基于决策树算法的智能变电站虚回路故障诊断方法

文章提出了一种基于决策树算法的智能变电站虚回路故障诊断方法,通过对智能变电站虚回路各IED设备之间的信息流建模,得到IED设备关系表,利用决策树算法对智能变电站虚回路信息流进行实例分析,并对其故障诊断的正确率进行验证,仿真实验结果证明:该方法有利于诊断智能变电站各IED设备之间的信息流是否正确,模型具有可读性,分类速度快的优点,方便检修人员进行调试。     

渭-库绿洲土壤剖面盐分分布特征及驱动因子分析

[目的]监测渭-库绿洲土壤盐渍化的空间分布特征,探究驱动因子作用机理,对当地因地制宜进行土壤盐渍化调控。[方法]采用决策树、克里金插值和灰色关联度分析研究了渭-库绿洲土壤盐渍化的剖面分布特征,着重分析了样本点海拔、植被覆盖度、地下水位、TW( I 地形湿度指数)、地下水矿化度5个驱动因子对土壤盐渍化的影响。[结果]①研究区表层土壤(0~10 cm)属于重度盐渍化土壤,10~20、20~40、40~60 cm各深度剖面土壤属于中度盐渍化土壤。土壤EC1:5有强的空间变异性,其分布格局受灌溉等人为驱动因素的影响较大。②绿洲内部(即耕作区)表层土壤属于非盐渍化区域,绿洲东部10~20、20~40、40~60cm土层有轻、中度的盐渍化现象。绿洲内部表层以下土壤盐分高于表层,绿洲存在潜在的盐渍化风险。耕作区外围绿洲-荒漠交错带区域各剖面层均属于盐渍化区域,随着剖面深度的增加,盐渍化程度在不断减弱。③样本点海拔、植被覆盖度、地下水位、TWI、地下水矿化度与土壤EC1:5的灰色关联度大小次序为:0~10 cm土层:地下水矿化度>TWI>样本点的海拔>植被覆盖度>地下水位;10~20、20~40 cm土层:地下水矿化度>样本点的海拔>TWI>植被覆盖度>地下水位。[结论]渭-库绿洲土壤盐渍化主要分布在绿洲-荒漠交错带区域,土壤盐分表聚强烈,地下水矿化度是造成该研究区土壤盐渍化问题的首要原因。     

基于二叉决策树分类模型的草原牛行为识别

为了解决人工监测草原放牧牛运动行为工作量大、监测精度低的问题,试验提出一种基于二叉决策树分类模型的草原牛行为识别方法,即选取草原牛颈部三轴加速度计采集数据的X轴、Y轴、Z轴方差、均方根、平均值及三轴总体的矢量幅度(signal vector magnitude, SVM)和幅度(singal magnitude area, SMA)共11种统计特征量来构建查准率-查全率曲线(P-R曲线),通过P-R曲线获取各统计特征量所对应的最优行为类别分组方式及最优阈值,利用信息增益作为选择标准来构建二叉决策树分类模型,运用此模型对草原牛的躺卧、反刍、采食及慢走四种运动行为进行分类识别,并与K-均值(K-means)聚类算法比对。结果表明：K-means聚类算法只能识别躺卧行为,难以区分反刍、采食及慢走三种运动行为,但二叉决策树分类模型能够有效地将躺卧和慢走行为从躺卧、反刍、采食及慢走四种行为中识别出来,查准率和查全率均达到0.760以上。说明二叉决策树分类模型较常用的K-means聚类算法可更有效地完成草原牛行为分类,并且准确率更高。     

种植密度、播期和施肥对西藏不同青稞品种籽粒灌浆特性影响

为了给西藏青稞高产栽培及新品种选育提供依据,选用不同种植密度、播期和施肥处理现有的4个主要青稞品种,通过田间试验研究不同品种籽粒灌浆过程。结果表明,不同青稞品种在不同种植密度、播期和施肥处理下的籽粒灌浆特征表现出相似性,4个品种的平均灌浆速率大小依次为‘藏青2000’＞‘藏青320’＞‘喜马拉雅22’＞‘藏青13’;播期、种植密度和施肥对青稞籽粒产量的影响作用力为：播期＞施肥＞种植密度;不同青稞品种灌浆期籽粒百粒干重均在3.54 g~6.71 g之间,所有试验处理平均百粒干重最高的是T1（播期为4月10日）处理的‘藏青2000’,达到5.8 g/百粒。综合分析表明,播期对4个青稞品种的灌浆特性和产量效益影响最为明显。因此,适时早播是青稞获得高产的关键。     

基于图像处理的温室黄瓜霜霉病诊断系统

为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。     

水果表面缺陷自动检测系统中的人工智能方法研究

通过计算机视觉技术获取了带有各种表面缺陷的苹果图像并进行预处理，采用自适应特征聚类（ＳＡＦＣ）神经网络与模糊加权决策树（ＦＷＤＴ）相结合的方法实现了缺陷区域的准确检测和详细分类。实验结果表明，用人工智能方法进行表面缺陷检测，具有良好的抗噪容错能力并能有效地克服传统图像分割方法适应性差的缺点，提高判别准确率和分类精度。     

基于时序PolSAR影像与决策树模型的油菜物候期识别

作物物候期识别是农情遥感监测的重要内容,及时准确识别作物物候期,对有效评估作物生长趋势、提高农情信息化管理水平有重要意义。提出了基于时间序列全极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)数据结合决策树模型的油菜物候期识别方法。首先,采用3种极化分解方法提取PolSAR极化参数,并分析各极化参数对油菜物候期的动态响应规律;其次,基于各极化分解方法提取的参数建立决策树模型,并对油菜物候期进行分类识别;最后,采用基于混淆矩阵的方法对油菜物候期识别结果进行精度评价。采用5期Radarsat-2 PolSAR数据和地面物候观测数据进行实验验证。结果表明:提取的PolSAR参数中对物候期变化较为敏感的参数有H/A/alpha分解中的散射角(Alpha)、特征值(L2、L3)、伪熵(P2)、目标方位角(Beta1)参数,Freeman-Durden分解中的地面散射(Ground)和奇次散射(Odd)参数,Yamaguchi分解中的奇次散射(Odd_Y)和螺旋体散射(Helix)参数;决策树模型对油菜物候期识别结果较为准确,识别结果中组合3种极化分解方法提取参数建立的原始决策树模型分类总体精度最高,达94%。总体上,PolSAR极化分解参数对油菜物候期变化比较敏感,决策树模型能有效识别油菜物候期。     

基于混合像元分解的香格里拉市高山松空间分布变化研究

利用香格里拉市1997-2017年每5 a的Landsat遥感影像、2018年外业调查数据、森林资源二类调查数据和DEM数据为数据源,以高山松为对象,综合运用混合像元分解技术、决策树分类和GIS技术对其空间分布变化进行分析。结果表明,1）分类中,高山松归一化多分量指数阈值为0.333,云南松归一化多分量指数阈值为0.208;云冷杉归一化多分量指数阈值为0.362。2）各年分类结果总体精度分别为69.42%、76.73%、81.07%、78.90%和76.53%。3）香格里拉市高山松覆盖面积2002年比1997年减少了13.40%,2007年比2002年减少了2.47%,2012年比2007增加了8.96%,2017年比2012年增加了4.06%,呈现出先减少后增加的趋势。4）研究区内高山松主要分布在海拔高度2 800~3 800 m,1 800~2 800 m高山松面积总体呈现为轻微下降趋势;2 800~3 300 m海拔区间1997-2007年呈现下降趋势,2007-2017年呈现上升趋势,3 300~3 800 m区间内1997-2002年高山松面积呈现下降趋势,2002-2017年高山松面积逐年上升,3 800~4 800 m区间内1997-2017年高山松面积逐年下降。利用混合像元分解构建归一化多分量指数结合决策树分类对树种分类具有一定的参考价值,高山松时空变化结果对森林资源管理和后续研究可提供科学数据支撑。     

基于决策树的高寒湿地类型遥感分类方法研究

以索加-曲麻河区域为例,探讨了三江源区域高寒湿地遥感分类方法。利用TM 影像数据和DEM及缨帽变换后的亮度、绿度、湿度,以及归一化水体指数(NDWI)等复合识别指标,构建决策树模型,对研究区不同地类进行区分。然后通过与传统的最大似然法监督分类所得到的结果进行对比,结果表明:利用基于指数的决策树分类方法对高寒湿地类型进行分类,较传统的最大似然法监督分类总体精度提高12.05%;总体kappa系数提高0.140 7; 对于河流、湖泊、沼泽、滩地等湿地类型,生产者精度和用户精度分别提高了6.06%, 6.25%; 0.12%, 3.13%; 6.99%, 25.00%;6.12%, 28.13%, 比监督分类均有明显的提高。证明基于指数的决策树分类方法是高寒区域湿地遥感分类的一种有效手段。     

阿尔金山草地鼠害发生区及鼠荒地面积遥感估算

[目的]运用“3S”技术对阿尔金山草地鼠害发生区和鼠荒地进行监测和解译,获得鼠害发生面积和分布,为研究区鼠害蔓延的防治及鼠荒地的治理提供参考.[方法]研究区Landsat8遥感影像,采用最大似然监督分类方法,初步分出鼠害发生区、草地、裸地、水体等地物,再添加海拔高度和植被覆盖度的训练规则,运用决策树分类方法,进一步从鼠害发生区中提取鼠荒地、鼠害发生区,鼠害潜在发生区,最后生成专题图.[结果]遥感估算得阿尔金山地区鼠害发生区面积为3 419.621 km2,其中鼠荒地面积1 376.476 km2,分别占到研究区的6.92;和2.78;,与2014年11月新疆巴州草原站实地调查估算结果相近,且有扩大趋势.[结论]鼠荒地或鼠害潜在发生区有沿水源边缘分布特征,鼠荒地与草地,裸地多呈镶嵌分布.鼠荒地和裸地、草地共存易形成混合像元,造成解译误差;最大似然法和决策树方法的结合使结果更符合实际调查.