不同模型在渔业CPUE标准化中的比较分析

为了提高渔业数据单位捕捞努力量渔获量（catch per unite of effort,CPUE）标准化数据的质量和模型连续稳定预测能力,该文采用人工神经网络（artificial neural network,ANN）、回归树（regression trees,RT）、随机森林（random forest,RF）和支持向量机（support vector machine,SVM）等机器学习方法和传统的广义线性模型（generalized linear model,GLM）等方法,对2000－2013年大西洋大眼金枪鱼（Thunnus obesus）延绳钓CPUE数据进行标准化。采用平均绝对误差、平均均方误差、3种相关系数（Pearson's,Kendall's和Spearman's）和标准化均方误差等评价指标对不同模型标准化结果进行对比,寻找较优的标准化方法。研究结果表明,在验证数据集SVM方法得到的3种相关系数（0.596,0473和0.632）和RF（0.623,0.456,0.621）相似,高于RT(0.516,0.432和0.586)、ANN(0.428,0.249和0.365)和GLM(0.199,0.106和0.159)。SVM预测的均方误差（11.25）、平均绝对误差（2.107）和标准化均方误差（0.652）略低于RF（11.655,2.377和0.661）,明显低于RT（14.999,2.434和0.801）、ANN(16.692,2.883和0.823)和GLM（16.517,2.777和0.993）。各项指标揭示SVM方法要优于其他4种方法,RF次之,GLM计算结果在所有方法中最差,不适合渔业数据CPUE标准化。SVM和RF方法应该被优先考虑用于渔业数据CPUE标准化。研究结果为渔业资源管理和保护提供更好的支持。     

基于机器学习算法的冬小麦始花期预报方法

该研究采用机器学习算法,明确冬小麦始花期的主要气象影响因子,并建立始花期预报模型。基于1980-2019年江苏省10个观测点冬小麦生育期观测资料和逐日气象数据,应用随机森林(Random Forest,RF)、反向神经网络(Back Propagation,BP)、多元线性回归(Multiple Linear Regression,MLR)3种算法分别建立始花期预报模型,以决定系数、均方根误差、预报准确率为评判指标,对模型模拟精度进行比较分析。结果表明,温度类因子对始花期影响的重要性明显大于降水类和日照类。基于筛选出的重要特征变量,3种算法建立的始花期预报模型均可在4月初对始花期进行预报,最迟可提前5d预报,最早可提前32d预报;RF算法模拟精度最高,BP算法次之,MLR算法相对低一些;RF算法能准确模拟出始花期波动趋势,大部分站点的始花日期预报准确率都在85.0%以上,表明RF算法在始花期预报中有较高的可靠性和业务应用潜力。     

区域蒸发量的遥感研究现状及发展趋势

遥感手段是解决区域蒸发量分布问题的重要方法。随着遥感和GIS技术的发展,定量遥感模型从大叶模型发展到两层、多层或多源模型,参数反演是其核心内涵,出现了比较系统的参数反演公式,但在参数反演时一般都需要风速、温度等参数,这些参数用遥感手段比较难以获得,这就限制了定量遥感模型的广泛应用,因此研究仅依靠遥感信息反演地表通量的定量模型是今后定量遥感模型的主要发展趋势。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。     

基于随机森林算法的冬小麦生物量遥感估算模型对比

为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法（random forest,RF）将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析（correlation coefficient, r）、袋外数据（out-of-bag data,OOB）重要性和灰色关联分析(grey relational analysis, GRA)与随机森林算法（RF）进行整合,构建了3种冬小麦生物量估算模型：r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明：r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。     

基于不同模型的区域尺度耕地表层土壤有机质空间分布预测

研究不同模型对土壤有机质空间预测的性能差异对制定更加科学合理的采样策略、提升采样效率和提高土壤空间预测精度有着重要的指导意义。本研究将6496个土壤样点按8∶2的比例分层随机分成训练集与验证集,应用普通克里格、随机森林以及随机森林－回归克里格三种有代表性的数字化土壤制图（Digital Soil Mapping,DSM）模型,对河南省许昌市耕地表层土壤有机质含量及空间分布进行预测,对三种模型性能表现进行综合评价。三种模型输出的预测结果显示:研究区耕地表层土壤有机质含量水平一般,均值为18.70 ~ 18.81 g kg?1,变异系数0.15 ~ 0.17,属中等强度变异;空间分布总体格局为西北与西南部分山地褐土区、东南部砂姜黑土区表层有机质含量高,中北部脱潮土、石灰性潮土区表层有机质含量低。验证结果表明:三种模型性能表现无明显差距,预测精度基本一致,输出结果对研究区耕地表层土壤有机质变异解释百分比在33% ~ 34%之间,在相同和相近尺度土壤有机质空间预测案例研究里属中等水平。在协变量有限且样点分布较为均匀的情况下,普通克里格模型便于快速获得研究区目标变量的空间分布;如果协变量比较丰富且易于收集利用,或是进行空间预测的同时还需要甄别不同因素对目标变量的影响大小,则建议采用随机森林模型;协变量有限,但样点密度较大时,随机森林－回归克里格模型可能是对目标变量进行空间预测的不错选择。     

基于近红外光谱的室温贮藏下鲜枣霉菌污染动力学模型

为了预测鲜枣常温贮藏的保鲜期,确保鲜枣的品质要求及食用安全,应用近红外光谱建立了室温贮藏下鲜枣内部霉菌菌落总数变化的动力学模型。通过对几种数据预处理方法的比较及特征波数的选择,实现了鲜枣霉菌菌落总数变化的近红外模型的优选。结果表明:经过多元散射校正处理的鲜枣近红外光谱,应用多元线性回归方法建立的霉菌菌落总数模型预测能力较好,校正集相关系数为0.920,均方根误差为1.503,预测集相关系数为0.889,均方根误差为1.514。同时,将近红外光谱模型应用于霉菌菌落总数随贮藏时间变化的零级反应动力学模型中,得到模型的相关系数为0.981。根据近红外光谱吸光度值与贮藏时间的线性关系,当霉菌菌落总数初始值小于等于10cfu/g时,预测出鲜枣在室温下的保鲜期一般为8d。研究表明,结合动力学模型的近红外光谱技术可以作为一种无损、快速检测方法来检测鲜枣霉菌菌落总数变化。     

基于多元线性回归模型和Anusplin的秦巴山区≥10℃积温空间模拟比较

为获取山区准确的高精度空间积温数据,采用高精度的气象插值软件Anusplin和多元线性回归模型两种方法,模拟山区≥10℃积温的空间分布,为山区积温空间模拟提供解决方法。以地形起伏较大的秦巴山区作为研究区,选用研究区内69个气象站点及其周边22个气象站点1960—2019年的逐日平均气温实测数据,采用Anusplin和多元线性回归模型两种方法,模拟了秦巴山区30 m分辨率≥10℃积温的空间分布。通过对预留气象站点实测数据进行验证,评价了两种方法在山区积温空间分布模拟复杂性问题中的适用性。结果表明:基于Anusplin的≥10℃积温的空间模拟方法较多元线性回归模型插值精度略高。即基于Anusplin的空间模拟方法能更真实地反映山区积温的空间分布情况,体现了海拔、经纬度对积温的影响,能更好地模拟复杂山区高精度的积温数据,为山区积温空间模拟提供了新的选择方法。     

基于SHAP重要性排序和机器学习算法的灌区渠道调度流量预测

渠道泄水闸能够快速排除灌区入渠洪水,避免渠道漫顶。研究以淠史杭灌区灌口集泄水闸为例,以闸门调度流量为目标变量,以不同时段过去和未来降雨量、泄水闸闸上实时水位及其变化量为特征变量,比较8种机器学习算法的预测精度,同时采用Shapley Additive exPlanations（SHAP）法分析特征变量重要性。结果表明：1）集成学习算法预测评价指标优于传统回归算法,8种机器学习算法中随机森林回归（random forest regression, RFR）算法预测精度最高（训练集均方根误差、平均绝对误差、均方误差及决定系数分别为 0.146 m³/s、0.094 m³/s、0.021 m³/s、0.976;测试集分别为0.306 m³/s、0.197 m³/s、0.093 m³/s、0.931）;2）采用SHAP法确定的特征变量重要性排序表明灌口集泄水闸闸上水位对于泄水闸调度流量的预测结果影响最大,占特征重要性值总和的34.6%;3）以过去6 h降雨量、过去9 h降雨量、未来6 h降雨量、灌口集泄水闸闸上水位作为输入变量的RFR算法预测灌口集泄水闸调度流量效果最佳,模型误差指标为（训练集均方根误差、平均绝对误差、均方误差及决定系数分别为0.126 m³/s、0.080 m³/s、0.016 m³/s、0.982;测试集分别为0.263 m³/s、0.164 m³/s、0.069 m³/s、0.950）,研究结果对灌区防洪调度决策具有重要参考价值。     

基于冠层光谱特性的水稻叶片含水率模型

基于水稻叶片含水状况与冠层光谱反射率存在关联,尝试构建水稻叶片含水率模型。在水稻生长的孕穗期,同时测量室外水稻冠层光谱反射率和叶片含水率,依据水稻叶片含水率与各光谱波段反射率之间的相关性系数,选取高相关性系数对应的光谱特征波段。采用遗传算法对BP神经网络的初始权值进行优化处理。分别应用BP神经网络和GA-BP-Network、传统多元线性回归方法建立预测模型。试验表明,GA-BP-Network模型的预测含水率值与真实值平均误差率为3.9%,最大误差率为6.1%,均比BP神经网络、传统多元线性回归预测模型有了很大的改善,提高了预测水稻叶片含水率的准确性。     

基于预测模型的选课算法研究

比较了传统的选课算法的优劣,提出了基于预测模型的选课算法,分析了其算法思想和算法流程,并将其应用于小型的选课过程,取得了较高的效率和较好的匹配度。     

喀斯特森林近地表层覆盖对碳酸盐岩红土蒸发过程的影响

蒸发是西南喀斯特地区薄层土壤水分损失的主要途径,浅层土壤水分的存蓄对喀斯特地区农业生产和生态恢复至关重要。以西南喀斯特森林碳酸盐岩红土为研究对象,基于室内蒸渗试验设置4个苔藓生物量(0,0.32,0.64,0.95 kg/m~2)和3个松针生物量(0,0.32,0.64 kg/m~2)共12种处理,分析森林近地表层覆盖对碳酸盐岩红土蒸发过程及表层温度时空分布的影响规律,并对比3种蒸发模型(Black、Rose、空气动力学蒸发模型)在喀斯特森林碳酸盐岩红土的适用性。结果表明:苔藓和松针覆盖显著降低累积蒸发量和蒸发速率(P0.05),接种苔藓0.95 kg/m~2和覆盖松针0.64 kg/m~2处理比裸土累积蒸发量小36.9%;苔藓和松针导致土壤含水量显著增加(P0.05);苔藓和松针增加了表层土壤的平均温度,松针对土壤温度的提升作用强于苔藓;Black、Rose和空气动力学模型均能较好地模拟碳酸盐岩红土蒸发过程,Black蒸发模型的拟合精度高于Rose和空气动力学蒸发模型。研究结果能为西南喀斯特地区的水量平衡分析提供理论支撑并加强对喀斯特森林地表水文过程的认知。     

Main Environmental Features Leading to Recent Land Abandonment in Murcia Region (Southeast Spain)

Land abandonment is a global phenomenon whose environmental consequences are difficult to assess. The Murcia region is one of the most arid regions in southern Europe and also one of the most prone to land abandonment. This study researches which environmental features are more relevant to explain abandonment at the agricultural plot scale. Geomorphometric features were measured at different scales to investigate which scales could be more relevant. Two different models have been used: logistic regression, a statistical model that allows the interpretation of the involved features, and Random Forest, a machine learning model with a higher predictive power but lower interpretability. The combined use of both such models allows a set of predictors to be selected, which, when used with Random Forest, produce a map that is highly accurate for predicting abandonment and, when used with logistic regression, produce an interpretable model. The main conclusion is that climate is the most relevant factor to explain land abandonment. Copyright © 2015 John Wiley & Sons, Ltd.     

基于深度学习算法的京津冀地区综合干旱评估模型构建

及时准确的干旱评估对社会经济发展和农业生产具有重要的指导意义,当前的干旱评估指标通常仅考虑植被或降水等单方面影响因素,在实际干旱评估中存在一定的局限性。本研究综合考虑降水、温度、地形等多个干旱致灾因子,以主要产粮基地京津冀地区为例,基于2007-2017年地表温度（Land Surface Temperature,LST）、归一化植被指数（Normalized Difference Vegetation Index,NDVI）以及降水等多源数据,利用深度学习框架Tensorflow构建以标准化降水蒸散发指数（Standardized Precipitation Evapotranspiration Index,SPEI）为目标值的综合干旱评估模型。利用决定系数（R2）和均方根误差（RMSE）对模型进行测试;利用站点标准化降水指数（Standardized Precipitation Index,SPI）、土壤相对湿度数据以及2016年京津冀地区的气象灾害数据,从时间和空间上对模型的可靠性进行验证。结果表明：模型的训练集和测试集在不同月份上均表现较好（R2均大于0.5而RMSE均小于0.55）。模型输出的综合干旱指数（Comprehensive Drought Index,CDI）在密云站上与SPI和SPEI接近,变化趋势基本一致,并且与站点SPI和土壤相对湿度的相关系数分别大于0.7和0.4,均通过了0.01水平的显著性检验。空间上,相较于SPEI,CDI计算的2016年3-7月京津冀地区干旱事件结果与实际情况符合度更高,表明该模型适用于京津冀地区干旱评估。     

黄土半干旱区刺槐林地土壤蒸发特性研究

对黄土半干旱区刺槐林内的土壤蒸发状况,进行比较系统的试验研究。试验采用微型蒸发器（Micro-lysimeters,MLS）,人为控制土壤水分梯度,对不覆盖、枯枝落叶物覆盖和苔藓覆盖3种处理的林地土壤蒸发进行了分析。结果表明,在不同土壤水分条件下,利用枯落物覆盖减小林地土壤蒸发效果晴天好于多云天,枯落物覆盖、苔藓覆盖与无覆盖相比,分别减少了20.15%～52.46%和11.11%～36.72%的土壤蒸发,枯落物覆盖效果好于苔藓;林地土壤蒸发量随土壤水分的增加呈上升趋势,当土壤含水量增加到一定临界值以后,林地土壤蒸发量由上升变为下降,表现出土壤水分对林地土壤蒸发具有明显的阈值反应,土壤含水量的临界值分别为14.2%（枯落物覆盖）和16.8%（不覆盖）;基于林地土壤蒸发量（E1）与水面蒸发量（E0）的观测数据,利用STATISTICA软件统计分析,建立林地土壤蒸发模型,可用于林地土壤蒸发量的估算,为林地土壤水分管理提供理论依据。     

基于SIMDual_Kc模型的豫北地区麦田土壤水分动态和棵间蒸发模拟

利用2a实测的冬小麦田间土壤剖面含水率和棵间蒸发数据,修正了基础作物系数和土壤物理参数等指标,率定了SIMDual_Kc双作物模型,并验证了其在豫北地区冬小麦田的适用性。结果表明,修订后的SIMDual_Kc模型模拟豫北地区冬小麦有效根层的土壤含水率和棵间蒸发量与实测值具有很好的一致性,误差较小。冬小麦整个生育期的棵间蒸发量占总腾发量的比例约为35%,分时期计算,此比值在生育前期明显高于生育后期。生育前期棵间蒸发量占总腾发量的比例高达73%,快速生长期该比例降至约30%,生育中期棵间蒸发比例最低,约为7.5%,生育后期棵间蒸发比例又升至约35.5%。研究结果可为地表覆盖、节水灌溉方式和适宜灌溉频率等减少棵间蒸发的技术措施研发与应用提供必要的理论支持。     

群落尺度植被水土保持功能评价模型的构建——以大别山北麓安徽省金寨县为例

[目的]探索群落尺度植被水土保持功能评价模型,为大别山区植被水土保持与生态建设提供参考依据.[方法]基于已有研究通过文献计量法、专家经验法筛选建立植被水土保持功能初选指标(包括植被类型、植被结构、地形等30项).通过野外调查获取指标实测值,利用随机森林法、决策树法分析、衡量各指标,以指标实测值与土壤侵蚀量建立多元逐步回...     

油松林枯枝落叶层截留与蒸发的研究

黄土丘陵区油松林枯枝落叶层截留降雨量占同期大气降雨量的10.0%.截留过程与蒸发过程均为一有限变化过程,它们相互影响,当某时段截留量与蒸发量相当,枯枝落叶层的含水量维持动态平衡。枯枝落叶层一次最大截留量3.14mm,大于3mm的截留次数仅占降雨次数的3.4%.因截留而减少的降水量对林地水文的直接影响较小。     

An Insight into Machine Learning Algorithms to Map the Occurrence of the Soil Mattic Horizon in the Northeastern Qinghai-Tibetan Plateau

Soil diagnostic horizons, which each have a set of quantified properties, play a key role in soil classification. However, they are difficult to predict, and few attempts have been made to map their spatial occurrence. We evaluated and compared four machine learning algorithms, namely, the classification and regression tree(CART), random forest(RF), boosted regression trees(BRT), and support vector machine(SVM), to map the occurrence of the soil mattic horizon in the northeastern Qinghai-Tibetan Plateau using readily available ancillary data. The mechanisms of resampling and ensemble techniques significantly improved prediction accuracies(measured based on area under the receiver operator characteristic curve score(AUC)) and produced more stable results for the BRT(AUC of 0.921 ± 0.012, mean ± standard deviation) and RF(0.908 ± 0.013) algorithms compared to the CART algorithm(0.784 ± 0.012), which is the most commonly used machine learning method. Although the SVM algorithm yielded a comparable AUC value(0.906 ± 0.006) to the RF and BRT algorithms, it is sensitive to parameter settings, which are extremely time-consuming.Therefore, we consider it inadequate for occurrence-distribution modeling. Considering the obvious advantages of high prediction accuracy, robustness to parameter settings, the ability to estimate uncertainty in prediction, and easy interpretation of predictor variables, BRT seems to be the most desirable method. These results provide an insight into the use of machine learning algorithms to map the mattic horizon and potentially other soil diagnostic horizons.