Cotton top bud recognition method based on YOLOv5-CPP in complex environment
-
摘要:
为提高复杂环境下棉花顶芽识别的精确率，提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集，在原有模型结构上增加目标检测层，提高了浅层与深层的特征融合率，避免信息丢失。同时加入CPP-CBAM注意力机制与SIOU边界框回归损失函数，进一步加快模型预测框回归，提升棉花顶芽检测准确率。将改进后的目标检测模型部署在Jetson nano开发板上，并使用TensorRT对检测模型加速，测试结果显示，改进后的模型对棉花顶芽识别平均准确率达到了92.8%。与Fast R-CNN、YOLOv3、YOLOv5s、YOLOv6等算法相比，平均准确率分别提升了2.1、3.3、2、2.4个百分点，该检测模型适用于复杂环境下棉花顶芽的精准识别，为后续棉花机械化精准打顶作业提供技术理论支持。
Abstract:Cotton bud is one of the most important cash crops with many uses, such as the textile and cotton fabric raw material. However, manual cotton topping cannot fully meet the large-scale production in recent years, due to the efficiency and labor costs. Intelligent mechanical topping can be expected to serve as an inevitable trend during cotton topping. There is a high demand to accurately identify the cotton top bud under the complex environment (such as light and shadow), particularly for the various shape characteristics of cotton top core in the process of cotton cap removal. In this study the accurate recognition was proposed to locate the cotton top bud in the complex environment using an improved YOLOv5s. A dataset was also constructed to contain 3103 cotton top buds with different morphological characteristics under a complex environment. Three categories were divided: single, multi-plant and screened top bud under different occlusion areas, weather and light conditions. Systematic training and analysis were then performed on the data. An improved YOLOv5s model was proposed to reduce the error and leakage detection for the sufficient features of small targets. Multi-scale target features were also effectively extracted using only three detection heads in the original YOLOv5s. At the same time, the ideal extraction of the improved YOLOv5s was obtained with the deepening of the network layer. The object detection and CPP-CBAM attention mechanism were first added to the original structure, in order to improve the shallow and deep feature fusion rate. Secondly, the regression of prediction frame was enhanced to avoid the information loss of the real frame. The loss function SIOU boundary frame regression was added to further accelerate the prediction frame regression speed for the detection accuracy. The SIOU loss function was introduced by the vector angle between the real and predicted frame including angle, distance, and shape loss function. As such, the aspect ratio between the predicted and real frame was considered in the CIOU loss function with the direction between them in the SIOU. The high accuracy of recognition rate was obtained on the top bud, resulting in the less degrading into an IOU loss function. In addition, an accurate identification was performed on the cotton top bud that was seriously obscured by the leaves. The results show that the average accuracy (mAP) reached 92.8% for the recognition of cotton top bud by the improved model. Furthermore, the average accuracy was improved by 2.1, 3.3, 2, and 2.4 percentage points, respectively, compared with Fast R-CNN, YOLOv3, YOLOv5s, and YOLOv6. The improved detection model can be expected to accurately and efficiently identify the cotton top bud under a complex environment in real time. The small size of the model parameters and the high identification speed were suitable for the migration deployment of cotton topping machinery, and the operation of the laser topping robot. The finding can also provide technical and theoretical support to the subsequent operation of cotton laser topping machines, particularly for the mechanized real-time topping.
-
Keywords:
- crops /
- image recognition /
- small target detection /
- YOLOv5s /
- SIOU loss function /
- CPP-CBAM attention mechanism /
- cotton topping
-
0. 引 言
土地资源具有非再生的属性，其数量结构、空间分布的变化会对区域经济发展和环境质量产生不同程度的影响。对区域土地使用进行优化配置是有效提升土地资源应用效率的途径之一，即在兼顾土地的生态与经济两者效益的情况下，对土地进行数量结构和空间布局的优化，来实现土地资源的可持续利用[1-3]。黄河中上游地区是中国重要的生态屏障和经济地带，近年来面临诸多资源短缺、环境退化和生态破坏问题[4-5]，社会经济与农牧业可持续发展均受到严重的影响，如何理清区域开发与保护关系，在发展与保护之间寻求平衡点是该区域当前研究的关键命题[6-7]，而土地使用优化配置是寻求经济与生态平衡点的重要途径之一。此外黄河中上游地区作为典型的生态脆弱区，存在土地资源匮乏、土地使用结构欠合理等问题，在该地区进行土地使用优化配置研究可为极具迫切性的现实问题提供解决思路和建议。
国内外学者常用的土地优化配置方法包括模型法、综合法和多情景分析法[8-11]。土地使用数量结构的预测模型有马尔科夫（Markov）[12-13]、灰色线性规划（gray forecast model，GM）[14]、系统动力学（system dynamics，SD）[15-16]、多目标规划（multi-objective programming, MOP）[17-19]等。其中Markov模型、GM模型往往忽略驱动因子的影响，仅从数理统计的角度出发研究未来土地数量结构；SD模型虽然考虑了多个驱动因子与土地使用的相互作用，但模型构建过程过于繁杂，在解决土地优化配置的时适配度并不高。相比之下，MOP模型不仅构建相对简单，可以较为快速地推断出土地使用优化配置方案，而且兼具SD模型的正反馈特征和目标函数多维性的突破，这意味着MOP模型不仅能够考虑到不同因素之间的相互作用，还能够同时优化经济效益和生态效益。此外，遗传算法被广泛认为是解决多目标优化问题最适用的方法之一[20]，其全局优化的特性能够高效地解决土地使用数量结构的优化配置问题。
空间格局预测模型有Patch-Logistic（CA）模型[21]、多智能体（ABM/MAS）模型[22-23]、Fore-SCE模型[24]、CLUE-S模型[25-26]、FLUS模型[27]等。上述模型在景观动态变化模拟策略和转化规则挖掘策略两个方面都存在一定的不足。在精细尺度下较难模拟不同类型土地斑块的演变，也不能实现特定模拟时段内土地使用变化机理的分析，而2021年中国地质大学提出的PLUS模型结合了TAS和PAS的优势并克服了其缺点[28]，集成了基于多类型随机种子机制的CA模型和基于土地扩张分析的规则挖掘方法，实现了土地扩张时驱动因子及其贡献率的挖掘，并实现更准确的地类斑块级演变预测。
将数量结构预测模型和空间格局预测模型进行结合组成土地优化配置复合模型，可以从比例结构和空间分布双重层面对区域土地使用进行复合调控，提升综合效益。而探究两者间互馈机制，揭示各组成要素的互动路径，可以提升土地利用合理性。因此，本文以均衡黄河中上游地区经济发展与生态保护两者关系为目标，设置4种发展情景，首先基于MOP模型，利用多目标遗传算法，分析研究区多情景（生态保护、经济发展优先、生态-经济均衡）下的土地使用数量结构，其次，引入人口、植被指数等15个驱动因子，利用PLUS模型中的CARS工具对多情景下的土地使用优化格局进行空间落位。最后，讨论土地数量结构与空间布局的实时互馈路径，佐证土地复合优化方案的有效性。以期为黄河中上游区土地规划、土地资源可持续开发提供方法借鉴和决策参考。
1. 研究区概况与数据来源
1.1 研究区概况
黄河中上游地区（图1）包括青、川、甘、宁、内蒙古、陕、晋、豫8个省区、46市。区域内常住总人口7930万人，国土面积108.90万km2。
该区域地貌类型复杂，横跨青藏、黄土、内蒙古三大高原，属于生态安全高度威胁区[5-7]；范围内用地大多位于山地高原，山地面积约占2/3，地形起伏度大，建设用地约束性强；且大多土地位于黄土高原范围内，沟壑密度较高（约为35 km/km2），用地破碎化明显；区域内总降雨少，年均降雨量（375 mm）低于全国水平，且分布差异大，主要集中在7—8月，处于干旱半干旱地区；区域水资源总量（744亿m3，占全国的2%，占长江流域的7.7%）短缺，干流径流量较小，平均径流量397.75亿m3，仅为长江干流的 4.1%，整个区域受水资源约束大。同时，黄河中上游地区处于中国“两屏三带”生态安全格局的重点位置，是国家重要的生态屏障[5]。
1.2 数据来源及处理
本文涉及数据包括土地使用数据、人口经济数据、可达性数据及自然条件数据（表1）。其中土地使用数据来源于武汉大学团队中国土地覆被及动态数据集，年份为2000—2020年，共获取2期土地数据。应用GIS中重分类工具，将流域的土地使用从二级分类整合为一级分类，包括耕地、林地、草地、水域、建设用地和未利用地6类；限制转换数据来源于国家保护区平台和中国生态系统评估与生态安全格局数据库；人口经济数据包括流域人口和GDP公里网格数据集，来源于全球变化科学研究数据出版系统；铁路等数据来源于Open Street Map；土壤等数据来源于国家青藏高原科学数据中心；高程、坡度和坡向数据来自于地理空间数据云平台。收集各类数据的空间分辨率尺度包括30 m、300 m和1 km，通过GIS栅格处理中重采样工具对栅格像元进行改变，统一分辨率为300 m。
表 1 数据来源Table 1. Data Sources类型
Variety数据名称
Data name年份
Year分辨率
Resolution/m数据来源
Data sources土地使用数据 土地使用数据 2010、2020 30 （https://doi.org/10.5281/zenodo.4417810） 限制转换区域数据 国家自然保护区 2020 30 保护区平台（http://www.papc.cn/html/folder/13100752-1.htm） 高度敏感区[28] 2020 1000 中国生态系统评估与生态安全格局数据库http://www.ecosystem.csdb.cn/ 人口经济数据 人口 2020 1000 https://landscan.ornl.gov/ GDP 2020 1000 全球变化科学研究数据出版系统http://www.geodoi.ac.cn/WebCn/doi.aspx?Id=125 可达性数据 到铁路距离 2020 300 Open Street Map
https://www.openstreetmap.org/
ArcGIS欧氏距离分析到快速路距离 2020 300 到主干道距离 2020 300 到次干道距离 2020 300 到城市中心距离 2020 300 自然环境因素 土壤类型 2000 300 国家青藏高原科学数据中心http://data.tpdc.ac.cn/zh-hans/ 到河流距离 2020 300 Open Street Maphttps://www.openstreetmap.org/ NDVI 2020 300 https://search.earthdata.nasa.gov/search 年平均温度 2000—
20201000 WorldClimhttps://worldclim.org/data/index.html 年平均降雨 2000—
20201000 高程 / 300 地理空间数据云http://www.gscloud.cn/sources/accessdata/310?pid=1 坡度 / 300 坡向 / 300 2. 研究方法
2.1 研究思路
本文耦合多目标模型和PLUS模型对黄河流域中上游地区进行土地使用优化配置，研究思路（图2）包括土地使用结构优化和土地使用布局优化两个模块。土地使用结构优化模块是基于不同的发展目标，设置4种发展情景。首先构建以生态保护、经济发展优先、经济-生态均衡3种情景为目标函数，以土地总面积、耕地保有量、生态环境保护等为约束条件的多目标优化模型，得到前3种情景下的土地使用结构数据。其次，利用Markov Chain与多期土地使用数据，预测得到惯性发展情景下的土地使用结构数据；土地使用布局优化模块是利用PLUS模型进行4种发展情景的土地空间落位，即土地使用空间优化布局。
2.2 MOP模型
MOP即为多目标规划模型，多被用于土地使用优化相关研究，通常包含目标函数、决策变量、约束条件3个部分。该模型旨在多个具有相同约束条件优化的目标当中寻找合适的变量，帮助决策者在多个目标之间找到最佳平衡点，以支持土地使用规划和决策的制定。
1）目标函数和决策变量
F1(x)=max (1) {F}_{2}\left(x\right)={\max}_{\sum _{j=1}^{n}{d}_{j}{x}_{j}} (2) {{\mathrm{s}}}{.}{{\mathrm{t}}}{.}=\left\{\begin{array}{c}\sum _{j=1}^{n}{a}_{ij}{x}_{j}=\left(\ge \text{，}\le \right){b}_{j}\text{，}(i=1\text{，}2\text{，}\cdots \text{，}m)\\ {x}_{j}\ge 0\text{，}(j=1\text{，}2\text{，}\cdots \text{，}n)\end{array}\right. (3) 式中F1表示研究区的经济效益(万元)，F2则为生态效益(万元)； {x}_{j} 表示第j类土地使用面积（j=1，2，…，6），其中x表示决策变量，即土地使用面积（km2），j为用地类型索引，包括6种不同的土地使用类型，即x1耕地，x2园地，x3林地，x4草地，x5建设用地，x6其他用地；cj为各类土地使用类型的经济效益系数（万元/km2）；dj为各类土地使用类型的生态价值系数（万元/km2）；约束条件s.t.中，aij为第i个约束条件中第j个变量对应的系数；bj为约束值。
2010—2020逐年经济效益系数是通过计算2010—2020年研究区各个县（旗）的不同土地使用类型对应的产值与其面积之比（农业产值/耕地面积、林业产值/林地面积、牧草业产值/草地面积、渔业产值/湿地面积、二产+三产产值/建设用地面积），而未利用地的经济效益可以忽略，接着引入GM（1,1）灰色预测模型来测算目标年份2030年研究区的经济效益系数cj（表2）。
表 2 土地使用类型对应的经济效益系数cj、生态价值系数djTable 2. Economic benefit coefficient(cj) and ecological value coefficient(dj) corresponding to land use type万元·km−2 项目
Item耕地
Cultivated land x1林地
Wood
land x2草地
Grass
x3水域
Water
x4建设用地
Construction land x5未利用地
Bare
x6cj 5.58 34.32 4.41 1509.78 10182.27 0.00 dj 1118.96 5482.01 4086.01 144744.07 0.00 1898.33 同时采用中国生态系统服务价值当量因子表[7]来估算生态系统服务价值系数dj，并应用修正系数[8-9]进行验证（表2），具体步骤为：以2010—2020年黄河中上游地区平均粮食单产5517.67 kg/km2作为基准，取2002—2010年国家退耕还林补助标准1.4元/kg为粮食单价[10]，设定全国粮食平均单价是一个纯自然生态系统（无人力投入）所产生的经济价值量的7倍[10]。
2）发展情景设定
基于经济与生态效益相均衡的目标原则，同时考虑到黄河流域的区域特殊性和生态脆弱性，本文以2030年为目标年，设定惯性发展、生态保护、经济发展、生态-经济均衡4种发展情景，并在参考现有文献[11]的基础上，采取德尔菲法[19]且综合专家意见确定了4种情景下生态和经济效益各自所占权重比例。其中惯性情景下各类用地应顺应自然演变规律，对其生态和经济效益目标不设权重；经济优先情景下应以经济建设为目标，提高区域土地使用强度，优化土地使用结构，提升土地使用效能，从而有效推动城镇化进程。该情景下生态和经济效益目标所占权重比为1:4；生态保护情景下应以生态文明建设为目标，关注山、湖、林、田、草地的保护，防止建设用地和城市边界的无限扩张，该情景下生态和经济效益目标所占权重比为4:1；均衡情景下应关注生态保护和社会经济的协调发展，在不侵占生态保护用地的情况下大力促进经济建设，该情景下生态和经济效益目标所占权重比为1:1。
3）约束条件
依据黄河中上游地区各县（旗）的相关规划文本、惯性情景下的2030年土地使用需求数据（基于Markov Chain预测），并结合灰色预测模型对研究期内土地使用的变化状况来制定多目标模型的约束条件（表3）。
表 3 约束条件设置Table 3. Constraint setting约束类型
Constraint type约束条件
Constraint condition说明Illustrate 土地总面积T T=781480 各类土地面积xi的总和应等于黄河中上游地区的总面积781480 km2 决策变量非负约束 xi≥0，i=1,2,3,4,5,6 各决策变量应为非负值 耕地保有量x1 188984≥x1≥169808 x1不应低于2020年现状耕地面积，最大不应超出惯性发展情景下的x1需求数据上调10%的量[10] 林地规模x2 108947≥x2≥94970 x2最小不应低于2020年现状规模；最大不应超出惯性发展情景下的x2需求数据上调10%的量 草地面积x3 461158≥x3≥452026 x3的增减受到降雨量和人类活动双重影响，且x3占比面积最大，其增减幅度不应超过惯性发展情景下x3需求数据±1%的量[19] 水域面积x4 6510≥x4≥5166 x4最小不应低于2020年现状规模；最大不应超出惯性发展情景下的x4需求数据上调10%的量 建设用地规模x5 23484≥x5≥18739 x5最小不应低于2020年现状规模；最大不应超出惯性发展情景下的x5需求数据上调10%的量 未利用地规模x6 28192≥x6≥24095 x6最小不应低于惯性发展情景下的x6需求数据下调10%的量，最大不应超出2020年现状规模 生态环境保护 x2≥101302
x4≥5840仅针对生态保护情景，x2、x4最小不应低于：取2005—2020年内每5a为间隔，共4期数据为基础，应用灰色模型预测的2030年x2、x4面积[10] 注：面积单位为km2。
Note: The area unit is km2.2.3 PLUS模型
PLUS模型是在FLUS模型的基础上构建的一种新的改进的CA模型，其耦合了一种新的用地扩张分析策略和基于多类随机斑块种子的CA模型，一方面可以更好地挖掘各类土地使用变化的诱因，另一方面也可以更好地模拟多类土地使用斑块级的变化。
1）土地扩张分析策略
土地扩张分析策略（land expansion analysis strategy, LEAS）不仅能避免多地类分析时的复杂计算，而且可以在一定时间段内分析土地使用变化机理。其将各地类转换规则的挖掘转化成一个二元分类问题，探索各地类扩张与多驱动因子关系、获取各地类发展概率及驱动因子贡献率。本文从自然、社会经济维度选取了GDP、人口等15个驱动因子。
2）土地演化模拟
土地演化模拟是对多种地类斑块演化进行模拟，采用基于阈值下降的多类型随机斑块种子机制。模型参数设置如下：
①用地需求：用地需求表示模拟年份不同土地使用类型的栅格数量，主要包括两种模拟方法分别为线性回归法和马尔科夫链法。本研究运用马尔科夫链法预测2030年惯性情景下各土地使用类型的栅格数量，其计算结果如表4所示。
表 4 各情景下各地类斑块2030年土地需求面积预测Table 4. Prediction of land demand area for various types of patches in various scenarios by 2030km2 情景
Scenarios耕地
Cultivated land林地
Forest草地
Grass水域
Water建设用地
Construction land未利用地
Bare惯性发展 171804 99043 456593 5918 21350 26772 生态保护 171318 103025 454437 6011 20366 26324 经济优先 172603 97972 455711 6011 21672 27543 均衡发展 172613 97879 455734 6011 21640 27572 ②领域权重：邻域权重参数代表着不同用地类型的扩张强度，反映了各地类在空间驱动因子影响下的扩张能力，本文基于前人经验，依据研究时段各地类斑块总面积变化量设定，计算式如下：
X_i=\frac{\Delta T_{Ai}-\Delta T_{Amin}}{\Delta T_{Amax}-\Delta T_{Amin}} (4) 式中Xi某一地类i的邻域权重参数，TA为用地面积，∆TAi为研究时段内该地类TA的变化量，∆TAmax、∆TAmin分别为研究时段内TA的最大、最小变化量。表5为邻域权重参数表。
表 5 邻域权重参数表Table 5. Neighborhood weight parameters table项目Item 耕地Cultivated land 林地Forest 草地Grass 水域Water 建设用地Construction land 未利用地Bare ∆TAi -43699 75236 -78558 7448 47788 -8215 权重 0.29 1.29 0.01 0.72 1.06 0.59 ③转移矩阵：转移矩阵表示不同土地使用类型之间的转换规则，主要依靠历史土地使用数据和经验设定。具体规则为：当一种土地使用类型不能转换为另一种土地使用类型时，其矩阵中对应值为0，反之则为1（图3）。
④模型精度验证：本文使用Kappa系数评估模型模拟准确性，计算式如下：
\mathrm{K}\mathrm{a}\mathrm{p}\mathrm{p}\mathrm{a}=\frac{{P}_{0}-{P}_{c}}{{P}_{p}-{P}_{c}} (5) 式中P0为模拟正确的栅格占比，Pp为理想状态下模拟正确比例，Pc为随机状态下模拟正确比例。Kappa值判断标准为：当Kappa系数值分别介于0～0.2、>0.2～0.4、>0.4～0.6、>0.6～0.8和>0.8～1之间时，其模拟效果分别判定为低、较差、中等、较高和高。
3. 结果与分析
3.1 PLUS模型各参数运行结果
3.1.1 驱动因子及其贡献率
根据驱动因子的选取原则[25]，本研究选取了15个能作用于土地使用变化的驱动因子（图4）。包括：人口、植被指数（NDVI）、GDP、到铁路的距离、到高速公路的距离、到主干道的距离、至次干道距离、到市中心的距离、土壤类型、到河流的距离、年平均气温、年平均降雨量、DEM、坡度、坡向。按照PLUS模型测度要求对驱动因子进行了标准化处理，且要求各驱动因子栅格数据的单元格大小和数目均保持一致。
2010—2020年黄河中上游地区各类用地扩张因子均方根误差RMSE均低于0.14，效果较好。如图5所示，土地与驱动因子之间的连线越粗，即表示该驱动因子对于该类土地演化预测的贡献度越高。
![]()
图 5 各类用地扩张驱动因子贡献度Figure 5. Contribution of driving factors in the expansion of various types of land use从综合角度而言，贡献度最高的几项因子为DEM、植被指数、GDP、年平均气温。其中对耕地扩张影响度最高的驱动因子是DEM，对林地扩张影响度最高的是植被指数，对草地扩张影响度最高的是年平均气温，对建设用地扩张影响度最高的是DEM和人口。
3.1.2 土地使用时空变化
通过分析可知，2010—2020年黄河中上游地区地类变化中，草地(−6408.81 km2) 、林地(6771.24 km2)、建设用地(4300.92 km2) 与耕地（−3932.91 km2）总量变化依次最多，草地、耕地、林地、未利用地依次向其他类用地转换最多（图6），其中草地转换为耕地、未利用地的面积较多，占比分别为5.05%和1.51%；耕地向草地、林地转出最多，占比分别为13.39%和0.82%；林地向草地、耕地转出最多，占比分别为8.25%和1.64%。
![]()
图 6 土地使用类型转换Sankey示意图Figure 6. Schematic diagram of Sankey for land use type conversion3.1.3 模型精度验证
本文以2010年的土地使用数据为基础，通过PLUS模拟得到2020年的土地使用情形，将其与2020年的真实的土地使用格局进行对比验证（图7），得知各类用地中水域的模拟精度最高，草地模拟精度最低。运行PLUS验证其Kappa系数为0.86，总体精度为91.04%，则可知模型的各项参数设置合理，模拟精度比较高。
![]()
图 7 2020年黄河中上游地区土地使用模拟与真实情况对比Figure 7. Comparison of land use simulation and real situation in the research area in 20203.2 研究区土地使用数量结构方案
运用PLUS软件中马尔科夫链模型测算惯性发展情景下的2030年研究区的土地使用结构方案，运用多目标遗传算法测算得到余下3种情景下的土地使用结构方案（表6）。4种情景下各类土地的比例结构存在较大差异，水域、建设用地和林地相较于2020年现状用地变化比例较大，因此对于生态效益和经济效益具有直接显著的影响。
表 6 黄河中上游地区多种模拟情景下土地使用面积及变化比例的对比分析Table 6. Comparative analysis of land use area and change proportion under various simulation scenarios情景
Scenarios项目
Item耕地
Cultivated land林地
Forest草地
Grass水域
Water建设用地
Construction land未利用地
Bare现状current 面积/km2 169808.40 94970.34 464603.85 5166.45 18739.17 28192.68 惯性发展
Inertial development面积/km2 171804.23 99043.01 456592.83 5918.34 21349.98 26772.49 变化比例/% 1.18 4.29 -1.72 14.55 13.93 -5.04 生态保护
Ecological protection面积/km2 171318.20 103025.12 454436.52 6011.01 20366.02 26324.00 变化比例/% 0.89 8.48 -2.19 16.36 8.68 -6.63 经济优先
Economic priority面积/km2 172603.00 97972.00 455711.00 6011.00 21672.02 27543.00 变化比例/% 1.65 3.16 -1.91 16.35 15.65 -2.31 均衡发展
Balanced development面积/km2 172613.20 97879.11 455733.52 6011.01 21640.00 27572.00 变化比例/% 1.65 3.06 -1.91 16.35 15.48 -2.20 如表6所示，惯性发展情景下，2030年黄河中上游区域的耕地、林地、水域和建设用地面积呈现增长趋势，草地和未利用地面积呈现减少趋势，其中水域和建设用地的增长比例最高，达到14.55%和13.93%，未利用地的面积减少比例最高达到5.04%。黄河中上游地区属于生态脆弱区，生态类用地的增加有利于研究区的生态建设与保护，同时经济类用地的增加，有利于经济水平的提高。多目标模型设置的三类情景下，经济优先情景下的建设用地面积增加的比例最高，达到2932.85 km2（15.65%），生态优先情景下的林地和水域面积增加比例最高，分别为8054.78 km2（8.48%）和844.56 km2（16.36%）。该用地变化的趋势符合情景设置的初衷。
3.3 研究区土地使用空间分布格局
研究通过PLUS模型对2030年4种情景下的黄河中上游地区土地使用空间格局进行空间落位（图8）。建设用地在惯性发展、经济优先和均衡发展3种情景下的空间格局变化幅度明显，扩张发生的位置大多处在研究区的西北部，在生态情景下的空间格局变化幅度较小，仅增长了1626.87 km2。草地在生态情景下的空间格局变化幅度较大，呈现增长趋势，主要分布在研究区中部和南部，草地在其他3种情景下的空间格局变化幅度较小（图9）。水域在4种情景下的空间格局变化幅度是6类用地中最小的，而耕地、未利用地、林地的格局形态有着较大幅度变化，其中未利用地变化始终保持减少趋势。
![]()
图 8 2030年研究区不同模拟情景下的土地使用分布Figure 8. Land use distribution under different simulation scenarios in the study area by 2030![]()
图 9 2030年与2020年不同模拟情景下研究区的土地使用差异提取Figure 9. Extraction of land use differences in the study area under different simulation scenarios in 2030 and 20201）惯性发展情景下，各类用地变化面积从大到小依次为草地、林地、建设用地、耕地、未利用地、水域，草地变化幅度最大。各区域用地面积均发生了不同程度的增长和收缩，差异主要分布在研究区北部，其中内蒙古收缩最为明显。林地主要在南部、中部出现增长，其中山西、陕西、甘肃和青海省的增长较多。建设用地和耕地面积扩张主要位于北部和中部，其中大多处在内蒙古、宁夏、甘肃和山西范围内。各区域未利用地均有不同程度的减少。水域受到保护，极少向其他土地类型转换。
2）生态保护情景下，各类用地变化面积从大到小依次为草地、林地、未利用地、建设用地、耕地、水域，耕地和水域的空间分布格局无明显的变化，仅有少量增长和消退。建设用地在研究区的东南部出现增长，主要位于山西、陕西和河南省范围内。生态类用地即草地和林地大量在研究区北部的内蒙古、陕西、青海和甘肃范围内发生大幅扩张，林地在青海省南部、四川省范围内增幅最多。
3）经济优先情景下，各类用地变化面积从大到小依次为草地、建设用地、林地、耕地、未利用地、水域，经济类用地即建设用地和耕地扩张明显，尤其是研究区北部的内蒙古增长最多。草地和未利用地在大部分区域（研究区南部、东部）发生了收缩和消退，草地大多向耕地和林地进行了转换，同时在少数地区出现少许增长现象。
4）生态-经济均衡发展情景下，各类用地变化面积从大到小依次为草地、林地、建设用地、耕地、水域、未利用地，草地在研究区北部、中部发生了扩张，包括内蒙古、甘肃省范围，在研究区西部、南部发生少量收缩，尤其是青海省和陕西省。建设用地在研究区北部（内蒙古省范围）扩张幅度较大，且主要延展方式为边缘式和填充式。耕地和林地在研究区内大致均匀扩张，主要由草地类型转换而来。
上述结果表明，生态-经济均衡情景下的各类土地空间分布的格局更加合理，其中建设用地布局最为紧凑；耕地有向四周蔓延的趋势，表现为边缘式扩张；林地和水域更侧重填充式和飞地式扩张，主要填充的类型是原有的草地和未利用地，从而实现更高的生态价值。
3.4 研究区土地使用方案效益分析
本研究通过MATLAB2021b中的MUGA模块进行迭代运算，直到算法运行满足停止准则，搜索到的Pareto非劣解前端大体呈曲线分布（图10），可以得到2030年4种情景下研究区的经济效益值与生态效益值（表7）。
![]()
图 10 基于双目标函数的帕累托非劣解前端分布Figure 10. Front end distribution of Pareto non inferior solutions based on dual objective function表 7 多情景下经济、生态效益对比分析Table 7. Comparative analysis of economic and ecological benefits under multiple scenarios项目
Item惯性发展
Inertial development生态保护
Ecological protection经济优先
Economic priority均衡发展
Blanced develpntat经济效益/×108元 11999.82 11745.89 13181.04 12223.88 生态效益/×108元 7166.68 7606.28 7092.92 7257.12 经济效益变化比例/% 2.16 0.00 12.22 4.07 生态效益变化比例/% 1.04 7.24 0.00 2.32 注：经济效益变化比例是以生态保护情景为基准计算，生态效益变化比例是以经济优先情景为基准计算。
Note: The proportion of economic benefits change is calculated based on the ecological protection scenario, while the proportion of ecological benefits change is calculated based on the economic priority scenario.由表7可知，经济优先情景下研究区的经济效益显著，预测2030年达到13181.04亿元，但生态效益不佳且为最低，仅有7092.92亿元，综合效益20 273.96亿元该情景不利于生态文明建设。在生态保护情景下，经济效益仅为11745.89亿元，而生态效益达到了4种情景下最高，为7606.28亿元，该情景对经济发展不利。上述两种情景均可能导致区域发展失衡，不利于两者协调发展。此外，惯性发展情景下生态与经济效益相对平衡，但其综合效益（19166.50亿元）不及均衡发展情景（19481.00亿元），且与生态保护情景相比均衡发展情景下的经济效益增幅达到4.07%（大于惯性情景的2.16%）；与经济优先情景相比，其生态效益增幅达到2.32%（大于惯性情景的1.04%）。即生态-经济均衡情景所提出的土地使用方案能够支持区域发展效益最大化，有利于促进地区可持续发展。
4. 讨 论
4.1 土地利用结构与布局的互馈机制
从数量结构、空间布局方面调控土地利用一直是土地复合优化配置的核心[28]，阐明两者互馈路径是黄河中上游区高质量发展的关键，也是建立两者紧密耦合关系的基础（图11）。土地空间布局是数量结构的平面体现，数量结构则反映空间布局的三维构成。土地总量和各类型的分配状况受到多个因素影响，城市化不断推进有效提升了土地盈利的能力，拔高地价的同时对建设用地的需求显著增强。该场景下经济优先发展，但会引起土地结构中建设用地比例过高，耕地等生态用地减少，此时基本农田保护、生态红线保障政策出台，保护林、草、耕地，促进土地良性流转，实现土地格局的优化，进而回馈经济、推进新型城镇化建设，则土地结构与布局的第一条互馈路径完成闭环，该组互馈关系反映经济蓬勃发展，但生态要素受到制约；土地格局破碎、斑块细碎度高会制约经济发展，造成产业结构失衡、绿地萎缩、环境污染加重，需践行退耕还林等生态保护政策去优化土地空间布局。则形成第二条互馈路径。该路径重视生态保护，关注经济发展较少；人口变化意味着需要更多（少）住房等经济建设用地，引起土地需求的调整或结构失衡，此时将未利用地作为弹性空间进行管制，可优化土地结构、平衡生态关系，达到土地与人口匹配的状态，再结合城市规划的刚性管制指标，可以实现数量结构与空间格局复合优化的局面，则使第三条互馈路径闭环。该组互馈关系平衡了经济与生态的关系。三组互馈路径的作用过程能有效佐证均衡发展情景优于生态或经济单一保护情景。
![]()
图 11 土地利用数量结构与空间布局互馈路径Figure 11. The mutual feedback path between land use quantity structure and spatial layout4.2 研究区土地复合优化的建议
黄河中上游地区是典型的生态脆弱区，当前出现了土地利用总量和分配比例相对失调、经济和生态发展亟需平衡、土地空间分布不尽合理等问题，迫切需要对土地可持续发展提供参考建议。本文设置的4种情景方案，可以了解未来不同情景下土地数量结构与空间布局的状态。惯性情景下草地和未利用地大幅降低，建设用地相应增大，与主流规划要求不符，远期应对建筑用地的快速扩张进行遏制。生态保护和经济优先情景基本显露了区域未来土地利用的潜在矛盾，不符合高质量发展的要求。均衡情景既能有效约束建设用地的增长，又能使生态用地的变化维持在合理范围，在未来建设中，建议依照该情景下的土地数量结构与空间布局的复合优化方案进行土地规划。
相较于普遍应用的CLUE-S模型、FLUS[21,27,29-30]，本文应用的PLUS模型构建了一个灵活的处理多类土地使用斑块变化的机制，可以更精确地模拟黄河中上游地区土地使用空间分布情况。同时以往研究在PLUS模型的参数设置的调试过程中，对于限制转换区的设置比较单一[31-32]，多以自然保护区为主，而本文立足于生态脆弱区的地域特点，在生态保护情景下的将高脆弱区作为限制转换区域，增强了模拟过程的科学性。存在不足是受制于收集到的规划文本数据有限，在多目标模型约束条件构建过程中以惯性情景下的土地使用数据、2020年现状数据作为参照对演变趋势做出边界控制，导致了少量主观判断的引入。在后续研究中应不断补充约束条件，扩充数据来源，使土地优化配置更加客观。
5. 结 论
本文构建了黄河中上游地区生态保护、经济优先和生态-经济均衡多目标土地使用优化模型，并引用遗传算法求解，得到3种情景的土地使用结构优化配置的方案，从而对该区域内的土地使用结构进行优化，再应用PLUS模型中的CARS板块，模拟2030年黄河中上游地区空间格局的优化配置。主要结论如下:
1）得到一组使综合效益达到较优水平的Pareto非劣解方案。利用多目标遗传算法对生态保护、经济优先与生态-经济均衡3项不同目标的土地使用结构优化配置问题进行求解，得到了一组Pareto非劣解方案。该结果从一定程度上为决策人预案提供多种选择方案，并通过与空间落位模型PLUS相结合，实现对权衡不同发展目标的土地使用结构及格局分布的情景模拟。
2）4种发展情景下，土地使用比例结构存在较大差异。与2020年现状相比，耕地在经济优先情景下、林地在惯性发展情景下、草地和未利用地在生态保护情景下、水域和建设用地在均衡发展情景下的变化是最大的。
3）4种情景中的生态-经济均衡情景提供的优化配置方案更为合理。从土地使用比例结构、空间格局和总体效益3个角度进行模拟比较，得知均衡情景的总体优于另外3种情景。该方案可为黄河中上游地区未来的生态保护、经济建设和土地优化配置提供参考建议。
-
表 1 内部参数对模型的影响
Table 1 Effect of batch size on model
批量大小
Batch size平均准确率
Mean average
precision mAP%精确率
Precision P/%召回率
Rcall R/%置信度
Confidence/%10 87.3 92.1 96.0 86.0 12 88.2 93.2 96.0 84.0 15 88.5 93.5 96.0 84.0 17 89.1 94.2 96.0 82.0 20 90.3 95.2 95.0 86.0 25 89.1 94.2 96.0 85.0 
下载: 导出CSV
表 2 各个注意力机制模型对比
Table 2 Comparison of attention mechanism models
注意力机制
Attention mechanismmAP% P/% R/% 检测速度
Detection
speed/
(帧·s−1)平均精度
Average accuracy AP/%单株顶芽
Single
plant bud多株顶芽
Multiple
plant bud遮挡顶芽
Shelter plantbudYOLOv5-SE 90.3 94.3 96.0 50.0 94.0 96.2 80.8 YOLOv5-BotNet 91.2 91.8 96.0 41.0 95.0 98.1 80.7 YOLOv5-CotNet 91.1 92.6 96.0 47.0 94.8 97.8 80.8 YOLOv5-C2f 92.0 92.2 96.0 50.0 95.3 97.5 83.2 YOLOv5-CCA 91.4 92.0 95.0 47.0 94.7 97.1 83.2 YOLOv5-CPP 92.8 92.2 96.0 43.0 95.1 98.4 85.1
下载: 导出CSV
表 3 不同层加入注意力机制对模型的影响
Table 3 The effect of different layers adding attention mechanisms on the model
特征提取
层位置
Position in
backbonemAP% P/% R% 检测速度
Detection
speed/
(帧·s−1)AP/% 单株顶芽
Single
plant bud多株顶芽
Multiple
plant bud遮挡顶芽
Shelter
plant budLayer=1 90.8 95.8 94.9 43 93.2 95.2 80.2 Layer=3 90.6 95.2 95.1 43 95.1 97.1 80.6 Layer=5 91.2 96.3 95.6 43 94.7 97.7 80.7 Layer=9 90.4 95.3 94.1 43 94.4 97.3 82.0 Layer=13 90.1 95.2 94.1 43 95.1 97.1 82.9 Layer=20 91.2 95.1 94.7 43 95.4 97.2 83.0
下载: 导出CSV
表 4 各个检测模型对比
Table 4 Comparison of each loss function
模型
Model模型参数量
Model parameter
quantity/MB
mPA%
P/%
R/%检测时间
Detection
time/s检测速度
Detection
speed/(帧·s−1)YOLOv3 61.0 89.5 94.7 96.0 0.04 24.0 YOLOv5s 7.20 90.8 95.8 96.0 0.03 37.0 YOLOv6s 37.8 90.4 95.1 96.0 0.03 35.0 Fast R-CNN 30.0 90.7 95.5 96.0 0.02 33.0 YOLOV5-CPP 3.70 92.8 92.2 96.0 0.01 36.0
下载: 导出CSV
-
[1] 熊伟,秋黎凤,白雪. 棉花发展和纺纱进步的回顾与展望[J]. 纺织器材,2023,50(1):9-14. doi: 10.3969/j.issn.1001-9634.2023.01.004 XIONG Wei, QIU Lifeng, BAI Xue. Review and prospect of cotton development and spinning progress[J]. Textile Equipment, 2023, 50(1): 9-14. (in Chinese with English abstract) doi: 10.3969/j.issn.1001-9634.2023.01.004
[2] 侯慧杰. 新疆棉花生育期气象灾害对棉花生长的影响及应对措施研究[J]. 农业灾害研究,2023,13(1):22-24. HOU Huijie. Effects of meteorological disasters on cotton growth in Xinjiang and countermeasures[J]. Agricultural Disaster Research, 2019, 13(1): 22-24. (in Chinese with English abstract)
[3] 徐爱武,梁燕,尚斌. 我国棉花专业仓储的现状问题及对策[J]. 中国棉花加工,2022(6):14-16. doi: 10.3969/j.issn.1003-0662.2022.06.006 [4] 马乾. “十四五”期间新疆棉花公证检验事业与棉花产业的发展趋势探讨[J]. 中国棉花加工,2022(6):30-31 doi: 10.3969/j.issn.1003-0662.2022.06.012 [5] 陈常兵. 我国内地棉区棉花生产现状与发展对策[J]. 中国农技推广,2022,38(10):10-13. [6] GIRSHICKR. Fast r-cnn[C]//Proceedings of the IEEE International Conference on Computer Vision. Santiago, 2015: 1440-1448
[7] REDMON J, DIVVALA S, GIRSHICK R, You only look once: Unified, real-time object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV, USA, 2016: 779-788.
[8] Redmon J, Farhadi A. YOLOv3: An incremental improvement[EB/OL]. (2018-04-08)[2022-11-19]https://arxiv.org/abs/1804.02767.
[9] WANG C, BOCHKOVSKIY A, LIAO H Y M. Faster-RCNN: Trainablebag-of-freebiessetsnewstate-of-the-art for real-time object dete-ctors[EB/OL]. (2022-07-06)[2022-11-19]https://arxiv.org/abs/ 2207.02696.
[10] KOIRALA A, WALSH K B, WANG Z, et al. Deep learning for mango (Mangifera indica) panicle stage classification[J]. Agronomy, 2020, 10(1): 143. doi: 10.3390/agronomy10010143
[11] 刘海涛,韩鑫,兰玉彬,等. 基于YOLOv4网络的棉花顶芽精准识别方法[J]. 中国农业科技导报,2022,24(8):99-108. LIU Haitao, Han Xin, LAN Yubin, et al. Precision identification of cotton terminal bud based on YOLOv4 network[J]. Journal of Agricultural Science and Technology of China, 2022, 24(8): 99-108. (in Chinese with English abstract)
[12] JIA W, TIAN Y, LUO R. Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot[J]. Computers and Electronics in Agriculture, 2020, 172: 105380.
[13] 张振国,吕全贵,任杰宇,等. 旋转剪切式红花花丝采摘 机械关键部件的设计[J]. 中国农机化学报,2019,40(7):1-6. ZHANG Zhenguo, Lü Quangui, REN Jieyu. Design of critical compinents for safflower harvesting machinery by rotary shear[J]. Journal of Chinese Agricultural Machanization, 2019, 40(7): 1-6. (in Chinese with English abstract)
[14] 朱旭,马淏,姬江涛,等. 基于 Faster R-CNN 的蓝莓冠层 果实检测识别分析[J]. 南方农业学报,2020,51(6):1493-1501. ZHU Xu, MA Hao, JI Jiangtao, et al. Detecting and identifying blueberry canopy fruits based on Faster R-CNN[J]. Journal of Southern Agriculture, 2020, 51(6): 1493-1501. (in Chinese with English abstract)
[15] 李天华,孙萌,丁小明,等. 基于 YOLOv4+HSV 的成熟 期番茄识别方法[J]. 农业工程学报,2021,37(21):183-190. LI Tianhua, SUN Meng, DING Xiaoming, et al. Tomato recognition method at the ripening stage based on YOLO v4 and HSV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2021,37(21): 183-190.
[16] 杨坚,钱振,张燕军,等. 采用改进YOLOv4-tiny 的复杂环境下番茄实时识别[J]. 农业工程学报,2022,38(9):215-221. YANG Jian, QIAN Zhen, ZHANG Yanjun, et al. Real-time recognition of tomatoes in complex environments based on improved YOLOv4-tiny[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 215-221. (in Chinese with English abstract)
[17] CHEN C, LU J, ZHOU M, A. YOLOv3-based computer vision system for identification of tea buds and the picking point[J]. Computers and Electronics in Agriculture, 2022, 198: 107116.
[18] 薛月菊,黄宁,涂淑琴,等. 未成熟芒果的改进YOLOv2识别方法[J]. 农业工程学报,2018,34(7):173-179. XUE Yueju, HUANG Ning, TU Shuqin, et al. Improved YOLOv2 identification method of immature Mango[J]. Transactions of the Chinese Society of Agricultural Engineering,(Transactions of the CSAE) 2018, 34(7): 173-179. (in Chinese with English abstract)
[19] 樊湘鹏,许燕,周建平,等. 基于迁移学习和改进CNN的葡萄叶部病害检测系统[J]. 农业工程学报,2021,37(6):151-159. FAN Xiangpeng, XU Yan, ZHOU Jianping, et al. Grape leaf disease detection system based on transfer learning and improved CNN[J]. Transactions of the Chinese Society of Agricultural Engineering,(Transactions of the CSAE) 2021, 37(6): 151-159. (in Chinese with English abstract)
[20] ZHENG Z H, WANG P, LIU W, et al. Distance-IoUloss: Faster and better learning for bounding box regression[C]//Proceedings of the AAAI Conference on Artificial Intelligence, New York, USA, 2020: 12993-13000.
[21] GEVORGYAN Z. SIoU loss: More powerful learning forbounding box regression[C]//Computer Vision and Pattern Recognition. New Orleans, 2022: 1-12
[22] HAMID R, NATHAN T, JUN Y, et al. Generalized intersection over union: A metric and a loss for bounding boxregression[C]//Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition. Long Beach, 2019: 658-666.
[23] ZHENG Z, WANG P, LIU W, et al. DistanceIoU loss: Fasterand better learning for bounding box regression[C]//Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto, 2020: 1-7.
[24] Srinivas A, Lin Tian Y, Parmar N, Bottleneck transformers for visual recognition[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville, TN, USA.2021: 16519-16529.
[25] LI Y, YAO T, PAN Y, et al. Contextual transformer networks for visual recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New Orleans, IEEE, 2022: 1489-1500.
[26] Redmon J, Farhadi A. YOLOv3: An incremental improvement[EB/OL]. (2018-04-08)[2020-07-07].https:arxiv. org / abs/ 1804. 02767.
[27] LI Chuyi, LI Lulu, JIANG Hongliang, et al. YOLOv6: a single-stage object detection framework for industrial applications[EB/OL]. 2022[2023-05-06]. https://arxiv.org/abs/2209.02976
-
期刊类型引用(1)
1. 郭伟玲，徐刘洋，贾纪昂，高畅，夏小林，汪邦稳，张靖雨，陈磊，陈应健. 耦合PLUS-CSLE模型预测淮河流域多情景土地利用变化与土壤侵蚀. 水土保持学报. 2024(06): 234-243+252 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 409
- HTML全文浏览量: 58
- PDF下载量: 241
- 被引次数: 1
