基于机器学习森林生物量反演的哨兵数据精度对比

选取美国弗吉尼亚州东南部和北卡罗来纳州东北部的迪斯默尔沼泽作为研究区,基于Sentinel-1雷达数据和Sentinel-2光学数据,在对影像特征因子提取的基础上,采用随机森林构建生物量反演模型,对比分析了森林地上生物量反演精度。结果表明：基于Sentinel-2影像的随机森林模型的R²、RMSE分别为：0.707、39.521 t/hm²;基于Sentinel-1影像的随机森林模型R²、RMSE分别为：0.601、38.536 t/hm²。从整体来看,不同的变量参与到模型建模最终导致的精度各不相同,基于Sentinel-2影像建模的精度总体上高于基于Sentinel-1影像建模的精度。     

鸭亲本间遗传距离与杂交后代杂种优势关系的研究

运用随机扩增多态DNA方法,对樱桃谷鸭、麻鸭及其杂交一代和用F1作为母本再与父本番鸭属间杂交培育的三元杂交半番鸭(F2)基因组DNA进行了遗传分析。结果表明,RAPD可用于有效标记鸭品种之间遗传亲缘关系和杂种优势预测;在所使用的20种随机引物中,5个鸭种共产生760条带,其中多态性带568条,占总条带数的 74．7％,说明鸭群体具有较为丰富的遗传多样性;杂交一代多态性位点比例为67．9％,遗传相似度为0．822 7,三元杂交二代多态性位点比例为83．1％,遗传相似度为0．826 4。说明三元杂交子二代的杂种优势可以用杂种优势理论中的显形假说来解释。     

基于无人机高光谱融合连续投影算法估算棉花地上部生物量

【目的】地上部生物量是表征植物生命活动的重要参数。探索不同的光谱预处理方法和建模方法,实现对棉花地上部生物量快速、无损、准确的估算,对棉花长势监测和大田精准管理具有重要意义。【方法】以新陆早53号、新陆早45号为研究对象,设置不同施氮处理,于出苗后不同阶段获取棉花地上部生物量和无人机高光谱数据,通过连续投影算法(Successive projections algorithm,SPA)筛选不同预处理[一阶导数、二阶导数、Savitzky-Golay(SG平滑)、多元散射校正]后的特征波长,基于筛选出的不同波长组合使用偏最小二乘法回归(Partial least square regression,PLSR)和随机森林回归(Random forest regression,RFR)分别构建棉花地上部生物量估算模型,比较不同预处理后建立模型的精度,确定最优估算模型。【结果】(1)利用SPA算法对不同预处理后的光谱信息筛选出特征波长9～26个,可实现光谱信息降维。(2)基于SG平滑-SPA处理及PLSR方法建立的模型最佳,R~2达到了0.63,均方根误差(Root mean square error,RMSE)为0.42,验证集的R~2为0.67,RMSE为0.44。(3)一阶导数-SPA处理后,采用RFR构建的模型最佳,R~2达到0.87,RMSE为0.45,验证集R~2为0.81,RMSE为0.37。【结论】采用一阶导数预处理结合SPA筛选特征波长,经RFR构建的估算模型结果和验证效果均最佳,可用于棉花地上部生物量定量估算。     

基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演

【目的】探究光学和雷达卫星遥感对亚热带森林生物量的反演潜力。【方法】利用不同季节时间序列的合成孔径雷达(Senitinel-1)和光学数据(Sentinel-2),对太平湖生态保护区森林地上生物量进行反演。基于后向散射系数、光谱波段、植被指数和生物物理参数,采用回归随机森林算法探究Sentinel-1和Sentinel-2在地上生物量制图中的精度,探究对亚热带森林地上生物量制图的最佳影像采集时期,评估光学和雷达遥感特征参数对提高地上生物量估计精度的贡献。【结果】Sentinel-2对研究区森林地上生物量的估计精度[决定系数(R²)=0.68,均方根误差(E_RMS)=37.69 Mg·hm^-2]要优于Sentinel-1 (R²=0.47,E_RMS=49.11 Mg·hm^-2),但两者联合产生了最佳结果 (R²=0.78,E_RMS=31.56 Mg·hm^-2)。生长季(6和9月)的光学数据和旱...     

基于随机分形的树木(枫树)可视化研究

为了更好地发挥森林效益,提高森林的管理效果,需要虚拟不同树木生长过程的形态,建立相应的可视化系统,从而寻找树木生长规律,用来指导实践。本文首先介绍了虚拟单棵树木的两种分形方法:L系统和迭代函数系统。在此基础上对其进行改进,考虑到气候、温度、阳光和风向等因素对树木生长形态的影响,在生成规则和仿射变换、树木初始角度、树木主干与枝干的夹角、树枝的粗细和长度等五个方面分别引入随机因子,用Matlab软件进行编程,实现了枫树不同形态的绘制。此方法可以推广到虚拟不同植物的形态等,在虚拟农业研究、虚拟场景、景观设计、动画制作等方面有广泛的应用。     

运用植被指数时序特征对落叶松人工林分类

为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。     

生猪养殖补贴对技术效率的影响研究——基于江苏省生猪养殖户的分析

为探究生猪养殖补贴对技术效率的影响,本文基于2012—2017年江苏省生猪养殖户的微观调研数据,从是否获得补贴和补贴金额两个角度出发,实证分析了生猪养殖补贴对技术效率的影响。主要结论有:①2012—2017年,江苏省生猪养殖技术效率均值为0.956。在时间上技术效率呈现出了上升趋势,在规模上技术效率呈现出了递增趋势。②生猪养殖补贴对技术效率具有一定的促进作用,而且获得补贴的生猪养殖户的技术效率要比未获得补贴的生猪养殖户高0.038～0.058。③生猪养殖补贴金额和技术效率之间存在倒U形关系,且当单位生猪养殖补贴金额为15.06元时,补贴对技术效率的促进作用最明显。最后,依据本文的研究结论提出相关建议,以促进生猪生产补贴政策更好地实施。     

GF6卫星红边波段对春季作物分类精度的影响

为探究高分六号(GF6)宽幅遥感影像红边波段在春季作物识别中的应用,以河南省杞县为研究区,通过分析2019年3月25日单时相影像及其光谱特征,利用随机森林算法完成4种不同红边波段方案下冬小麦、大蒜和其他作物(油菜、蔬菜等)的分类提取,并基于地面采样数据实现不同方案分类精度评价、样本间可分性测度以及光谱反射率计算分析。结果表明,有红边波段参与下,较无红边波段参与时作物总体分类精度和不同作物可分性测度值均有所提高;单红边波段参与下,红边波段2作物总体分类精度较红边波段1提高了1.98个百分点;引入全部红边波段较无红边参与方案的作物总体分类精度由81.56%提高到86.19%,提高了4.63个百分点,Kappa系数由0.72提高到0.79,冬小麦-大蒜、冬小麦-其他作物、大蒜-其他作物的J-M(Jeffries-Matusita)可分性测度也分别增加了0.085 6、0.076 1和0.025 1。研究表明,红边波段的引入不仅增加了作物间的可分性测度,降低了分类结果中作物误分、漏分情况,也在一定程度上降低了结果中的"椒盐现象",为国产红边卫星数据在农业上的应用提供参考。     

基于机器学习算法的土壤有机质 质量比估算

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.