中国山区草地资源发展生态补偿研究

阐述了山区草地资源发展生态补偿的依据,分析了山区草地资源发展的战略地位,并探讨了其生态补偿机制.     

甘南草原保护与特色经济发展研究

甘南面临的最突出的问题是草原生态环境恶化 ,它放大了生态不安全、社会不安全之间的累积效应 ,制约着西部及国家的可持续发展。本文的研究不论从生态安全或社会安全而言 ,它的意义均超出了甘南本身 ,具有全国性的重要而深远的意义。甘南通过依据自身资源优势 ,发展特色经济 ,培育新的经济增长点 ,从而实现区域经济的可持续发展。     

柳州市居住区绿化设计探讨

通过对柳州市居住区绿化情况进行实地调查和满意度访问,分析了柳州市居住区绿地布局、植物选择与配置和养护管理等绿化现状以及居民对居住区绿化的满意程度,并针对柳州市居住区环境绿化存在的问题,提出了发展人性化、生态化和特色化绿化设计等相关建议。     

浅议疏勒河移民工程对流域生态环境的影响

河西走廊疏勒河农业灌溉暨移民安置综合开发项目,是国务院批准的利用世界银行贷款进行水利排灌、移民安置、农林牧综合开发的国家重点建设项目。甘肃省农业开发的主要限制性因素就是水资源缺乏。疏勒河流域属典型的干旱区,生态环境条件十分脆弱,水土流失、荒漠化、盐碱化问题严重,各种自然灾害多发。鉴于疏勒河流域自然条件和经济社会发展的特殊性,要求疏勒河开发中必须将生态建设放在首位,坚持生态建设,保护环境,趋利避害,调整用水策略,实现水资源的可持续利用,重视防灾减灾与培育特色产业,充分发展太阳能、风能等可再生资源,减轻农民对薪材需求的压力,需要防止移民大量涌入而出现的燃料短缺,从而出现冲击生态环境的现象。加快城镇化建设,减轻对环境的压力。实现人口、资源、环境与经济社会发展的良性循环。     

板栗快速育苗技术

板栗果实营养丰富,不仅含有大量淀粉,而且含有蛋白质、脂肪、B族维生素等多种营养成分,素有"干果之王"的美称。栗子可代粮,与     

中国生态安全评价研究进展

生态安全是可持续发展研究的新领域,是对生态系统整体安全状况的定量描述,对保护和发挥良好的生产与生态服务功能具有重要作用.在概述生态安全理论内涵的基础上,从评价尺度、评价模型与指标体系、评价方法、评价标准与评价结果分级等方面综述了国内生态安全评价研究进展,进而针对目前我国生态安全评价研究和应用中存在的一系列问题,提出加强生态安全的理论研究、完善评价模型与指标体系、制定科学合理的评价标准、实现不同尺度研究紧密结合、构建重点区域监测与预警平台、健全安全维护与管理调控系统等发展对策,以期为推进深入系统的生态安全评价研究提供依据.     

基于BP神经网络模型的森林资源蓄积量动态估测

以浙江省庆元县2007年森林资源二类调查数据为样本数据,选择树龄、海拔、坡度级、土层厚度、A层厚度、郁闭度6个指标作为自变量因子,利用基于BP神经网络的预测模型,分优势树种对森林资源蓄积量进行预测。试验结果表明,自变量因子与因变量(蓄积量)之间具有较好的相关性。今后研究中若能加入一些其他影响因子(如太阳辐射指数、地形湿度指数等),并结合高精度的遥感影像(如天地图),然后再对数据进行一定的预处理,则研究结果将完全可能用于辅助森林资源调查。     

基于LSMM的青海湖流域植被覆盖度时空变化分析

基于2000、2008、2016年3个时相的Landsat影像,采用线性光谱混合分解模型提取了三期的青海湖流域植被覆盖度。结果表明,2000-2008年植被覆盖度有小幅度上升;而2008-2016年则表现出植被覆盖度极明显增加,这一变化与2008年启动的青海湖流域综合治理项目密切相关。     

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。     

基于FE-P2Pnet的无人机小麦图像麦穗计数方法

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet（Feature enhance-point to point）的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的差异度,减少叶、秆等复杂背景因素的影响。引入了基于点标注的网络P2Pnet作为基线网络,以解决麦穗密集的问题。同时,针对麦穗目标小引起的特征信息较少的问题,在P2Pnet的主干网络VGG16中添加了Triplet模块,将C(通道)、H(高度)和W(宽度)3个维度的信息交互,使得主干网络可以提取更多与目标相关的特征信息;针对麦穗尺寸不一的问题,在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块,使得该模块能够更好地处理特征信息和融合多尺度信息;为了更好地对目标进行分类,使用Focal Loss损失函数代替交叉熵损失函数,该损失函数可以对背景和目标的特征信息进行不同的权重加权,进一步突出特征。实验结果表明,在本文所构建的无人机小麦图像数据集(Wheat-ZWF)上,麦穗计数的平均绝对误差（MAE）、均方误差（MSE）和平均精确度(ACC)分别达到3.77、5.13和90.87%,相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet（Congested scene recognition network)和WHCNETs (Wheat head counting networks)等,表现最佳。与基线网络P2Pnet相比,MAE和MSE分别降低23.2%和16.6%,ACC提高2.67个百分点。为了进一步验证本文算法的有效性,对采集的其它4种不同品种的小麦（AK1009、AK1401、AK1706和YKM222）进行了实验,实验结果显示,麦穗计数MAE和MSE平均为5.10和6.17,ACC也达到89.69%,表明本文提出的模型具有较好的泛化性能。