灰柳（Salix glauca）显微图像上自动年轮检测的评估——基于Iterative Next Boundary Detection（INBD）深度学习方法的初步应用

《Dendrochronologia》：Assessing automatic ring detection on microscopy images of Salix glauca

　　

灌木年轮分析日益被用于评估北极及高山生态系统的气候—生长关系。然而，人工年轮测量仍耗时费力，限制了生态推断的规模。为应对此挑战，本研究利用来自西格陵兰新采集并手工标注的50张灰柳（Salix glauca）横切面显微图像数据集，评估了Iterative Next Boundary Detection（INBD）深度学习方法在灌木横切面自动年轮检测中的表现。模型表现出中等性能，能在形态清晰的样本中成功检测年轮，但在复杂情况下精度有限。研究人员进一步评估了三种图像缩放策略，发现将图像归一化至最长边为1504像素的固定尺寸相较于固定降采样方案可提升分割精度并缩短训练时间。研究人员对比了自动与手工描绘的年轮迹线，分别计算了两种方法得出的基底面积增量（Basal Area Increment, BAI），并额外计算了源自手工年轮迹线的六项一维度量指标。自动描绘所得的生长格局与年轮计数总体上与手工描绘结果一致。相关性分析显示夏季温度与生长呈正相关，自动与手工BAI均呈不显著趋势；而多数一维度量指标则呈显著正相关，凸显了测量方式对推断气候敏感性的潜在影响。线性混合效应模型（Linear Mixed-Effects Model, LMM）进一步揭示，无论采用何种度量，灌木生长与夏季平均温度均存在一致的显著正相关，其中基于自动推导BAI的模型解释了最大比例的方差。本研究结果既展现了INBD方法用于灰柳灌木年轮自动分析的潜力，也指出了其当前局限。尽管存在精度问题，该方法目前已可产出具生态学意义的年轮划分结果与生长格局。经物种特异性训练、精细调参与更广泛测试后，自动年轮检测有望加速灌木年轮数据提取，拓展寒区树木年代学研究。

发表于《Dendrochronologia》的本文由Henry Marichal、Candice Power、Urs A. Treier、Giulia Resente、Signe Normand及Gregory Randall共同完成，研究评估了Iterative Next Boundary Detection（INBD）深度学习方法在灰柳（Salix glauca）横切面显微图像上年轮自动检测的可行性、精度及其在灌木年代学（Dendrochronology）中的应用价值。

研究背景方面，北极和高山生态系统正经历快速的气候驱动变化，落叶灌木（如Salix属）随变暖普遍扩张并成为北极绿化的重要组分，其生长与生物地球化学循环密切相关。灌木次生木质部的生长轮是偏远地区过去气候与环境扰动的宝贵档案，其中Salix glauca已被证实具树木气候学（Dendroclimatology）价值，可记录极端事件。但与乔木不同，灌木个体细小、多茎、偏心生长且常出现窄轮、楔形轮甚至缺轮，加之制样需制作全茎横切面薄片并染色、在高分辨率下拍摄，随后靠专家目视逐条标记年轮边界——这一过程极度依赖人工、耗时长且存在操作偏差，通常只能沿少数半径测量而非完整环描绘，制约了大样本分析与及时产出生态解释。虽已有针对树芯与乔木横切面的自动年轮检测（含边缘检测法与卷积神经网络），但此前尚无专用于灌木横切面年轮自动描绘的深度学习方法。INBD系首个面向此目的提出的深度学习模型，最初在Dryas octopetala、Empetrum hermaphroditum和Vaccinium myrtillus上训练验证，本文首次将其拓展应用于S. glauca并系统评估。

关键技术方法概要：研究人员采集西格陵兰Disko岛Bl?sedalen山谷（69°16′N，53°27′W）2019—2020年的S. glauca茎横切面与根颈（root collar）样本，经石蜡/树脂包埋、连续切片、染色及高分辨率显微摄影获取图像，从中选取50张手工逐轮标注作为物种特异性数据集。采用INBD模型以五折交叉验证（five?fold cross?validation）训练与测试，默认参数（×4下采样），并使用与原文献一致的mean Average Recall（mAR）及Adapted Rand error（ARAND）评估分割性能。另比较三种图像预处理缩放策略（固定短边/长边降采样及固定最长边归一化至1504像素）。自动与手工年轮迹线分别用于计算基底面积增量（Basal Area Increment, BAI）及六项源自手工标注的一维径向度量，对比年轮计数、轮面积及生长—温度相关性；并构建线性混合效应模型（Linear Mixed?Effects Model, LMM）分析各度量下夏季均温对灌木生长的影响。

研究结果如下：

Field sampling and lab work：样本采自西格陵兰Disko岛Bl?sedalen山谷（69°16′N，53°27′W）2019—2020年，含雪栅栏实验处理的茎横切面和系统采集的根颈，经制片染色与显微拍照得到用于标注与建模的高分辨率横切面图像。

Assessment of automatic ring detection：在S. glauca数据集上以五折交叉验证运行INBD，平均mAR为0.617±0.115，ARAND为0.169±0.090。模型对形态清晰样本能成功检出年轮，但对老轮、模糊或偏心区域精度下降，整体性能低于原INBD在初训三物种上的报道。

Comparison of performance with original INBD dataset and downsampling strategy：对比三种图像缩放策略后发现，将图像按最长边归一化至1504像素较固定降采样（如下采样至固定短边或固定尺寸）可在保持细节的同时减少信息损失，提高分割精度并缩短训练时间，为较优预处理方案。

Conclusions（结论翻译）：本研究将INBD方法应用于S. glauca显微横切面图像。结果表明，模型在年轮界限清晰的样本中总体表现良好，但在样本内及样本间的精度并不一致。提升性能需更大规模、物种特异性的训练数据集，尤其针对老旧及形态复杂样本。此外，将输入图像归一化至固定分辨率可在精度与计算效率间取得更优平衡。尽管当前存在局限，INBD已可生成具生态学意义的年轮划分与生长格局；经物种特异性微调与扩展验证后，自动年轮检测有望加速寒区灌木年代学数据提取并扩大研究尺度。

讨论总结：尽管INBD在S. glauca上尚未达完美，自动与手工年轮计数及生长格局基本一致；自动与手工BAI与夏季温度的相关性均不显著，而手工衍生的一维径向度量多与温度呈显著正相关，提示测量维度（整环面积vs径向宽度）可能影响气候敏感性推断。LMM显示无论度量方式，夏季均温对灌木生长均为显著正效应，且自动BAI所建模型解释方差最大，暗示完整环面积量化可能更敏感捕捉环境信号。未来通过扩充S. glauca等北极灌木的训练集、优化预处理与后处理步骤，INBD类深度学习工具可成为灌木年代学高通量分析的重要辅助手段，减轻人工负担、降低主观偏差并促进跨站点年表对比。