2 х 2, 4 х 4, 8 х 8, 16 х 16, 32 х 32, 64 х 64 и 128 х 128. Расстояние между сетками определяло расстояние между выбранными пикселями (рис. 3). Например, использование сетки 8 x 8 с интервалом в 1 пиксель будет означать, что будут учитываться все 64 соседних пикселя. Использование сетки 8 x 8 с интервалом в 2 пикселя означает, что будет учитываться каждый второй пиксель. Использование сетки 8 x 8 с шагом сетки 128 пикселей будет означать, что будет учитываться каждый 128-й пиксель, в результате чего эффективный размер будет больше, чем все интересующие пыльцевые зерна.Мы рассматривали интервалы до 128.

Рис. 2. Обзор алгоритма классификатора пикселей.

Во время обучения сетки были извлечены из окон обучения, помеченных экспертом. Входные шаблоны определяли размер, масштабирование и квантование этих сеток. После извлечения сетки вычислялись хэш-коды для уменьшения размерности входного пространства. Затем подсчеты были сохранены в базе данных как для положительных, так и для отрицательных примеров. Во время тестирования тот же процесс произошел для неизвестного окна изображения.Как только хеш-код был вычислен для пикселя в окне неизвестного изображения, он просматривался в базе данных подсчетов для получения классификации. Подробности смотрите в тексте.

https://doi.org/10.1371/journal.pone.0148879.g002

Рис. 3. Размер сетки и шаг.

Вверху приведен пример окна изображения (1000 x 1000 пикселей, 0,23 мкм/пиксель). Выделено подокно размером 10×10 пикселей. Ниже показано подокно с различными размерами сетки и интервалами. В первой строке показаны размеры сетки от 1×1 до 2×2, 4×4 и 8×8.Сетка 1×1 представляет собой один пиксель и способна определять только цвет. Крупные сетки могут обнаруживать все более сложные текстурные узоры. Мы исследовали сетки размером до 128 x 128 пикселей. Третий ряд иллюстрирует сетку 2×2 с различными шагами сетки (1x, 2x, 4x, 8x). Мы исследовали интервалы размером до 128x.

https://doi.org/10.1371/journal.pone.0148879.g003

Чтобы уменьшить количество возможных примеров сетки, мы квантовали значения интенсивности пикселей. Исходные значения интенсивности пикселей в диапазоне от 0 до 127 были уменьшены на коэффициент квантования от 1 до 127 с использованием целочисленного деления, что дало × различных уровней интенсивности для каждого цветового канала (рис. 4).Выборочная сетка из N пикселей, квантованная до K = Q ³ возможных цветов, может принимать N ^K конфигураций, поэтому даже при небольшой сетке и квантовании остается очень большое количество цветов. возможных примеров сетки. Например, таблица с N = 8 x 8, K = 4 x 4 x 4 будет иметь более 10 ¹¹⁵ комбинаций.

Рис. 4. Квантование цвета.

Изображение зерна черной ели показано со следующими квантованиями цвета для уменьшения числа возможных значений интенсивности пикселей: (A) 128x, (B) 64x, (C) 32x, (D) 16x, (E) 8x , и (F) 1x.Квантование цвета 128x уменьшает возможные значения интенсивности до 0 и 1. Квантование цвета 1x является исходным изображением. Диаметр пыльцевых зерен ~80 мкм.

https://doi.org/10.1371/journal.pone.0148879.g004

Чтобы уменьшить количество комбинаций до поддающегося обработке числа, мы вычислили рандомизированный 64-битный хеш-код из примера сетки. Для этого использовалась фиксированная матрица случайных 64-битных чисел размерностью N x Q , где N — количество пикселей в сетке, а Q — количество значений интенсивности.Для каждого пикселя в примере сетки (как определено выше) мы искали связанные случайные числа в этой матрице N x Q . Затем мы суммировали случайные числа, связанные со всеми пикселями в примере сетки, чтобы получить 64-битный хэш-код. Окончательный хеш-код (h _i ) получается из 64-битного хэш-кода с использованием деления по модулю на коэффициент B , количество счетных ячеек для накопления статистики класса пикселей. В этом эксперименте В = 2 048 000.Это означает, что мы отслеживали около 2 миллионов различных классов форм и их положительные и отрицательные ассоциации с целевым классом (пыльца или не пыльца).

После вычисления хеш-кода h _i он использовался в качестве индекса в двух массивах, содержащих количество шаблонов для положительных и отрицательных примеров (рис. 2). Во время обучения, если эксперт-человек классифицировал пиксель p _i , из которого было вычислено h _i , как положительный пример пыльцы, значение массива числа положительных образов в вычисленном индексе было увеличено.В противном случае значение массива счетчиков отрицательных шаблонов в вычисленном индексе увеличивалось.

После завершения обучения массивы подсчета образов, таблицы случайных чисел и глобальные параметры содержали всю необходимую информацию для классификации новых примеров и составляли «модель» машинного обучения. Во время тестирования пример сетки был сформирован из пикселя-кандидата для классификации с использованием тех же параметров, которые использовались для обучения (рис. 2). Затем с использованием тех же таблиц случайных чисел вычислялся хэш-код, и значения, соответствующие его индексу, искались в обоих массивах счетчиков шаблонов.Если значение массива положительных счетчиков было больше, чем значение массива отрицательных счетчиков, пиксель-кандидат классифицировался как положительный образец, т. е. как пыльца. В противном случае он классифицировался как негативный пример, т. е. как фон слайда. Хранение массивов подсчета шаблонов и таблиц случайных чисел для типичного набора параметров занимало около 32 МБ дискового пространства.

Этот подход аналогичен выполнению классификации со стандартным оценщиком гистограмм, где входное пространство разделено на бины, а предсказание нового примера основано на бине, в который он попадает [26].Однако, поскольку пространство примеров сетки имеет очень большую размерность, перед построением гистограммы необходимо использовать квантование и хеширование для уменьшения размерности. Наш подход также тесно связан с методами поиска изображений и аппроксимирует поиск ближайшего соседа с использованием хэширования с учетом местоположения [24, 25].

Обнаружение пыльцы: Оптимизация.

Оптимизация параметров, используемых для построения примеров сетки, напрямую влияет на типы шаблонов, обнаруженных классификатором пикселей.Шаг сетки определяет масштаб обнаруженных паттернов. Размер сетки и квантование цвета определяют количество возможных хэш-кодов, что влияет на сложность обнаруживаемых паттернов. Настройка масштаба и сложности модели была важна для достижения высокой точности. Мы использовали автоматизированный подход для настройки этих параметров модели на основе перекрестной проверки. Для заданного набора параметров мы создали модель из обучающих примеров и протестировали производительность полученной системы на некоторых проверочных данных.Перебирая настройки параметров, система может автоматически оценить настройку параметров, которая позволила бы добиться максимальной точности идентификации на новых, невидимых тестовых изображениях.

Чтобы ограничить поиск, параметры управления были оптимизированы по одному измерению за раз. Это было сделано в первую очередь для ограничения вычислительных требований оптимизации. Например, мы начали с размера сетки 1×1, шага сетки 1x и квантования цвета 1x. Сохраняя два других параметра постоянными, мы увеличили размер сетки с 1 x 1 до 2 x 2, а затем с 2 x 2 до 4 x 4 и так далее.Точность измерялась с помощью перекрестной проверки с исключением одного на уровне окна обучения, где система обучалась на 636 из 637 окон обучения и тестировалась на одном пропущенном окне. Это было повторено для всех 637 обучающих окон, что привело к 637-кратной перекрестной проверке. Точность усреднялась по всем 637 итерациям. Мы использовали значения параметров, которые дали наибольшую точность, чтобы сформировать окончательную классификационную модель с использованием всех обучающих примеров.

Эксперимент 1: Реконструкция соотношения видов

Цель нашего первого эксперимента по классификации состояла в том, чтобы предсказать соотношения видов на тестовых предметных стеклах, учитывая только обучающие (чистые эталонные) предметные стекла.Это означало, что обучение проводилось на материале пыльцы особей, не представленных в тестовой выборке. Учитывая потенциальную морфологическую изменчивость пыльцы от разных людей и образцов из-за биологической изменчивости и изменчивости обработки [21–23, 27–29], это сделало процесс обучения более сложным, чем в большинстве ранее сообщавшихся экспериментов с пыльцой машинного обучения.

Соотношения видов: создание обучающего примера.

Вместо использования сеток пикселей для обучения нашего классификатора, как мы делали это при обнаружении пыльцы, в этом эксперименте мы использовали линии пикселей.В нашей предыдущей работе мы обнаружили, что упрощенная версия этих пиксельных линий была наиболее предсказательной при различении двух видов елей [3]. Наш подход основывался на одном типе признаков, который мы назвали «профиль». Профиль представлял собой строку пикселей, которая удовлетворяла двум ограничениям: (1) она была идентифицирована как содержащая все пиксели пыльцы нашим классификатором пятен пыльцы и (2) она была идентифицирована как содержащая информацию, превышающую заданный порог. Мы определяем информационное содержание ( IC ) как: (1) где n = количество пикселей в профиле – 1 и x _i = значение яркости пикселя в позиции i профиля x .Этот показатель положительно коррелирует с изображениями, которые находятся в фокусе или имеют высокую контрастность. Обоснование состояло в том, чтобы сосредоточить внимание машины на наиболее информативных областях изображений. Следовательно, если информативность профиля превышала или равнялась порогу в 5,0 единиц интенсивности пикселей на пиксель, профиль считался высококонтрастным (или в фокусе). Эти выбранные профили использовались в качестве обучающих примеров для классификации.

Для описанных здесь экспериментов мы использовали длину профиля 128 пикселей.Для уменьшения вычислительной сложности и времени работы алгоритма мы сделали следующее: (1) использовалась только полоса красного цвета каждого пикселя (не все три цвета RGB), (2) учитывались только вертикальные линии пикселей (не другие ориентации), и (3) только каждая 5-я z-плоскость рассматривалась для обучения и тестирования. В пределах z-плоскости учитывались все пиксели. Выбор красной полосы был произвольным. В нашей предыдущей работе мы использовали вертикальные, горизонтальные и диагональные пиксельные линии, читаемые как вперед, так и назад [3].Однако, учитывая расположение пикселей в памяти, наиболее эффективно было читать вертикальные строки пикселей. Ограничение анализа каждой 5-й z-плоскостью сократило время работы системы в 5 раз. Мы могли бы ожидать еще более высокой точности системы, если бы анализировались все цветовые полосы, ориентации линий и z-плоскости, но мы были ограничены процессорным временем суперкомпьютера. . Обучающие примеры были сгенерированы только из 12 обучающих слайдов. Всего в процессе было создано 205 407 234 обучающих примера.

Соотношение видов: Алгоритм.

Чтобы извлечь уроки из обучающих примеров, классификатор видов пыльцы сначала должен был определить, какие профили в обучающем наборе были наиболее эффективными при различении пыльцы черной и белой ели. Для этого профили случайным образом выбирались один за другим из обучающей выборки и оценивались. В пояснительных целях этот выбранный профиль можно рассматривать как потенциальное «правило», которое можно использовать для классификации других профилей путем измерения того, насколько они близки к профилю «правила».Для правила-кандидата было рассчитано манхэттенское расстояние между профилем правила и каждым профилем в обучающей выборке. Профили, которые были ближе к учащемуся, чем определенный порог (известный как порог «близко-далеко», оптимизация описана ниже), считались «близкими» профилями, а профили, которые были дальше, считались «дальними» профилями. . Предсказание, сделанное правилом, просто основано на доле обучающих примеров для каждого вида, попавших в ближний или дальний бины.

Для оценки качества правила-кандидата каждый обучающий пример был классифицирован с использованием правила-кандидата. Например, если обучающий пример был обозначен как «рядом», а базовая вероятность того, что он является «рядом» и черной елью, была больше, чем базовая вероятность того, что он был и «рядом», и белой елью, то обучающий пример классифицировался как черный. ель. После классификации всех обучающих примеров частота ошибок правила определялась путем сравнения назначенного класса обучающих примеров с его фактическим классом.Весь этот процесс повторялся с каждым новым выбранным правилом. Правила с низким уровнем ошибок имели большие различия в распределении классов их «ближних» и «дальних» категорий и, следовательно, были способны различать два класса. После того как был оценен большой набор правил, правила с наименьшим количеством ошибок были объединены с равным весом, чтобы сделать классификацию видов пыльцы и определить коэффициенты слайдов.

Соотношение видов: Оптимизация.

Точность модели зависела от нескольких параметров, которые мы меняли для достижения максимальной производительности.Они включали следующее: (1) длина строки в пикселях, (2) пороговое значение «информационного содержания», (3) пороговое значение «ближнего-дальнего» и (4) количество профилей учащихся, используемых для окончательной классификации.

Длина строки в пикселях была оптимизирована, начиная с длины 2 и увеличивая ее на степень 2, пока не будет достигнута наивысшая точность классификации. «Информационное содержание» строки пикселей измерялось путем вычисления среднего значения абсолютных значений различий между значениями интенсивности соседних пикселей. Качественно порог «информационного содержания» определяли путем просмотра изображений слайдов с разными порогами.Поскольку мы применили оптимизированный порог «информационного содержания» ко всем изображениям до создания примера, для классификации использовались только области пыльцевых зерен в фокусе. Порог «близко-далеко» был оптимизирован для каждого профиля учащегося путем поиска порога между 1 и максимально возможным расстоянием между двумя профилями, которое максимизировало информационное содержание изображения. Если длина строки пикселя равнялась 2, максимальное расстояние между двумя профилями составляло 510 единиц интенсивности пикселей (удвоенное значение 255, максимально возможное расстояние между любыми 2 значениями пикселей в 8-битном формате изображения).Если длина строки пикселей составляла 128, максимальное расстояние между двумя профилями составляло 32 640 единиц интенсивности пикселей. Чтобы определить оптимальное количество профилей учащихся для классификации, учащиеся были ранжированы на основе частоты их ошибок. Сначала в данных тестирования использовался лучший ученик, затем два лучших ученика, затем три лучших и так далее, пока не было определено оптимальное количество профилей с максимальной эффективностью. Классификации, сделанные этими учащимися, имели одинаковый вес.

Эксперимент 2: Масштабируемая классификация видов на уровне зерен

Целью нашего второго эксперимента по классификации было максимальное повышение точности классификации с использованием более масштабируемого подхода.Вместо использования линейных профилей во время второго прохода к пикселям, классифицированным как пыльца из первого прохода, был применен исходный алгоритм обнаружения пыльцы на основе пикселей (как описано выше в разделе «Выявление пыльцы»). Этот подход был более масштабируемым, чем использование классификатора профилей линий, использованного в эксперименте 1, который требует более интенсивного обучения и процесса оптимизации.

Классификация на уровне зерна: создание обучающего примера.

Во время второго прохода (рис. 1) из 10 из 12 чистых учебных слайдов (100 % черной ели или 100 % белой ели) были взяты случайные образцы 256 x 256 окон.Всего было отобрано 1232 окна на слайд. Поскольку окна были взяты из чистых тренировочных слайдов, классификации видов уже были известны, и в экспертном участии не было необходимости. Результаты обнаружения пыльцы при первом проходе использовались для выбора окон для обучения. В качестве обучающих примеров были выбраны только те окна, в которых содержание пыльцы превышало 50%.

Классификация на уровне зерна: Алгоритм.

Классификатор пикселей был обучен, как описано в разделе «Обнаружение пыльцы», за исключением того, что в этом случае примеры сетки были созданы только для пикселей, помеченных как пыльца.Мы выбрали только окна из наших эталонных слайдов, из которых изображение было бы на 100% черным или белым. Это было сделано для того, чтобы мы были на 100% уверены в истинном классе пыльцевых зерен. Во время тестирования было выбрано 100 случайных окон из двух чистых обучающих слайдов, которые были исключены во время обучения. Классификатор пикселей применялся к пикселям пыльцы в этих окнах, но позволял игнорировать окна, которые не были достаточно уверенно классифицированы. Достоверность определялась как разница в соотношении между черными и белыми пикселями ели, которые он классифицировал.Например, если классификатор пикселей классифицировал окно как содержащее 100 % пикселей черной ели и 0 % пикселей белой ели, его достоверность будет 100 %. Если бы он предсказал 50% пикселей черной ели и 50% пикселей белой ели, его достоверность была бы 0%. Если достоверность классификатора пикселей для определенного окна была ниже порога достоверности, он не классифицировал окно. Чтобы классификатор не игнорировал все окна на слайде, был использован параметр, устанавливающий минимальное количество окон для классификации на слайд.Этот параметр также был определен путем оптимизации.

Классификация на уровне зерна: оптимизация.

Оптимизация была аналогична процессу, использованному при первом проходе («засеивание пыльцой»), с двумя модификациями. Во-первых, были включены два дополнительных параметра для оптимизации: минимальная достоверность и минимальное количество классификаций на слайде. Кроме того, для увеличения скорости вычислений пространство параметров выбиралось случайным образом на каждой итерации вместо систематического поиска всего пространства параметров по степени двойки.У нас было достаточно вычислительных ресурсов, чтобы сгенерировать и протестировать 397 случайно выбранных точек параметров. Каждая точка была проверена путем измерения результирующей точности прогнозирования системы, и для окончательной модели использовалась точка параметра с наивысшей оценкой. Точность измерялась на основе перекрестной проверки на уровне слайдов, когда система обучалась на изображениях 10 из 12 обучающих слайдов и тестировалась на оставшихся 2 слайдах. Этот процесс был повторен для 10 случайно выбранных наборов из 10 обучающих слайдов.

Результаты

Обнаружение пыльцы

Хотя эксперты-люди в общих чертах пришли к единому мнению о том, что является пыльцой, а что не является пыльцой в окне изображения, тонкие края отмеченных областей пикселей различаются.Некоторые эксперты были более консервативны, а некоторые более либеральны в маркировке пикселей, находящихся вне фокуса, что внесло вариативность в обучающую выборку (рис. 5B1, 5B2, 5C1 и 5C2). Однако, поскольку большинство просмотренных пикселей не были пыльцой, в среднем эксперты соглашались в 99,68% случаев на уровне пикселей.

Рис. 5. Результаты обнаружения пыльцы.

Столбец (A) показывает два случайно выбранных тренировочных изображения с присутствием пыльцы, взятых из исходного набора сканированных данных. Каждое изображение имеет размер 1000 x 1000 пикселей, 0.23 мкм/пиксель. Верхнее изображение (A1) не в фокусе, а нижнее изображение (A2) в фокусе. Столбцы (B) и (C) показывают результат экспертного редактирования в окнах, показанных в (A). Два разных эксперта отметили пиксели пыльцы, удалив их с исходного изображения. Столбец (D) показывает прогнозы пикселей пыльцы (красный цвет), сделанные классификатором пикселей после его обучения на 637 обучающих примерах, предоставленных каждым из 11 экспертов.

https://doi.org/10.1371/journal.pone.0148879.g005

Результаты машинного определения пыльцы более точно соответствовали контурам пыльцевых зерен (рис. 5D1 и 5D2). Производительность классификатора пикселей зависела от количества обучающих примеров. Приблизительно 500 тренировочных окон, классифицированных всеми экспертами, потребовались для достижения результатов на экспертном уровне. Используя все 637 обучающих примеров, мы создали нашу наиболее точную модель, которая согласовывалась с классификацией на уровне пикселей, сделанной экспертом-человеком, в 99,77% случаев. Наиболее опытные из экспертов (что определяется многолетним опытом пыльцевого анализа) согласились с другими экспертами 99.76% времени. Наша самая точная модель имела размер сетки 8 x 8 пикселей, шаг сетки 8 пикселей и квантование цвета 10.

Эксперимент 1: результаты соотношения пыльцы

Для базового сравнения результатов классификации видов у нас были данные о производительности от одного человека-эксперта. Чтобы измерить производительность как человека-эксперта, так и машины (результаты одного профиля учащегося с наивысшей точностью), мы вычислили линейную регрессию между прогнозируемой и фактической долей черной ели и использовали коэффициент детерминации ( r ² ) из регрессии наименьших квадратов в качестве меры точности (рис. 6).Машина ( r ² = 0,67) превзошла человека-эксперта ( r ² = 0,49). Однако эти результаты для машинного обучения очень оптимистичны, учитывая, что модель переобучена, поскольку профиль был оптимизирован с использованием данных тестирования.

Рис. 6. Результаты соотношения пыльцы.

Производительность машинного классификатора из первого эксперимента (красный) и эксперта-человека (синий) при восстановлении пропорции пыльцы черной ели из созданных вручную предметных стекол (таблица 1) и соответствующих им линий регрессии наименьших квадратов.Фактическая линия соотношения пыльцы показана серым цветом.

https://doi.org/10.1371/journal.pone.0148879.g006

Когда мы тренировались на примерах из обучающих справочных слайдов и измеряли эффективность профилей учащихся только по отношению к тестовым примерам, производительность составила r ² = 0,55 было получено с использованием правила, которое показало наибольшую точность на обучающих данных. Когда мы объединили 128 лучших правил относительно обучающих примеров, мы достигли производительности r ² = 0.61 на тестовых примерах. По сравнению с результатами экспертов-людей все наборы правил, от самых маленьких до самых больших, работали лучше. Однако оказалось, что производительность машины падала по мере того, как в ансамбль добавлялось больше некачественных правил (производительность упала со 128 до 512 правил) (рис. 7). Длина пиксельной линии, обеспечивающая наибольшую точность классификации, составляла 128 пикселей. Максимальный порог точности информационного контента составил 5,0 единиц интенсивности пикселей на пиксель.

Рис. 7. Число профилей в сравнении с прогнозируемой производительностью.

На этом графике показана точность прогнозирования моделей машинного обучения на тестовых слайдах с использованием первых 1, 2, 4, 8, 16, 32, 64, 128, 256 и 512 профилей ансамбля моделей. Результаты первого эксперимента. Было протестировано 91 696 шаблонов. Наивысшая точность была достигнута на отметке 128 профилей.

https://doi.org/10.1371/journal.pone.0148879.g007

Эксперимент 2: Результаты классификации видов на уровне зерна

Модель с наивысшей точностью, используемая классификатором пикселей во время второго прохода, имела размер сетки 3 x 3, шаг сетки 10, квантование цвета 14.24, минимальная достоверность 43,61% и минимальное количество классификаций на слайде, равное 1. Эта модель имела оценочную точность 85,85%. Однако предполагалось, что эта точность является оптимистичной, поскольку она была основана в среднем только на 10 испытаниях с перекрестной проверкой. Чтобы оценить истинную точность модели, мы усреднили результаты 271 испытания с перекрестной проверкой, используя точку параметра с наивысшей точностью, найденную в 10 испытаниях с перекрестной проверкой, что дало нам точность классификации слайдов 83.61%. Эта точность машины положительно сравнима с производительностью человека-эксперта; наш эксперт-человек получил в среднем точность 63,9% на четырех чистых предметных стеклах (100% P . мариана или 100% P . glauca ). Чтобы оценить количество обучающих примеров, необходимых для достижения экспертного уровня, мы рассчитали кривые обучения. Это продемонстрировало, как точность системы изменилась в зависимости от количества чистых обучающих слайдов и количества обучающих изображений, нарисованных на слайде (рис. 8).С 5 тренировочными эталонными слайдами и 14 784 тренировочными изображениями система смогла постоянно превосходить нашего эксперта-человека.

Рис. 8. Кривые обучения.

Коробчатые диаграммы, обобщающие влияние количества обучающих слайдов (вверху) и количества обучающих изображений на учебный слайд (внизу) на точность классификации видов во втором эксперименте. Медианные значения обозначены горизонтальными полосами. Края прямоугольника представляют собой 25-й и 75-й процентили. Усы представляют ±2.7 SD, или 99% данных. Выбросы отображаются как отдельные точки.

https://doi.org/10.1371/journal.pone.0148879.g008

Обсуждение

Наши результаты демонстрируют способность ARLO решать сложную задачу классификации видов пыльцы с использованием адаптивного подхода машинного обучения. Эффективным оказалось разделение задачи классификации изображений на задачу классификации пикселей переднего/фонового плана и задачу классификации отдельных видов. Поскольку ARLO использует общее представление (пиксельная сетка или пиксельная линия) и оптимизацию параметров для адаптации этого представления к заданной сложности задачи и количеству обучающих примеров, методология, описанная в нашем исследовании, должна быть легко обобщаема.

Результаты нашего первого эксперимента показывают, что ARLO способен обучаться на стандартных предметных стеклах эталонных образцов, которые представляют собой данные, которые могут быть получены без высокой квалификации. В наших экспериментах для различения пыльцевых и непыльцевых пикселей на изображении требовался лишь небольшой опыт; при некоторой подготовке стажеры бакалавриата могли делать это надежно. Эксперты-люди не использовались для предоставления «основной истины» для обучения классификатора видов. Это потенциально делает сбор больших обучающих наборов данных быстрым и высокоэффективным.Первый эксперимент также продемонстрировал, что это обучение может быть применено к классификации образцов пыльцы уникальных особей. Эти обучающие выборки были взяты у людей, которые не были представлены в тестовых выборках, демонстрируя способность ARLO выдерживать морфологическую изменчивость, которая могла быть уникальной для человека. Это снова позволяет использовать автоматизированный подход к классификации пыльцы, который не требует серьезного обучения и участия экспертов-людей.

Недостаток подхода ARLO, основанного на данных, заключается в том, что он требует обработки большого объема данных и изображений.Для классификации на уровне зерна, различающей пыльцу черной и белой ели (Эксперимент 2), системе потребовалось 14 784 классифицированных обучающих изображения. Использование функций, определяемых экспертами, потенциально могло привести к тому, что системе требовалось меньше обучающих изображений для достижения того же уровня точности, но требовался больший вклад экспертов в маркировку обучающих данных.

Особенности, которые обнаруживает наша система, не являются традиционными особенностями морфологии пыльцы, которые мог бы распознать палинолог.Вместо этого используются низкоуровневые функции на основе изображений, такие как простые представления пиксельной сетки. Одним из аспектов этого представления пикселей является цвет. Система использует нормализованное представление цвета и решает, насколько сильно цвет влияет на анализ. Там, где цвет не информативен, он не имеет существенного значения.

Мы понимаем, что наша интерпретация эффективности результатов обнаружения пыльцы ограничена нашим решением индивидуально варьировать каждую переменную во время оптимизации.Это решение было прагматичным, учитывая вычислительные требования анализа. Однако степень, в которой это влияет на наши результаты, спорна. Поскольку мы начали со значений, попадающих в середину диапазона возможных настроек, мы не ожидаем, что дальнейшая оптимизация существенно повлияет на производительность. Кроме того, производительность алгоритма зависит от дискретных параметров, поэтому невозможно использовать градиентный [30] и другие плавно изменяющиеся методы оптимизации параметров.Учитывая эти ограничения, наше использование метода координатного спуска соответствует нормам стандартной практики [31].

Различение пыльцы черной и белой ели представляет собой сложную задачу даже для опытного палинолога. Это проявляется в относительно низкой точности экспертных подсчетов (рис. 6). Мы признаем, что условия, в которых проводились наши экспертные базовые подсчеты, были несколько искусственными: на предметном стекле было ограниченное количество пыльцевых зерен (100 зерен), и подсчитывались все зерна, независимо от их ориентации и качества.При стандартных методах подсчета аналитики-люди могли бы оценить гораздо большее количество зерен. Однако следует отметить, что пристрастность эксперта заключалась в переоценке встречаемости редких видов (рис. 6). Несмотря на то, что общая абсолютная точность соотношения зерна к зерну человека-эксперта была выше для некоторых образцов, машинные результаты лучше соответствовали общей тенденции изменения соотношения черной и белой ели. Учет тенденций относительного содержания пыльцы, возможно, является более важным результатом для палеоэкологических интерпретаций [3].

ARLO представляет собой прогресс в решении проблемы автоматической идентификации пыльцы, но это не полное решение. Расширение результатов этой работы потребует экспериментов с другими более мощными методами машинного обучения, включая нейронные сети (NN) и машины опорных векторов (SVM). Тем не менее, компромисс — скорость. ARLO представляет собой очень быстрый алгоритм распознавания, сила которого заключается в способности обрабатывать большие объемы данных. Наш выбор представления изображения был экстремальным, каждый пиксель использовался в качестве примера.(Однако решение классифицировать на уровне пикселей позволило нам обойти необходимость прямого определения объектов и предоставило нам максимально возможное количество примеров). Использование изображений с высоким разрешением требовало быстрых, вычислительно эффективных алгоритмов. Масштабирование анализа до нескольких классов идентификации потребует дальнейших экспериментов, направленных на поиск компромисса между скоростью, точностью и интенсивностью вычислений.

В биологических науках, выходящих за рамки палинологии, существует значительная потребность в стандартизации и автоматизации интерпретации изображений, поскольку наша способность создавать изображения с высоким разрешением и высокой пропускной способностью быстро превышает возможности экспертов по их анализу.(Число этих экспертов также может сокращаться). Наши результаты подчеркивают степень, в которой визуально абстрактные функции могут использоваться для решения конкретных задач классификации на основе изображений. Сила этой абстракции в том, что она снижает сложность машинного анализа. Возможности не обязательно знать априори . По мере роста наших наборов данных изображений все большую роль будут играть эффективные алгоритмы визуального анализа в биологической классификации.

Благодарности

Авторы благодарят К.Pike, J. Almendinger, P. Mueller, B. Hansen и E. Grimm за образцы пыльцы, помощь в сборе исходных экспертных классификаций и помощь в инициировании этого исследования; Hamamatsu за то, что поделились своим API для просмотра NDP Nanozoomer; и M. Sivaguru, DS Haselhorst, A. Holz, A. Kesar, S. Tiwari, A. Restrepo, J. Rodiguez, CJ Wesseln, C. Lindsay, L. Gallagher, Y. Bello и M. Wycoff за техническую помощь. и экспертные примеры. Мы благодарим Peter Wilf, Shengping Zhang и анонимного рецензента за отзывы, которые существенно улучшили рукопись.Мы подтверждаем поддержку инфраструктуры Техасским передовым вычислительным центром NSF XSEDE.

Вклад авторов

Задумал и спроектировал эксперименты: DKT SWP. Выполнены опыты: ДКТ АКН. Проанализированы данные: ДКТ АКН CCF SWP. Написал статью: DKT SWP AKN CCF. Разработано программное обеспечение, используемое в анализе: DKT.

Каталожные номера

1. 1. Биркс HH, Биркс HJB. Будущие применения анализа пыльцы должны включать макрофоссилии растений. J Биогеогр. 2000 г.; 27(1):31–5.
2. 2. Джексон С.Т., Бут Р.К. Валидация исследований пыльцы. В: Элиас С.А., редактор. Энциклопедия четвертичных наук. Амстердам: Эльзевир; 2007. с. 2413–22.
3. 3. Пуньясена С.В., Ченг Д.К., Вессельн С., Мюллер П.Г. Классификация пыльцы черной и белой ели с использованием многоуровневого машинного обучения. Новый Фитол. 2012;196(3):937–44. пмид:22943455
4. 4. Мандер Л., Пуньясена С.В. О таксономическом разрешении записей пыльцы и спор земной растительности.Int J Plant Sci. 2014;175(8):931–45.
5. 5. Эрдтман Г. Пыльцевая статистика: новый метод исследования в палеоэкологии. Наука. 1931; 73 (1893): 399–401. пмид:17794537
6. 6. Каин СА. Палинологические исследования на озере Содон: I. Изучение размерно-частотного состава ископаемой пыльцы ели. Наука. 1948; 108 (2796): 115–7. пмид:17808732
7. 7. Хансен Б., Энгстрем Д. Сравнение численных и качественных методов разделения пыльцы ели черной и белой. Может Джей Бот.1985;63(12):2159–63.
8. 8. Линдблад М., Коннор Р.О., Джейкобсон Г.Л. Морфометрический анализ пыльцевых зерен для палеоэкологических исследований: классификация Picea из восточной части Северной Америки. 2009;89(9):1459–67.
9. 9. Брубейкер Л.Б., Граумлих Л.Дж., Андерсон П.М. Оценка статистических методов различения пыльцы Picea glauca от пыльцы Picea mariana на севере Аляски. Может Джей Бот Может Бот. 1987; 65 (5): 899–906.
10. 10.Бартлейн П.Дж., Андерсон К.Х., Андерсон П.М., Эдвардс М.Е., Мок С.Дж., Томпсон Р.С. и др. Моделирование палеоклимата для Северной Америки за последние 21000 лет: особенности смоделированного климата и сравнение с данными палеоокружающей среды. Quat Sci Rev. 1998; 17 (6–7): 549–85.
11. 11. Джексон С.Т., Уэбб Р.С., Андерсон К.Х., Оверпек Дж.Т., Уэбб Т., Уильямс Дж.В. и др. Растительность и окружающая среда в восточной части Северной Америки во время последнего ледникового максимума. Quat Sci Rev. 2000;19(6):489–508.
12. 12. Холт К., Беннетт К.Д. Принципы и методы автоматизированной палинологии. Новый Фитол. 2014; 203(3):735–42. пмид:25180326
13. 13. Стиллман EC, Фленли JR. Потребности и перспективы автоматизации в палиноведении. Quat Sci Rev. 1996; 15 (1): 1–5.
14. 14. Лайтхилл Дж. Искусственный интеллект: бумажный симпозиум. Совет по научным исследованиям, Лондон. 1973.
15. 15. Faegri K, Kaland PE, Krzywinski K. Учебник по пыльцевому анализу.4-е изд. Чичестер, Англия; Нью-Йорк: Уайли; 1989. х, 328 с.
16. 16. Пунт В., Хоэн П.П., Блэкмор С., Нильссон С., Ле Томас А. Глоссарий терминологии пыльцы и спор. Преподобный Палеобот Палинол. 2007 г.; 143 (1–2): 1–81.
17. 17. Рассел С., Норвиг П. Искусственный интеллект: современный подход. 3-е изд. 2015 г.; Доступно: http://aima.cs.berkeley.edu/
18. 18. Мандер Л., Ли М., Мио В., Фаулкс К.С., Пуньясена С.В. Классификация пыльцы трав путем количественного анализа орнаментации и текстуры поверхности.Proc R Soc B Biol Sci. 2013; 280 (1770): 20131905.
19. 19. Холт К., Аллен Г., Ходжсон Р., Марсленд С., Фленли Дж. Прогресс в создании автоматизированной обучаемой системы определения местонахождения и классификации пыльцы для использования в палинологической лаборатории. Преподобный Палеобот Палинол. 2011 г.; 167 (3–4): 175–83.
20. 20. Kaya Y, Erez ME, Karabacak O, Kayci L, Fidan M. Метод автоматической идентификации для сравнения пыльцы растений и меда на основе особенностей текстуры GLCM и искусственной нейронной сети.Грана. 2013; 52 (1): 71–7.
21. 21. Каин СА. Палинологические исследования на озере Содон: I. Изучение размерно-частотного состава ископаемой пыльцы ели. Наука. 1948. 108 (2796): 115–117. пмид:17808732
22. 22. Хансен Б.К., Энгстром Д.Р. Сравнение численных и качественных методов разделения пыльцы ели черной и белой. Может Джей Бот. 1985 год; 63 (12): 2159–63.
23. 23. Биркс Х.Дж., Пеглар С.М. Идентификация пыльцы Picea позднечетвертичного возраста в восточной части Северной Америки: численный подход.Может Джей Бот. 1980 1 октября; 58 (19): 2043–58.
24. 24. Индик П., Мотвани Р. Примерные ближайшие соседи: к снятию проклятия размерности. Материалы тридцатого ежегодного симпозиума ACM по теории вычислений. Нью-Йорк, штат Нью-Йорк, США: ACM; 1998. с. 604–13.
25. 25. Дин Т., Рузон М., Сегал М., Шленс Дж., Виджаянарасимхан С., Ягник Дж. Быстрое и точное обнаружение 100 000 классов объектов на одном компьютере. В компьютерном зрении и распознавании образов (CVPR), конференция IEEE 2013 г., 23 июня 2013 г. (стр.1814–1821). IEEE.
26. 26. Алпайдин Э. Введение в машинное обучение. 3-е изд. Массачусетский технологический институт Пресс; 2014. 640 с.
27. 27. Faegri K, Kaland PE, Krzywinski K. Учебник по пыльцевому анализу. Джон Вили и сыновья Лтд.; 1989.
28. 28. Рейтсма Т. Изменение размера недавних пыльцевых зерен при различных обработках. Преподобный Палеобот Палинол. 1969 год; 9(3):175–202.
29. 29. Прагловски Дж. Влияние предварительной обработки и среды для заливки на форму пыльцевых зерен.Преподобный Палеобот Палинол. 1970 г.; 10(3):203–8.
30. 30. Бенжио Ю. Градиентная оптимизация гиперпараметров. Нейронные вычисления. 2000; 12 (8): 1889–900. пмид:10953243
31. 31. Рихтарик П., Такач М. Методы параллельного координатного спуска для оптимизации больших данных. Математическая программа. 2012 г.; стр. 1–52.

Классификация устойчивости к листовидным червям для ели и бальзамической пихты | Журнал лесного хозяйства

Получить помощь с доступом

Институциональный доступ

Доступ к контенту с ограниченным доступом в Oxford Academic часто предоставляется посредством институциональных подписок и покупок.Если вы являетесь членом учреждения с активной учетной записью, вы можете получить доступ к контенту следующими способами:

Доступ на основе IP

Как правило, доступ предоставляется через институциональную сеть к диапазону IP-адресов. Эта аутентификация происходит автоматически, и невозможно выйти из учетной записи с проверкой подлинности IP.

Войдите через свое учреждение

Выберите этот вариант, чтобы получить удаленный доступ за пределами вашего учреждения.

Технология Shibboleth/Open Athens используется для обеспечения единого входа между веб-сайтом вашего учебного заведения и Oxford Academic.

1. Щелкните Войти через свое учреждение.
2. Выберите свое учреждение из предоставленного списка, после чего вы перейдете на веб-сайт вашего учреждения для входа.
3. Находясь на сайте учреждения, используйте учетные данные, предоставленные вашим учреждением.Не используйте личную учетную запись Oxford Academic.
4. После успешного входа вы вернетесь в Oxford Academic.

Если вашего учреждения нет в списке или вы не можете войти на веб-сайт своего учреждения, обратитесь к своему библиотекарю или администратору.

Вход с помощью читательского билета

Введите номер своего читательского билета, чтобы войти в систему. Если вы не можете войти в систему, обратитесь к своему библиотекарю.

Члены общества

Многие общества предлагают своим членам доступ к своим журналам с помощью единого входа между веб-сайтом общества и Oxford Academic. Из журнала Oxford Academic:

1. Щелкните Войти через сайт сообщества.
2. При посещении сайта общества используйте учетные данные, предоставленные этим обществом. Не используйте личную учетную запись Oxford Academic.
3. После успешного входа вы вернетесь в Oxford Academic.

Если у вас нет учетной записи сообщества или вы забыли свое имя пользователя или пароль, обратитесь в свое общество.

Некоторые общества используют личные аккаунты Oxford Academic для своих членов.

Личный кабинет

Личную учетную запись можно использовать для получения оповещений по электронной почте, сохранения результатов поиска, покупки контента и активации подписок.

Некоторые общества используют личные учетные записи Oxford Academic для предоставления доступа своим членам.

Институциональная администрация

Для библиотекарей и администраторов ваша личная учетная запись также предоставляет доступ к управлению институциональной учетной записью. Здесь вы найдете параметры для просмотра и активации подписок, управления институциональными настройками и параметрами доступа, доступа к статистике использования и т. д.

Просмотр ваших зарегистрированных учетных записей

Вы можете одновременно войти в свою личную учетную запись и учетную запись своего учреждения.Щелкните значок учетной записи в левом верхнем углу, чтобы просмотреть учетные записи, в которые вы вошли, и получить доступ к функциям управления учетной записью.

Выполнен вход, но нет доступа к содержимому

Oxford Academic предлагает широкий ассортимент продукции. Подписка учреждения может не распространяться на контент, к которому вы пытаетесь получить доступ. Если вы считаете, что у вас должен быть доступ к этому контенту, обратитесь к своему библиотекарю.

границ | Sentinel-2 Анализ уровней прозрачности кроны ели и их экологических факторов после летней засухи в Северном Эйфеле (Германия)

Введение

Во многих частях мира возрастет смертность деревьев из-за прогнозируемого изменения климата в будущем (Dai, 2013; Lausch et al., 2016). Тем не менее, мы уже находимся в этом процессе более высоких фоновых показателей смертности деревьев, которые были зарегистрированы на каждом растительном континенте и в большинстве биорегионов за последние два десятилетия (Anderegg et al., 2013). Большая часть этого вымирания лесов вызвана непосредственно засухой и тепловым стрессом или косвенно в результате гибели, вызванной заражением, например короедом (Sproull et al., 2016).

Steinkamp and Hickler (2015) не смогли определить общую тенденцию к высыханию или увеличение числа экстремальных засух в лесах во всем мире, но они утверждают, что сухие леса, по-видимому, страдают от уменьшения доступности воды и увеличения частоты засух.Более позднее исследование Senf et al. (2018) обнаружили, что смертность крон деревьев увеличилась на 2,4% с ^{по 1} год в Европе, что привело к удвоению площади лесов, затронутых этим явлением, в период с 1984 по 2016 год. Более того, van Mantgem et al. (2009) сообщили о широко распространенных гидрологических изменениях на западе Соединенных Штатов, таких как уменьшение доли осадков, выпадающих в виде снега, уменьшение содержания воды в снежном покрове, более раннее весеннее таяние снега и поверхностный сток, а также последующее удлинение летней засухи.Физиологические механизмы, с помощью которых засуха вызывает гибель деревьев, являются быстро растущей областью исследований (Sala et al., 2010), но последствия вымирания лесов остаются менее изученными.

Даже в средах, которые обычно не считаются ограниченными в воде, эта обширная гибель деревьев приводит к ослаблению земного поглотителя углерода и обеспечивает положительную обратную связь с потеплением климата (Allen et al., 2010). Более того, снижение суммы транспирации на уровне растений в сочетании с уменьшением фотосинтеза в экосистеме приводит к снижению валовой первичной продуктивности (Anderegg et al., 2013). События гибели деревьев часто «пульсируют» из-за их связи с периодическим, но в последнее время более частым стрессом от засухи. Две ключевые характеристики определяют величину этих воздействий, это величина начальной «импульсной» реакции и скорость восстановления экосистемы (Anderegg et al., 2013). Несколько компенсационных механизмов (например, повышенная доступность ресурсов для оставшихся деревьев, избыточность ниш и взаимодополняемость) объясняют, почему существенная гибель деревьев не обязательно приводит к серьезным изменениям в экосистемных потоках (Anderegg et al., 2016).

Отмирание деревьев – естественный экологический процесс. Однако смертность, вызванная засухой и жарой, в том числе связанное с ними отмирание лесов, связанное с инвазиями, часто является селективной силой, по-разному воздействующей на древесные породы и быстро изменяющей размер, возраст и пространственную структуру лесов (Панайотов и др. , 2016; Pretzsch et al., 2020). Если это увеличение смертности будет сохраняться в течение более длительного периода, средний возраст деревьев в лесу сократится, что приведет к уменьшению средней высоты деревьев, диаметра ствола и кроны, а также к изменению структуры леса, состава, функционирования, архитектуры и, следовательно, обеспечение биоразнообразия и экосистемных услуг (т.g., емкость хранения углерода) (van Mantgem et al., 2009; Anderegg et al., 2013). Мониторинг и прогнозирование тех видов деревьев, которые могут быть наиболее уязвимыми, крайне необходимы для разработки стратегий смягчения последствий (O’Brien et al., 2017).

Ель – очень быстрорастущее дерево высотой 15,3 м ³ га ^–1 a ^–1 . Немецкая национальная инвентаризация лесов определила площадь 2,7 млн. га, покрытых елью в Германии (BMEL, 2015). Это около 25% площади лесов (BMEL, 2020).Тем не менее, тенденция снижается, самое позднее на -4% в период с 2002 по 2012 год. Резкая смертность ели оценивается примерно в 10,5% в 2020 году для земли Северный Рейн-Вестфалия (СРВ) (отношение погибших деревьев к общему количеству оцениваемых деревьев), в то время как смертность других пород деревьев составляет 2,1% (MUNLV, 2020). Недавно был повышен не только серьезный ущерб, но и уровень предупреждения прозрачности кроны ели (BMEL, 2020). В дополнение к общей экологически обусловленной тенденции отказа от монокультур ели основными причинами являются аномальная жара, воздействие ураганов и нашествия короедов.Мезей и др. (2017) состав трех последних аспектов называют адским трио для еловых насаждений. Однако условия ограничения воды могут инициировать три аспекта (Stadelmann et al., 2014; Netherer et al., 2015).

Данные наблюдения Земли (EO), т. е. спутниковые или наземные наблюдения и геопространственные данные, являются важным источником для мониторинга изменений в лесных экосистемах, особенно для выявления гибели деревьев (Lausch et al., 2016). Несмотря на то, что они являются дорогостоящими и обеспечивают получение только одиночных снимков, обычно бортовые цветные инфракрасные, мультиспектральные или гиперспектральные датчики используются для предоставления информации властям на государственном уровне (Fassnacht et al., 2012; Нильсен и др., 2014 г.; Стовалл и др., 2019). Для научных исследований используется все больше и больше данных космических датчиков. Например, Рао и др. (2019) использовали пассивные микроволновые данные и восстановление оптической толщины растительности в качестве индикатора гибели деревьев из-за засухи по шкале 0,25°. Латифи и др. (2018) объединили грубые (250 м) данные спектрорадиометра среднего разрешения (MODIS) и высокоразрешающие (5 м) данные RapidEye для определения гибели деревьев, которую они приписали вспышкам короедов.Удалось связать спектральные индексы растительности с местными подсчетами жуков. Байер и Джин (2017) продемонстрировали, что данные MODIS и двухэтапные модели случайного леса способны выявлять пространственные закономерности и серьезность гибели деревьев с общей точностью производителя 96,3%. Передавая данные Gaofen-2 и Sentinel-2 в различные алгоритмы машинного обучения, Zhan et al. (2020) отслеживали гибель деревьев как в масштабе одиночного дерева, так и в масштабе древостоя. Immitzer and Atzberger (2014) использовали мультиспектральные данные WorldView-2 для определения смертности европейской ели.Для раннего обнаружения возможностей мультиспектрального датчика редко бывает достаточно, а вот идентификация мертвых деревьев выполняется почти идеально. Хансен и др. (2013) использовали Google Earth Engine для глобальной оценки потери лесов по 30-метровым снимкам Landsat с хорошей точностью также в локальном масштабе, где сплошные рубки распространены, а пожары случаются редко (Linke et al., 2017). Циммерманн и Хоффманн (2020) проанализировали данные Sentinel-2 для выявления заражений короедом в немецких еловых лесах, получив хорошие результаты на больших территориях, где свойства отражения уже значительно изменились.Флеминг и др. (2015) использовали данные тематического картографа Landsat в тандеме с данными о лесоустроительных участках, чтобы получить пространственные и временные точные оценки запасов углерода в лесах. Эти примеры исследований показывают готовность данных ЭО и связанных с ними подходов к использованию для обнаружения гибели деревьев и других целей, однако лишь немногие из них нашли свое применение в общем управлении практиков или государственных программах мониторинга прямым оперативным путем. Монитор состояния европейских лесов на основе MODIS можно рассматривать как первый шаг к получению обзора, но он не обеспечивает своевременность и пространственное разрешение, необходимые потенциальным пользователям.

В Северном Эйфеле мы визуально наблюдали повышенный отпад еловых насаждений в последние годы из-за изменения климата. Таким образом, этот регион может служить примером для изучения влияния сильных засух, аномальной жары и нашествия короедов на гибель елей с помощью дистанционного зондирования. Целью данного исследования является предоставление метода количественной оценки и мониторинга этого процесса. Чтобы оценить серьезность повреждения елей в районе Эйфеля и поддержать государственную программу мониторинга (также косвенно информировать лесников, политиков, лесопромышленников, защитников природы и т.), можно использовать актуальные данные EO. Однако представители правительства могут не быть проинформированы о технологических новинках из других областей. Цель этого исследования — представить пример обработки облаков для обнаружения поврежденной ели в районе Северного Эйфеля и оценить потенциальные условия окружающей среды для этого повреждения. Здесь мы сосредоточимся на анализе смертности деревьев и здоровья елей после летней засухи 2018 года. После ознакомления с исследуемой территорией необходимо объяснить особое положение ели в этой местности для понимания экологических и искусственных предпосылок.

Особое положение ели в северной части Эйфеля

Район исследования был ограничен регионом Северный Эйфель (50,60°–50,80° с.ш., 6,19°–6,53° в.д. и 532 км ² , см. рис. 1). Более конкретно, это исследование сосредоточено на Рюрайфеле, который включает в себя гидрологическую обсерваторию Эйфель/долина Нижнего Рейна (Hasan et al., 2014; Ali et al., 2015; Bogena et al., 2018), часть TERrestrial Environmental Observatories. (TERENO) (Zacharias et al., 2011; Bogena et al., 2018). Основными типами растительного покрова являются леса и пастбища. Лесные массивы охватывают антиклиналь Венн, простирающуюся с запада на север, и Керметр на юго-востоке с лесистыми склонами вдоль рек Рур и Калл в Национальном парке Эйфель. Высота увеличивается с северо-востока на юго-запад района исследований. Геология в основном состоит из толщ алевролитов и аргиллитов, а также песчаников и граувакк с небольшими полостями и объемами запасов подземных вод (Montzka et al., 2013). Юго-восток относится к так называемому треугольнику Мечерниха триаса, где девонский фундамент покрыт пестрым песчаником. Характерными почвами для Эйфеля являются маломощные Cambisols и Leptosols.

Рис. 1. Расположение исследуемой области в Северном Эйфеле согласно GEE.

С 15-го века Северный Эйфель был сформирован доиндустриальной экономикой выплавки чугуна, где популяция деревьев давала энергию для доменных печей, а реки — для сталелитейных заводов.Экстенсивное сменное земледелие и животноводство оказывали дополнительную нагрузку на леса. Когда в 19 веке металлургическая промышленность в регионе была разрушена из-за сильной конкуренции с каменным углем в Рурской области, большая часть лесов Эйфеля была вырублена, и преобладали вересковые пустоши. На Венском конгрессе 1815 года Пруссия захватила бывшую французскую Рейнскую область, включая регион Эйфель, и начала сажать быстрорастущие деревья на залежах для развития экономики этого бедного региона.В частности, ель европейская ( Picea abies (L.) H. Karst.), с тех пор известная в регионе как прусская , была выведена против первоначального отказа, которая произрастает от Скандинавии до Северной России до Урала, но также в Альпах и горных хребтах Восточной Европы. Спустя несколько поколений культивируемая ель стала хлебным (то есть высокоурожайным) деревом лесного хозяйства, способным покрывать потребности в древесине (хвойных пород) и обеспечивать целлюлозой развивающуюся бумажную промышленность.Во время ожесточенных боев Второй мировой войны в Северном Эйфеле (Хуртгенский лес) древесный массив был сильно поврежден, так что в 1950-х годах снова была посажена быстрорастущая ель, чтобы покрыть голые холмы. Когда в 1960-х годах многие мелкие землевладельцы прекратили свой бизнес, правительство Северного Рейна-Вестфалии поддержало передачу пастбищ и полей, даже если они не подходили, монокультуре ели. В результате крупных штормовых бедствий начала 1990-х годов, опустошивших большие площади еловых лесов, началось переосмысление. Последним нарушением ели, произрастающей в Эйфеле, были частые и сильные засухи (см. рис. 2).Это особенно верно в отношении засухи 2018 г., когда над Центральной Европой установилась система высокого давления, которая сохранялась почти непрерывно с апреля по октябрь (Buras et al., 2020). Для получения дополнительной информации об условиях засухи в Европе мы ссылаемся на отчеты Европейской обсерватории засухи (Masante and Vogt, 2018).

Рисунок 2. Типичная ситуация с еловым насаждением в Северном Эйфеле осенью 2020 г. После летней засухи 2018 г. многие еловые насаждения погибли, и лесоуправление не смогло быстро удалить и заменить огромное количество пострадавших деревьев.

Разрастающиеся еловые леса подавляли подлесок и, как следствие, сказывались на биоразнообразии территории. Кроме того, ель с ее неглубокой корневой системой плохо подготовлена ​​к засушливым условиям, которые в последние десятилетия также становятся более суровыми в Эйфеле. Ослабленные еловые насаждения страдают от нашествия короеда – наиболее значительного возбудителя естественной гибели взрослой ели. Вот почему текущая цель лесного хозяйства состоит в том, чтобы преобразовать неподходящие для данной местности чистые еловые насаждения в более устойчивые и естественные смешанные насаждения или лиственные леса, состоящие из местных лиственных деревьев (Umweltbundesamt, 2019; Holzwarth et al., 2020). Таким образом, повышенный отпад ели после засухи 2018 г., с одной стороны, трагически сказывается на лесопользовании и ценах на древесину, а с другой стороны, дает шанс на ускоренную трансформацию структуры леса.

Google Earth Engine для облачной обработки и доступных наборов данных

Простой способ войти в область применения ЭО — использовать Google Earth Engine (GEE). Пользователю не нужно загружать и хранить большие наборы данных EO, работать с неизвестными или сложными форматами файлов, проверять локализацию различных источников данных или заботиться об адекватной инфраструктуре информационных технологий, такой как высокопроизводительные вычислительные средства (суперкомпьютеры). .Все данные доступны и доступны для обработки в облачной инфраструктуре Google, от локального до глобального геопространственного масштаба. GEE также предназначен для поддержки распространения результатов среди других заинтересованных сторон или даже широкой общественности через приложения Earth Engine (Gorelick et al., 2017). Доступно множество решений на основе JavaScript, и их число постоянно растет. С помощью интерфейсов прикладного программирования (API) также можно реализовать код Python и R. Небольшие изменения в местоположении или временной шкале облегчают применение опубликованного кода в собственных целях.В этом исследовании мы также используем GEE для анализа данных и для подготовки рисунков.

Мультиспектральные данные Sentinel-2

Основной анализ основан на мультиспектральной миссии Sentinel-2. Имея четыре диапазона на 10 м, шесть диапазонов на 20 м и три диапазона на 60 м, пространственное разрешение Sentinel-2 охватывает видимый и ближний инфракрасный, а также коротковолновый инфракрасный диапазоны электромагнитного спектра (Drusch et al., 2012). . Миссия состоит из двух спутников, запущенных в июне 2015 г. (Sentinel-2A) и марте 2017 г. (Sentinel-2B), в результате чего время повторного посещения в средних широтах составляет 2–3 дня.Набор данных, доступный в каталоге данных Earth Engine (S2_SR), представляет собой продукт отражательной способности поверхности нижней части атмосферы (уровень 2A), уже скорректированный с учетом влияния атмосферы, рельефа и перистых волн с помощью инструментария sen2cor (Richter et al., 2012). Коллекция изображений была отфильтрована по проценту облачных пикселей со значениями ниже 10%, а медиана была рассчитана на основе доступных данных за июль и август за выбранные годы. Для анализа используются полосы B2 (синий), B3 (зеленый), B4 (красный), B5 (красный край 1), B8 (ближний инфракрасный диапазон), B11 (коротковолновый инфракрасный диапазон 1) и B12 (коротковолновый инфракрасный диапазон 2). путем расчета временной медианы по полосе, полосы B4 и B8 медианы использовались для расчета индекса нормализованной разности вегетации (NDVI) (Rouse et al., 1973).

Данные SMAP о влажности почвы и аномалии влажности почвы

Чтобы визуализировать условия засухи летом 2018 и 2019 годов по отношению к нормальным годам, были выбраны спутниковые данные о влажности почвы Active and Passive (SMAP). Доступный набор данных в каталоге данных Earth Engine был разработан Лабораторией гидрологических наук (HSL) в Центре космических полетов имени Годдарда НАСА в сотрудничестве с Министерством сельского хозяйства США (USDA) Иностранной сельскохозяйственной службой и Лабораторией гидрологии и дистанционного зондирования Министерства сельского хозяйства США ( Сазиб и др., 2018). SMAP — это пассивный микроволновый датчик, обеспечивающий пространственные расширенные оценки влажности почвы с разрешением 9 км с пролетами в средних широтах за 2–3 дня. Предлагаемый продукт основан на продукте SMAP Level 3, который был перенесен на сетку 10 км. Эти данные вводятся в двухуровневую модель водного баланса Палмера с помощью одномерного ансамблевого фильтра Калмана для уменьшения ошибок воздействия и наблюдения, а также для получения продукта влажности почвы в корневой зоне (Bolten et al., 2010).Здесь глубина эффективной корневой зоны определяется в соответствии с цифровой почвенной картой мира Продовольственной и сельскохозяйственной организации Объединенных Наций (ФАО). Аномалии рассматривают отклонение текущих условий относительно среднего значения доступного периода, стандартизированного по климатологическому стандартному отклонению, где климатологические значения оцениваются на основе полной записи данных за период спутниковых наблюдений в течение 31-дневного скользящего окна.

Статистические данные леса о прозрачности кроны

Оценка состояния лесов в Германии проводится ежегодно посредством национальной инвентаризации лесов (BMEL, 2020).Жизнеспособность немецких лесов характеризуется визуальным осмотром верхушек деревьев в июле и августе на систематической сетке выборки 16 км ^∗ 16 км. Это расширено (до схемы 4 км ^* 4 км) для федеральной земли Северный Рейн-Вестфалия (MUNLV, 2020). Сцены Sentinel-2 были выбраны в течение этих месяцев проверки.

Поскольку здоровье деревьев не может быть легко охарактеризовано и существует несколько определений, при инвентаризации леса используется единственный показатель — прозрачность кроны дерева.На кроны деревьев могли воздействовать повреждающие насекомые-вредители или грибковые патогены, поэтому воздействие часто проявляется в изменении состояния кроны деревьев. В частности, было обнаружено, что признаки обесцвечивания листвы и дефолиации кроны являются хорошими показателями здоровья деревьев, что приводит к прозрачности кроны (Metzger and Oren, 2001; Borianne et al., 2017).

При проведении национальной инвентаризации лесов специалисты группируют деревья по международным стандартам в 5%-ные ступени прозрачности кроны.Они снова сгруппированы в пять стадий повреждения деревьев, и они снова в три группы, обозначающие здоровые деревья (без повышенной прозрачности кроны), уровень опасности (незначительное повышение прозрачности кроны) и серьезно поврежденные деревья (значительно повышенная прозрачность кроны) (Wellbrock et al. ., 2018). Стандартная ошибка статистики составляет 2,3% (BMEL, 2020).

Вспомогательные данные для анализа зависимости смертности

Температура поверхности земли (LST) в дневное время была выбрана из набора данных Terra LST и излучательной способности за 8 дней в глобальном масштабе на 1 км, представленных в каталоге данных Earth Engine.Тепловые инфракрасные диапазоны 31 и 32 MODIS были введены в обобщенный алгоритм LST с разделенным окном, в котором топографическая информация первого порядка (т. Е. Высота) учитывается при моделировании переноса излучения. Мы проанализировали данные LST с июня по сентябрь в 2018 и 2020 годах с акцентом на летние засухи.

Кроме того, анализируется зависимость прозрачности крон от осадков. Многолетние месячные осадки за 2007–2018 годы приведены на расстоянии 1 км в наборе данных OpenLandMap (Hengl, 2018).В подходе используется информация о влажности почвы, полученная с помощью усовершенствованного скаттерометра METOP (ASCAT), которая передается в процессор SM2RAIN для получения данных об осадках (Brocca et al., 2019). С помощью кубических сплайнов он был уменьшен до 1 км и усреднен между продуктами осадков WorldClim, CHELSA и IMERGE. Здесь для пространственного анализа здоровья ели выбраны многолетние августовские осадки.

Данные о высоте взяты из продукта Shuttle Radar Topography Mission (SRTM) V3 C-диапазона с разрешением 1 угловая секунда, т.е.э., около 30 м на экваторе (Farr et al., 2007). Пробелы и пустоты были заполнены дополнительными данными, такими как Глобальная цифровая модель рельефа ASTER 2 (Fujisada et al., 2012). Экспозиция и уклон были рассчитаны по данным о высоте с помощью функций местности GEE.

Подход

Подход использует статистику здоровья леса, примененную к анализу NDVI, полученному Sentinel-2. В основу анализа положены два основных допущения: Первое допущение предполагает, что статистика здоровья ели в Северном Рейне-Вестфалии является репрезентативной также для еловых насаждений в Северном Эйфеле.Заслуживающие внимания еловые насаждения можно найти только на юге Северного Рейна-Вестфалии. Рядом с регионом Северный Эйфель, особенно в Зауэрланде и, в меньшей степени, в Бергишес-Ланде и Везербергланде есть еловый покров. Эти регионы имеют сопоставимую высоту (100–600 м), схожую геологию — немецкие низкогорные хребты, развитые в Девоне и Триасе, и с таким же генезисом почвы. То есть экологические условия аналогичны Северному Эйфелю. При наличии более конкретных данных об уровне прозрачности кроны ели для интересующей области это можно реализовать аналогичным образом.Во-вторых, предполагается, что здоровье дерева постоянно увеличивается с NDVI. С ранее упомянутыми уровнями повреждения прозрачности кроны и связанным с ними обесцвечиванием листвы и дефолиацией кроны можно наблюдать снижение содержания хлорофилла. Таким образом, предположение о снижении NDVI при увеличении повреждения деревьев в целом справедливо и подтверждается многими исследованиями (Lausch et al., 2013; Misurec et al., 2016; Spruce et al., 2019; Gomez et al., 2020; Bryk и др., 2021).

Основываясь на этих предварительных условиях, наш простой подход оценивает NDVI отчетного года и определяет пороговые значения NDVI для групп поврежденная ель и ель на уровне предупреждения .Применяя те же пороговые значения к целевому году вместо базового, данные можно соответствующим образом классифицировать. В этом исследовании мы выбрали 2018 год в качестве базисного года и 2020 год в качестве целевого года. Все данные обрезаются до интересующей области, чтобы обеспечить региональную статистику. Без этого выбора анализ можно применить и к более крупным масштабам, но расчет статистики в GEE ограничен определенным количеством пикселей. Обходной путь — уменьшить пространственное разрешение анализа.

Во-первых, для отчетного года медианные данные Sentinel-2 были классифицированы методом контролируемой машины опорных векторов (SVM).Учебные полигоны были предоставлены для классов ель , прочие лесные , водные и прочие . Последний класс включает полигоны для населенных пунктов, пастбищ и сельского хозяйства. Ядро радиальной базисной функции (RBF) используется для решения нелинейных задач с промежуточными параметрами гиперплоскости (гамма 0,5) и запаса (стоимостью 10) (Cortes and Vapnik, 1995). Наш подход к классификации применялся ранее, например, Wessel et al. (2018) успешно применили аналогичный метод классификации пород деревьев с использованием данных Sentinel-2.Затем дополнительно анализируется площадь полученного класса елей для отчетного года, другие классы игнорируются. Все значения NDVI класса ели используются для расчета гистограммы и соответствующей CDF. В соответствии со статистикой леса, указывающей процент поврежденных (уровень предупреждения) елей, получают порог NDVI для определенного процента пикселей. CDF в физическом домене NDVI обеспечивает вероятность того, что NDVI ниже порогового значения для поврежденной ели ( N D V I _D ).Здесь для отчетного 2018 года лесная статистика Северного Рейна-Вестфалии показывает, что 37% елей повреждено:

P(x≤NDVID)=∫-1NDVIDtdt=0,37(1)

Точно так же статистика показывает, что 36% еловых лесов в 2018 году достигли уровня опасности. Этот уровень используется для получения соответствующего порога.

P(NDVID≤x≤NDVIW)=∫NDVIDNDVIWtdt=0,36(2)

Из-за большого количества пикселей и бинов гистограммы мы отказались от подгонки функции CDF и использовали исходную CDF NDVI, т.е.е., эмпирический CDF, вместо этого с незначительной ошибкой.

один раз N D V I D N и N D V I W W были получены на основе ориентированного года, со случайным выбором соответствующих пикселей (здесь 10% каждого уровня) на трех уровнях, SVM с учителем был обучен на основе медианных составных полос Sentinel-2 базового года. Для классификации по уровням прозрачности ели использовались те же параметры, что и в предыдущем приложении SVM для классификации земного покрова.В дополнение к классам, представленным в лесной статистике, мы хотели отдельно выделить вырубленные еловые насаждения. SVM был обучен на репрезентативных областях данных Sentinel-2 2020 года. Затем эта информация применяется для классификации среднего составного значения Sentinel-2 в целевом 2020 году. Однако промежуточные результаты показали значительные различия в значениях отражательной способности медианных композитов базового и целевого лет. Расчет медианы не смог полностью это компенсировать.Поэтому подход сопоставления CDF был применен для каждой средней составной полосы, чтобы скорректировать смещения и сопоставить значение целевого пикселя изображения с соответствующим значением в эталонном CDF, которое имеет эквивалентное значение кумулятивной вероятности. Такой подход обеспечивает полную сопоставимость данных Sentinel-2 разных лет, где атмосферные условия не были полностью скорректированы, или где были разные углы наблюдения или условия освещения. Обратите внимание, что это сопоставление CDF было применено к полному срединному изображению, а не только к классу ели.

Рассчитываются доли площади трех классов состояния здоровья ели для контрольного года. Кроме того, классы оцениваются с точки зрения их частоты на определенных уровнях LST, высоты, наклона и аспекта. Обработка данных Sentinel-2 выполняется в масштабе 20 м из соображений производительности. Анализ гистограммы, относящейся к упомянутым предварительным условиям окружающей среды, выполняется с разрешением 50 м.

Результаты и обсуждение

Засуха

Аномалии влажности почвы в корневой зоне (начиная с 2015 г.), пространственно усредненные для региона Северный Эйфель, представлены на рисунке 3.Они указывают относительные различия между годами для оценки относительной засушливости в течение сезонов. В то время как 2016 год был очень влажным летом, а 2017 год был нормальным, в последние годы наблюдается серьезная засуха. В конце мая 2018 г. началась сильная засуха, которая продолжалась до конца года. Зимой 2018/2019 гг. осадков было недостаточно для восстановления влагоемкости почвы. Уже в марте 2019 г. условия влажности почвы были несколько ниже среднего, но здесь особые предпосылки 2018 г. и большая продолжительность в 7 месяцев стали вызовом для некоторых экосистем.2020 год характеризовался очень сухой весной, отделенной от засушливого лета небольшим количеством осадков.

Рис. 3. Аномалии влажности подповерхностных почв СМАП за 2016–2020 гг., осредненные по району исследований. Аномалии рассчитаны по отношению к базовому периоду 2015–2020 гг. Из-за непостоянных 2–3-дневных сборов SMAP он показан в виде точечной диаграммы.

Это показывает, что за последние 2018–2020 годы несколько экосистем пострадали от засушливых погодных условий.Кроме того, еловые насаждения располагались на малоплодородных участках Эйфеля с маломощными почвами (Montzka et al., 2008a,b), еще менее продуктивных для сельского хозяйства. Неглубокие почвы над коренной породой имеют очень низкую общую влагоемкость, поэтому более длительные засушливые периоды не могут быть преодолены. Эти два взаимосвязанных фактора приводят к увеличению смертности елей в Северном Эйфеле. Другой причиной является заражение короедом, например, Netherer et al. (2019) сообщают, что для австрийских лесов сухие и неглубокие почвы обычно менее подвержены влиянию, но доказано, что острая засуха повышает вероятность нападения короедов.Поскольку малая глубина почвы не отражается должным образом в информации о почве с более высоким разрешением, предоставляемой каталогом данных Earth Engine, например, картой текстуры почвы OpenLandMap, более подробный анализ может дать вводящие в заблуждение результаты в рамках GEE. Заинтересованные аналитики могут использовать для этой цели почвенную карту Северного Рейна-Вестфалии масштабом 1:50.000.

Определение площади, покрытой елью

Результаты классификации SVM за 2018 базисный год были оценены с использованием независимых выборок для проверки.Коэффициент каппа (Hudson and Ramm, 1987) для классификации составляет 0,965. Матрица путаницы показывает, что только класс , другой , имеет неправильную классификацию, ель класса была классифицирована идеально. Разделяемость ели замечательна, особенно при использовании всего потенциала полос Sentinel-2. Визуальный осмотр результатов классификации указывает на незначительные ошибки классификации ели на береговой линии озер, где спектральная характеристика смешанных пикселей и повторное озеленение выпавших засушливых участков после летнего периода ближе всего к ели класса .Классификация показана на рисунке 4 в соответствии с мультиспектральными данными Sentinel-2 за 2018 и 2020 годы (рисунок 5).

Рис. 4. Результат классификации методом опорных векторов (SVM) срединного композита Sentinel-2 2018 г. для Северного Эйфеля (темно-зеленый — ель; светло-зеленый — другой лес; синий — вода; белый — прочее).

Рисунок 5. Sentinel-2 медианная композиция июля/августа (RGB = B4, B3 и B2) (A) для 2018 года и (B) для 2020 года (сопоставление CDF).

Количественная оценка классов здоровья деревьев

Из лесной статистики за 2018 год проценты поврежденного и предупреждающего уровней для ели (т. е. 37% и 36% соответственно) были применены к CDF NDVI, чтобы получить пороговые значения для различения трех уровней прозрачности верхушек деревьев. Соответствующая гистограмма и CDF за 2018 г. представлены на рис. 6. Гистограмма NDVI ели за 2018 г. близка к гауссовой со средним значением 0,78, но слегка скошена хвостом в сторону более низкого NDVI. CDF обеспечивает полученные пороги N D V D 8 и N и V I W с 0.774 и 0,808 соответственно. Это согласуется с другими исследованиями, посвященными оценке здоровья ели или вспышек короеда (Lastovicka et al., 2020; Zimmermann and Hoffmann, 2020).

Рисунок 6. Гистограмма GEE (вверху) и CDF (в центре) ели NDVI 2018 и CDF (внизу) ели 2020. CDF 2018 используется для определения порога NDVI для ели с поврежденным и предупредительным уровнями согласно лесной статистике .

В 2020 году CDF предоставил другую картину (рис. 6).Здесь CDF непрерывно увеличивается от 0,15, где вырубленные еловые насаждения характеризуются низким NDVI. После засухи 2018 года и последующей вырубки деревьев индекс NDVI увеличивается в некоторых местах в связи со случайным повторным озеленением подлеска.

После определения уровней здоровья ели на основе медианного композита Sentinel-2, согласованного с CDF, за 2020 г. были рассчитаны их доли (табл. 1). Оценка доли площади, попадающей в класс здоровых , была близка к оценке лесной статистики, т.е.э., 28,4% и 26% соответственно. Предупреждающий уровень класса завышен, а класс поврежденный недопредставлен в оценке дистанционного зондирования, т. е. большое количество 45% поврежденной ели не полностью захвачено с долей площади 38,3%. В этом классе объединены поврежденные и удаленные еловые насаждения. 13,8% елей можно считать поврежденными, так как они уже удалены.

Таблица 1. Доли классифицированных состояний здоровья ели по данным лесной статистики и предлагаемого метода дистанционного зондирования.

Сопоставление CDF данных целевого года Sentinel-2 с базовым годом очень важно. В противном случае неадекватно компенсированные атмосферные условия могут повлиять на пороговое применение и, следовательно, на относительные доли площади трех основных классов. Здесь передовые методы атмосферной коррекции, например, с использованием псевдоинвариантных признаков (Schott et al., 1988) или многомерного обнаружения изменений с итеративным взвешиванием (Canty and Nielsen, 2008), могут повысить точность применяемого метода.

На рис. 7 показаны пространственные масштабы уровней здоровья ели в северной части Эйфеля. Удаленные классы и поврежденные кажутся более компактными, чем классы уровня предупреждения и здоровых . Для удаленных это явно связано с лесохозяйственной деятельностью, обычно применяемой на больших участках, тогда как для поврежденных класса это может быть показателем экологических предпосылок для жизнеспособности ели.Рисунок 7 и визуальный осмотр ландшафта, такой как на рисунке 2, позволяют предположить, что затронуты не отдельные деревья, а большие участки монокультур ели. В дополнение к генотипу елового насаждения на участке, который может проявлять особую устойчивость к засухе, на участок ели в целом могут влиять и общие факторы, такие как влагоемкость почвы или количество осадков. Дальнейший анализ этих условий окружающей среды представлен в разделе «Зависимость здоровья ели от условий окружающей среды». Разделение между предупреждающими уровнями и здоровыми классами не то чтобы четко локализовано, а постепенно проходит через посылки. Здесь необходимы дополнительные исследования, если NDVI является адекватным вегетационным индексом для определения уровней прозрачности все еще плотных еловых крон.

Рисунок 7. Удаленные классы здоровья ели 2020 г. (черный), поврежденные (красный), уровень опасности (желтый) и здоровый (зеленый), оцененные в этом исследовании в отношении CDF, соответствующего среднему составному Sentinel-2 за 2020 г.Область интереса занимает площадь 533 км ² .

На рисунке 8 мы показываем подробный пример для периода с июля по август в 2018 и 2020 годах. На верхней панели показан медианный составной Sentinel-2 для базисного 2018 года и изменения через два года для того же периода года (средний и нижнюю панель). Во-первых, два изображения RGB кажутся очень похожими в результате сопоставления CDF. Это относится не только к полосам B2–B4, используемым для построения RGB, но и к другим полосам, включая B8, который был выбран для расчета NDVI (B4 и B8).Во-вторых, расчищенные участки в 2020 году очень заметны, и, если сравнивать с классификацией внизу, действительно удалена только ель. Эти местоположения очень хорошо фиксируются процедурой, представленной ранее. Причем в восточной части этого участка преобладают сильно поврежденные участки ели, происходящие как из более низкого возвышенного участка с в целом меньшим количеством осадков, так и с подветренной стороны к преобладающим западным ветрам, с относительно более сухими нисходящими воздушными массами.Взаимосвязь уровней жизнеспособности ели с условиями окружающей среды обсуждается в разделе «Зависимость здоровья ели от условий окружающей среды» .

Рисунок 8. Данные Sentinel-2 (RGB = B4, B3 и B2) о районе плотины Вехе на антиклинали Венна за 2018 г. (вверху), 2020 г. (в центре, соответствие CDF) и расчетные классы здоровья ели в 2020 г. (внизу снято = черное, повреждено = красное, уровень предупреждения = желтый, исправный = зеленый).

Лесоводы подтверждают, что основной причиной гибели ели в Северном Эйфеле являются засушливые условия последних лет.Более ранние исследования в еловых лесах немецкой уже сообщали о воздействии на более засушливые участки, где прозрачность кроны была выше в годы после жаркого лета (Seidling et al., 2012). Однако на мелкие фракции также влияет ветровал, который может не учитываться непосредственно в применяемой здесь статистике лесов. В пользу этой интерпретации может свидетельствовать особый случай: 13 марта 2019 г. смерч опустошил дома и леса вблизи деревни Рётген на юго-западе исследуемой территории. На рис. 9 показаны условия до и после торнадо и соответствующая классификация здоровья ели на 2020 год.Повреждения в пределах следа торнадо хорошо видны на сцене Sentinel-2 2020 года, но 4-километровая схема выборки лесной статистики не сможет определить полное измерение.

Рис. 9. Медианное композитное изображение Sentinel-2 (RGB = B4, B3 и B2) за 2018 г. до торнадо (вверху), 2020 г. после торнадо (в центре, CDF соответствует) и оценочные классы здоровья ели в 2020 г. (внизу снято = черное, повреждено = красное, уровень предупреждения = желтый, исправный = зеленый).

Зависимость здоровья ели от условий окружающей среды

Различные уровни жизнеспособности европейской ели в северной части Эйфеля были проанализированы с точки зрения их зависимости от осадков, LST, высоты, уклона и экспозиций. На рис. 10 показаны как абсолютное количество пикселей при разрешении 50 м в зависимости от этих факторов, так и относительные доли, нормализованные по общей ели.

Рисунок 10. Гистограммы уровней здоровья ели, выраженные в количестве пикселей, показывающие конкретный уровень здоровья на 2020 г. в зависимости от условий окружающей среды, таких как осадки в августе (A,B) летняя температура поверхности земли с июня по сентябрь 2018 г. –2020 (C,D) высота (E,F) уклон (G,H) и экспозиция (I,J) .Показаны как абсолютное количество пикселей (слева), так и относительные доли площади ели (справа).

На рисунке 10A показаны типичные августовские осадки (ось X ) в диапазоне от 77 до 93 мм (панели A и B). Важность осадков для жизнеспособности ели уже была продемонстрирована соответствующей влажностью почвы на рисунке 3. По оси Y показано абсолютное количество пикселей, классифицированных как ель. Большинство елей получают от 82 до 92 мм осадков. Рисунок 10B показывает, что существует четкая тенденция к увеличению доли удаленных и поврежденных елей при меньшем количестве осадков.Это указывает на то, что осадки (дефицит) можно рассматривать как один из основных факторов гибели ели и что более засушливые районы требуют повышенного внимания для преобразования монокультурного елового леса в устойчивый смешанный широколиственный лес. Тем не менее, более влажные районы классифицируются по уровню предупреждения , уже предсказывая дальнейшее воздействие ожидаемых изменений в климатической системе.

Анализ летнего распределения LST по местам произрастания ели, показанным на рисунках 10C,D, был выполнен для того, чтобы выяснить влияние относительных долей энергии за счет инсоляции и потерь транспирируемой воды для охлаждения растений.Это приводит к тому, что для большинства еловых лесов LST составляет 22°C. При игнорировании немногочисленных насаждений с летней ТПН < 21°C и >26°C также становится видна тенденция. Увеличение смертности задокументировано с увеличением летнего LST. Как и в случае с осадками, ель на уровне предупреждения равномерно распределена по территории, что позволяет прогнозировать, что более низкая летняя LST может не помочь снизить смертность в будущем.

Рисунки 10E,F подтверждают гипотезу о том, что удаленные и поврежденные деревья все чаще встречаются на более низких высотах от 600 до 200 м над уровнем моря.Общее впечатление на Рисунке 7 состоит в том, что негативное воздействие увеличивается с юго-запада на северо-восток, что может соответствовать общему уменьшению высоты. Эту гипотезу подтверждает рис. 10. Очевидно, что одни и те же закономерности возникают по высоте, а также по летним осадкам и LST, совпадающим в районе исследований.

Распределение уровней жизнеспособности ели в зависимости от крутизны склонов, показанное на рисунках 10G,H, происходит из предположения, что почвы на более крутых склонах более мелкие, чем почвы на равнинных участках, из-за сил гравитации и эрозии.Эти неглубокие почвы над коренной породой могут иметь более низкую водоудерживающую способность, что указывает на более низкую устойчивость культивируемых деревьев к засушливым условиям. При уклонах до 8° в Северном Эйфеле согласно модели высот SRTM с разрешением в 1 угловую секунду тенденция не просматривается. Поврежденная ель может несколько увеличиваться с уклоном, но это не существенно.

На рисунках 10I,J показано соотношение между ориентацией склона холма по отношению к солнцу, выраженной в градусах, считая по часовой стрелке, где 0° и 360° соответствуют северу, и различными уровнями здоровья.Изучение этой взаимосвязи основывается на предположении, что направление прямого солнечного излучения относительно изменяет эвапотранспирацию и, следовательно, запасы почвенной влаги. Здесь заметного тренда не видно, но есть небольшая тенденция поврежденной ели с более высокими фракциями при 160–200°, т. е. ориентация на юг.

Таким образом, имеются данные о тенденциях пространственного распределения воздействия на еловые насаждения, где осадки и соответствующие зависимости LST и высоты являются наиболее значительными.Меньшая тенденция видна для аспекта в зависимости от инсоляции, но наклон, похоже, не влияет.

Заключение и перспективы

В данном исследовании мы представили подход, позволяющий перенести статистику мониторинга лесов отчетного года (2018) на данные Sentinel-2 для выявления различных уровней прозрачности крон ели. Мы использовали индекс вегетации ели CDF для выявления участков с высокой прозрачностью кроны и уровнем предупреждения, когда здоровье деревьев уже было нарушено.Кроме того, их доля площади была рассчитана для целевого года (2020 г.), а также для поддержки статистической оценки и отчетности. В течение двух лет в районе Северный Эйфель пришлось удалить 14% елей, так как в последние годы они стали жертвами экстремальной засухи. Доля деревьев с высокой прозрачностью кроны увеличилась до 38,3% (с учетом вырубленных), что свидетельствует о драматической ситуации в типичных монокультурах ели европейской в ​​этом районе. Всего 28.3% остаются в хорошем состоянии. Фракции площади подтверждаются последними статистическими данными о лесах за 2020 год. На фоне того, что европейская ель не является эндемичной для Эйфеля, текущее и будущее управление лесами должно перейти к альтернативным породам, таким как каштан и американский красный дуб.

Расширение или передача исследования на уровень федеральной земли или в другие центральноевропейские еловые районы, такие как Тюрингенский лес, Эрцгебирге, Хунсрюк, Таунус, Вестервальд, Ротхааргебирге, Гарц или южные районы Эйфеля, возможно путем выбора нескольких адекватных учебных данные.Однако проведение статистической оценки результатов GEE является ограничивающим фактором для выбора размера региона. Кроме того, также возможна оценка здоровья ели в национальном масштабе для выявления мест, где ель находится под давлением. Использование для этой цели так называемых участков экологического мониторинга уровня II для жизнеспособности леса может привести к созданию стандартизированного инструмента мониторинга ели (Seidling, 2004). Точно так же подходы машинного обучения могут быть обучены данным, полученным на сетке выборки 4 × 4 км, для прогнозирования фактических уровней жизнеспособности ели.

Хотя было интересно предоставить надежный инструмент для оценки состояния здоровья елей в немецких низкогорных хребтах, некоторые улучшения все же возможны. Например, хотя NDVI является надежной метрикой, у него могут быть проблемы с насыщением и нелинейностью с пологом леса (Stone and Mohammed, 2017). Альтернативные вегетационные индексы могут улучшить имеющиеся результаты и могут лучше дифференцировать пораженные и неповрежденные еловые насаждения за счет преодоления эффектов насыщения NDVI.Индексы, зависящие от красного края, связанные с водой индексы, включающие полосу SWIR, или комбинация нескольких индексов могут повысить эффективность метода (см., например, Hawrylo et al., 2018; Abdullah et al., 2019; Lastovicka et al., 2020). ). Наш подход заключался в том, чтобы поддержать статистическую оценку здоровья деревьев, чтобы сроки наблюдений были согласованы с обследованием in situ . Однако Solberg (2004) обсудил причинно-следственные механизмы состояния кроны европейской ели и засух и заметил, что дефолиация является результатом повышенного опада хвои осенью после засушливого лета.Таким образом, отсрочка in situ и дистанционные наблюдения могут выявить самые последние воздействия засух на еловые насаждения. Кроме того, технические усовершенствования, такие как реализация Python API вместо приложения JavaScript, повысят гибкость инструмента с точки зрения обработки данных, а также вторичного анализа предварительных условий окружающей среды.

В этом исследовании сообщалось о значительной зависимости вырубленной и поврежденной ели от осадков и высоты над уровнем моря, что является явным признаком ограниченной устойчивости ели обыкновенной к усиливающимся условиям засухи и изменению климата.Выявленные здесь отмирающие насаждения ели, а также условия их окружающей среды можно использовать для разработки различных сценариев трансформации (Hilmers et al., 2020) и для прогнозирования потенциального вторичного заражения (Lausch et al., 2013). Предлагаемый метод может использоваться для оценки лесов in situ , а также для государственных программ мониторинга с целью определения приоритетов методов управления или выявления особо уязвимых еловых насаждений. Подход, примененный для тематического исследования Северного Эйфеля, может служить образцом для аналогичных анализов в еловых лесах, затронутых изменением климата.

Наличие кода

Доступ к инструменту GEE и код JavaScript можно протестировать и реализовать для собственных целей по следующей ссылке: https://code.earthengine.google.com/cde6a13b3c35a72a5d6bf0c3e5a3ea7a.

Заявление о доступности данных

Оригинальные вклады, представленные в исследовании, включены в статью/дополнительный материал, дальнейшие запросы можно направлять соответствующему автору.

Вклад авторов

CM: концептуализация, методология, реализация, визуализация и первоначальный проект.BB, AT, DM и HV: обзор и редактирование рукописи. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Мы выражаем благодарность Федеральному министерству экономики и технологий Германии за поддержку проекта AssimEO в рамках гранта 50EE1914A, Федерального министерства образования и исследований Германии в отношении сельскохозяйственных систем будущего DAKIS (грант 031BO729F) и исследовательской инфраструктуре Гельмгольца. Модульные решения для наблюдения за системами Земли (MOSES).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Сноски

Каталожные номера

Абдулла Х., Скидмор А.К., Дарвишзаде Р. и Хойрих М. (2019). Sentinel-2 точно отображает стадию зеленой атаки европейского елового короеда ( Ips typographus , L.) по сравнению с Landsat-8. Дистанционный датчик Ecol. Против. 5, 87–106. doi: 10.1002/rse2.93

Полнотекстовая перекрестная ссылка | Академия Google

Али, М., Монцка, К., Стадлер, А., Менц, Г., Тонфельд, Ф., и Верекен, Х. (2015). Оценка и валидация временных рядов индекса площади листьев озимой пшеницы в сельском водосборе (Германия). Дистанционный датчик Базель. 7, 2808–2831. дои: 10.3390/70302808