单木分割对于森林资源调查具有重要的意义,不同结构复杂度的森林单木分割算法的选择以及分割参数的选取对分割精度有着很大的影响.以山东田横岛为研究区,基于无人机正射影像与激光雷达数据,首先提取海岛森林典型植被二维与三维特征,然后利用随机森林算法对不同树种的树木进行分类,最后基于分类后的点云数据,选取不同结构复杂度的森林样地,对比分析聚类算法、层堆叠算法、分水岭算法在不同复杂度林区的适用性.结果表明:(1)随机森林算法结合单木二维、三维特征可有效对混交林树木进行分类,模型总体的精度为 94.51%,Kappa系数为 0.9038;(2)聚类算法对结构简单的林区具有更高的分割精度(F=96.41),但依赖于分割参数的选取;面对复杂单木集群,分水岭算法总体得分波动最小(ΔF=14.56),表现出较强的稳定性;(3)混交林预先进行树种分类可有效改善单木分割环境,相比于直接进行单木分割,聚类算法、层堆叠算法、分水岭算法的分割精度均得到不同程度的提升(ΔF1=10.06,ΔF2=9.51,ΔF3=12.6).

目的 探讨基于国产联影URT-Linac 506c加速器的容积弧形调强放射治疗(Volumetric Modulated Arc Therapy,VMAT)计划复杂度参数与患者计划质量保证(Patient Specific Quality Assurance,PSQA)间的关系,并建立机器学习模型对PSQA结果进行评估和预测.方法 随机选取150例在URT-Linac 506c加速器上行VMAT治疗计划的患者为研究对象,在该加速器上对所有计划进行基于机载电子射野影像系统探测器的PSQA剂量验证.对剂量验证结果进行阈值为10%、标准为2%/2 mm的伽马通过率分析.同时对每个计划基于多叶准直器位置和跳数,提取其中的11个复杂度参数.分析复杂度参数和PSQA结果间的关系,并建立机器学习模型对PSQA结果进行预测.结果 计划复杂度参数与PSQA结果的相关性分析表明二者并不严格呈线性相关,但计划的复杂程度越高,PSQA通过率相对越低.梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型和随机森林(Random Forest,RF)模型对基于复杂度参数的PSQA结果预测水平相当,GBDT模型和RF模型的平均预测误差分别为0.55%和0.54%.由于PSQA结果分布严重不平衡,更改过权重后的模型对低通过率部分的预测能力有所提升.结论 对于国产加速器URT-Linac 506c,这2种基于决策树结构的机器学习模型对PSQA结果的预测可提供一定的帮助,建立更精准的模型需要进一步完善采集患者的样本量.

森林结构和地形是森林生态系统最明显的特点,也是影响林下幼苗存活和物种多样性的关键因子.该研究采用半球面摄影方法提取八大公山生长监测样地(共1.2 hm2)林冠结构参数,通过调查地表层木本植物幼苗的组成和多度,获取常见植物幼苗叶片功能性状,结合详细的地形信息,利用空间同步自回归模型探究林冠结构变量及地形因子对幼苗物种多样性及功能多样性的影响.结果表明:(1)八大公山亚热带山地常绿落叶阔叶林林冠结构复杂度较高,最大林冠高的平均值达到19.94 m,叶面积指数、平均叶倾角和林冠覆盖度分别为2.94、30.88°和0.87;(2)林冠结构变量和地形因子能够解释32.6％ ～48.4％的林下幼苗物种多样性指数变异和28.5％ ～70.2％的功能多样性变异,但地形因子对幼苗物种多样性的影响很小;(3)预测在亚热带常绿落叶阔叶林高海拔的山坡上,有较低的叶面积指数和平均叶倾角群落有较高的幼苗物种多样性;而在低海拔山脊上,较低的叶面积指数和平均叶倾角群落林下幼苗层有较高的功能多样性.此结果对科研人员和林业工作者开展野外森林更新情况评估和样方调查将有所帮助.