银杏落叶期叶片NDVI值2种拟合方法比较

【目的】对银杏Ginkgo biloba L.落叶期(9—12月)的叶片进行连续定期定点的高光谱测量,计算出能代表其生长状况和营养信息的高光谱参量NDVI值,通过选用两种不同的曲线拟合方法对其NDVI值进行宏观上的以时间为自变量的曲线拟合,选出最优拟合方法,更好地了解银杏落叶期叶片光谱特征参量NDVI值的变化趋势,从而更有效地对其进行决策和控制,为植被的大尺度遥感动态监测提供方法参考。【方法】利用SVC HR-1024I全波段地物光谱仪,选取三株健康、生长环境相同、长势相近的中龄银杏为叶片采集对象,对其落叶期冠层叶片进行定期定点定方位的高光谱观测。对获取的高光谱原始数据进行数据筛选与预处理后,通过计算得出叶片的NDVI值,分别采用二次函数拟合法和ARIMA时间序列拟合法对落叶期叶片的NDVI值进行曲线拟合,并对两种拟合方法的拟合结果进行比较,选出最适合银杏叶片落叶期NDVI值的拟合方法。【结果】二次函数拟合结果为NDVI=-0.0221T2+0.0547T+0.711,决定系数R2为0.926,但因拟合结果t值不显著,样本结果随机性大,不具广泛性;ARIMA时间序列拟合中ARIMA(2,1,2)模型估测结果与实际情况接近,R2为0.811,拟合效果较好。【结论】ARIMA时间序列拟合方法比二次行数拟合方法更适用于对银杏落叶期叶片的NDVI值进行拟合。     

大通湖1龄中华绒螯蟹形态指标及质量参数研究

中华绒螯蟹(Eriocheir sinensis)的苗种质量对养殖成功与否及产量高低具有十分重要的作用;形态参数是遗传和外界环境共同作用的结果,也是判定中华绒螯蟹品质的重要指标之一。为探究1龄中华绒螯蟹形态特征及相关质量参数的关系,选取湖南省大通湖1龄幼蟹275只,其中雌蟹141只、雄蟹134只,逐个测定头胸甲长、头胸甲宽、体高、体重等指标,称量体肉、腿肉、螯肉、肝胰腺等可食用部分的湿重和干重以及体壳、腿壳、螯壳等不可食用部分的湿重和干重,计算各基本形态指标的平均数、标准差及变异系数、各部位含水率及占总体重比例、肥满度等指标;使用独立样本T-检验比较雌雄差异,利用Pearson对各参数进行相关分析,并通过逐步回归法建立体重与形态指标回归模型。结果表明,不同性别中华绒螯蟹幼蟹的头胸甲长、头胸甲宽、体高、肥满度均无显著差异(P0.05),雄性体重较雌性大(P0.05),其中雌蟹体重为(8.543±2.555)g,雄蟹体重为(9.304±2.977)g。雌蟹和雄蟹可食用部分含水率及其占总干重的比例均无显著差异(P0.05)。1龄中华绒螯蟹的头胸甲长(X_1)、头胸甲宽(X_2)、体高(X_3)与体重(Y)的最优多元线性回归方程为Y=-15.763+3.118 X1+4.634 X_2+3.897 X_3(R~2=0.926),体重与头胸甲长、头胸甲宽、体高显著相关。本研究可为中华绒螯蟹养殖产量估算、品质鉴定提供参考。     

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。     

基于混合像元分解方法的康保县植被覆盖度估测

以康保县为研究区,使用Landsat8 OLI数据,结合134个野外样地调查数据,通过像元二分法、完全约束最小二乘法和随机森林三种方法来进行混合像元的分解,探讨混合像元分解方法对提取地表植被覆盖度的可行性。结果显示:基于随机森林的混合像元分解方法结果最优,F为0.664,RMSE为0.127;三种方法都能较为精确地估测出康保县的植被覆盖情况,且与实测数据较为拟合,因此采用混合像元分解的方法进行植被覆盖度估测是完全可行的。     

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。     

基于无人机影像自动检测冠层果的油茶快速估产方法

快速准确的产量估算对油茶经营管理和可持续发展具有重要意义。该研究针对油茶快速估产的应用现状,提出一种基于无人机影像自动检测冠层果的方法用于油茶快速估产。首先借助无人机航拍影像,通过随机抽样选取120株油茶树进行无人机近景摄影和人工采摘称量;然后利用Mask RCNN(Mask Region Convolutional Neural Networks)网络开展基于近景影像的油茶冠层果自动检测与计数;采用线性回归和K最邻近建立冠层果数与单株果数之间的关系,同时结合研究区典型样木株数和平均单果质量,构建基于冠层果自动检测的估产模型。结果表明:1)无人机超低空近景影像结合Mask RCNN网络能够有效检测不同光照条件油茶果,平均F1值达89.91%;2)同传统卫星遥感相比,基于无人机近景摄影的冠层果自动检测在作物产量估测方面显示出明显优势,Mask RCNN网络预测的冠层果数与油茶样木单株果数之间具有良好的一致性,拟合决定系数R2达0.871;3)结合线性回归和K最邻近构建的模型估产精度均较高,拟合决定系数R~2和标准均方根误差NRMSE(Normalized Root Mean Square Error)分别在0.892～0.913和28.01%～31.00%之间,表明基于无人机影像自动检测冠层果的油茶快速估产是一种切实可行的方法。研究结果可为油茶快速估产和智能监测提供参考。     

大通湖中华绒螯蟹1龄幼蟹形态指标及质量参数研究

中华绒螯蟹（Eriocheir sinensis）的苗种质量对养殖成功与否及产量具有十分重要的作用；形态参数是遗传和外界环境共同作用的结果，也是判定中华绒螯蟹品质的重要指标之一。为探究中华绒螯蟹1龄幼蟹形态特征及相关质量参数的关系, 选取湖南省大通湖1龄幼蟹275只，其中雌蟹141只、雄蟹134只，逐个测定头胸甲长、头胸甲宽、体高、体重等指标，称量体肉、腿肉、螯肉、肝胰腺等可食用部分的湿重和干重以及体壳、腿壳、螯壳等不可食用部分的湿重和干重，计算各基本形态指标的平均数、标准差及变异系数、各部位含水率及占总体重比例、肥满度等指标；使用独立样本T-检验比较雌雄差异，利用Pearson对各参数进行相关分析，并通过逐步回归法建立体重与形态指标回归模型。结果表明，不同性别中华绒螯蟹的头胸甲长、头胸甲宽、体高、肥满度均无显著差异（P>0.05），雄性体重较雌性大（P<0.05），其中雌蟹体重为（8.543±2.555）g，雄蟹体重为（9.304±2.977）g。雌蟹和雄蟹可食用部分含水率及其占总干重的比例均无显著差异（P>0.05）。1龄中华绒螯蟹的头胸甲长(X1)、头胸甲宽(X2)、体高(X3)与体重(Y)的最优多元线性回归方程为Y= -15.763 + 3.118X1 + 4.634X2 + 3.897X3（R2=0.926），体重与头胸甲长、头胸甲宽、体高显著相关。本研究可为中华绒螯蟹养殖产量估算、品质鉴定提供参考。     

池养中华绒螯蟹不同性别形态及质量差异分析

池塘养殖中华绒螯蟹(Eriocheir sinensis)是当前的主要生产方式，为了解池养中华绒螯蟹形态指标参数，分别测定了中华绒螯蟹幼体和成体的头胸甲长、头胸甲宽、体高、体质量和各部位的质量及含水率，计算了肝胰腺指数和肌肉指数，旨在了解池养中华绒螯蟹形态指标及质量参数的关系。结果显示，不同性别幼蟹头胸甲长、头胸甲宽、体高、肌肉指数无显著差异(P>0.05)，而体质量差异显著(P<0.05)；不同性别成蟹各形态指标差异极显著(P<0.01)；幼蟹的肝胰腺、肌肉及其他部分含水率差异极显著，高于成蟹(P<0.01)；成蟹的肌肉指数和肝胰腺指数差异极显著，高于幼蟹(P<0.01)。本研究分别建立了幼蟹体质量(Y1)与体高(X3)、成蟹体质量(Y2)与头胸甲宽(X2)的回归方程：Y1=?12.067+16.416X3，Y2=?268.423+62.078X2，幼蟹的决定系数高于成蟹。本研究可为中华绒螯蟹生态养殖中的产量估算和品质鉴定提供参考。     

基于方差优化k最近邻法的森林蓄积量估测

森林资源调查是数字森林资源监测的基础,遥感技术可以克服传统方法如抽样调查的局限性,有效地缩短作业时间,提高效率。虽然目前森林蓄积量遥感估测方法很多,但随着样本数量的增加,这些方法无法保证估算的准确性。本研究拟提出一种基于方差速率优化的k最近邻法(k NN),以2017年10月Planet Labs影像为数据源,结合赤峰市旺业甸林场蓄积量实测数据建立反演模型,并与地理加权回归(GWR)模型、随机森林(RF)模型、普通k NN模型和距离加权k NN模型进行对比分析。在建立的森林蓄积量反演模型中,方差优化k NN模型得到最优精度[决定系数(R^2)为0.69,均方根误差(RMSE)为67.6 m^3·hm^-2,相对均方根误差(RRMSE)为32.04%],显著优于其他模型。结果表明,方差优化k NN模型相比其他模型更适用于森林蓄积量遥感估测,森林蓄积量遥感反演空间分布符合实际分布情况,可以满足建立反演模型的需求。同时,由于Planet Labs影像的鲜明特征(即具有高时间分辨率),该数据的时间序列数据对于森林季节变化有丰富的记录,在反演森林蓄积量方面有着很大潜力。     

基于SPOT5遥感影像分类的抽样技术研究

以湖南省攸县为研究区,利用2009、2010年SPOT5影像,在抽样可靠性指标为95%的情况下,设计系统抽样方案、分层抽样方案和简单随机抽样,通过SVM进行图像分类,并结合2009年湖南省连续清查数据对方案进行精度验证,得到适合研究区的抽样方案。结果表明:3种抽样方案中,适宜攸县森林资源调查的最优方案为,以抽样间隔为4 km×6 km(第Ⅰ层)、4 km×4 km(第Ⅱ层)、4 km×4 km(第Ⅲ层)进行的分层抽样,总体分类精度达到90.48%。其中,在系统抽样中,抽样间隔为4 km×4 km和2 km×2 km的方案总体精度均为88.10%,但前者训练样本数较少,表明在实际调查中,训练样本的数量与抽样的总体精度不是一直呈正相关。在分层抽样中,适合各层的最优抽样方案不一定相同,并且与系统抽样的最优方案也不一定相同。当抽样间隔相同时,分层抽样的总体精度要高于系统抽样的总体精度,但训练样本数少于系统抽样的训练样本数。所以在实际调查中,采用分层抽样较系统抽样,得到的精度较高,并且耗费的人力物力较少,较为高效。