采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

基于表型的重楼属种质遗传多样性分析

本研究对收集的13份重楼属种质资源进行表型遗传多样性分析、主成分分析、聚类分析与性状相关性分析。结果表明,各性状变异系数为12.01%~87.10%,遗传多样性指数为1.88~2.66,遗传多样性指数高,类型丰富。F检验结果显示,株高、根茎长等16个性状在种质间有显著或极显著差异;提取的5个主成分累计贡献率达到88.918%,包含了重楼表型性状的大部分信息;通过聚类分析将供试材料聚为5类,第Ⅱ类群根茎干质量高于其他类群,是高产类型。遗传相关性分析表明,重楼的18个表型性状间普遍存在显著或极显著相关性,与基茎直径显著相关的性状最多,达到12个。本研究说明重楼属种质资源具有较高的表型多样性,相关结果可为重楼种质资源的利用与种质选优等提供重要参考。     

信用卡客户分类与营销策略研究 ——以M银行为例

大数据时代的到来给我们的生活带来了巨大的变化,随着信用卡业务需求和支付场景的增多,银行投入越来越多的资源进行信用卡支付建设,但由于需求的逐渐饱和,各银行之间的竞争也越来越激烈。为了进一步获取更多的市场份额,吸引更多更忠诚的客户,银行业的精准营销理念被提出并实施发展起来。利用科技手段精准地发现客户、识别客户、维护良好的客户关系成为获胜的关键因素。研究了客户关系管理、客户细分及精准营销的相关理论,实现了数据的处理过程,基于RFM模型、k-means算法构建了符合业务需求的客户价值分类模型。将客户分为四个不同的群体,针对不同的群体采取不同的营销措施,进行差异化管理,最终达到精准营销的目的,节约营销资源和成本。     

贝利叶绿绒蒿及其两个栽培种种子萌发比较

以贝利叶绿绒蒿(Meconopsis baileyi)、贝利叶'Hensol Violet'(Meconopsis baileyi'Hensol Violet')、贝利叶'Alba'(Meconopsis baileyi'Alba')种子为研究对象,采用游标卡尺测量、电子天平称量、不同温度处理和赤霉素(GA3)处理等试验方法,研究了 3种绿绒蒿种子长宽、千粒质量、吸水率和萌发率,以及25℃/15℃与20℃/10℃2种温度处理和不同浓度GA3处理对3种绿绒蒿种子萌发的影响,以期比较3种绿绒蒿种子表型及萌发差异,找到促进其萌发的方法.结果表明:贝利叶绿绒蒿、贝利叶'Hensol Violet'、贝利叶'Alba'种子平均长度分别为(1.149 1±0.127 8)(1.173 5±0.124 1)(1.292 1±0.146 4)mm,平均宽度分别为(0.652 6±0.079 4)(0.702 8±0.073 4)(0.753 3±0.086 8)mm,千粒质量分别为(0.289 7±0.012 7)(0.320 5±0.005 5)(0.370 7±0.014 6)g.20℃/10℃较25℃/15℃温度条件下3种绿绒蒿种子萌发效果更好,同一温度条件下萌发效果上贝利叶绿绒蒿＞贝利叶'Hensol Violet'＞贝利叶'Alba'.400 mg·L-1 GA3最有利于贝利叶绿绒蒿种子萌发,发芽率达到74.44％,比对照高出20％.     

多变环境下基于多尺度卷积网络的猪个体识别

【目的】通过实现复杂多变环境下非接触式猪个体身份识别,提高畜牧行业的生产效率。【方法】以猪舍环境下猪的脸部图像为基础,提出了一种基于多尺度卷积神经网络在多变环境下的猪个体身份识别模型。利用改进的多尺度网络结构,该模型实现了深度和宽度的扩展,网络深度达到了86层。网络不仅使用了对称和非对称的两种方法拆分卷积核和多通道的方法并行提取猪脸特征,还利用网络融合技术和Batch Normalization结构过滤掉通道中的冗余信息。避免了深层网络参数激增,增强了模型对猪脸特征的提取能力并提高模型的识别速度。利用预处理后的11 695张猪脸数据集训练并验证模型,通过设置7组不同环境下的对比实验,分析改进的模型在复杂环境下的识别效果。【结果】86层的基于多尺度分类网络的识别模型权重大小和每轮样本的训练时间分别为498.4 M和66 s,比16层的VGG网络权重小1140 M,每轮训练速度快8 s。利用7组测试集的对比实验的结果表明,提出的模型在7种环境下的识别率都高于其他网络,尤其是在真实养殖环境下识别率高达99.81%。当猪脸图像中出现遮挡和旋转的情况时,提出的模型识别率皆高于92%。【结论】提出的针对脸部特征的猪个体身份识别模型是有效的,并在多变环境下具有较高的识别率和鲁棒性,为实现一体化管理及追踪溯源的研究提供参考。     

运用植被指数时序特征对落叶松人工林分类

为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。     

伊犁绢蒿(Seriphidium transiliense)个体功能性状对短期禁牧的可塑性响应

为了探讨禁牧对植物个体功能性状的影响,在新疆呼图壁县、玛纳斯县及昌吉市阿什里乡对短期禁牧下蒿类荒漠草地建群种伊犁绢蒿(Seriphidium transiliense)的个体表型特征、构件生物量及其分配比进行了测定。结果表明:伊犁绢蒿个体功能性状对短期禁牧的响应因禁牧地点的差异而有所不同,呼图壁和玛纳斯样地的大多性状如株高、地上生物量、叶片数、叶生物量均呈显著增加(P 0. 05),而昌吉样地多数功能性状虽为增加,但均不显著。总体分析可知,短期禁牧后伊犁绢蒿的株高、地上生物量、叶片数、茎生物量、叶生物量依次显著增加21. 32%、48. 97%、104. 50%、50. 18%、100. 00%(P 0. 05),根颈直径、一级及三级分枝数出现显著下降,而二级分枝数、生殖生物量、各构件生物量分配比变化不显著。伊犁绢蒿个体表型性状与其构件生物量及分配比间均具有显著的联动效应,且短期禁牧可引起其部分个体功能性状间的相关关系发生显著改变。研究表明,短期禁牧促进伊犁绢蒿个体功能性状的恢复,利于退化蒿类荒漠草地的恢复。     

云南籽粒苋种质资源的表型多样性分析

为了系统分析云南籽粒苋种质资源的表型遗传多样性。采用遗传多样性指数、主成分分析、相关分析和聚类分析对104份云南籽粒苋种质资源的30个表型性状进行研究。结果表明,遗传多样性指数最高的质量性状和数量性状分别是主花序形状(1.68)和主花序长度(2.07)。前10个主成分累计贡献率达到73.944%,单株鲜体重与第3、第6、第9主成分极显著正相关,单株粒重与第9主成分极显著正相关。聚类分析将104份种质划分为5类,第Ⅰ类群可为间套种亲本材料,第Ⅱ和Ⅲ类群可为大粒亲本材料,第Ⅳ类群可为优质饲用亲本材料,第Ⅴ类群可为观赏类亲本材料。云南籽粒苋种质资源表型性状具有丰富的遗传多样性,有较大的开发利用潜力。