使用 UNEt TR 变压器神经网络在染色微截面上进行树环细分,用于定量木材解剖
Miguel García-Hidalgo1, Ángel García-Pedrero2,3, Vicente Rozas1
1iuFOR, EiFAB, Universidad de Valladolid, Soria, Spain.
Frontiers in plant science
|January 23, 2024
概括
使用神经网络进行自动化树环细分,准确地将每年生长的树环划分为木微小部分. 这种方法与手动分析相匹配或超越,改善了气候变化研究的数据收集.
科学领域:
- 森林生态学和树枝年代学.
- 气候变化对陆地生态系统的影响
- 植物解剖学和生理学
背景情况:
- 森林在全球碳循环中发挥着至关重要的作用,它们对气候变化的反应对未来气候预测至关重要.
- 每年的树环提供了环境条件和树木反应的历史记录.
- 量化木材解剖学分析气候数据的细胞结构,但手动树环划分是一个瓶.
研究的目的:
- 开发和评估一种自动化方法,用于在彩色木材微切片中划定树环边界.
- 评估神经网络的准确性和效率,与人工细分相比,用于定量木材解剖.
主要方法:
- 利用UNETR神经网络,结合UNET和视觉变压器,用于分割年度环边界.
- 训练模型在染色的横截面微截图图像上的木核心.
- 评估了对手工划分的细分精度,并分析了对木材解剖学的定量参数的影响.
主要成果:
- 自动化的UNETR模型实现了高精度,在91.8%的案例中与手动细分相匹配或改进.
- 在自动化方法和手动方法之间,船只对年环的分配率是可比的.
- 基于神经网络的细分显示出在特定的木材解剖学定量分析中,比手工操作者表现优越.
结论:
- 使用UNETR自动化树环边界划定是一种可靠和高效的替代手工方法.
- 这种方法可以显著降低与大规模,准确的数据收集在定量木材解剖学相关的成本和努力.
- 改进的数据采集支持对森林应对气候变化的更强有力的分析.
