近日，信息学院（人工智能学院）许福教授团队在树木年轮智能测量方面取得进展，研究成果“A Framework for Measuring Tree Rings Based on Panchromatic Images and Deep Learning”在植物领域的中国科学院一区TOP期刊《Plant, Cell & Environment》上发表。

树木年轮分析是指通过研究木质部横截面上的同心圆结构来重建历史气候变化和生态系统演变过程的方法，对于理解长期环境变化和生态系统动态具有重要意义。随着气候变化研究的深入，获取长时间序列的气候代用资料变得越来越重要，而树木年轮作为一种天然的记录器，能够提供高分辨率的历史气候信息。然而，由于树木年轮形态、结构和颜色的多样性及复杂性，传统的手工分析方法往往耗时费力且容易受到主观因素的影响。因此，开发自动化的树木年轮智能识别和测量技术，以提高分析的效率和准确性，成为了这一领域具有挑战性的研究问题。

传统的树木年轮测量方法主要依赖于机械辅助、光学和微电子技术，通过直接测量年轮边界间距离来计数和分析年轮。这些方法包括利用划线装置和测量尺的机械辅助测量、基于显微镜和数码相机的光学测量，以及利用扫描仪和计算机软件的微电子测量。然而，由于树木年轮形态、结构和颜色的多样性及复杂性，这些方法往往耗时费力且容易受到主观因素影响。X射线计算机断层扫描技术虽然能够实现树木年轮结构信息的精确建模，但其资源密集型特性限制了广泛应用。随着机器学习技术的发展，基于深度学习的树木年轮分析方法逐渐兴起。这些方法通过学习和解释复杂的年轮模式，克服了传统方法的局限性。例如，利用Mask-RCNN架构检测年轮和计算生长率，以及应用U-Net卷积网络自动检测年轮边界，都显著提高了分析效率和准确性。然而，仅依靠算法无法完全解决树木年轮分析中的所有挑战，还需要硬件技术的支持。

针对上述问题，许福教授团队结合了深度学习算法和改进后的图像采集技术，设计了包含软硬一体化的新型树木年轮自动测量框架。通过使用全色传感器获取高分辨率、高动态范围的年轮图像，并应用多层卷积神经网络进行图像增强和分割，这种方法能够适应复杂的年轮图像特征，实现高效准确的自动化分析，不仅提高了测量的效率和准确性，还为野外调查提供了经济实用的解决方案。

图 1 树木年轮自动测量框架工作流程图

北京林业大学信息学院（人工智能学院）的2022级博士生王升和2023级硕士生赵超越为论文共同第一作者，通讯作者为许福教授和牟超老师，该研究受到国家重点研发计划项目（2022YFF1302700）、国家林草局揭榜挂帅项目（202303）、中央高校优秀青年团队项目（QNTD202308）的资助。

论文链接：https://onlinelibrary.wiley.com/doi/10.1111/pce.15091