不同机器学习算法在草原草地生物量估算上的适应性研究

准确估算草地地上生物量(Aboveground biomass，AGB)对于科学调整草畜关系、保护生态环境和实现草地资源的可持续发展具有重要意义。本文以锡林郭勒盟不同草地类型为研究对象，基于遥感数据、气象数据和数字高程模型数据，利用支持向量机(Support vector machines,SVM)、BP神经网络(BP neural networks,BP)和随机森林(Random forest,RF)三种机器学习算法建立AGB估算模型，评估三种机器学习算法模型估算AGB的潜力。精度验证结果表明，在研究区内不区分草地类型整体建立估算模型时RF算法的回归精度最高(R=0.88，RMSE=0.10，MSE=0.01，MAE=0.07)。SVM算法建立的模型在草甸草原和荒漠草原回归精度较高，而RF算法回归能力在典型草原具有相对优势。不同特征变量对估算AGB的贡献分析结果表明，植被覆盖度(Fractional vegetation cover,FVC)、归一化植被指数(Normalized difference vegetation Index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)和降水量(Precipitation,PRCP)四个变量对AGB估算结果的影响较大。本文研究结果为干旱/半干旱区草地地上生物量估算精度的提高和方法的选择提供科学建议。     

基于Sentinel-2数据的青海门源县天然草地生物量遥感反演研究

草地地上物生物量(AGB)是评价草地生产力的重要指标，精准反演天然草地的AGB，对草地长势监测和草畜平衡评估具有重要的意义。由于常用的遥感数据(如Landsat和MODIS等)受较低时间或空间分辨率引发的诸多问题的影响，因此探索具有更高时空分辨率及更多光谱波段的Sentinel-2卫星数据在县域尺度的草地植被监测状况具有极其重要的作用。利用Sentinel-2卫星遥感影像和青海门源县实测草地AGB数据，构建了基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)3种机器学习方法的草地生物量估算模型，研究了2019-2021年门源县天然草地生物量时空分布特征。结果表明：1)Sentinel-2卫星影像的3个原始波段(B2、B6、B11)和2种植被指数[反红边叶绿素指数(IRECI)和特定色素简单比值植被指数(PSSRa)]，是草地AGB敏感的特征变量。其中，红边波段(B5、B6、B7)对天然草地AGB遥感反演具有重要作用。2)基于RF算法的草地AGB估测模型是门源县天然草地生物量估测的最优模型(验证集R2为0.72,RMSE为622.616 kg·hm-2)，优于SVM模型(...     

基于植被指数的三江源高寒草地植物分类与识别方法研究

随着生态健康检测与保护工作的实践以及研究问题的深入，传统的植物分类手段不能完全满足当前研究的需要。因此为研究快速分类识别草地植物的方法，本研究利用ASD (Analytical spectral devices)地物光谱仪，采集了三江源地区高寒草地常见的阿尔泰葶苈(Draba altaica)、高山风毛菊(Saussurea japonica)和车前状垂头菊(Cremanthodium ellisii)等36种植物的原始光谱数据，并选择了比值植被指数等16种高光谱植被指数，基于支持向量机(Support vector machines，SVM)等3种机器学习算法，构建高寒草地植物光谱分类识别模型。研究结果表明：高寒草地植物的原始光谱均符合绿色植物特征，但由于植物形态特征不同光谱差异主要集中在可见光波段；基于植被指数结合3种算法构建的分类模型，精度依次为随机森林(Random forest,RF)(99.4%)>SVM (93.2%)>K邻近算法KNN (88.0%)，且模型的预测结果都出现了误判情况；相比SVM与KNN，RF为基于植被指数构建模型的最佳算法，同时能对所构建模型参数进行重要性分析，其中RGI和SAVI为提高RF分类模型精度的两个重要参数。     

基于机器学习算法的天祝藏族自治县草地地上生物量反演

使用机器学习算法快速、准确、大范围监测草地地上生物量（AGB）是目前研究热点，但不同机器学习算法因训练样本、超参数设置不同而存在较大差异。基于实测草地AGB和同期遥感数据、气象数据、地形数据，选择与草地AGB相关性较强的13个因子作为深度神经网络 （DNN）、随机森林算法（RF）、梯度提升回归树（GBRT）、支持向量机（SVR）、人工神经网络（ANN）和高斯过程回归（GPR）算法的输入变量，建立草地AGB预测模型并从模型预测精度、稳定性、样本敏感性等方面综合评价6种模型应用潜力，分析2020年天祝藏族自治县生长季（4-9月）内草地AGB时空变化特征及其对气候的响应。结果表明：1）DNN估算草地AGB的综合性能最佳，但稳定性较差，对样本敏感性较高；GPR综合性能次于DNN，稳定性和精度均较好；GBRT、RF模拟精度较高，稳定性差；SVR和ANN精度相对其他模型较差，SVR稳定性较高，ANN稳定性较差。2）天祝藏族自治县草地AGB集中在50~250 g·m^-2，不同月份草地AGB空间异质性较大，整体表现为从西北向东南呈下降趋势。3）山地草甸、高寒草甸和温性草原中的AGB变化与气温表现出较为明显的正相关关系。降水量对高寒草甸、温性草原和山地草甸的影响不明显，但对温性荒漠草原类的影响较大，AGB随降水量减少呈现减少态势。以上研究结果可为监测草地生物量的方法选择和参数设置提供一定技术支持和参考依据。     

基于无人机遥感的多特征组矿区草本植物地上生物量反演

植被地上生物量可作为评价矿山生态修复地生态功能的重要指标,为实现对修复地地上植被生物量快速、准确的预测,以安徽省铜陵市铜官山矿区草本植物地上生物量为研究对象,将无人机高分辨率多光谱影像作为数据源,提取了单波段光谱反射率、植被指数两种光谱特征以及各波段纹理特征变量,并利用高精度DEM (digital elevation model)生成地形特征,再先后使用灰色关联法和熵权法对光谱特征和纹理特征分别进行筛选,进而将筛选出的特征变量和地形特征变量分为光谱特征组和多特征组。采用反向传播神经网络(back propagation neural network,BPNN)、卷积神经网络(convolutional neural network, CNN)以及Elman神经网络3种机器学习算法分别构建基于光谱特征组和多特征组的生物量预测模型,比选精度较高的矿区草本植物地上生物量反演模型。结果表明,在光谱特征基础上引入纹理特征和地形特征后3种反演模型精度都有相应程度提高,其中,基于多特征组构建的BPNN模型表现出最优性能,其决定系数(R2)为0.841,均方根误差为11.813 g·m-2,并同时对...     

低覆盖草地叶面积指数遥感估算方法

有效估算低覆盖草地叶面积指数(LAI),对监测低覆盖草地生长状况、优化完善草地管理具有重要意义。以往针对草地叶面积指数的研究大多集中于中高覆盖度草地,对低覆盖草地的研究相对较少。利用谷歌地球引擎(GEE),基于Landsat-8卫星数据提取所需特征变量,通过特征变量与叶面积指数的相关性及其在模型中的重要性进行特征优选,确定模型最佳变量个数,以此构建机器学习模型,探寻适合在低覆盖区草地估算叶面积指数的方法。结果显示,基于相关性特征优选的梯度提升回归树模型(r-GBRT)在低覆盖草地估算叶面积指数的效果较好,测试集的R²为0.686,均方根误差(RMSE)为0.101。结果表明,基于特征优选构建的机器学习模型在低覆盖条件下估算草地叶面积指数方面具有较好的应用价值。     

新疆草地类型高光谱特征分析

利用GER1500光谱仪实地测定新疆部分天然草地类型及植物的反射光谱数据,并对反射光谱曲线进行了初步分析。结果表明,不同草地类型、不同植物光谱曲线特征差异明显,同时环境因子也对植物的反射光谱影响显著。结合目前相关领域的研究进展,表明高光谱遥感在草地植物生理生化研究、草地调查和监测中的应用潜力巨大。     

甘南草地地上生物量的高光谱遥感估算研究

为了促进高光谱分辨率遥感技术在草地畜牧业动态监测和遥感估产中的应用,选择甘南草原为研究区,通过野外观测,测量了天然牧草的冠层高光谱和地上生物量数据,分析了4种主要草地类型的冠层光谱曲线特征,并分析了地上鲜生物量与冠层反射光谱和一阶微分光谱之间的相关关系,构建了光谱特征参数作为变量,建立了甘南草原牧草地上鲜生物量的高光谱估算模型,并对模型进行检验,结果表明：特征参数D723的对数回归模型,不仅相关系数较高,而且均方根和相对误差都较小,因此,估算精度较高,可作为甘南草地地上鲜生物量的最佳高光谱估算模型。     

利用在线近红外光谱鉴别雌雄蚕蛹的方法

采用自动识别雌雄蚕蛹的技术与设备,是解决蚕种生产人工鉴蛹人力短缺和保证鉴蛹正确率的有效途径之一。以6个家蚕品种的蚕蛹供试,利用自制的在线近红外光谱检测装置进行雌雄蛹的鉴别。分别以3种采谱条件采集各供试家蚕品种蚕蛹样品的近红外光谱,以采用全谱和经竞争性自适应重加权算法(CARS)、无信息变量消除法(UVE)优选后的波长变量分别建立偏最小二乘判别分析(PLSDA)的雌雄蚕蛹识别模型。测试结果显示,在3种采谱条件下,以单个家蚕品种的光谱数据建模时雌雄蚕蛹鉴别的正确率达100%;多个家蚕品种的蚕蛹混合后采集光谱数据建模,其中采用方法 a(积分时间8 ms,扫描次数5次)、方法 b(积分时间为8 ms,扫描次数10次)、方法 c(积分时间20 ms,扫描次数10次)获取光谱数据建模的鉴别正确率分别达94.2%、95.2%、100.0%。选择高速采集光谱的方法 a,经CARS法优选波长后建模的测试结果优于经UVE法优选波长建模的结果,对校正集、交叉验证集和预测集蚕蛹样品的雌雄识别正确率分别为100%、100%和96.2%。研制的在线近红外光谱检测装置及建立的检测方法与模型,可应用于蚕种生产中快速鉴别分选雌雄蚕蛹。     

基于均值距离的HLLE算法

流形学习算法是一种非常有效的非线性数据降维方法被广泛应用于数据挖掘,模式识别,机器学习等邻域.基于Hessian特征映射的局部线性嵌入算法(HLLE)是一种经典的流形学习算法,在很多方面都有很好的应用.但是HLLE算法对邻域的选择太过敏感,如何提高邻域选择的稳定性成了算法研究的核心内容,本文提出一种基于均值距离的选择邻域的方法,大大的提高了算法的对邻域选择的稳定性,在人工流形上取得了很好的实验效果.     

基于可见—近红外光谱的蚕茧含水率无损检测研究

以蚕茧含水率为研究对象,研究了基于可见—近红外光谱技术的蚕茧含水率无损检测方法.采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见—近红外光谱模型,采用连续投影算法（suc-cessive projections algorithm,SPA）选取光谱有效波长.结果表明,基于SPA方法进行变量选择,最终将原始光谱的601个光谱变量减少到了11个（487,501,616,718,771,782,789,826,966,977和991nm）.基于此11个变量建立的LS-SVM模型得到了预测集的确定系数（RP2）为0.8517,误差均方根（RMSEP）为0.0504的预测结果.表明可见—近红外光谱可以用于对蚕茧的含水率进行无损检测,同时SPA是一种有效的光谱变量选择方法.     

基于SVM的家蚕中毒分类识别研究

本文使用机器视觉和机器学习技术开展了家蚕中毒的自动识别研究,主要内容包括：首先选择健康和中毒家蚕图像为识别对象,构建了家蚕中毒识别图像数据集,其次对图像进行中值滤波、尺寸缩放和阈值分割等处理以增强图像特征差异,并利用RGB和HSV两种颜色模型求解图像样本的颜色矩,提取出基于灰度共生矩阵的纹理特征,使用机器学习中的经典算法支持向量机（SVM）创建出分类识别模型,在数据集上的平均识别率为93.54%。本文结果验证了使用机器视觉和机器学习技术开展家蚕中毒识别的可行性,为后续研究提供参考。     

天山北坡草地盖度高光谱遥感估算

以天山北坡乌鲁木齐县甘沟乡为研究区,利用美国SVC HR-768便携式光谱仪采集25块样方的高光谱数据,并测定对应样方中草地盖度,分析草地盖度与原始光谱、一阶微分光谱和高光谱特征变量之间的相关关系;采用回归统计的方法,基于高光谱位置变量、高光谱面积变量和高光谱植被指数变量构建草地盖度的估测模型,并进行模型精度评价。结果表明,研究区草地盖度与植被冠层光谱反射率相关性较强的波段范围为354-704、1 420-1 481和1 904-2 512nm;基于一阶微分光谱和高光谱植被指数构建的估测模型能更好地反演草地盖度。通过模型检验,确定基于560nm的光谱一阶微分模型y=-384.153x+72.096可作为草地盖度的最优估测模型,模型均方根误差为7.344%,估算精度为90.343%。     

基于LDA主题模型的遥感图像表示与分类

近年来,多种机器学习的方法被用于遥感图像表示和分类领域,本文将LDA主题模型应用于遥感图像的表示和分类中,首先提取SIFT描述算子,作为构建词袋模型的基础,然后通过Gibbs Sampling算法建立LDA模型,最后利用LDA模型对遥感图像进行分类,试验结果也较好地证明了这一方法的有效性。     

基于全基因组测序的畜禽基因组选择方法

随着测序技术的发展,全基因组测序数据逐渐被应用到畜禽基因组选择中。基于全基因组测序的畜禽基因组选择方法不仅克服了已有基于单核苷酸多态性(SNP)数据的许多缺陷,其数据模拟、分析方法也有许多特殊之处。目前,由于计算复杂性等问题,该领域在国内的研究尚处于起步阶段。文章简要介绍了该领域目前的一些研究进展。     

基于XGBoost算法的草甸地上生物量的高光谱遥感反演

准确、高效获取草甸地上生物量信息,对牧区农牧业生产、草地资源管理、牧草可持续利用具有重要意义。本研究基于实地采集的牧草冠层光谱反射率及同期获取的地上生物量数据,运用互信息法分别分析了微分光谱、优化植被指数与草甸地上生物量的相关性,进一步构建了极限梯度提升（XGBoost）算法与不同阶光谱植被指数数据集的草甸地上生物量模拟估算模型,并与多元线性回归（MLR）和随机森林（RF）算法建立的模型进行对比。结果表明：对光谱反射率进行一阶、二阶微分与光谱植被指数变换协同应用,有助于提高冠层光谱与地上生物量的相关性;基于原始光谱植被指数与XGBoost算法构建的草甸地上生物量模拟估算模型效果最佳,均方根误差（RMSE）为140.26 g·m^-2,平均绝对误差（MAE）为97.20 g·m^-2,Nash效率系数（NSE）为0.81,一致性指数（d）为0.94,其次为基于RF算法构建的模型,MLR算法构建的模型精度较差。研究认为XGBoost算法可适用于草甸地上生物量模拟估算模型的建立,为快速准确的牧草高光谱遥感监测提供了技术和方法,为区域性草地高精度大面积生产力估算奠定了基础。     

精准畜牧业研究脉络、主题演进与趋势展望

精准畜牧业应用信息技术实时监控和管理动物,改善其健康、福利、生产力和环境影响,促进畜牧业可持续发展,已成为多学科关注的重要议题。为厘清精准畜牧业研究的知识演变和热点更替情况,本研究基于2003—2022年Web of Science和CNKI数据库收录的相关文献数据,利用CiteSpace工具提取国家、机构、作者、关键词等信息绘制图谱,以可视化的方法展示精准畜牧业的研究进展,探测其研究的主要特征、研究脉络及热点主题。结果表明：国内外精准畜牧业研究发文数量呈增长趋势,欧美发达国家发文数量较高且国际合作密切,各国高校是研究的主要力量,Berckmans Daniel是全球研究的领军者,何东健是国内研究的有力推动者,研究主要涉及动物科学、兽医学、计算机科学、农业工程等学科;国外研究热点是智能系统和机器学习,研究方向集中在计算机视觉、机器学习和动物福利,研究前沿为动物形态;国内研究热点是物联网和机器视觉,研究方向集中在物联网、精准奶牛养殖和信息化,研究前沿包括行为识别、深度学习和目标检测。未来精准畜牧业研究应加强机构、学者间的交流与合作、注重多学科与多方法结合研究,并加强计算机视觉、机器学习、...     

基于机器学习的青藏高原天然草地盖度时空变化特征研究

草地盖度是评价草地生长状况的重要指标,构建高精度的盖度估测模型是开展天然草地动态监测的关键。本文利用2003—2018年实测数据和地形、土壤等55个指标,建立了4种草地盖度遥感估测模型,通过比较得到研究区草地盖度遥感估测最优模型,并分析了2001—2019年研究区草地盖度时空动态变化。结果表明：由最小绝对压缩变量筛选方法选出10个有较高重要性的变量。其中,比值植被指数与草地植被盖度间的相关性优于其他单因素模型与草地植被盖度间的相关性。在3种机器学习模型中,随机森林优于人工神经网络与支持向量机模型,其R²和均方根误差分别为0.68和12.75%。机器学习方法构建的草地盖度模型优于单因素模型,其R²可提高0.09～0.16,RMSE降低1.52%～2.81%;2001—2019年,研究区草地盖度整体上呈现出自西向东、自北向南增加的趋势,呈增加趋势的面积占比为55.4%,呈减少趋势的面积占比为44.6%。     

基于多源遥感数据提高山地森林识别精度——以祁连山国家公园肃南县段为例

本研究旨在探索一种基于多源遥感数据的提高山地森林识别精度的方法。以祁连山国家公园肃南县段为实验区，结合ICESat/GLAS（geoscience laser altimeter system ）星载激光雷达数据、Landsat OLI影像、Google Earth高分辨率影像、DEM数据以及样地调查数据，综合利用各数据提供的垂直结构、光谱、季相和地形特征探索基于多源遥感数据的山地森林识别精度提升方法。结果表明：1）将经过地形校正后的GLAS数据提取的垂直结构信息与光谱信息结合能够提高山区复杂地形条件下森林范围识别的精度，相比仅依据光谱特征进行分类，依据光谱及垂直结构综合特征分类时其总体分类精度提高了10.67%。2）地形信息的加入能够尽量全面的考虑到不同地形特征上各森林类型的不同光谱特征，从而提升森林类型的识别精度，且就本研究区域而言，加入坡向信息比海拔信息更能够提高森林类型的分类精度。3）多源多时相遥感影像提供的季相特征能够对不同森林类型的分类提供帮助，而不同的波段组合对分类精度几乎没有影响。 研究对探索低成本、高时效、操作方便并具有一定精度保证的山地森林识别方法具有一定的借鉴意义。     

三江源高寒退化草原土壤有机质含量的光谱模拟估算

以三江源玛多县不同退化程度高寒草原土壤为研究对象,采集0～30 cm土层的90个土壤样品,测定土壤样品的光谱反射率和有机质（SOM）含量,分析不同光谱数据转换方式与土壤SOM含量的相关性,据此挑选P<0.001水平的显著波段作为特征波段,并与土壤SOM含量建立多元逐步回归（MLSR）、支持向量机（SVM）、决策树（DT）、随机森林（RF）模型。结果表明：1）高寒草原土壤SOM含量属中等变异,且与土壤原始反射率呈负相关,与倒数对数呈正相关;2）光谱数据的数学转换扩大了光谱的吸收特征,log(1/R)、R’、[log(1/R)]’与土壤SOM含量相关系数绝对值的最大值比R分别提高了0.099、0.156、0.160;3)RF反演模型精度高于其他反演模型,Log(1/R)-RF模型的预测效果较好,其建模组和检验组的决定系数（R2）、均方根误差（RMSE）分别为0.949 1、0.252 69和0.717 23、0.496 9,可以准确估算高寒草原土壤SOM的含量。