基于高分三号卫星数据与Η/Α/α-分解特征参数的农作物分类研究

利用高分三号(GF-3)卫星的全极化C波段多极化合成孔径雷达数据,基于Η/Α/ \stackrel{-}{\alpha }极化分解提取香农熵(SE)及其强度分量(SE_I)和极化分量(SE_P)、单次反射特征值相对差异度(SERD)、二次反射特征值相对差异度(DERD)、极化比(PF)、基准高度(PH)、极化不对称性(PA)和雷达植被指数(RVI)共9个特征参数,将其应用于农作物分类研究中,以支持向量机(SVM)和随机森林(RF)算法为例,初步探索了基于Η/Α/ \stackrel{-}{\alpha }分解提取的这9个特征参数在GF-3数据支持下的农作物分类潜力。结果显示:单独将SERD、PH、PF、RVI和SE_P参数用于2种分类方法时,分类精度较高,在82%~92%;但单独运用PA、DERD、SE和SE_I的分类精度均低于80%。将分类精度较低的4个参数组合后,分类精度明显提高,在SVM和RF下的总体分类精度分别达到93.02%和92.05%,Kappa系数均大于0.8。结果表明,基于全极化GF-3数据和Η/Α/ \stackrel{-}{\alpha }极化分解方法提取的9个特征参数,能很好地表征农作物的散射特征,可用于农作物分类研究。     

立体栖架散养蛋鸡行为加速度信号降噪方法比较分析

针对采用姿态传感器监测散养蛋鸡行为过程中存在加速度信号易受噪声干扰,不同行为加速度信号特征尚不清晰的问题,以立体栖架散养蛋鸡的三维空间行为为目标,在构建蛋鸡穿戴式行为监测系统,获取不同行为加速度信号的基础上,研究小波阈值、CEEMDAN、CEEMDAN结合小波阈值对加速度信号的降噪效果,分析蛋鸡6种典型行为活动的加速度信号特征。结果表明:1)小波史坦无偏似然估计(Rigrsure)阈值的降噪效果更好,降噪后信号的信噪比(SNR)为17.613 2,均方根误差(RMSE)为0.045 0;2)根据X、Y轴加速度标准差分布特征,可将蛋鸡三维空间行为活动强度由低到高分为趴卧和站立、采食和饮水、行走、跳跃4类,各类行为活动的加速度信号标准差差异极显著(P<0.001)。本研究表明,小波Rigrsure阈值法在对蛋鸡空间行为活动加速度信号进行降噪的同时可以保留更多的有效信息,可根据加速度标准差对蛋鸡典型行为的活动水平进行分类识别。     

结合Landsat 8与PALSAR-2影像的龙南县针叶林蓄积量遥感估测研究

林分蓄积量估测是林业遥感的重要研究领域,由于云雾天气和光谱饱和现象等因素限制了光学遥感影像估测林分蓄积量的精度。合成孔径雷达(SAR)具有穿透性强、受云雾影响小等特点,弥补了光学遥感的不足。以江西省龙南县的针叶林为研究对象,结合Landsat 8与PALSAR-2双极化SAR影像数据,在遥感数据预处理基础上,提取了光谱信息、植被指数、纹理信息和后向散射系数等共245个遥感因子。基于Pearson相关系数法和多元逐步回归法,筛选出65个遥感因子参与林分蓄积量估测。以林分郁闭度作为分层因子,分别采用线性、KNN、支持向量机(SVM)、多重感知机(MLP)和随机森林(RF)5种模型估测林分蓄积量,并对估测结果进行精度检验。实验结果表明:1)相比单独使用Landsat 8的光谱和纹理信息,基于郁闭度分级并融合PALSAR-2的后向散射信息明显提高了蓄积量的反演精度;2)对于低郁闭度林分,线性模型精度最高(rRMSE=21.16%),中郁闭度林分,多重感知机模型估测效果最好(rRMSE=30.61%),高郁闭度林分,多重感知机模型估测效果最好(rRMSE=27.53%)。在结合PALSAR-2的后向散射系数的基础上,郁闭度分层能有效改善中高蓄积量区域的反演精度。     

室内空气品质归类综合评价

由于室内空气环境是重要的基础生活环境,室内空气品质与人群健康密切相关,科学评价室内空气品质对于保护人群健康具有重要意义。但目前室内空气品质评价在评价要素选择和评价方式上各有不同。基于此,针对室内空气品质提出了一种归类综合评价方式,较为全面地涵盖和整合了评价要素,对室内空气品质的有效评价和改善有一定参考价值。     

葡萄种质资源花穗形状分类标准的建立及其动态发育过程分析

【目的】葡萄是重要的经济果树,果穗形状会影响其经济价值。本研究跟踪调查255份葡萄种质资源的果穗发育过程,建立新的花序形状并完善果穗形状分类标准,为葡萄生产提供理论支撑。【方法】田间跟踪调查255份葡萄种质资源的花穗长宽发育情况,在开花期、果实膨大期以及果实成熟期3个关键时期测量主穗长宽、小穗长宽、小穗角度、果粒横纵径、果粒重以及果柄长,分析果穗形状动态发育过程中各指标变化规律。【结果】基于255份葡萄种质资源的田间调查结果,将花序与果穗形状分为长圆锥、短圆锥、长圆柱、短圆柱并建立新的花序与果穗形状分类标准。调查发现,在葡萄花序发育过程中,52.55%的花序会发生形状变化,以长圆柱花序居多,大多发育为短圆柱果穗。因此,果穗形状形成类型有16种。对葡萄穗长穗宽的分析发现,长圆锥花序在发育过程中具有较高的“稳定性”,对于短圆锥、长圆柱、短圆柱花序而言,穗长对形状影响更大,进一步探究发现小穗长/宽以及小穗角度尤其是上部小穗的长宽与角度是影响花穗形状外缘的主要因素。【结论】本研究将花序与果穗形状分为长圆锥、短圆锥、长圆柱、短圆柱4种,提出了一个花序、果穗的形状分类标准的计算方法,同时对调查数据进行了实际计算与分类。一半以上葡萄花序的形状会发生变化,圆锥花序的形状较稳定。穗长、穗宽、小穗长宽及小穗角度对穗形影响较大,分别表现在影响形状的长宽和外缘,尤其是上部小穗的长宽与角度是影响柱锥判断的最主要原因。小穗角度的变化会影响小穗反映在形状上的有效长度。本研究进一步提出了基于花穗形状的整形修剪方法,可为葡萄的整形修剪提供理论基础。     

应用哨兵2A多时相遥感影像对树种的识别

森林树种类别的准确识别和专题图制作对于森林经营管理具有重要作用。以哨兵2A多时相遥感影像数据源,通过对单时相影像以及根据基尼系数(Gini系数)和信息熵进行的不同影像组合,利用随机森林算法对大孤家林场的树种类别进行识别和分类制图。结果表明:哨兵2A多时相影像组合能够显著改善树种分类的精度,多时相影像组合总体分度最高为87.45%,Kappa系数为0.825,比单时相遥感影像分类总体精度提升了4%~7%。     

不同坡位香椿人工林生长和林分结构差异

研究香椿人工林在不同坡位的生长差异,为香椿人工林的培育生产提供参考。以32~39年生香椿人工林为对象,按照不同坡位（上、中、下）设置样地,测定样地内的香椿生长指标;使用Weibull函数对不同坡位林分直径分布结构进行分析;通过林木分级统计并分析各样地林分特征;解析不同坡位香椿人工林的生长过程。结果表明,试验区香椿人工林呈中高度郁闭,下坡位香椿平均树高为13.71 m,胸径为21.32 cm,南北冠幅为5.29 m,均显著最高,而上坡对应各生长指标显著最低。不同坡位香椿人工林径阶分布的Weibull模型拟合效果为下坡＞上坡＞中坡,拟合形状参数c均在1.0~3.6,为单峰左偏状分布,c_下坡＞c_上坡＞c_中坡,下坡趋向于竞争期更稳定的自然稀疏后期。下坡林分林木分级集中在Ⅱ、Ⅲ级,占81.48%,而上坡Ⅰ、Ⅱ、Ⅲ、Ⅳ级林木占比分别为19.23%、21.79%、37.18%、20.51%,并存有少量Ⅴ级木,林木分级分布相对分散。解析香椿人工林生长过程显示,胸径、树高、材积总生长量均为下坡＞中坡＞下坡。试验区下坡的香椿人工林树高、胸径及冠幅均有生长优势。全试验区林分径阶分布呈单峰左偏状分布,下坡林分趋向于更稳定的自然稀疏后期,且林木分级多集中于Ⅱ、Ⅲ级,胸径、树高、材积总生长量最高。     

基于无人机遥感与随机森林的荒漠草原植被分类方法

荒漠草原是草原中最旱生的类型,属于草原的极限生态状态,也是气候变化和生态系统演变的预警区。利用无人机高光谱遥感技术快速、准确地提取荒漠草原草地植被类型,对动态监测草原生态安全和合理开发草地畜牧业具有重要意义。以无人机搭载高光谱成像系统采集内蒙古荒漠草原遥感图像,获得具有高空间分辨率和高光谱分辨率的图像;通过光谱连续统去除变换,增强草地植被之间的光谱差异,并构建植被指数;采用分步波段选择法选择荒漠草原植被的特征波段,实现高光谱数据降维;构建融合光谱特征、植被特征、地形特征和纹理特征等24个变量的随机森林分类模型,并与支持向量机（SVM）、K-最近邻（KNN）和最大似然分类（MLC）法进行比较。结果表明,在4种分类方法中随机森林分类算法分类效果最好,总体分类精度达到91.06%,比SVM、KNN和MLC等机器学习算法分别高7.9、15.61、18.33个百分点,Kappa系数达到0.90,比SVM、KNN和MLC算法分别高0.13、0.23和0.26。无人机高光谱低空遥感和随机森林算法的结合为荒漠草原草地植被分类提供了新途径。     

基于无人机可见光影像的树种和树冠信息提取——以晋西黄土区蔡家川流域为例

为探究无人机遥感技术在黄土高原森林资源调查中的适用性,以晋西黄土区蔡家川流域为研究区,以无人机可见光影像为遥感数据源,基于面向对象最邻近分类法,识别并提取研究流域的树种和树冠信息,并与样方调查数据进行对比分析,评估无人机影像提取植被信息的精度及其适用性。结果表明:面向对象最邻近分类法对于郁闭度较低的林分和经济果木林的树种提取效果极好,但复杂植被类型会导致提取精度下降。在农地子流域和人工林子流域上,树种提取的分类混淆矩阵Kappa系数分别为0.898和0.728。面向对象最邻近分类法对人工林和经济果木林的树冠提取精度较高,与实测数据线性回归的决定系数(R²)在0.7以上,但对次生林的树冠提取效果相对较差,R²仅有0.422 3。将该方法拓展应用至流域尺度,识别结果显示,蔡家川流域内人工林子流域主要为刺槐、油松和侧柏混交林,经济作物主要为苹果,油松的林分密度为1 744株·hm^-2,平均冠幅为2.24 m,苹果的林分密度为382株·hm^-2,平均冠幅为4.26 m;农地子流域有苹果树912株,林分密度为439株·hm^-2,平均冠幅为3.84 m。结果表明,基于无人机遥感影像,利用面向对象最邻近分类法可以高效、准确地提取林木株数、郁闭度和平均冠幅,从而有效提高黄土区植被调查的效率。     

FC-CNN:基于卷积神经网络的水果图像分类算法

针对现有基于卷积神经网络的水果图像分类算法均使用池化层进行降维处理会丢失部分特征,导致分类精度有待提高的问题,提出FC-CNN(Fruit Classification Convolutional Neural Network)水果图像分类算法。该算法基于深度卷积神经网络思想,设计了一种由二维卷积层、批量规范化层和激活函数组成的网络结构,利用Sofmax loss和L2正则化进行损失函数设计。算法使用卷积加步长替代池化层,让网络具有自主学习下采样能力,使用批量规范化层用于解决网络过拟合问题。采用Fruits-360数据集进行测试,实验表明,FC-CNN可以识别出48种水果,准确率可达到99.63%。与现有的深度学习水果图像分类算法相比,FC-CNN的识别准确率更高,识别种类更多。