城镇化背景下基于时序TM/NDVI的建成区检测方法——以福州市为例

对1990—2010年49景福州市TM时间序列影像进行处理,采用MODTRAN4+模型进行大气校正,得到研究区土地覆盖类型的NDVI值的多时相轨迹图。分析城镇化背景下建成区的变化特征和NDVI时间序列数据的季节特征,添加耕地发展为建设用地的地物特征到学习样本,比较不同数据组合对最大似然法、支持向量机、神经网络法、面向对象法对分类和检测城镇化背景下建设用地精度的影响,以及比较添加样本特征后对城镇化进程中建设用地检测方法的影响。结果表明,对于小样本数据集,面向对象法具有最高的分类精度,不同的数据组合与不同季节对面向对象法分类精度的影响分别达3.49%和5.22%,引入NDVI时间序列数据和添加变化地物的学习样本,总体分类精度提高了3.54%,建设用地的制图精度提高了4.24%。     

乌兰布和沙区不同供水量下杨树林地土壤水分和温度效应研究

为了提高干旱区水资源利用率,确定沙区杨树人工速生林的合理供水量,实现杨树人工林的科学化管控目标,通过4年定位观测试验,研究了乌兰布和沙区‘小美旱杨’林地不同年供水量(1500、3000、4500、6000、7500 m3/hm2)下的土壤水分和温度效应。结果表明,不同供水量对土壤的增湿效应存在差异。各土层、各月土壤含水量均随供水量的增加而增加;最大年供水量的土壤含水量峰值出现在7月,而其他的出现在6月;‘小美旱杨’速生丰产的年供水量阈值为7500 m3/hm2,它能使剖面土壤水分补给层达70 cm以上,且补给层以及6-9月高温时期的土壤含水量均保持在20%以上;供水量越大,土壤含水量随树龄增加而降幅越大。年供水量每增加1500 m3/hm2可提高土壤贮水量4.69%~7.43%,增加土壤有效含水量1.42%~15.5%;供水量对田间持水量影响不明显;随供水量的增加,土壤水分亏缺明显趋于平缓,土壤温度递减,在同一土层内下降1.66~3.26℃,沿剖面向下降低8.64~9.66℃。最小和最大供水量应分别在4月低温期和7月高温期进行,以满足林木生长的水分和温度之需。     

MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病

为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量,提高小麦条锈病遥感探测模型的运行效率和精度,本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discretebinaryparticleswarmoptimization, DBPSO)进行改进,利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量,然后与冠层日光诱导叶绿素荧光(solar-inducedchlorophyllfluorescence,SIF)数据相结合作为自变量分别利用随机森林(randomforest,RF)和后向传播(backpropagation,BP)神经网络算法构建小麦条锈病遥感探测模型,并将其与相关系数(correlationcoefficient,CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明:(1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度,改进前后其迭代次数从395次减少到156次,最优适应度函数(optimumfitnessvalue,OFV)值从0.145减小到0.127。(2)采用MDBPSO算法选择特征变量时,RF和BP神经网络两种方法构建的模型精度均高于CC分析法和DBPSO算法,其中RF算法预测病情指数(diseaseindex,DI)值和实测DI值间的检验集决定系数(validation set determination coefficient, R2V)比CC分析法和DBPSO算法分别提高了9%和3%,均方根误差(validation set root mean square error, RMSEV)分别降低了28%和11%, BP神经网络算法预测DI值和实测DI值间的R2V比CC分析法和DBPSO算法分别提高了13%和6%,RMSEV分别降低了21%和10%,利用MDBPSO算法优选特征参量能够提高小麦条锈病的遥感探测精度。(3)在MDBPSO、DBPSO和CC分析法3种特征选择算法中,RF算法构建的模型精度均高于BP神经网络算法,其中RF模型预测DI值和实测DI值间的R2V比BP神经网络算法至少提高了7%,平均提高了9%,RMSEV至少降低了15%,平均降低了20%。以MDBPSO算法优选的特征参量为自变量利用RF方法构建的小麦条锈病遥感探测的MDBPSO-RF模型是小麦条锈病遥感探测适宜模型,该研究结果为进一步实现作物健康状况大面积高精度遥感监测提供了新的思路。     

土壤类型信息在土壤有机碳空间预测中的应用研究

为了探讨土壤类型作为辅助信息提高潮土区土壤有机碳(SOC)空间预测精度的可行性,基于江苏省沛县212个土壤预测样点和80个验证点,比较分析了普通克里格(OK)和结合土壤类型信息的克里格(STK)2种方法对土壤有机碳的空间预测精度。结果表明,各土壤类型间的SOC含量存在较大差异,其中淤土的含量最高(16.35 g/kg),而沙土含量最低(8.58 g/kg),两合土和轻盐碱土介于两者之间;直接利用OK方法对区域SOC预测时的平滑效应较强,导致误差较大,其80个验证点的真实与预测值的散点图相关系数r为0.45,均方根误差(RMSE)为7.36 g/kg;而STK相应的相关系数r为0.75,RMSE为4.90 g/kg,较前者降低了33.5%;同时,STK预测图斑能较OK更好地反映SOC在各土壤类型间的变异特征。说明STK方法消除了土壤类型间SOC含量差异较大的影响,降低了克里格平滑效应,从而较大幅度地提高了预测精度。表明与SOC关系密切的土壤类型信息,可在潮土区作为辅助信息以提高区域SOC的空间预测精度。     

区域墒情的空间分析方法与应用

为了探索区域墒情的分布规律,获得科学的采样方案和分析方法,以北京通州区3022个点的土壤含水量数据为研究对象,综合利用距离反比法、普通克里金法、协克里金法、随机模拟法4种空间分析方法对区域内6、10、15、20 cm土层含水量进行了统计分析。研究表明,20 cm土层含水量较其他土层稳定,更适合作为土壤墒情的预测指标。随机模拟法平滑效应小,产生的区域墒情分布图与其他种方法生成的分布图差异较大,仅适用于存在较大变异的区域墒情分析。普通克里金、距离反比法、协克里金法产生的分布图基本一致,可用于一般区域墒情分析,其中,考虑6 cm土层含水量的协克里金法较普通克里金法减少了40%~60%的方差,是区域墒情分析的最优方法。在此基础上,提出了一种充分利用表层土壤含水量值来提高墒情预测精度的采样方法。     

照片样线法大豆植被覆盖度测量精度分析

植被覆盖度是单位面积内植被垂直投影面积占总面积的百分比,它是重要的生态学参数,同时也是大豆等农作物的重要农艺参数。理想的覆盖度测量耗时短,工具简单,结果准确,受人为因素影响小。本文以‘黔豆3号’、‘川豆16’和大黑豆等24个品种为研究对象,以照相法测量值作为参考,分析目估法、实地样线法和照片样线法测定大豆植被覆盖度的精度和适用性。结果表明：目估法测量的植被覆盖度误差最大,平均为7.8%,目估误差随株高的增高呈现出先增加后降低的趋势。实地样线法测量精度较高,误差小于3% (2.8%),但耗时最长,每个1 m×1 m样方需用时6.2 min。照片样线法误差小于3%,几乎不需要消耗野外采样时间,室内每个样方照片处理需耗时约3.0 min。相较于目估法,照片样线法具有更高的测量精度,相较于实地样线法,照片样线法能够节省野外采样时间,提高工作效率。因此推荐照片样线法作为大豆和类似植物覆盖度的测量方法,同时两条样线（样线长度合计为2.8 m）即可满足测量误差小于5%的精度要求。未来应进一步探索照片样线法在其他作物覆盖度测量中的适用性。     

基于中等分辨率遥感影像的桃源县竹林信息提取研究

为了提高竹资源调查效率,为资源的合理开发和科学规划提供依据,以湖南省桃源县为研究对象,以中等分辨率Landsat TM遥感影像、桃源县二类调查资源分布图等为数据源,利用ENVI 4.5对Landsat TM进行图像预处理,运用非监督分类、最大似然分类、马氏距离分类、最小距离分类4种分类法对竹林信息进行提取,并对其精度进行评价。结果表明：非监督分类、最大似然分类、最小距离分类、马氏距离分类总体精度分别为60.47%、92.15%、71.70%、82.81%,Kappa系数分别为0.4263、0.8890、0.6085、0.7595。监督分类的精度比非监督分类要高,其中最大似然法分类的总体精度、用户精度、Kappa系数均比其他3种分类精度要高,在保证竹林分类精度的同时,其他植被类型的分类精度也能得到满意的结果,因此它是进行竹林信息提取的较为理想的方法。     

基于气候相似性的云南烤烟主要化学成分预测

为研究利用气象因子预测烤烟品质的问题,采用系统聚类法,以烟叶总糖、还原糖、烟碱、总氮和蛋白质5种化学成分为基础,根据平方欧氏距离最小原则,将云南省2004年全省83个植烟县烟叶化学品质分成10种类型,并确定了这10种类型相对应的气象条件。根据“相似气候条件下烟叶化学成分相近”的理论,计算了2005年云南省83个植烟县气象因子与这10种烤烟化学品质类型对应的气象因子之间的欧氏距离。以距离越小相似性越高的原理,对各县烟叶主要化学成分及品质类型进行预测。结果表明,总糖、还原糖、烟碱、总氮和蛋白质含量预测的根均方差百分率（RRMSE）分别为8.91%、10.40%、22.31%、10.46%和13.08%。该方法对各化学成分的中值区和高值区预测效果普遍较低值区好。结果说明,采用该方法预测烟叶化学成分具有一定的可行性。     

基于多时相MODIS数据监测水、旱作物种植面积及空间分布

针对农业信息服务中大范围水田、旱田种植面积信息调查业务的现状与需求,以黑龙江省为研究区,通过分析水田、旱田作物发育期特征、MODIS数据植被指数(NDVI、EVI、LSWI)时序特征,引入积温条件分区构建决策规则,提取检测农田与其他、水田与旱田作物种植的空间分布。以实地调查地面验证点对分类结果进行验证,结果表明,分类结果达到了较高的识别精度,分类结果的总体精度为90.68%,Kappa系数为0.81,其中水稻制图精度为81.13%,用户精度为97.73%;旱地制图精度为98.46%,用户精度为87.07%;与不考虑积温条件相比,分类结果总体精度提高了12.77%,水稻制图精度提高了22.57%,旱地制图精度提高了5.94%。本研究通过引入积温条件,提高了大范围水稻、旱地作物提取精度,具有自动化程度高、分类结果稳定的特点。     

基于春化效应的高山萝卜生育期模拟模型研究

为避免因抽薹而降低萝卜的食用性与商品性,有必要做好抽薹期预测。根据萝卜发育对低温春化的反应特点,2009—2013 年在鄂西南高山地区海拔400、800、1200、1600、1800 m高度对‘短叶13’、‘雪单一号’2 个萝卜品种进行了不同海拔、播期的田间试验及小气候对比观测;引入温度热效应、低温春化效应、光周期敏感性的作物发育速率影响函数,建立了萝卜抽薹生育期的数学模拟模型,并对所建模型进行了校正和检验。结果表明：播种至抽薹生育期所需天数的模拟值与实测值之间平均绝对误差(mean bsolute error,MAE）‘短叶13’与‘雪单一号’分别为2.4、2.7 天,平均相对误差（mean absolute percentage error,MAPE）分别为6.87%、3.26%;与有效积温法（MAE 分别16.9、16.0 天）和PAR日积分法（MAE 分别14.7、13.4 天）发育期模型相比,2 个品种的精度分别提高28%、14.6%以上;模型可以用于高山萝卜错季抽薹期实际预测。     

Application of Uncertain Model in Urban River Quality Simulation

Owing to the fluctuation of water quality in urban river which polluted by drainage along river, one-dimension uncertain water quality model embeded neural network is established. Genetic algorithms and a modified fitness function are used to optimize parameters of the uncertain model. Examples illustrate that the uncertain model has higher prediction accuracy with the average accuracy over 80% than the certain model, and is more sensitive to the fluctuation of pollutants discharged into the river. The uncertain model has a significant advantage of prediction and could better adapt to the changing urban water environment, especially at points close to the pollution sources.     

Local Nonlinear Forecasting of Short-term Power Load Forecasting

The nearest points in phase space are determined by Euclid distance in chaotic local prediction. The prediction accuracy depends on quality of the nearest points. But the shortest distance does not imply better forecasting effect. While false nearest neighboring point or high embedding dimensions appear evolvement track of some nearest neighboring point should be apart from prediction point. Because it is difficult for Euclid distance to reflect the correlation degree between the nearest points and prediction point. So the idea of combining Euclid distance with correlation degree is put forward. The method is applied to short-term electrical load forecasting. The result of load series forecasting by the presented method is more effective to improve prediction accuracy.     

基于相似气象年型和关键气象因子的云南一季稻动态产量预报

建立适用于云南的一季稻产量动态预报模型,以期为及时准确预测云南省一季稻的产量提供理论依据和决策支持。利用云南省2000—2018年一季稻产量资料和一季稻生育期内逐日平均气温、日降水量和日照时数等资料,分别采用相似气象年型法和关键气象因子法建立一季稻动态产量预报模型。应用2种模型对2010—2018年云南省一季稻单产进行动态预报。结果表明：2种模型6月1日、7月1日、8月1日和8月21日的产量预报准确率均超过92%;相似气象年型法2016—2018年6月1日和8月21日的平均预报准确率为95.4%和97.5%,而关键气象因子法2016—2018年6月1日和8月21日的平均预报准确率均为97.4%。2种模型预报准确率均较高,能够满足云南一季稻产量预报业务服务的需要。     

基于数值预报产品的地表温度预报方法研究

为了开展地表温度预报业务,提高逐日地表温度预报准确率,利用2007—2012年的ECMWF和T213数值预报产品资料及抚顺市的逐日地表温度资料,采用逐步回归分析方法和BP神经网络模型分别构建抚顺市地表温度预报模型,并对模型的精度进行检验。结果表明,地表温度与ECMWF的高度场、海平面气压场、温度场和T213的散度场、高度场、海平面气压场、地面气压场、海平面K指数、水汽通量、相对湿度、温度场、地面气温和场涡度场均呈显著相关。对预报模型进行精度检验显示,地表平均温度和地表最低温度的预报效果较好,≤3℃预报准确率均达到79%以上。2种模型对比显示,BP神经网络预报模型总体上优于逐步回归预报模型;逐步回归预报模型较BP神经网络预报模型稳定。     

利用农田水量平衡模型评价棉田不同的灌溉制度

本文以田间试验为基础，应用农田水量平衡理论和棉花对不同水分亏缺的反应，建立了一个棉花不同灌溉制度的评价模型，文中用ＦＡＯ－４６提供的Ｐｅｎｍａｎ－Ｍｏｎｔｅｉｔｈ方法计算了棉花生育期间逐日参考作物蒸散量，利用Ｉｓａｒｅｇ模型［５］计算了棉田逐日实际蒸散量。研究结果表明，利用农田水量平衡模型可对棉花灌溉进行有效管理。通过对几种灌溉方案的评价，定量化地分析了不同灌溉制度对棉花产量的影响程度和水分胁迫出现的时间；明确了在黄淮海平原棉田灌溉重点在棉花生育前期，即苗期，盛蕾－初花期；给出了该地区棉花各生育时期的需水量和每日的平均耗水强度     

Dynamic Prediction of Cotton Regional Yield Based on the COSIM Model - A Case Study of Akesu City,Xinjiang

[Objective] Dynamic prediction of crop yield using a crop growth simulation model is the focus of increasing research attention. [Method] Based on meteorological, cotton yield, and cotton phenology data recorded at Akesu in Xinjiang from 1991 to 2014, this study aimed to improve the accuracy of crop yield prediction by the COSIM model. The average sowing date for each study year, as well as multiple sowing dates during the suitable sowing period, was imported into the COSIM model, and the two yield prediction methods were compared and analyzed. [Result] The accuracy of both yield prediction methods was higher than 90.0%, indicating that the two methods showed good applicability at Akesu. However, the method using multiple sowing dates during the suitable sowing period showed higher prediction accuracy when cotton yield was dynamically predicted in each month and the actual sowing date was uncertain. [Conclusion] The two prediction methods based on the crop growth simulation model are suitable for prediction of cotton yield at Akesu. In addition, according to the characteristics of different forecast years, the appropriate forecasting method can be used to improve the accuracy of prediction. The results also provide a reference for dynamic prediction of cotton yield in other cotton-producing areas.     

不同插值方法对精细化预报产品在青岛地区的检验比较

青岛地区农业产业园位置分散在内陆、沿海和山地等多种地形区域,气温差异大,为提高现代农业精细化服务水平,笔者基于国家气象中心下发的全国区域5 km格点气象要素预报产品,采用最近邻域、双线性插值、反距离权重3种插值方法对气温预报产品在青岛地区的适用性进行对比检验。结果表明:内陆地区双线性插值法准确率最高,且平均绝对误差和均方根误差最小。沿海地区采用最近邻域法和反距离权重法均有较好的效果。对于山地,综合考虑准确率、平均绝对误差和均方根误差,较适用反距离权重插值方法。最高气温预报准确率内陆地区高于沿海和山地地区,且在8—10月为准确率最高时期,3—6月准确率相对较低;最低气温则在沿海地区准确率最高,且夏季的准确率明显高于冬季,其在7月准确率最高而1月准确率最低。研究结果为下一步将预报产品插值生成分辨率更细、准确率更高的精细化气象服务产品奠定基础。     

应用灰板校正提高计算机视觉预测棉花植株含水量的精确度

利用灰板校正以消除棉花不同生育期图片颜色特征值的亮度差异,建立适用于不同生育期预测植株含水量的通用模型,以提高运用计算机视觉技术进行棉花植株含水量预测的精度。研究结果表明,由灰板校正前、后颜色特征值G-B建立的最佳预测模型,决定系数分别为0.746和0.782。有效性检验结果表明,灰板校正前、后计算预测值与实测值的决定系数分别为0.739和0.783;RMSE分别为2.218和2.03,RE分别为2.13%和1.79%。基于计算机视觉提取的冠层图片颜色特征值能够预测植株含水量,应用灰板校正颜色特征值能够提高模型预测精度,可为提高计算机视觉预测植株水分状况的精度提供技术支撑和方法补充。     

基于Logistic回归方法的林芝市山洪地质灾害预警研究

为研究林芝市的山洪地质灾害的成因,针对降水、土地利用、土壤类型、坡度和植被指数等因素进行了分析。结合环境地质和降水时空分布特征,使用Logistic回归方法建立了山洪地质灾害的概率区划。依据灾害当前及前六天的日降水数据,通过Logistic回归模型建立了山洪地质灾害预警模型。研究发现,林芝市的大部分地区山洪地质灾害发生概率低于40%,概率在40%以上的区域约为1.8万平方公里,约占林芝市面积的14.8%。与实际发生情况对比印证,发现该预警模型对于山洪地质灾害预测的准确率为87.2%,而无灾害预测的准确率高达97.7%。     

基于人工蜂群算法优化支持向量机的 采场底板破坏深度预测

为确定合理的底板防水煤岩柱尺寸,减少底板突水安全事故的发生,利用支持向量机(SVM)与人工蜂群算法(ABCA)综合研究底板破坏深度问题。由于SVM训练参数惩罚因子 C 和核函数宽度 g 的选择对预测精度的影响显著,采用ABCA优化该训练参数的选择过程,建立基于SVM的底板破坏深度预测模型。选取采深、煤层倾角、采厚、工作面斜长、底板抗破坏能力和是否有切穿断层或破碎带作为影响底板破坏深度的主要影响指标,利用现场实测的30组数据作为样本对该模型进行训练和预测。结果表明：该预测模型的平均相对误差为12.5%,平均绝对误差为 0.986 m ,均方误差为0.005,平方相关系数为0.980,较其他预测模型具有更强的泛化能力和更高的预测精度。