基于圖像特征的森林地表凋落物載量分析

摘 要：【目的】森林地表凋落物載量值影響林火的發(fā)生和森林火災所表現的一系列火行為特征等，準確獲取地表凋落物載量值十分重要。圖像特征歐拉數能夠表征圖像中對象的多少，分析歐拉數與載量之間的關系，并建立基于圖像歐拉數的載量預測模型對于載量研究具有重要意義?！痉椒ā恳再F州省典型林分柳杉林和毛竹林內凋落物為研究對象，通過野外林分和載量調查、拍攝凋落物圖片和圖片特征處理，分析圖像特征歐拉數與地表凋落物載量之間的關系，建立基于圖像歐拉數的載量預測模型，并檢驗模型精度。【結果】1）選擇不同閾值對圖像二值化處理后，提取得到的歐拉數并不是都與載量存在相關性，閾值為0.1對圖像二值化后的圖像歐拉數與兩種凋落物載量呈極顯著相關；2）隨著圖像歐拉數的增加，柳杉和毛竹林地表凋落物載量整體呈下降趨勢；3）選擇線性回歸建立基于圖像特征歐拉數的凋落物載量預測模型，柳杉和毛竹林凋落物載量的預測模型絕對誤差分別為1.60和1.72 t·hm-2，相對誤差分別為20.03%和20.71%，柳杉林地表凋落物載量的預測效果要優(yōu)于毛竹林?！窘Y論】本研究驗證了基于圖像特征預測森林地表凋落物載量的可行性，為準確獲取載量研究提供新思路，對于火險預報和科學林火管理具有重要意義。

關鍵詞：凋落物；載量；圖像；歐拉數；預測模型

中圖分類號：S762.2 文獻標志碼：A 文章編號：1673-923X（2024）08-0001-08

基金項目：“十四五”國家重點研發(fā)計劃（2023YFC3006900）；國家自然科學基金項目（32201563）；貴州省高等學校智慧林火創(chuàng)新團隊（黔教技[2023]75號）；貴州師范學院與東北林業(yè)大學聯合培養(yǎng)碩士研究生專項科研基金項目（2024YJS01）。

Analysis of forest surface litter loading estimation based on image features

ZHANG Yunlin1， TIAN Lingling1，2， YANG Guang2， NING Jibin2

（1.a. School of Biological Science； b. Key Laboratory of Forest Fire Ecology and Management of Guizhou Province， Guizhou Education University， Guiyang 550018， Guizhou， China； 2. School of Forestry， Northeast Forestry University， Harbin 150040， Heilongjiang， China）

Abstract：【Objective】The loading of forest surface litter affects the occurrence of forest fires and a series of fire behavior characteristics exhibited by forest fires. Accurately obtaining the loading of surface litter is crucial. The Euler number of image feature can characterize the number of objects in the image， analyze the relationship between Euler number and loading， and establish a load prediction model based on image Euler number， which is of great significance for load research.【Method】The litter in typical forest stands of Cryptomeria fortunei and Phyllostachys heterocycla in Guizhou province was taken as the research object. Through forest stand and loading investigation， taking litter images and image feature processing， the relationship between Euler number and surface litter loading was analyzed. A load prediction model based on image Euler number was established， and the accuracy of the model was tested.【Result】1） After selecting different thresholds for image binarization， not all extracted Euler numbers were correlated with the litter loading. A threshold of 0.1 showed a highly significant correlation between the Euler numbers of binarized images and the two types of litter loading； 2） As the Euler number of the image increased， the surface litter loading of forests of C. fortunei and P. heterocycla showed an overall downward trend； 3） Linear regression was chosen to establish a litter loading prediction model based on image feature Euler number. The absolute errors of the prediction models for the litter load in C. fortunei and P. heterocycla forests were 1.60 t·hm-2 and 1.72 t·hm-2， respectively， with mean relative errors of 20.03% and 20.71%. The predicted effect of surface litter loading in C. fortunei forest was better than that in P. heterocycla forest.【Conclusion】Through this study， the feasibility of predicting forest surface litter loading based on image features has been preliminarily verified， providing new ideas for accurately obtaining load research and of great significance for scientific forest fire management.

Keywords： litter； loading； image； Euler number； prediction model

作為林火發(fā)生的主要載體，森林地表細小死可燃物受地形、林分組成和床層結構等的影響，具有強烈的空間異質性[1-2]，而地表細小死可燃物的理化性質決定林火發(fā)生的可能性和火災強度，特別是載量，表示單位面積上可燃物的絕干質量，對火發(fā)生和行為有顯著影響，地表細小死可燃物的空間異質性導致載量也存在異質性，進而影響林火行為和森林火險[3-5]。只有準確獲取森林內不同位置的地表細小死可燃物的載量，掌握空間分布情況，才能準確預測林火發(fā)生情況和發(fā)生火災后可能的一系列行為表現，真正做好林火管理工作。凋落物包括葉片、花瓣和球果等，是地表細小死可燃物的主體，也是林火發(fā)生的主要可燃物之一，準確得到森林地表凋落物載量值和空間分布情況，是科學林火管理的重要任務之一[6]。

森林地表凋落物載量的空間異質性分析的前提是需要準確掌握不同位置的凋落物的載量值。載量調查方法主要包括全收獲法、林分特征因子法、遙感估測法和照片系列法。全收獲法是通過將一定區(qū)域內所有的凋落物全部收集烘干后稱重，得到的載量值最準確，但該方法耗時耗力，且不能及時獲取載量值，主要是應用在科學研究中[7]。林分特征因子法是通過分析林分因子和地形因子對凋落物載量的影響，選擇線性回歸等模型建立基于林分特征因子的載量預測模型，但如前文所述，凋落物載量具有強烈的空間異質性，因此該方法的外推性不好，林型不同可能就需要重新分析，建立新的模型[8-11]；遙感估測法主要是大尺度的載量估計，主要是通過反演林分特征因子，進而根據兩者的關系預測載量值，同樣依賴于林分特征因子法。此外，該方法還受到樹冠層等的影響，精度較低[12]；照片系列法是建立一系列已知載量的地表凋落物照片，將未知載量的凋落物照片與這一系列進行對比，人為估計其載量值，但該方法主要依賴于觀察員的判斷，主觀性較強[13-14]。

綜上，現有凋落物載量測定方法存在一些缺陷，若能建立一種快速準確獲取地表凋落物載量的方法，對于開展載量空間異質性分析和科學林火管理具有重要意義。照片系列法的本質是人為主觀尋求已知載量圖片和待估載量圖片之間某些特征的相關性，進而估計載量值[2]。因此，若能根據一些載量圖片特征，建立其與載量之間的關系，即可客觀地根據該特征預測載量值。研究表明，圖像特征歐拉數是數字拓撲學的重要特征參數，表示圖像中所有對象的總數減去這些對象中洞孔的數目，在一定程度上能夠表征圖像中有多少葉片和一定的拓撲關系[15-16]，但目前關于這方面的研究還很少，若能建立歐拉數與載量之間的關系，則能夠快速客觀獲取地表凋落物載量值，對于載量空間異質性分析和科學林火管理具有重要意義。

貴州省是我國生態(tài)文明建設先行區(qū)，森林覆蓋率達62%，做好森林防火工作是良好生態(tài)環(huán)境的重要屏障。此外，貴州山高坡陡，多為農林交錯區(qū)，一旦發(fā)生森林火災，對當地社會、經濟和生態(tài)造成嚴重影響[17]。同時，貴州作為典型的南方喀斯特區(qū)，生境異質性更為顯著，極有必要摸清貴州省凋落物載量空間分布情況，對于林火預測和撲救等具有重要意義?；诖耍狙芯恳再F州省典型易燃樹種柳杉和毛竹林內地表凋落物為研究對象，固定拍攝方法，獲取凋落物載量圖片，通過提取不同載量的圖像特征歐拉數，分析歐拉數與載量之間的關系，探究建立基于圖像特征的森林地表凋落物載量的估計方法，為今后更系統(tǒng)和全面地研究其他類型可燃物載量與圖像特征的關系和方法提供新思路和技術支撐，對于林火管理研究具有重要意義。

1 研究方法

1.1 研究區(qū)概況

研究區(qū)位于貴州赤水竹海國家森林公園（105°54′10″～106°06′30″E，28°23′06″～28°30′19″N），地處大婁山，屬中亞熱帶濕潤季風氣候，夏季炎熱，全年日照時長較短，年均氣溫約為18.0 ℃，年均降水量為1 196 mm，海拔最高為1 730 m。研究區(qū)森林資源豐富，喬木主要包括馬尾松Pinus massoniana、柳杉Cryptomeria fortunei、香樟Cinnamomum septentrionale、毛竹Phyllostachys heterocycla和白櫟Quercus fabri等，灌木主要有鋪地柏Juniperus procumb、含笑Michelia figo、山茶Camellia japonica、茶梅Camellia sasanqua、夾竹桃Nerium oleander和南天竹Nandina domestica等，草本主要有馬齒莧Portulaca oleracea和階草Ophiopogon bodinieri。

1.2 野外試驗

1.2.1 標準地設置

2022年8月21日，貴州省赤水市（研究區(qū)所在地）發(fā)生森林火災，燃燒植被主要為竹林，因此選擇毛竹林下凋落物為研究對象。不同林型的凋落物理化性質和床層結構不一致，為確保方法的客觀性，除毛竹凋落物外，選擇研究區(qū)分布較多的柳杉林下凋落物為研究對象。柳杉林和毛竹林分別設置6塊和1塊20 m×20 m的標準地。調查標準地胸徑、樹高、郁閉度、坡度、坡向和坡位等林分特征因子，標準地基本信息如表1所示。

1.2.2 凋落物載量調查和圖像拍攝

每個標準地隨機設置30個50 cm×50 cm的樣方，利用手機相機垂直于樣方中心上方1.4 m（站立時拍照高度）處拍照，每個標準地共計拍攝30張照片，柳杉林共有180組照片，毛竹林共有30組照片。拍照結束后，用鋼尺測定地表凋落物床層四邊厚度，4個厚度的算術平均值記錄為樣方地表凋落物床層的平均厚度。將樣方內所有凋落物全部放入檔案袋中，帶回實驗室在烘箱中以105 ℃烘干至質量不再變化為止，此時為0.025 m2內的凋落物載量，根據式（1）即可換算得到每公頃的地表凋落物載量值。

式中：L表示每公頃地表凋落物載量（t·hm-2）； Ls表示樣方內地表凋落物載量（g·m-2）。

1.3 室內處理

1.3.1 圖像處理

利用Photoshop 2022軟件對1.2.2拍攝得到的照片進行裁剪，統(tǒng)一調整為2 500 dpi×2 500 dpi，并儲存為“JPEG”格式，儲存效果為“最佳”，如圖1所示。通過前期查閱文獻可知，圖像特征中歐拉數是數字拓撲學的重要特征參數，表示圖像中所有對象的總數減去這些對象中洞孔的數目，在一定程度上能夠表征圖像中有多少葉片和一定的拓撲關系[16]。因此，本研究通過分析圖像歐拉數特征與地表細小死可燃物載量的關系，進行基于圖像特征的載量估計研究。

1.3.2 圖像二值化處理

數字圖像二值化處理能夠進一步簡化圖像，有利于對圖像進一步處理，且更容易凸顯凋落物輪廓[18]?；诖?，本研究在提取圖像特征歐拉數之前首先對圖像進行二值化處理。閾值選擇是二值化處理的前提，閾值變化范圍為0～1，表征像素值與256的比值。當閾值為0時，圖像像素值為0，當閾值為1時，圖像像素值為1。當閾值設定為0.5進行二值化處理時，原有圖像像素低于128（256×0.5）的全部變?yōu)榘咨哂?28的則全部為黑色。本研究在進行圖像二值化處理時設定閾值梯度為0.05，從0.1到0.95，利用Matlab 2022b軟件中im2bw函數得到不同閾值時各樣方的凋落物載量的二值圖。

1.3.3 提取歐拉數

利用Matlab 2022b軟件中的bweuler函數，得到不同閾值時各樣方凋落物載量二值圖的歐拉數值。

1.4 數據處理

1.4.1 基礎數據統(tǒng)計

根據數據統(tǒng)計得到不同標準地內地表凋落物載量值和床層厚度，包括平均值、標準差、最小值和最大值等基礎統(tǒng)計數據。

1.4.2 相關性分析

根據樣方的地表凋落物載量數據和對應不同閾值的歐拉數，選擇Pearson相關性分析計算相關系數，并以閾值為橫坐標，相關系數為縱坐標，得到載量與不同閾值時歐拉數之間的相關性。

1.4.3 影響分析

根據1.4.2中得到與地表凋落物載量最相關的歐拉數所對應的閾值，進一步分析該閾值時的圖像特征歐拉數和載量之間的關系，載量以0.50 t·hm-2為一個組別，對不同地表凋落物載量的數據進行分類，每個組別數據由所在區(qū)間內載量的中位數替代（例如4.25 t·hm-2表示4.00～4.50 t·hm-2），整個組別內歐拉數的算數均值作為該組別的歐拉數。以載量值為橫坐標，歐拉數為縱坐標，得到歐拉數隨著地表細小死可燃物載量變化情況。

1.4.4 基于圖像特征的地表凋落物載量預測模型

根據分析得到的圖像歐拉數與載量之間的關系，選擇合適的模型形式，以影響分析中的圖像特征歐拉數為自變量，地表凋落物載量為因變量，建立基于歐拉數的凋落物載量預測模型。選擇70%的數據作為訓練集，剩余30%的數據為測試集，計算模型的平均絕對誤差（Mean absolute error，MAE）和平均相對誤差（Mean relative error，MRE），如式（2）和（3）所示，評價預測效果。

以載量實測值為橫坐標，預測值為縱坐標，繪制1∶1圖，分析預測載量值在哪個區(qū)間時誤差較大。

2 結果與分析

2.1 基本情況統(tǒng)計

表2給出研究區(qū)柳杉林和毛竹林地表凋落物床層厚度和載量等的基本情況?？梢钥闯觯剂值乇淼蚵湮锎矊雍穸茸兓秶鸀?.850～12.050 cm，平均厚度為5.941 cm，床層載量最小值為4.119 t·hm-2，最大值為15.664 t·hm-2，均值為8.002 t·hm-2。毛竹林地表凋落物床層厚度和載量的變化范圍分別為2.300～6.550 cm和5.502～17.529 t·hm-2。從標準差來看，毛竹林凋落物床層厚度的變化幅度低于柳杉林，而載量的變化幅度則高于柳杉林。

2.2 圖像歐拉數與地表凋落物載量相關性分析

圖2給出不同閾值時歐拉數與凋落物載量的相關系數，可以看出，不論是柳杉林還是毛竹林，選擇不同閾值時對載量圖像進行二值化處理后提取得到的歐拉數并不是都與載量顯著相關。當閾值為0.1時，此時圖像歐拉數與兩種林型的地表凋落物載量均呈現極顯著負相關，相關性最好。對于柳杉地表凋落物，當閾值設定為0.15時，隨著載量的增加，歐拉數呈顯著下降趨勢，當閾值設定為0.25和0.30時，卻呈顯著增加趨勢，其余情況均不顯著。對于毛竹地表凋落物，當閾值為0.35和0.40時，隨著載量的增加，歐拉數也顯著提高，其余閾值時的歐拉數均沒有顯著影響。

2.3 地表凋落物載量與歐拉數的相關關系

根據上述分析可知，不論是柳杉還是毛竹，均是當閾值為0.1時得到的歐拉數與地表凋落物載量最相關?；诖耍瑘D3給出閾值為0.1時圖像歐拉數與載量的相關關系?？梢钥闯觯诒狙芯康妮d量范圍內，隨著圖像歐拉數的增加，凋落物載量呈下降趨勢，若進一步細分，則呈現先升高后下降趨勢。

2.4 基于圖像歐拉數的地表細小死可燃物載量預測模型

根據圖3歐拉數隨載量的變化趨勢，本研究選擇線性擬合形式建立基于圖像歐拉數的地表凋落物載量預測模型（表3）。由表3可以看出，柳杉地表凋落物載量預測模型的MAE為1.60 t·hm-2，MRE為 21.53%，毛竹的MAE和MRE分別為1.72 t·hm-2和20.71%。毛竹地表凋落物載量預測效果優(yōu)于柳杉。

圖4給出2種凋落物載量預測模型的1∶1圖，可以看出對于柳杉野外凋落物，基于圖像歐拉數進行預測時的效果較好，預測值和實測值基本上能均勻分布在1∶1線兩側，而毛竹凋落物的預測值則并沒有隨著實測值的變化而變化。

3 討 論

3.1 歐拉數的應用

基于歐拉數的拓撲特征，其能夠描述對象結構，廣泛應用在種子計數和填料顆粒數量等計數方面的快速測定[19]。例如康世英等[18]通過對谷物進行拍照后，基于歐拉數判斷圖像中谷物數量，解決了人工計數存在的一些問題。本研究地表凋落物載量同樣也表征某個區(qū)域范圍內，凋落物數量的多少，因此提出利用圖像歐拉數預測凋落物載量在理論上是可行的。

3.2 相關性分析

不同閾值時的歐拉數與凋落物載量的相關性不同，且不論是柳杉還是毛竹均是當閾值較低時的歐拉數與載量相關，這主要與圖像二值化處理過程有關。圖像進行二值化處理時，隨著閾值設定值增加，更容易將圖像中對象的像素值變?yōu)?，為白色（閾值設定越大，像素值低于該值的在二值化處理時就變?yōu)?）[20-22]，然而這會導致將大部分的對象（凋落物）判定無，因此隨著閾值增加，兩者沒有相關性。

隨著圖像歐拉數（閾值為0.1時）的增加，兩種地表凋落物類型都均呈下降趨勢。圖像歐拉數的計算原理為圖像中的對象連通域的數量與空洞數量的差值。連通域是指二值圖像中位置相鄰的目標像素組成的區(qū)域，當載量增加，圖像內地表凋落物數量增多時，會導致目標像素位置重復增加，進而使連通域數量下降，識別的空洞數量會增加，因此會導致歐拉數和載量呈負相關關系[19]。

3.3 預測模型

柳杉和毛竹通過圖像歐拉數預測凋落物載量模型的MRE分別為20.03%和20.71%，在一定程度上能夠滿足大尺度范圍內凋落物載量在林火科學管理的需要。劉訊等[23]選擇林分特征因子法預測凋落物載量，平均誤差約為25.0%；Watson等[24]也指出，當使用照片系列法進行地表凋落物載量估計時，不同觀測人員間的誤差可達3倍左右；姚斌[19]利用圖像歐拉數算法研究及其在紙張?zhí)盍狭綌盗?，也證明利用歐拉數確定研究對象的多少是可行的。柳杉的地表凋落物載量預測模型的效果優(yōu)于毛竹，這可能是由于毛竹凋落物過于緊密，空間結構不如柳杉凋落物好，通過圖像進行凋落物載量分析時所揭示的相關性更差。雖然毛竹凋落物的預測值并沒有與實測值表現出很好的相關性，也并不能說明該方法不適用，對于快速推算某個大尺度區(qū)域內凋落物載量值也是可行的[23]。

本研究只是探究了基于圖像特征歐拉數進行凋落物載量預測的可行性，結果表明歐拉數與凋落物載量存在相關，并建立了基于圖像歐拉數的凋落物載量預測模型。但本研究仍存在不足并限制了該方法的精度，例如，本研究只選擇最簡單的方法對圖像進行二值化處理，而不同的處理方式對圖像特征提取結果不同，進而影響結果分析[18-19]。此外，本研究只選擇最簡單的線性回歸建立模型，在今后研究中，還需要進一步分析圖像特征歐拉數和載量的關系，采取分段函數、多項式回歸或機器學習進行擬合，進一步提高預測精度，更好的揭示兩者之間的關系。

4 結 論

本研究以貴州典型林分柳杉林和毛竹林地表凋落物為研究對象，得到不同凋落物載量的圖像，提取各圖像的歐拉數值，當閾值為0.1時的歐拉數與兩種凋落物載量均呈現極顯著相關，并建立基于圖像歐拉數的載量預測模型，柳杉和毛竹的預測MRE分別為20.03%和20.71%。本研究分析了基于圖像特征開展凋落物載量研究的可行性，與傳統(tǒng)方法比，更加客觀、準確、快速，為基于圖片特征預測載量研究提供新思路，對林火預測預報和科學林火管理具有重要意義。

參考文獻：

[1] 劉志華，常禹，陳宏偉，等.大興安嶺呼中林區(qū)地表死可燃物載荷量空間格局[J].應用生態(tài)學報，2008，19（3）：487-493. LIU Z H， CHANG Y， CHEN H W， et al. Spatial pattern of land surface dead combustible fuel load in Huzhong forest area in Great Xing’an Mountains[J]. Chinese Journal of Applied Ecology， 2008，19（3）：487-493.

[2] KEANE R E， GRAY K. Comparing three sampling techniques for estimating fine woody down dead biomass[J]. International Journal of Wildland Fire，2013，22（8）：1093-1107.

[3] JIN S， CHEN S Q. Application of QuickBird Imagery in fuel load estimation in the Daxinganling Region， China[J]. International Journal of Wildland Fire，2012，21：418-427.

[4] BRANDIS K， JACOBSON C. Estimation of vegetative fuel loads using Landsat TM imagery in New South Wales， Australia[J]. International Journal of Wildland Fire，2003，12：185-194

[5] REICH R M， LUNDQUIST J E， BRAVO V A. Spatial models for estimating fuel loads in the Black Hills， South Dakota， USA[J]. International Journal of Wildland Fire，2004，13：119-129

[6] 張運林，向敏，丁波.直接估計法預測不同層凋落物含水率的適用性分析[J].中南林業(yè)科技大學學報，2022，42（7）：9-19. ZHANG Y L， XIANG M， DING B. Applicability analysis of direct estimation method for predicting litter moisture content in different layers[J]. Journal of Central South University of Forestry Technology，2022，42（7）：9-19.

[7] SCOTT K， OSWALD B， FARRISH K， et al. Fuel loading prediction models developed from aerial photographs of the Sangre de Cristo and Jemez mountains of New Mexico， USA[J]. International Journal of Wildland Fire，2002，11：85-90

[8] 楊光，黃喬，盧丹，等.森林可燃物負荷量測定方法研究[J].森林防火，2011（2）：19-23. YANG G， HUANG Q， LU D， et al. Study on measuring method of forest fuel load[J]. Forest Fire Prevention，2011（2）：19-23.

[9] 單延龍，張敏，胡海清.大興安嶺地區(qū)樟子松林地表可燃物模型[J].東北林業(yè)大學學報，2005，33（2）：74-75，97. SHAN Y L， ZHANG M， HU H Q. Models for surface fuels of Pinus sylverstris var. mongolica forests in Daxing’anling region[J]. Journal of Northeast Forestry University，2005，33（2）： 74-75，97.

[10] 郭利峰，牛樹奎，闞振國.北京八達嶺人工油松林地表枯死可燃物負荷量研究[J].林業(yè)資源管理，2007，10（5）：53-58. GUO L F， NIU S K， QUE Z G. Study on dead surface fuel loading of Pinus tabulaeformis forest of Badaling forest center in Beijing[J]. Forest Resources Management，2007，10（5）：53-58.

[11] 周澗青，劉曉東，郭懷文.大興安嶺南部主要林分地表可燃物負荷量及其影響因子研究[J].西北農林科技大學學報（自然科學版），2014，42（6）：131-137. ZHOU J Q， LIU X D， GUO H W. Surface fuel loading and relevant influencing factors of main forest types in southern Daxing’anling[J]. Journal of Northwest A F University （Natural Sciences Edition），2014，42（6）：131-137.

[12] 金森.遙感估測森林可燃物載量的研究進展[J].林業(yè)科學，2006，42（12）：63-67. JIN S. A review on estimating forest fuel loads by remote sensing imagery[J]. Scientia Silvae Sinicae，2006，42（12）：63-67.

[13] KEANE R E， DICKINSON L J. Development and evaluation of the photoload sampling technique[R]. USDA Forest Service， Rocky Mountain Research Station，2007.

[14] KEANE R E， DICKINSON L J. The photoload sampling technique： estimating surface fuel loadings from downwardlooking photographs of synthetic fuelbeds[R]. USDA Forest Service，Rocky Mountain Research Station，2007.

[15] HE L， REN X， GAO Q， et al. The connected-component labeling problem： a review of state-of-the-art algorithms[J]. Pattern recognition，2017，70：25-43.

[16] YAO B， HE L， KANG S， et al. A new run-based algorithm for Euler number computing[J]. Pattern analysis and applications， 2017，20（1）：49-58.

[17] 張運林，郭妍，胡海清.2001—2017年西南地區(qū)森林火災數據特征分析[J].西北林學院學報，2021，36（1）：179-186. ZHANG Y L， GUO Y， HU H Q. Characteristics of forest fire data in Southwest China during 2001-2017[J]. Journal of Northwest Forestry University，2021，36（1）：179-186.

[18] 康世英，姚斌.基于歐拉數的谷物顆粒圖像目標計數方法[J].湖北農業(yè)科學，2023，62（8）：197-201. KANG S Y， YAO B. Target counting method of grain particle images based on Euler numbers[J]. Hubei Agricultural Sciences， 2023，62（8）：197-201.

[19] 姚斌.圖像歐拉數算法研究及其在紙張?zhí)盍狭椒治鲋械膽肹D].西安：陜西科技大學，2019. YAO B. Study on Euler number computing algorithms of an image and its application in paper filler particle size analysis[D]. Xi’an： Shaanxi University of Science and Technology，2019.

[20] KAPISHNIKOV L， LEISEROWITZ L， YANG Y， et al. Biochemistry of malaria parasite infected red blood cells by X-ray microscopy[J]. Scientific Reports，2017，7（1）：1-9.

[21] LIN T， GOYAL P， GIRSCHICK R， et al. Focal loss for dense object detection[C]//Proceedings of International Conference on Computer Vision，Venice，Italy，2017.

[22] ZHANG X， BENGIO Y， LIU C. Online and offline handwritten Chinese character recognition： a comprehensive study and new benchmark[J]. Pattern Recognition，2017，61：348-360.

[23] 劉訊，黃韻，丁波，等.大婁山典型林分地表細小死可燃物載量影響因子研究[J].中南林業(yè)科技大學學報，2023，43（8）：9-16. LIU X， HUANG Y， DING B， et al. Influencing factors of surface fine dead fuel loading in typical forest stands of Dalou Mountain[J]. Journal of Central South University of Forestry Technology，2023，43（8）：9-16

[24] WATSON P J， PENMAN S H， BRADSTOCK R A. A comparison of bushfire fuel hazard assessors and assessment methods in dry sclerophyll forest near Sydney， Australia[J]. International Journal of Wildland Fire，2012，21：755-763.

[本文編校：羅 列]