南京林业大学学报（自然科学版）

南京林业大学学报(自然科学版), 2022, 46(6): 83-95 DOI: 10.12302/j.issn.1000-2006.202209052

特邀专论

智慧林业发展现状与展望

曹林,, 周凯, 申鑫, 杨晓明, 曹福亮, 汪贵斌,*

南京林业大学,南方现代林业协同创新中心,江苏 南京 210037

The status and prospects of smart forestry

CAO Lin,, ZHOU Kai, SHEN Xin, YANG Xiaoming, CAO Fuliang, WANG Guibin,*

Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, China

通讯作者: * 汪贵斌(glwang@njfu.edu.cn),教授。

第一作者: 曹林(lincao@njfu.edu.cn),教授。

责任编辑: 郑琰燚

收稿日期: 2022-09-23   修回日期: 2022-10-18  

基金资助: 国家自然科学基金项目(31922055)
江苏省现代教育技术研究课题(2022-R-102708)

Received: 2022-09-23   Revised: 2022-10-18  

摘要

信息技术是人类文明发展的重要推动力,也是当今世界发展最快、影响最大的高新技术之一。随着现代信息技术在林业领域的广泛应用,智慧林业成为了现代林业发展的必由之路。智慧林业是物联网、大数据、云计算、人工智能、移动互联网等新一代信息技术与3S技术、智能装备及林木育种、森林培育、森林经营、森林保护等林业生产和管理业务深入融合新模式。我国智慧林业的发展,在现代林业发展中具有重要的里程碑意义。笔者首先介绍了智慧林业产生的背景、内涵、特征、理论基础和研究方法,以及针对智慧林业发展所进行的顶层设计、项目部署实施、科研平台建设及人才培养概况;然后系统介绍了林业智能感知、空间信息技术、大数据及云计算、虚拟现实和智能装备技术等智慧林业关键核心技术的研究现状;进一步介绍了智慧林业在林木遗传育种、森林精准培育、森林资源监测与经营决策、林火监测预测及病虫害防治、野生动植物保护方向上的应用进展;最后,分析了未来智慧林业的发展目标,展望了智慧林业技术体系的主要发展方向。笔者认为,智慧林业的发展需要进一步推进智能算法及硬件的研发和应用,并加强智慧林业理论基础研究;同时,还需在精准多源数据获取的基础上,将现代数据挖掘、模型模拟、智能分析技术融入林业生产的业务流程中,服务林业生产的全产业链,引领林业高质量发展。

关键词： 智慧林业; 林业信息化; 人工智能; 林木表型; 森林培育与监测; 森林经营决策; 森林保护与灾害防治

Abstract

Information technology is an important driving force for the development of human civilization, and it is also one of the fastest growing and most influential high-techs in the world today. With the wide application of modern information technology in the field of forestry, smart forestry has become the route one must take for the development of modern forestry. Smart forestry is the deep integration of new generation information technologies such as Internet of Things, big data, cloud computing, artificial intelligence, mobile Internet and 3S technology, intelligent equipment as well as forestry production and management businesses such as and forest breeding, forest cultivation, forest management and forest protection. The development of smart forestry in China is a milestone in the development of modern forestry. The author introduces the background, connotation, characteristics, theoretical basis and research methods of smart forestry, as well as top-level design, project deployment and implementation, scientific research platform construction and talent training for smart forestry development; the research status of key core technologies of intelligent forestry, such as forestry intelligent perception, spatial information technology, big data and cloud computing, virtual reality and intelligent equipment technology, are systematically introduced. The application progress of smart forestry in forest tree genetics and breeding, forest precision silviculture, forest resource monitoring and management decision-making, forest fire monitoring and prediction, pest control, and wildlife protection were further introduced. Finally, the development goals of smart forestry in the future are pointed out, and the main development directions of smart forestry technology system are prospected. The author believes that the development of smart forestry needs to further promote the research, development and application of intelligent algorithms and hardware, as well as to strengthen the research of its theoretical basis. At the same time, it is also necessary to integrate modern data mining, model simulation and intelligent analysis technologies into the forestry production business process on the basis of obtaining accurate multi-source data, to provide services for the whole industry chain of forestry production and lead the high-quality development of forestry.

Keywords： smart forestry; forestry informatization; artificial intelligence; phenotyping of forest trees; forest silviculture and monitoring; forest management decision; forest protection and disaster prevention

PDF (2969KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

曹林, 周凯, 申鑫, 等. 智慧林业发展现状与展望[J]. 南京林业大学学报(自然科学版), 2022, 46(6): 83-95 DOI:10.12302/j.issn.1000-2006.202209052

CAO Lin, ZHOU Kai, SHEN Xin, et al. The status and prospects of smart forestry[J]. Journal of Nanjing Forestry University(Natural Science Edition), 2022, 46(6): 83-95 DOI:10.12302/j.issn.1000-2006.202209052

开放科学(资源服务)标识码(OSID):

人类文明曾先后经历了以机械化、电气化、信息化为主要特征的重大科技变革,目前正在进入以智能化为核心的第4次科技革命新阶段[1]。林业是一项具有产业属性的社会公益事业,根据自身特点和行业建设的需要,林业经历了以现代育种、集约经营、数字化森林资源监测及生态系统管理等为主导的技术革命[2]。林业信息化是林业行业的新型生产力,是林业行业高质量发展的着力点和突破口,也是提升我国林业现代化水平和实现全面可持续发展的关键要素。进入21世纪以来,随着第6次信息革命的到来,新一代信息技术不断融入林业核心业务;林业信息化迎来了智能化的技术革命,步入“智慧林业”新发展阶段[3]。

智慧林业的基础是“数字林业”(Digital Forestry),即在20世纪末提出的“数字地球”框架[4]下,运用计算机、互联网、虚拟现实和3S(即遥感(RS)、全球导航卫星系统(GNSS)、地理信息系统(GIS))技术等[5],对森林多尺度空间和属性信息进行采集、处理、存储、管理、分析、应用和共享的全过程;主要特征为数字化、网络化和可视化[6-7]。2008年,随着“智慧地球”概念的提出,智慧林业作为其重要组成部分也应运而生[8]。智慧林业将数字林业中的关键技术与人工智能、物联网、大数据、云计算和移动互联网等新一代信息技术及林业智能装备跨学科深度融合,形成面向林业生产和管理(包括智慧育种、培育、监测、经营管理、保护等)及林业资源开发利用全过程的立体感知、精准培育、实时监测、智慧管理和智能决策等林业信息化发展新模式。智慧林业的总体框架如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   智慧林业的总体框架

Fig.1   The general framework of smart forestry


智慧林业标志着林业信息化进入2.0阶段,表现为感知化、物联化、智能化等新特征[9]。智慧林业融合了林业科学、信息科学、地理科学和工程科学等相关学科的理论和方法,具有显著的多学科交叉特点。通过森林信息学(Forest Informatics)对森林交叉信息获取、传输、处理、管理和分析等理论与方法及其形成机理进行研究,不断完善智慧林业的理论基础。同时,智慧林业是由数据、知识、模型及软硬件等核心要素相互联结而成的,其实施过程贯穿于林业全产业链;其中,每一个环节具有显著的结构功能特征,优化组合后又具有整体性和系统性,是一项复杂的系统工程[10]。通过林业系统工程的思路来全方位、全过程发展智慧林业,将有助于推动我国林业科技创新、提升发展质量并增强管理水平。

1 国内外智慧林业发展状况

近年来,美国、加拿大、英国、挪威、日本等林业发达国家高度关注智慧林业的发展,进行了国家层面的系列部署,积极推进林业物联网、森林精准培育、森林智慧监测和保护、林业智能装备等智慧林业关键核心技术的研究。2015年,美国林务局(USDA Forest Service)启动了“智慧林业(Smart Forests)”项目。该项目将构建遍布美国国内的森林资源与生态系统监测网络[11]。项目在各观测站布设了多种传感器,用于测定森林环境参数,并结合无线传输网络进行实时的森林资源和生态环境监测。 2017年,加拿大魁北克大学在加拿大创新基金会 (CFI) 资助下启动了智慧林业(SmartForest)项目,该项目将建立覆盖加拿大全境不同气候和植被区的高精度样地监测网络,通过传感器及遥感技术获取高精度的监测信息从而掌握地上和地下的森林动态变化,用于理解混交林生态系统在气候变化下的稳定性并分析其健康状况,同时还将利用以上数据开发森林生长和生理过程模型,从而制定森林经营和适应气候变化的最佳方案[12]。2020年,英国剑桥大学在欧洲研究委员会(ERC)资助下启动了智慧林业(Smart Forests)项目,该项目通过遥感、物联网、人工智能、泛在计算等现代信息技术手段实现森林资源、碳储量及环境变化信息的实时监测和分析,并借助无人机来辅助森林培育,利用传感器获取信息并结合移动端apps进行公众参与等社会科学分析[13]。2020年,挪威生物经济研究所(Norwegian Institute of Bioeconomy Research, NIBIO)在挪威研究委员会(ERC)资助下启动了“将挪威林业带入工业4.0的智慧林业(Smart Forest)”项目。该项目将推动挪威林业数字化革命,研发至少30项创新技术并开发至少5个开放APIs的系统,从而全面提升森林培育、经营管理、木材供应等的效率、降低成本并缓解气候变化的影响,最终将森林生长量提升20%、采伐成本降低20%、木材价值提高10%等[14]。日本近年来提出了实用化的智慧林业方案,包括通过机载激光雷达精准提取森林参数、人工智能识别算法自动获取木材的数量;同时,还引入能够自动运行及图像识别的林业新装备,并通过现代通信技术结合云管理,使木材供需匹配更加顺畅[15]。

近10年来,我国智慧林业建设注重顶层设计,国家林业局于2013 年8月正式发布了《中国智慧林业发展指导意见》(简称《意见》),标志着我国林业信息化已开始从“数字林业”转型升级为“智慧林业”[9,16-17]。《意见》发布后,全国众多省份根据地区特点相继制定了智慧林业发展规划,使得智慧林业在全国迅速发展。2016年3月,国家林业局发布了《“互联网+”林业行动计划——全国林业信息化“十三五”发展规划》,通过综合考虑不同领域并开展重点工程建设,有力提升了我国林业现代化水平[18]。同年8月,国家林业局发布了《关于加快中国林业大数据发展的指导意见》,大力推进林业大数据建设及资源开放共享[19]。2019年11月,国家林业和草原局发布了《关于促进林业和草原人工智能发展的指导意见》,标志着我国林草人工智能建设进入新时代,形成了新一代林业信息技术的顶层设计体系[20]。近年来,我国智慧林业技术发展正逐渐形成自身特色,并赶超世界先进水平。2016年,广西壮族自治区林业有害生物防治检疫站牵头开发了具有自主知识产权的“林业有害生物监测预警与应急防控三维GIS系统”,实现了灾害数据采集、管理、监测、远程诊断、预报预警等功能,形成了智能化的综合管理平台[21]。2020年,国家林业和草原局调查规划设计院研发的“国家森林资源智慧监测和数字管理平台”发布,为我国的森林资源监测、管理提供了定量、高效、精准的智能化服务,进一步完善了我国智慧林业整体架构[16]。2021年12月,“贵阳智慧林业云平台”实现了“一套数、一张图、一张网”的全方位智能管理,标志着贵阳林业进入通过智慧林业全面支持森林培育、监测、灾害防治并推进林业产业发展的新阶段[22]。2022年,广西河池市“5G﹢智慧林业”云平台系统上线,该平台构建了林业资源防控“一张网”和生态保护空间数据“一张图”,实现了森林信息可视化,并通过智慧林业大数据支持全面提升了监管能力[23]。在智慧林业平台建设及人才培养方面, 2021年12月,南京林业大学在下蜀实习林场启动了面向智慧林业建设的林木表型监测和分析平台建设项目,该平台包含激光雷达、多光谱成像、RGB成像、热红外成像和高光谱成像传感器及轨道控制单元等,将实现林木多尺度结构和生理生化表型性状的智能、精准、高通量提取。2020年9月,南京林业大学牵头的“智慧林业专业建设探索与实践”入选了首批教育部新农科研究与改革实践项目[24], “智慧林业人才培养模式改革虚拟教研室”入选教育部首批虚拟教研室建设试点名单,并经教育部批准设立了全国首批智慧林业本科专业[25]。

2 智慧林业关键核心技术

智慧林业的技术体系架构如图2所示。在此,仅从林业智能感知技术、大数据分析、智能技术及服务等方面进行阐述。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   智慧林业的技术体系架构

Fig.2   The technical system architecture of smart forestry


2.1 林业智能感知技术

林业智能感知技术最早可追溯到1999年“物联网”概念的提出,其定义为“把所有物品通过射频识别等信息传感设备与互联网连接起来,实现智能化识别和管理”[26]。在智慧林业系统中,通过将森林生态及其环境与互联网连接,可以实现信息交换和通信,并进行智能化识别、定位、监测和管理等。林业智能感知系统通常由编码系统、智能传感器和信息网络系统所构成,其中关键是智能传感器和信息网络系统[27]。

智能传感器主要用于采集林木及其环境信息数据,而这些信息的采集主要依靠射频识别(RFID)技术、各类传感器和红外感应装置等,将前端设备根据实际需求安设在林区特定范围内,且可将数据以可视化的形式展现出来。目前林业智能感知传感器较多地应用在林区防火(如风向、风力、蒸发量、干燥度和温湿度传感器等)[28]、病虫害防治(如影像光谱成像仪、定位仪、热红外感应器等)[29]、动植物保护(如射频红外感应器、夜光成像仪、定位器、电子标签感应器等)[30]、造林工程监管(如RFID、温湿度感应器、降水量传感器等)[31]及生态因子监测(如温湿度、降水量、风速、土壤温湿度、二氧化碳含量传感器)等[32]。

目前,信息网络系统主要实现了林业感知信息流通和管理等功能。随着无线传感器网络的不断发展,利用无线传感器网络构建林业智能感知系统可以有效实现智慧林业信息的传输,并兼具部署快速、成本低廉、运行稳定等特性[33]。通过在林区内部署大量无线传感器网络节点,可以利用不同传感器获取生态和环境参数,并通过4G/5G无线网络的方式传回数据中心,对于森林生态系统的智能感知具有重要意义[34]。然而,由于森林环境的复杂多变,信号传输网络、通讯条件、电源管理等仍是目前制约林业智能感知的主要因素。

2.2 林业空间信息技术

智慧林业中的地理信息系统(GIS)技术将进入全空间地理信息时代[35],支持全方位动态的时空数据感知、分析、认知和检测,可在天地一体化网络通信和云计算的支持下进行数据处理和知识发现。同时,借助人工智能对时空大数据处理、分析、融合和挖掘,可实现林业时空数据智能挖掘,提高对林业空间数据的认知能力[36]。

智慧林业中的全球导航卫星系统(GNSS)目前已具备了“一星多用、多星组网、多网融合”的特点[37],通过构建定位、通信和遥感功能的低高轨卫星组成天基网,集成国产北斗卫星导航系统与林业物联网系统等,进行高空间、时间分辨率林业数字影像和视频数据采集以及亚米级精度实时定位服务。同时,通过结合林业空间大数据、云计算和人工智能技术,天地通信网络系统可以实现林业空间信息的无缝链接和智能传输,根据林业用户需求提供快速、精准、智能的林业空间信息产品,构建林业产业化运营的智能空间定位服务系统[38]。

遥感(RS)技术在智慧林业系统中将变得更精准和智能,遥感对林业信息获取的方式将演变为天空地一体化+物联网传感器监测体系。遥感技术将不仅通过卫星(如国产“高分”系列卫星、 我国陆地生态系统碳监测卫星“句芒”号等)、有人飞机、无人飞机、移动背负或手持及机器人等平台搭载的主被动传感器(如多/高光谱、热红外、激光雷达、微波雷达等),同时通过森林内外物联网监测系统(智能传感器+无线信息网络)一体化协同作业,实现森林生物与环境因子的全方位、长时序监测。另外,通过基于天地互联网的智能遥感卫星,可实现林业遥感信息在轨智能分析处理和用户产品在线传输。基于遥感大数据、云计算和人工智能技术,林业遥感数据处理也将更加智能和高效,如点云和影像的自动匹配及三维时空信息智能提取技术[39]、基于泛化点云的点云场景认知模式[40]及基于辐射传输模型和人工智能(AI)的智能化定量遥感[41]等。

2.3 林业大数据及云计算

2008年,“Nature”上刊登“big data”专刊文章首次提出大数据概念[42],指无法在有限时间内用常规软件工具进行捕捉、管理和处理的数据集合。2011年,“Science”探讨大数据的专刊出版,表征着大数据时代的到来[43]。近年来,随着林业现代化的快速发展,林业数据获取、处理、分析、存储、显示技术全面提升,形成了多年份、多平台、多类别的森林生长与资源环境信息等一体化的林业大数据。

大数据时代下,林业发展面临着针对林业大数据进行存储、挖掘、归纳、分析等多重挑战。云计算、云存储及分布式架构云端服务处理模式的出现,为解决林业大数据管理的相关问题带来了新的契机。云计算平台核心技术主要包括海量数据挖掘与建模分析、海量数据自动存储管理、多维资源调度机制、大规模消息通信、云计算体系结构等。Chebbi等[44]基于Hadoop分布式系统架构,开发了具有数据存储(HDFS数据压缩算法)和处理功能(MapReduce编程范式实现K-means算法)的卫星遥感分类系统,显著提高森林植被分类精度及综合集成配置资源。林业大数据技术的价值主要体现在可供学习挖掘的大量林业知识数据集,而针对这些具有不同时间和空间属性的林业知识数据集进行的归纳与抽象分析,挖掘不同地区的适生树种原理、各类树木生长的基本规律等,对于规划决策、精准培育与经营、后期采伐利用等智慧林业有关决策的制定具有重要意义。

2.4 林业人工智能技术

人工智能(artificial intelligence, AI)是由计算机科学、控制论、神经生理学等多个学科相互渗透而发展起来用于模拟、延伸和扩展人的智能的技术科学,被称为21世纪以来三大尖端技术之一。人工智能因其高度自动化、精准、高效等优势,广泛应用于问题求解[45]、模式识别[46]和机器人[47]等领域。林业人工智能技术主要包括森林树种智能识别、森林病虫害智能监测和森林智能管理决策系统等[48]。以深度学习为代表的统计学习理论与方法是第2代人工智能的主要方向[49]。深度学习通过模仿人脑的神经网络,自主学习、辨识数据,进而帮助计算机破解琐碎的问题,极大推动了人工智能的发展。深度学习借助未经标记的林业数据自主学习,接近人脑的学习方式,可以通过训练后自主掌握概念,大幅提高计算机处理信息的效率,具备一定人类般的学习和思考能力。

林业深度学习模型主要包含用于林木、病虫害等智能识别与分类的卷积神经网络(CNN)、循环神经网络(RNN)和深度置信网络(DBN),以及用于森林空间建模与三维分析的PointNet、VoxelNet、U-Net、PointCNN等深度网络模型。林业深度学习模型为林业智能应用提供了技术基础,如Brandt等[50]基于深度学习技术结合林木特征数据库,对西非地区林木进行智能识别与计数,为大范围林木数量精确统计和监测提供了重要参考;周焱等[51]基于空洞卷积网络(ACN)和影像数据训练集,对辽宁省受红脂大小蠹侵害的油松林进行智能检测,为提升森林病虫害监测和预警能力提供了有效途径。

2.5 林业虚拟现实技术

虚拟现实技术(virtual reality,VR)是一种可以营造和体验现实世界的计算机系统[52]。林业虚拟现实技术则是以虚拟现实技术为基础,建立森林虚拟对象,用以表达和分析各类森林现象,进而模拟森林培育和经营过程的新型信息技术。林业虚拟现实技术涉及数据获取技术、三维实体建模技术、环境虚拟仿真技术、接口技术、集成技术等,主要用于树木形态结构建模、林分结构模拟、虚拟森林环境、虚拟森林经营等。

树木形态结构建模可以提供各类树木三维形态的虚拟化模型,形成了基于规则的参数化建模(如L系统)、基于数据驱动的建模(主要基于图像和点云数据输入驱动)、基于二维草图的建模等主流方法体系。林分结构模拟中最重要的是建立林分生长动态模拟,可以按照空间尺度分为全林分模型、林分级模型和单木模型。虚拟森林环境是对森林自然环境现实情况的综合仿真与模拟。其中,树木模型和三维地形是森林环境虚拟仿真的基础要素。通过将模型化的单树随机或有规律性地“种植”在三维地形上形成林分场景,进而帮助模拟预测林分生长和更新,以及林火蔓延等过程。

虚拟森林经营需要在融合树木形态结构模型、林分结构模拟模型、虚拟森林环境模型、地理地形数据的基础上,结合遥感、GIS等技术进行综合分析,进而在三维场景中模拟森林经营的全过程,并进行经营方案的评价和优化,为森林经营决策提供依据。美国学者研发的森林三维可视化系统Smartforest[53],基于多面体的建模方法和几何体表示树木,可模拟森林的三维生长过程,辅助林业工作者制定森林经营决策,但其真实感较差;刘海等[54]以森林经营理论为指导,构建了一款森林经营可视化管理系统,模拟实现了以杉木人工林为优势树种的林区经营方案的制订、经营措施可视化、森林环境虚拟仿真等,并对小班内更新的林木进行了未来生长预测模拟。

2.6 林业智能装备

林业智能装备以林业为服务对象,有机结合了林业、机械、电子信息、人工智能和计算机技术等,是可智能感知外界信息,具有自主计算及智能控制的自动化或半自动化的设备[55]。林业智能装备可有效帮助完成林业生产经营中的各项任务,提高生产效率,提升林业生产的规模化经营水平,保障生产安全。目前,林业智能装备主要分为林业生态建设智能装备、林业产业智能装备、林业多功能集成智能装备[56],主要用于林木抚育、森林精准植保、森林巡检、森林消防、林木采伐等[57]。

日本ISEKI公司研发的嫁接抚育机器人,嫁接效率高,且成功率超95%[58]。美国Spraying System公司研发了多款森林精准植保机器人,实现了森林病虫害的精准高效防治[59]。瑞士ANYbotics公司研发的ANYmal四足机器人,能自主执行森林巡检任务,可穿越林地、雪地、河滩等复杂的环境[60]。Rashid等[61]研发了一款可有效感应温度、烟雾和火焰等,进而实现精准定位火源进行自动灭火的装备。芬兰Ponsse公司研制的联合采伐机可通过整机程控系统完成采伐,并同步测算出原木的材积[62]。欧美发达国家林业智能装备多适合进行大规模的林业生产作业,具有大型化、多功能化等特点;日本的林业智能装备多精细化、小型化,可开展复杂林地条件下的精细化作业。

我国林业智能装备近年来发展迅速。蔡硕等[63]和Su等[64]分别使用自主研发的背包式激光雷达装备实现了胸径等森林调查指标的高精度提取。张慧颖[65]研发的环境智能巡检机器人,可有效感知空气温湿度、CO2浓度等环境数据并自主避障。姜树海等[66]设计了一款六足森林消防机器人,可穿越山地、沟壑等森林复杂地形环境,并自主完成火灾巡检、清理灌木丛、灭火等工作。魏占国等[67]研发的CFJ-30轮式林木采伐机器人,具有伐木、打枝、造材等综合性功能。

3 智慧林业技术应用现状

3.1 智慧林木遗传育种

生物育种从常规育种、杂交育种、分子育种已经迈向了以常规育种结合生物技术与信息化技术的智慧育种时代。智慧林木育种则是将生物技术与信息技术深度融合,实现林木良种选育的精细化、精准化、智能化和工程化。智慧林木育种实现的前提是依赖于通过表型组学高通量、高精度获得林木的表型信息。林木表型组学是研究树木的生长发育、表现和组成的科学,通过获取树木的物理、化学和生物特征从宏观到微观进行系统测量和表征[68]。林木表型组学的研究能够有助于阐明表型、基因型和环境之间的相互作用关系,解析林木与环境适应性相关复杂性状的基因组学机制,并通过分子设计选择育种,结合立地选择和森林抚育等措施实现良种效益最大化的目标[69-70]。

智慧林业育种主要基于林木表型组学,通过传感器和图像分析从林分和个体两个角度来表征其属性和特征。对于林分通常采用遥感平台搭载激光雷达或光谱成像传感器等采集林木的平均胸径、树高、断面积、蓄积量及生理生化特性等表型数据,并将环境气候数据与林分遗传信息相结合,在群体水平分析不同地理区域的表型变异程度,进而辅助选择适宜的造林地点、合理配置良种和应用培育措施来最大限度地提高产量[71-72]。而对于个体通常采用无人机、表型监测平台或背负式及手持式等主被动传感器获得单株树木和微站点地形的表征信息,建立树木生长、形态(抗逆)、木材品质等性状模型,揭示单株树木在基因型和环境因子共同作用下的生长发育规律,并结合其他多组学分析方法,探究基因的功能,增加林木的基因资源[71,73]。林木表型技术正逐渐涵盖林木从细胞、组织、器官、植株到群体的多个尺度,从种子到幼龄、生长、成熟和衰老各个阶段,林木性状在不同环境下的遗传与变异,以及林木对生物和非生物胁迫的响应等信息[72]。

智慧林木育种依赖于多种平台系统完成多源数据采集与分析,实现有计划地设计育种并指导林木生产。随着搭载可见光成像、荧光成像、近红外成像、高光谱成像、热红外成像、激光雷达等传感器表型数据采集平台的建立,自动化、批量化、精确化和无损化获取林木表型数据已经成为可能[74]。通过可见光成像技术发现可见光获得的植株生理生化和高度性状数据可以分别应用于阔叶树和针叶树幼苗生长的监测[75];荧光成像技术可以分析落叶乔木在一个生长季节内瞬时荧光、叶片水分含量及气体交换状况,进而开展不同乔木的抗旱性能鉴定[76];近红外成像技术已经应用于白桦、云杉和赤松等多个树种木质素含量的测定,通过对不同木材性质空间分布的探究,监测树木的生长发育过程[77];借助高光谱成像技术,已经成功开展了林木幼苗中氮和磷元素分配的无损估测[78];利用热红外成像技术可以有效绘制海枣林区水分及温度变化状况,从而指导制定合适的灌溉计划[79];激光雷达技术通过获取树木的三维形态,能够高精度测量树木冠层的高度、蓄积量和生物量等[80]。

林木表型组学需要与全基因组选择、数量性状位点鉴定和全基因组关联分析相结合才能更好地发挥表型组学在林木育种中的潜力。目前已经在多个木本植物中获得了全基因组高密度分子标记、相关基因表达及关键代谢物的信息[81]。但是,林木表型组学的理论基础和研究方法相对于作物而言存在明显差异,尤其是缺乏有效的表型数据采集平台与表型数据分析技术,这已经成为制约现代林木育种的瓶颈[80]。因此,只有构建搭载多种传感器的新型采集平台,以高效获取个体或林分的重要表型参数,提高表型信息采集的精度和通量,从个体及群体层面解析各类相关联的表型性状,才能深入解析林木优良性状形成的分子机制,提高育种效率,促进林木遗传改良的进程。

3.2 智慧森林精准培育

智慧森林精准培育结合了3S、物联网、人工智能、大数据、云计算等现代信息技术,建立了从森林立地条件智能评价、生态环境模拟仿真到林木生长精确监测诊断、智能装备变量灌溉施肥等一体化的现代森林培育技术体系。近年来,水肥胁迫评估与精准灌溉成为智慧森林培育的研究热点。传统的经济效益高的经济林和苗圃灌溉施肥管理多采用挖沟施肥、浇水灌溉等方法进行,主要依据“目视诊断”等手段进行水肥调控,水肥利用率低,且易造成林地土壤污染和水土流失等。通过信息技术实现林木的精准灌溉施肥管理,将有效提升水肥利用效率,节省人工、水肥等经济成本,并减少不当施肥带来的环境污染。营养元素的亏缺直接影响林木的生长发育,而营养元素的盈亏会引起特定波段区间光谱吸收特征的变化,目前光谱遥感技术被广泛用于林木叶片水平[82]、冠层水平[83]营养元素含量的监测研究。

营养元素的直接运输者是水分,其对营养元素在林木各器官组织内的分配和运输效率均存在重要的影响。植被水分胁迫常会诱导植被生理功能的衰退,还会引起植被光谱特征发生变化。由于水分独特而显著的光谱吸收特征波段多分布于短波红外区间,因此诸多学者围绕此区间开发了监测水分状况的光谱指数[84]以及具有重要应用前景的小波特征光谱系数模型[85]。此外,由于水分胁迫易导致蒸腾速率下降和叶温的升高,部分学者基于热红外成像技术在监测林木水分状况方面也取得了较好的成果[86]。近年来,水肥一体化智能灌溉系统得到快速发展[87],其主要通过前端传感器监测土壤、林木水分和养分状况信息,并与生长指标适宜动态数据库和信息特征数据库进行智能比对分析,实现林木水肥亏缺的精确监测诊断,智能设定所需水肥的灌溉总量、时间、次数等,发出灌溉施肥的指令,并自动控制水阀门,开展精准灌溉施肥,从而有效提高水肥利用率。

3.3 智慧森林资源监测与经营决策

森林资源监测是森林资源管理的基础性工作,其成果不仅是编制林业规划、开展森林可持续经营的依据,也为林业宏观决策提供支撑。目前,森林资源经营决策已从以往的关注森林资源本身,向关注生态系统整体功能转变。天空地一体化观测体系的建立,基于航天、航空、地面移动平台等搭载的多/高光谱、热红外、激光雷达、微波雷达等现代遥感技术的发展,为森林资源监测和管理提供了高时空精度的全方位立体数据。在森林资源一类清查和二类调查中,结合天空地一体化遥感观测数据,将有利于多尺度、全方位获取森林资源信息,对于空间连续的森林资源精细调查具有重要的作用。如陈尔学等[88]面向多尺度森林资源监测需求设计了天空地一体化的综合监测体系,为林草湿地等资源监测提供了重要技术支撑。同时,基于现代遥感技术的对地观测体系也为森林碳循环监测和碳汇计量提供方法和数据支持,在获得森林信息的同时,能够采集林木生长变化及环境等信息,为我国生态林业建设成效评价和“双碳”目标的实现贡献力量。如李硕明[89]将无线传感器(温度、氧气、风速传感器等)结合射频识别(FRID)标签技术建立森林资源监测物联网系统,该系统利用林区分布的各传感器节点,实现了针对森林资源信息的全方位多维度监测、管理及分析功能。

林业空间数据库、云计算和互联网通信技术的发展,为森林资源监测数据的存储、分析和管理提供了支撑。林业物联网观测的海量数据可以通过林业空间数据库进行存储,并借助人工智能技术分析、提取森林资源监测因子以实现智能管理。云南省林业调查规划院基于人工智能技术通过卫星影像对芒市林地、灌木林地、未成林地等进行分类识别,结果表明大数据训练和深度学习技术可以大大提高林地智能识别能力[90];黑龙江省通过大数据、云计算和互联网技术,构建森林资源智慧监测和数字管理平台,形成统一标准的服务于森林资源监测和管理的系统平台,有利于区域森林资源状况的实时监测和智能管理[91]。

总体来看,通过融合高分卫星遥感数据、地面视频监控数据、无人机航飞数据以及护林员巡查数据,结合先进的软硬件技术,具备多源数据直收、海量数据快速处理、林业信息准确提取、行业应用深度定制、火情信息自动预警等多项功能,建立起全时段、反应迅速、交互简便的“天、空、地、人”一体化监管决策服务平台,实现了林业管理工作从“以人为主”到“全程智能”的信息化革命。其中,信息化系统的运行,在林木种植规划、生长培育、病虫害防护、林地类变化监测、智慧分析与决策等方面,为林业全周期适应性经营、优化经营、多目标经营决策技术等提供了系统化、全方位决策支持服务。

3.4 智慧林火监测及病虫害防治

森林防火与森林病虫害防治对于森林资源和立地环境的保护具有重要意义。森林防火主要是利用观测塔、无人机、卫星等进行立体式的监控(智慧监控),通过无线传输到信息处理中心进行火灾重点区域的快速识别与精准定位(智慧分析),并自动通过后台无线传输到声光报警器、手机或电脑客户端,提醒相关人员做出分析研判后部署灭火方案(智慧指挥)[92]。智慧监控是森林防火智能监测的基础,通过使用卫星影像、无人机航拍、观测塔可见光与热红外监控、无线传感网等方式,基于机器视觉[93]、卫星影像比对[94]等技术智能捕捉林火信息,进而实现林火智能识别与预测预报。智慧分析是森林防火智能监测的核心,在智慧监控捕捉森林火情信息后,精准定位火灾重点区域,对火情信息进行综合分析、情景推演,为森林火灾扑救智慧指挥和灾后生态修复提供智力支持。

森林病虫害智能防治是保障森林健康生长的重要措施。林木体内病原生物引发的病害,以及钻蛀性害虫和食叶害虫等引发的虫害,易引起林木外观形态发生变化(如出现斑点、萎蔫、掉叶等),以及内部生理发生变化(如叶绿素降解、水分传输和蒸腾作用衰减、荧光作用和光合作用等生理机能的衰退),从而导致林木在图像形态和光谱辐射能量方面发生变化。因此,已有研究多聚焦于使用可见光成像[95]、多光谱成像[96]、高光谱成像和热红外成像[97]等多源、多平台、多尺度遥感技术,提取光谱特征和纹理特征信息,并与健康状态森林数据库、信息特征数据库等进行智能比对,建立森林病虫害实时诊断模型;利用GIS技术和管理知识模型制定按需施药的决策方案,为后续指导智能化装备进行适时地变量化精准喷药管理提供技术支撑。

3.5 智慧野生动植物监测与保护

随着智慧林业的兴起,3S、物联网、大数据、人工智能等现代信息技术形成的立体感知、管理协同高效的新模式为智慧野生动植物保护提供了技术支撑。通过协同天空地一体化观测和定位技术及空间信息管理系统将有利于野生动植物的生境分析、栖息地破碎化评价和生态廊道建设等。如张宇等[98]基于遥感技术提取生境斑块,通过图论法对云南滇金丝猴分布区进行栖息地连接度分析,并定量识别滇金丝猴生境优先保护区和恢复区;张超[99]基于3S技术分析了四川大熊猫种群数量增长条件下保护区的扩建问题,构建了单体大熊猫保护区扩建模型和方法体系,为大熊猫物种保护和生存环境扩建提供了方法依据。

林业物联网通过将森林生态及其环境与互联网连接,进行实时信息交换和通信,有利于实现野生动植物的智能识别、定位、监测和管理等。通过森林中架设的物联网传感器节点,不间断获取野生动植物影像或视频信息,并将这些信息经无线网络传送到数据中心,通过云计算和人工智能自动识别野生动物类型、年龄、健康状况等信息,为野生动物识别和监管提供有效手段。申凤伟[100]基于物联网理论构架,结合江苏大丰麋鹿保护区的应用需求,开发了对保护区野生动植物和环境动态监测与管控的平台,提高了野生动植物管理效率;宫一男等[101]利用深度学习技术结合红外相机影像对东北虎豹国家公园的东北虎、东北豹、梅花鹿等多个物种进行自动智能识别,在解决红外相机监测影像数据量庞大、需快速自动识别问题的同时,也为野生动物活动规律研究、制定合理可行的保护措施提供了依据。

4 智慧林业展望

森林是地球上最大的陆地生态系统,也是人类赖以生存和发展的基因库、碳贮库、蓄水库和能源库[102]。然而目前我国智慧林业的基础研究、产业发展和支撑体系上还相对薄弱,如智能装备与现代培育技术的结合、森林生长状况实时获取及模拟预测、多尺度森林生长监测及健康诊断、森林资源精细化管理规划和经营决策等领域的智能化水平还不高,未能充分发挥智慧林业在林业现代化建设中的推动作用。智慧林业发展水平的全面提升,是我国林业在建设生态文明和推动绿色发展中发挥重要作用的保障,也为林业现代化提供了重要支撑。未来智慧林业的发展目标为:将新一代信息技术、空间信息科学、智能装备等与林业生产和管理的业务深度融合,实现森林资源的良种选育、高效培育、集约管理和可持续经营;从而更透彻地掌握森林竞争和演替机理、精确获取森林资源现状以及动态变化状况,更及时全面地保障森林健康,实现森林精准培育与集约化管理,引领以智慧林业为支撑的现代林业发展新模式,全面实现林业的智能、生态、可持续。具体的发展目标包括:①将人工智能、物联网、3S、大数据及数字孪生等全面运用于林业生产的整个产业链中,促进林业转型升级,提升智能化的软硬件与解决方案,开创现代林业科学化、智慧化、精准化的新局面;②通过将新一代信息技术与林业生产的业务需求充分融合,形成以智慧林业为核心的实用化技术体系,研发能够推动林业科技创新、实现育种的智慧化、培育和监测的精细化及广泛的智慧林业服务,从而提升林业综合效益;③面向智慧林业发展的需求,开展面向该领域的学术研究与技术研发工作,培养高水平的交叉复合型专业技术人才,发展智慧林业的后备力量。

构建智慧林业技术体系是林业现代化建设的重要内容,对林木育种、精准培育、集约经营、生态保护和现代林业整体的提质增效增汇具有重要意义。未来的智慧林业技术体系主要发展方向为:

1)智能化林木表型监测与良种选育。开展林木种质信息数字化、林木高通量表型监测、信息化遗传育种为核心的林木特异种质挖掘、良种精准选育等智能化信息技术研究与开发。以接触式和非接触式的传感器监测技术为主要技术手段,通过使用主动和被动遥感设备,结合多平台与多角度监测,运用光谱分析法、人工智能和深度学习等方法进行林木高通量表型监测,建立林木表型组学数据库。开展基因组、转录组、蛋白质组、代谢组和表型组等组学研究,结合人工智能算法深度挖掘林木优异基因资源。研发林木生长与光、热、水、肥耦合的环境监测、诊断、图像识别及传输、远程控制的智能化管理与环境调控技术,研发育苗基质的配制与水肥感知智能监测与调控系统。

2)智能化森林资源精准培育。面向森林培育智能监测、系统模拟、精确管理、智能装备等现代森林培育体系中的关键技术,基于现代信息技术,高效、精确、智能地获取森林生长和环境信息,结合三维辐射传输模型和多源数据融合方法定量估测森林结构、理化参数。运用过程建模方法,对森林生物量形成、营养分配等生长发育的基本规律及其与环境因子和林木性状间的关系进行定量分析,建立模拟森林生长的机理性过程系统模拟模型。探究结合管理知识模型在不同空间分区下智能生成按需投入处方,为培育方案的精准化设计、生长指标动态监测和实时管理措施调控提供支撑。根据森林的立地条件、栽培或种植模式以及生产环节的实际需求,开展森林生产智能机械化作业研究。

3)智能化森林资源监测与经营决策。开展智能化森林资源精准监测、模型与可视化模拟、经营智能化决策等关键技术研究。研制森林生长与环境信息监测智能传感器、无线传感网络、监测信息云管理平台等;开展天地空一体化多源遥感数据综合处理,森林资源多尺度信息精准提取,协同多源遥感与历史森林资源调查数据的监测体系研究;结合林业大数据与人工智能,研究森林生长过程及动态可视化模拟方法;运用过程建模方法,对森林生物量形成、营养分配等生长发育的基本规律及其与环境因子的关系进行综合分析,建立模拟森林生长的机理性过程模型。 结合气象数据、遥感信息与生长模型,构建森林生长模拟及决策支持模型,从而为森林生长动态及生产力预测、森林碳储量评估和气候变化效应评价等提供技术支撑。

4)智能化森林生态保护及灾害防治。研究面向自然保护地的天空地一体化全面智慧感知体系,研发智能数据获取、无线传输、森林生态大数据存储管控平台及可视化分析技术。结合林区内智能感应器、动物行为捕捉器、定位器等对野生动物活动进行追踪,研究活动规律,智能分析生境并制定生态保护措施;研究森林灾害大数据智能分析与模式识别方法,大数据挖掘与辅助决策技术,开展森林生态安全和健康智能评价;构建智能化森林火灾和病虫害等监测与预警、野生动植物追踪与保护、森林生态大数据智慧管理及生态安全评价等技术体系;实现林火的自动识别、火势蔓延趋势模拟及三维仿真、扑救方案智慧决策、灾后智能评估,并通过开展森林病虫害智能鉴定研究,实现有害生物实时监测与远程智能诊断。

智慧林业的发展需要进一步推进智能算法(如多源异构数据融合、机器视觉及导航控制等)及智能硬件(如移动终端、物联网和遥感传感器、机器人等)的研发和推广应用;同时,还需要在精准获取多源多模态数据的基础上,将现代数据挖掘、模型模拟、智能分析技术融入林业生产和管理业务流程中,提升林木育种、森林培育、经营、保护及林产品开发利用等能力,引领林业产业发展。未来希望能够进一步增强智慧林业关键技术研究与应用示范,加强智慧林业标准建设,同时也要努力建立智慧林业产品的共享机制、加强智慧林业人才队伍建设,从而强有力地推进林业信息化进步,全面实现我国林业高质量发展。

参考文献

褚君浩.

科技创新开拓智能时代

[J]. 科技导报, 2019, 37(2):31-33.

[本文引用: 1]

CHU J H.

Science and innovation leading the intelligent age

[J]. Sci & Technol Rev, 2019, 37(2):31-33.

[本文引用: 1]

江泽慧.

论林业新科技革命

[J]. 世界林业研究, 1999, 12(4):1-5.

[本文引用: 1]

JIANG Z H.

On the new forestry scientific and technological revolution

[J]. World For Res, 1999, 12(4):1-5.

[本文引用: 1]

李世东.

论第六次信息革命

[J]. 中国新通信, 2014, 16(14):3-6.

[本文引用: 1]

LI S D.

On the sixth information revolution

[J]. China New Telecommun, 2014, 16(14):3-6.DOI:10.3969/j.issn.1673-4866.2014.14.002.

[本文引用: 1]

陈述彭.

数字地球:挑战与思考

[J]. 遥感信息, 1999, 14(2):2-4.

[本文引用: 1]

CHEN S P.

Digital earth:challenges and thoughts

[J]. Remote Sens Inf, 1999, 14(2):2-4. DOI:10.3969/j.issn.1000-3177.1999.02.001.

[本文引用: 1]

冯仲科, 张晓勤.

发展我国的数字林业体系

[J]. 北京林业大学学报, 2000, 22(5):102-103.

[本文引用: 1]

FENG Z K, ZHANG X Q.

Development of digital forestry system in China

[J]. J Beijing For Univ, 2000, 22(5):102-103.DOI:10.13332/j.1000-1522.2000.05.024.

[本文引用: 1]

陈述彭, 程维明.

世界森林的数字地球监测

[J]. 遥感学报, 2001, 5(5):321-326,401.

[本文引用: 1]

CHEN S P, CHENG W M.

World forest watching by digital earth

[J]. J Remote Sens, 2001, 5(5):321-326,401.

[本文引用: 1]

李增元, 张怀清, 陆元昌.

数字林业建设与进展

[J]. 中国农业科技导报, 2003, 5(2):7-9.

[本文引用: 1]

LI Z Y, ZHANG H Q, LU Y C.

Establishment and development of digital forestry

[J]. Rev China Agric Sci Technol, 2003, 5(2):7-9.DOI:10.3969/j.issn.1008-0864.2003.02.002.

[本文引用: 1]

李德仁.

展望大数据时代的地球空间信息学

[J]. 测绘学报, 2016, 45(4):379-384.

[本文引用: 1]

LI D R.

Towards geo-spatial information science in big data era

[J]. Acta Geod Cartogr Sin, 2016, 45(4):379-384.DOI:10.11947/j.AGCS.2016.20160057.

[本文引用: 1]

李世东.

中国智慧林业路线图

[J]. 林业经济, 2014, 36(10):54-57.

[本文引用: 2]

LI S D.

China’s forestry roadmap wisdom

[J]. For Econ, 2014, 36(10):54-57.DOI:10.13843/j.cnki.lyjj.2014.10.012.

[本文引用: 2]

徐国祯.

森林的系统观与林业系统工程

[J]. 林业资源管理, 1988(4):16-22.

[本文引用: 1]

XU G Z.

System view of forest and forestry system engineering

[J]. For Resour Manag, 1988(4):16-22.DOI:10.13466/j.cnki.lyzygl.1988.04.005.

[本文引用: 1]

RUSTAD L, CAMPBELL J L, RANDALL J, et al.

Environmental sensor applications at USDA forest service experimental forests: the smart forest network

[R]. Long Beach, CA: ASA, CSSA and SSSA, 2014.

[本文引用: 1]

PAPPAS C, BÉLANGER N, BERGERON Y, et al.

Smartforests Canada: a network of monitoring plots for forest management under environmental change

[M]. //TOGNETTIR, SMITHM, PANZACCHIP. Climate-Smart Forestry in mountain regions. Switzerland: Springer, 2022. DOI:10.1007/978-3-030-80767-2_16.

[本文引用: 1]

GABRYS J.

Smart forests and data practices: from the internet of trees to planetary governance

[J]. Big Data & Society, 2020, 7(1): 1-10. DOI: 10.1177/2053951720904871.

[本文引用: 1]

SFI.

SmartForest Bringing Industry 4.0 to the Norwegian forest sector annual report 2020

[R]. HØGSKOLEVEIEN, Norway: SFI SmartForest, 2020.

[本文引用: 1]

恭映璧.

推进以智慧林业为主导的林业创新——战后日本林业发展及其启示(十二)

[J]. 林业与生态, 2021(5):22-26.

[本文引用: 1]

中国林草年度盘点:改革创新,变局中开新局

[N].2021-01-23(07).

[本文引用: 2]

李世东.

智慧林业几个基本问题的探讨

[J]. 林草政策研究, 2021, 1(3):24-31.

[本文引用: 1]

LI S D.

Several basic issues of smart forestry

[J]. J For Grassland Policy, 2021, 1(3):24-31.DOI:10.12344/lczcyj.2021.07.10.0001.

[本文引用: 1]

吴振江, 李俊枝, 李顺龙.

“互联网+”智慧林业的发展策略

[J]. 东北林业大学学报, 2019, 47(5):105-107,117.

[本文引用: 1]

WU Z J, LI J Z, LI S L.

“Internet +” smart forestry in green development

[J]. J Northeast For Univ, 2019, 47(5):105-107,117.DOI:10.13759/j.cnki.dlxb.2019.05.020.

[本文引用: 1]

国家林业局.

关于加快中国林业大数据发展的指导意见

[EB/OL].[2016-07-13](2022-09-20). http://www.forestry.gov.cn/.

[本文引用: 1]

国家林业和草原局.

国家林业和草原局关于促进林业和草原人工智能发展的指导意见

[J]. 自然资源通讯, 2019(23):11-14.

[本文引用: 1]

杨秀好, 秦江林, 李有海, 等. 林业有害生物灾害监测预警与应急防控关键技术研究与应用[Z]. 南宁:广西壮族自治区林业有害生物防治检疫站, 2016.

[本文引用: 1]

贵阳市林业局.

林业+大数据!贵阳智慧林业云平台实现智能管理

[N]. 潇湘晨报,2021-12-02(1).

[本文引用: 1]

“5G+智慧林业”上线全力守护绿水青山[Z]. 广西移动, 2022-08-02.

[本文引用: 1]

教育部办公厅.

关于公布新农科研究与改革实践项目的通知

[Z].(2020-09-08)[2022-09-04]. http://www.edu.gov.cn.

[本文引用: 1]

教育部.

关于公布2021年度普通高等学校本科专业备案和审批结果的通知

[Z].(2021-12-10)[2022-09-04]. http://www.edu.gov.cn.

[本文引用: 1]

MIRAZ M H, ALI M, EXCELL P S, et al.

A review on Internet of Things (IoT),Internet of everything (IoE) and Internet of nano things (IoNT)

[C]//2015 Internet Technologies and Applications (ITA).Wrexham,UK:IEEE, 2015:219-224.DOI:10.1109/ITechA.2015.7317398.

[本文引用: 1]

ZHAO C, LI X S, CHEN J S.

Study on the application of Internet of Things in the Logistics in forest industry

[J]. Appl Mech Mater, 2011, 97/98:664-668.DOI:10.4028/www.scientific.net/amm.97-98.664.

[本文引用: 1]

ZHANG Q, ZHOU C L, CHEN Z T, et al.

Application of weighted cetroid location algorithm in forest fire monitring

[C]// 2014 9th International Conference on Computer Science & Education.Vancouver BC,Canada:IEEE, 2014:986-988.DOI:10.1109/ICCSE.2014.6926610.

[本文引用: 1]

SHIM K, BARCZAK A, REYES N, et al.

Small mammals and bird detection using IoT devices

[C]// 2021 36th International Conference on Image and Vision Computing New Zealand (IVCNZ).Tauranga, New Zealand: IEEE, 2021:1-6.DOI:10.1109/IVCNZ54163.2021.9653430.

[本文引用: 1]

LUO K, SAEEDI S, BADGER J, et al.

Using the internet of things to monitor human and animal uses of industrial linear features

[C]// Lecture Notes in Computer Science. Switzerland AG: Springer, 2018:85-89. DOI:10.1007/978-3-319-90053-7_9.

[本文引用: 1]

GHAZALI M A, OTHMAN K A, HAKIMIE MOHD ISA M A, et al.

Wireless sensor development for Malaysian forest monitoring and tracking system

[C]// 2017 21st International Computer Science and Engineering Conference (ICSEC). Bangkok Thailand: IEEE, 2017:1-5.DOI:10.1109/ICSEC.2017.8443938.

[本文引用: 1]

ZHAO W, YI L.

Research on the evolution of the innovation ecosystem of the Internet of Things:a case study of Xiaomi(China)

[J]. Procedia Comput Sci, 2022, 199:56-62.DOI:10.1016/j.procs.2022.01.008.

[本文引用: 1]

高德民, 林海峰, 刘云飞, 等.

基于无线传感网的森林火灾FWI系统分析

[J]. 林业科技开发, 2015, 29(1):105-109.

[本文引用: 1]

GAO D M, LIN H F, LIU Y F, et al.

Study on forest fire FWI system based on wireless sensor networks

[J]. China For Sci Technol, 2015, 29(1):105-109.DOI:10.13360/j.issn.1000-8101.2015.01.030.

[本文引用: 1]

刘海洋, 于新文, 张旭.

基于无线传感网的森林环境因子采集系统性能测试

[J]. 林业科技通讯, 2016(1):68-70.

[本文引用: 1]

LIU H Y, YU X W, ZHANG X.

Performance test of forest environmental factor acquisition system based on wireless sensor network

[J]. For Sci Technol, 2016(1):68-70.DOI:10.13456/j.cnki.lykt.2016.01.027.

[本文引用: 1]

周成虎.

全空间地理信息系统展望

[J]. 地理科学进展, 2015, 34(2):129-131.

[本文引用: 1]

ZHOU C H.

Prospects on pan-spatial information system

[J]. Prog Geogr, 2015, 34(2):129-131.

[本文引用: 1]

骆剑承, 周成虎, 梁怡, 等.

时空数据智能化处理与分析的理论和方法探讨

[J]. 中国图象图形学报, 2001, 6(9):836-841.

[本文引用: 1]

LUO J C, ZHOU C H, LIANG Y, et al.

Theoretical and technical issues on intelligent processing and analyzing models for temporal and spatial data

[J]. J Image Graph, 2001, 6(9):836-841. DOI:10.3969/j.issn.1006-8961.2001.09.004.

[本文引用: 1]

庞丽峰, 黄水生, 李万里, 等.

全球卫星系统在我国林业中的应用

[J]. 世界林业研究, 2019, 32(5):41-46.

[本文引用: 1]

PANG L F, HUANG S S, LI W L, et al.

Application of GNSS in forestry sector in China

[J]. World For Res, 2019, 32(5):41-46.DOI:10.13348/j.cnki.sjlyyj.2019.0053.y.

[本文引用: 1]

杨元喜, 汤静.

智慧城市与北斗卫星导航系统

[J]. 卫星应用, 2014(2):7-10.

[本文引用: 1]

YANG Y X, TANG J.

Smart city and Beidou satellite navigation system

[J]. Satell Appl, 2014(2):7-10.

[本文引用: 1]

杨必胜, 陈驰, 董震.

面向智能化测绘的城市地物三维提取

[J]. 测绘学报, 2022, 51(7):1476-1484.

[本文引用: 1]

YANG B S, CHEN C, DONG Z.

3D geospatial information extraction of urban objects for smart surveying and mapping

[J]. Acta Geod Cartogr Sin, 2022, 51(7):1476-1484.

[本文引用: 1]

刘春, 贾守军, 吴杭彬, 等.

点云场景认知模式:泛化点云

[J]. 测绘学报, 2022, 51(4):556-567.

[本文引用: 1]

LIU C, JIA S J, WU H B, et al.

Scene cognition pattern of point cloud-generalization point cloud

[J]. Acta Geod Cartogr Sin, 2022, 51(4):556-567.

[本文引用: 1]

黄华国.

林业定量遥感研究进展和展望

[J]. 北京林业大学学报, 2019, 41(12):1-14.

[本文引用: 1]

HUANG H G.

Progress and perspective of quantitative remote sensing of forestry

[J]. J Beijing For Univ, 2019, 41(12):1-14.

[本文引用: 1]

HOWE D, COSTANZO M, FEY P, et al.

The future of biocuration

[J]. Nature, 2008, 455(7209):47-50.DOI:10.1038/455047a.

[本文引用: 1]

REICHMAN O J, JONES M B, SCHILDHAUER M P.

Challenges and opportunities of open data in ecology

[J]. Science, 2011, 331(6018):703-705.DOI:10.1126/science.1197962.

[本文引用: 1]

CHEBBI I, BOULILA W, FARAH I R.

Improvement of satellite image classification: approach based on Hadoop/MapReduce

[C]// 2016 2nd International Conference on Advanced Technologies for Signal and Image Processing (ATSIP).Monastir,Tunisia:IEEE, 2016:31-34.DOI:10.1109/ATSIP.2016.7523046.

[本文引用: 1]

HASSABIS D.

Artificial intelligence:chess match of the century

[J]. Nature, 2017, 544(7651):413-414.DOI:10.1038/544413a.

[本文引用: 1]

CRUZ A S, LINS H C, MEDEIROS R V A, et al.

Artificial intelligence on the identification of risk groups for osteoporosis,a general review

[J]. Biomed Eng Online, 2018, 17(1):12.DOI:10.1186/s12938-018-0436-1.

[本文引用: 1]

MATTHEWS G, HANCOCK P A, LIN J C, et al.

Evolution and revolution:personality research for the coming world of robots,artificial intelligence,and autonomous systems

[J]. Pers Individ Differ, 2021, 169:109969.DOI:10.1016/j.paid.2020.109969.

[本文引用: 1]

吴保国, 温亮宝.

森林重大病虫害诊治专家咨询系统的研究

[J]. 北京林业大学学报, 2006, 28(6):113-118.

[本文引用: 1]

WU B G, WEN L B.

Expert consulting system for the diagnosis,prevention and control of important forest diseases and insect pests

[J]. J Beijing For Univ, 2006, 28(6):113-118.DOI:10.3321/j.issn:1000-1522.2006.06.020.

[本文引用: 1]

张钹.

人工智能进入后深度学习时代

[J]. 智能科学与技术学报, 2019, 1(1):4-6.

[本文引用: 1]

ZHANG B.

Artificial intelligence is entering the post deep-learning era

[J]. Chin J Intell Sci Technol, 2019, 1(1):4-6.

[本文引用: 1]

BRANDT M, TUCKER C J, KARIRYAA A, et al.

An unexpectedly large count of trees in the West African Sahara and Sahel

[J]. Nature, 2020, 587(7832):78-82.DOI:10.1038/s41586-020-2824-5.

[本文引用: 1]

周焱, 刘文萍, 骆有庆, 等.

基于深度学习的小目标受灾树木检测方法

[J]. 林业科学, 2021, 57(3):98-107.

[本文引用: 1]

ZHOU Y, LIU W P, LUO Y Q, et al.

Small object detection for infected trees based on the deep learning method

[J]. Sci Silvae Sin, 2021, 57(3):98-107.

[本文引用: 1]

余茂源.

智慧林业的关键技术及其应用策略研究

[J]. 林业调查规划, 2017, 42(5):121-123,131.

[本文引用: 1]

YU M Y.

Research on key technology of intelligent forestry and its application strategy

[J]. For Invent Plan, 2017, 42(5):121-123,131.DOI:10.3969/j.issn.1671-3168.2017.05.024.

[本文引用: 1]

ORLAND B.

Smartforest:3-D interactive forest visualization and analysis

[C]// Proceedings of Decision Support-2001,Resource Technology 94,Toronto Bethesda, Maryland: American Society for Photogrammetry and Remote Sensing, 1994: 181-190.

[本文引用: 1]

刘海, 张怀清, 林辉.

森林经营可视化管理系统设计与实现

[J]. 科技资讯, 2010, 8(17):240-242.

[本文引用: 1]

LIU H, ZHANG H Q, LIN H.

Forest management visual management systems design and implementation

[J]. Sci & Technol Inf, 2010, 8(17):240-242.DOI:10.16661/j.cnki.1672-3791.2010.17.127.

[本文引用: 1]

王万富, 王琢, 刘佳鑫, 等.

基于Qt/Embedded的农林智能装备导航定位算法研究及软件设计

[J]. 国外电子测量技术, 2022, 41(3):63-68.

[本文引用: 1]

WANG W F, WANG Z, LIU J X, et al.

Research on navigation and positioning algorithms and software design of agricultural and forestry intelligent equipment based on Qt/Embedded

[J]. Foreign Electron Meas Technol, 2022, 41(3):63-68.DOI:10.19652/j.cnki.femt.2103457.

[本文引用: 1]

刘延鹤, 傅万四, 张彬, 等.

林业机器人发展现状与未来趋势

[J]. 世界林业研究, 2020, 33(1):38-43.

[本文引用: 1]

LIU Y H, FU W S, ZHANG B, et al.

Development state and future trend of forestry robot

[J]. World For Res, 2020, 33(1):38-43.DOI:10.13348/j.cnki.sjlyyj.2019.0076.y.

[本文引用: 1]

罗梅, 刘延鹤, 蒋鹏飞, 等.

我国林业装备的发展现状及未来趋势

[J]. 林业机械与木工设备, 2021, 49(1):8-11,17.

[本文引用: 1]

LUO M, LIU Y H, JIANG P F, et al.

Development status and future trend of forestry machinery in China

[J]. For Mach & Woodwork Equip, 2021, 49(1):8-11,17.DOI:10.13279/j.cnki.fmwe.2021.0002.

[本文引用: 1]

CHEN S, CHIU Y C, CHANG Y C.

Development of a tubing-grafting robotic system for fruit-bearing vegetable seedlings

[J]. Appl Eng Agric, 2010, 26(4):707-714.DOI:10.13031/2013.32055.

[本文引用: 1]

SICILIANO B, KHATIB O.

Introduction

[M]//Springer Handbook of Robotics.Berlin, Heidelberg:Springer, 2008:1-4.DOI:10.1007/978-3-540-30301-5_1.

[本文引用: 1]

LEE J, HWANGBO J, WELLHAUSEN L, et al.

Learning quadrupedal locomotion over challenging terrain

[J]. Sci Robot, 2020, 5(47):eabc5986.DOI:10.1126/scirobotics.abc5986.

[本文引用: 1]

RASHID H, AHMED I U, ULLAH A, et al.

Multiple sensors based fire extinguisher robot based on DTMF,bluetooth and GSM technology with multiple mode of operation

[C]//2016 International Workshop on Computational Intelligence (IWCI).Dhaka, Bangladesh:IEEE, 2016:41-46.DOI:10.1109/IWCI.2016.7860336.

[本文引用: 1]

GERASIMOV Y, SOKOLOV A, SYUNEV V.

Development trends and future prospects of cut-to-length machinery

[J]. Adv Mater Res, 2013, 705:468-473.DOI:10.4028/www.scientific.net/amr.705.468.

[本文引用: 1]

蔡硕, 邢艳秋, 端木嘉龙.

背包式激光雷达滤除低强度点云提取林木胸径

[J]. 森林工程, 2021, 37(5):12-19.

[本文引用: 1]

CAI S, XING Y Q, DUANMU J L.

Extraction of DBH from filtering out low intensity point cloud by backpack laser scanning

[J]. For Eng, 2021, 37(5):12-19.DOI:10.16270/j.cnki.slgc.2021.05.012.

[本文引用: 1]

SU Y J, GUO Q H, JIN S C, et al.

The development and evaluation of a backpack LiDAR system for accurate and efficient forest inventory

[J]. IEEE Geosci Remote Sens Lett, 2021, 18(9):1660-1664.DOI:10.1109/LGRS.2020.3005166.

[本文引用: 1]

张慧颖.

现场环境智能巡检机器人设计

[J]. 现代电子技术, 2016, 39(18):135-138.

[本文引用: 1]

ZHANG H Y.

Design of intelligent inspection robot for field environment

[J]. Mod Electron Tech, 2016, 39(18):135-138.DOI:10.16652/j.issn.1004-373x.2016.18.034.

[本文引用: 1]

姜树海, 张楠.

六足仿生森林消防机器人机构设计与分析

[J]. 机械设计与制造, 2015(12):208-212.

[本文引用: 1]

JIANG S H, ZHANG N.

Analysis and design of forest fire-fighting hexapod bionic robot mechanism

[J]. Mach Des & Manuf, 2015(12):208-212.DOI:10.19356/j.cnki.1001-3997.2015.12.059.

[本文引用: 1]

魏占国, 刘晋浩.

轮式林木联合采伐机底盘的设计与研究

[J]. 广西大学学报(自然科学版), 2010, 35(2):263-268.

[本文引用: 1]

WEI Z G, LIU J H.

Design of the chassis for a wheeled forest combined harvester

[J]. J Guangxi Univ (Nat Sci Ed),2010, 35(2):263-268.DOI:10.13624/j.cnki.issn.1001-7445.2010.02.025.

[本文引用: 1]

RINCENT R, CHARPENTIER J P, FAIVRE-RAMPANT P, et al.

Phenomic selection is a low-cost and high-throughput method based on indirect predictions:proof of concept on wheat and poplar

[J]. G3 (Bethesda Md), 2018, 8(12):3961-3972.DOI:10.1534/g3.118.200760.

[本文引用: 1]

AITKEN S N, BEMMELS J B.

Time to get moving:assisted gene flow of forest trees

[J]. Evol Appl, 2016, 9(1):271-290.DOI:10.1111/eva.12293.

[本文引用: 1]

GRATTAPAGLIA D, SILVA-JUNIOR O B, RESENDE R T, et al.

Quantitative genetics and genomics converge to accelerate forest tree breeding

[J]. Front Plant Sci, 2018, 9:1693.DOI:10.3389/fpls.2018.01693.

[本文引用: 1]

DUNGEY H S, DASH J P, PONT D, et al.

Phenotyping whole forests will help to track genetic performance

[J]. Trends Plant Sci, 2018, 23(10):854-864.DOI:10.1016/j.tplants.2018.08.005.

[本文引用: 2]

BIAN L M, ZHANG H C, GE Y F, et al.

Closing the gap between phenotyping and genotyping:review of advanced,image-based phenotyping technologies in forestry

[J]. Ann For Sci, 2022, 79(1):22.DOI:10.1186/s13595-022-01143-x.

[本文引用: 2]

边黎明, 张慧春.

表型技术在林木育种和精确林业上的应用

[J]. 林业科学, 2020, 56(6):113-126.

[本文引用: 1]

BIAN L M, ZHANG H C.

Application of phenotyping techniques in forest tree breeding and precision forestry

[J]. Sci Silvae Sin, 2020, 56(6):113-126.

[本文引用: 1]

TARDIEU F, CABRERA-BOSQUET L, PRIDMORE T, et al.

Plant phenomics,from sensors to knowledge

[J]. Curr Biol, 2017, 27(15):R770-R783.DOI:10.1016/j.cub.2017.05.055.

[本文引用: 1]

MILELLA A, MARANI R, PETITTI A, et al.

In-field high throughput grapevine phenotyping with a consumer-grade depth camera

[J]. Comput Electron Agric, 2019, 156:293-306.DOI:10.1016/j.compag.2018.11.026.

[本文引用: 1]

SALVATORI E, FUSARO L, MANES F.

Chlorophyll fluorescence for phenotyping drought-stressed trees in a mixed deciduous forest

[J]. Ann Di Bot, 2016, 6:39-49.

[本文引用: 1]

TSUCHIKAWA S.

A review of recent near infrared research for wood and paper

[J]. Appl Spectrosc Rev, 2007, 42(1):43-71.DOI:10.1080/05704920601036707.

[本文引用: 1]

WATT M S, BUDDENBAUM H, LEONARDO E M C, et al.

Using hyperspectral plant traits linked to photosynthetic efficiency to assess N and P partition

[J]. ISPRS J Photogramm Remote Sens, 2020, 169:406-420.DOI:10.1016/j.isprsjprs.2020.09.006.

[本文引用: 1]

COHEN Y, ALCHANATIS V, PRIGOJIN A, et al.

Use of aerial thermal imaging to estimate water status of palm trees

[J]. Precision Agric, 2012, 13(1):123-140.DOI:10.1007/s11119-011-9232-7.

[本文引用: 1]

JIN S C, SUN X L, WU F F, et al.

Lidar sheds new light on plant phenomics for plant breeding and management:recent advances and future prospects

[J]. ISPRS J Photogramm Remote Sens, 2021, 171:202-223.DOI:10.1016/j.isprsjprs.2020.11.006.

[本文引用: 2]

NEALE D B, MARTÍNEZ-GARCÍA P J, DE LA TORRE A R, et al.

Novel insights into tree biology and genome evolution as revealed through genomics

[J]. Annu Rev Plant Biol, 2017, 68:457-483.DOI:10.1146/annurev-arplant-042916-041049.

[本文引用: 1]

FÉRET J B, BERGER K, DE BOISSIEU F, et al.

PROSPECT-PRO for estimating content of nitrogen-containing leaf proteins and other carbon-based constituents

[J]. Remote Sens Environ, 2021, 252:112173.DOI:10.1016/j.rse.2020.112173.

[本文引用: 1]

WANG Z H, WANG T J, DARVISHZADEH R, et al.

Vegetation indices for mapping canopy foliar nitrogen in a mixed temperate forest

[J]. Remote Sens, 2016, 8(6):491.DOI:10.3390/rs8060491.

[本文引用: 1]

张峰, 周广胜.

植被含水量高光谱遥感监测研究进展

[J]. 植物生态学报, 2018, 42(5):517-525.

[本文引用: 1]

ZHANG F, ZHOU G S.

Research progress on monitoring vegetation water content by using hyperspectral remote sensing

[J]. Chin J Plant Ecol, 2018, 42(5):517-525.DOI:10.17521/cjpe.2017.0313.

[本文引用: 1]

CHENG T, RIAÑO D, USTIN S L.

Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis

[J]. Remote Sens Environ, 2014, 143:39-53.DOI:10.1016/j.rse.2013.11.018.

[本文引用: 1]

BUDDENBAUM H, ROCK G, HILL J, et al.

Measuring stress reactions of beech seedlings with PRI,fluorescence,temperatures and emissivity from VNIR and thermal field imaging spectroscopy

[J]. Eur J Remote Sens, 2015, 48(1):263-282.DOI:10.5721/EuJRS20154815.

[本文引用: 1]

师志刚, 刘群昌, 白美健, 等.

基于物联网的水肥一体化智能灌溉系统设计及效益分析

[J]. 水资源与水工程学报, 2017, 28(3):221-227.

[本文引用: 1]

SHI Z G, LIU Q C, BAI M J, et al.

Water and fertilization integrated intelligent irrigation system design and benefit analysis based on the Internet of Things

[J]. J Water Resour Water Eng, 2017, 28(3):221-227.DOI:10.11705/j.issn.1672-643X.2017.03.40.

[本文引用: 1]

陈尔学, 刘健, 王晓慧. 重点防护林工程监测技术[M]. 北京: 中国林业出版社, 2012.

[本文引用: 1]

CHEN E X, LIU J, WANG X H. Monitoring technology of the key shelter-forest project[M]. Beijing: China Forestry Publishing House, 2012.

[本文引用: 1]

李硕明.

一种基于物联网技术的森林资源监测系统

[J]. 物联网技术, 2016, 6(5):11-13,16.

[本文引用: 1]

LI S M.

Forest resource monitoring system based on Internet of Things technology

[J]. Internet Things Technol, 2016, 6(5):11-13,16.DOI:10.16667/j.issn.2095-1302.2016.05.001.

[本文引用: 1]

冷天熙, 钱发斌, 胡文萍.

基于人工智能深度学习的卫星影像分类研究

[J]. 林业调查规划, 2021, 46(1):1-4.

[本文引用: 1]

LENG T X, QIAN F B, HU W P.

Satellite image classification based on artificial intelligence In-depth learning

[J]. For Invent Plan, 2021, 46(1):1-4.

[本文引用: 1]

尹丽丽.

黑龙江省森林资源监测遥感判读平台建设

[J]. 林业勘查设计, 2021, 50(1):67-70.

[本文引用: 1]

YIN L L.

Construction of remote sensing interpretation platform for forest resources monitoring in Heilongjiang Province

[J]. For Investig Des, 2021, 50(1):67-70.

[本文引用: 1]

张民侠, 郑怀兵.

基于智慧感知、分析、处置方法的森林智慧防火

[J]. 南京理工大学学报, 2016, 40(6):694-699.

[本文引用: 1]

ZHANG M X, ZHENG H B.

Intelligent forest fire prevention based on intelligent perception,analysis and disposal method

[J]. J Nanjing Univ Sci Technol, 2016, 40(6):694-699. DOI:10.14177/j.cnki.32-1397n.2016.40.06.009.

[本文引用: 1]

BO W H, LIU J, FAN X J, et al.

BASNet:Burned area segmentation network for real-time detection of damage maps in remote sensing images

[J]. IEEE Trans Geosci Remote Sens, 2022, 60:1-13.DOI:10.1109/TGRS.2022.3197647.

[本文引用: 1]

KOLTUNOV A, USTIN S L, QUAYLE B, et al.

The development and first validation of the GOES Early Fire Detection (GOES-EFD) algorithm

[J]. Remote Sens Environ, 2016, 184:436-453.DOI:10.1016/j.rse.2016.07.021.

[本文引用: 1]

MUTKA A M, BART R S.

Image-based phenotyping of plant disease symptoms

[J]. Front Plant Sci, 2015, 5:734.DOI:10.3389/fpls.2014.00734.

[本文引用: 1]

PÁDUA L, MARQUES P, MARTINS L, et al.

Monitoring of chestnut trees using machine learning techniques applied to UAV-based multispectral data

[J]. Remote Sens, 2020, 12(18):3032.DOI:10.3390/rs12183032.

[本文引用: 1]

HORNERO A, ZARCO-TEJADA P J, QUERO J L, et al.

Modelling hyperspectral-and thermal-based plant traits for the early detection of Phytophthora-induced symptoms in oak decline

[J]. Remote Sens Environ, 2021, 263:112570.DOI:10.1016/j.rse.2021.112570.

[本文引用: 1]

张宇, 李丽, 吴巩胜, 等.

基于生境斑块的滇金丝猴景观连接度分析

[J]. 生态学报, 2016, 36(1):51-58.

[本文引用: 1]

ZHANG Y, LI L, WU G S, et al.

Analysis of landscape connectivity of the Yunnan snub-nosed monkeys(Rhinopithecus bieti) based on habitat patches

[J]. Acta Ecol Sin, 2016, 36(1):51-58

[本文引用: 1]

张超. 基于“3S”技术的大熊猫潜在栖息地研究:以平武县小河沟自然保护区为例[D]. 成都: 成都理工大学, 2016.

[本文引用: 1]

ZHANG C. Study on the giant pandas’ potential habitat based on “3S” technology: taking xiaohegou nature reserve in Pingwu as an example[D]. Chengdu: Chengdu University of Technology, 2016.

[本文引用: 1]

申凤伟. 基于物联网构架的野生动物监测信息管理系统研究[D]. 武汉: 武汉理工大学, 2012.

[本文引用: 1]

SHEN F W. Research of monitoring IMS for wildlife preserve based on TIOT theory structure[D]. Wuhan: Wuhan University of Technology, 2012.

[本文引用: 1]

宫一男, 谭孟雨, 王震, 等.

基于深度学习的红外相机动物影像人工智能识别:以东北虎豹国家公园为例

[J]. 兽类学报, 2019, 39(4):458-465.

[本文引用: 1]

GONG Y N, TAN M Y, WANG Z, et al.

AI recognition of infrared camera image of wild animals based on deep learning:Northeast Tiger and Leopard National Park for example

[J]. Acta Theriol Sin, 2019, 39(4):458-465.DOI:10.16829/j.slxb.150333.

[本文引用: 1]

骆沙鸣.

应进一步提高我国森林质量和森林生态服务功能

[J]. 中国产业, 2011(7):7.

[本文引用: 1]

LUO S M.

China’s forest quality and forest ecological service function should be further improved

[J]. Ind China, 2011(7):7.

[本文引用: 1]

/

〈 〉

作者

读者

审稿

www.nldxb.njfu.edu.cn

通信地址：南京市龙蟠路南京林业大学《南京林业大学学报》编辑部
电子邮件：njlyzrb@vip.163.com
联系电话：025-85428247
邮政编码：210037
备案号：苏ICP备-010872
苏公网安备：苏公网安备 32010202010047号