基于NDVI时序数据的不同水源灌溉面积分类研究--以人民胜利渠灌区为例

灌溉面积是水土资源利用的重要指标,灌溉面积监测是灌区和农业水资源管理的基础。【目的】探索不同水源的灌溉面积的遥感分类方法。【方法】基于人民胜利渠灌区2017年的Landsat8卫星数据和2012年的MODIS卫星数据,提取了灌区NDVI时序数据曲线,分别采用监督分类和非监督分类方法对灌区不同水源的灌溉面积进行分类,并结合实地调查资料对分类结果进行验证。【结果】非监督分类方法并不适用于灌区尺度的灌溉水源分类;基于MODIS数据的分类效果较差,分类精度为57.14%;基于Landsat8数据的NDVI时序数据和监督分类的结果较好,分类精度达到73.58%。【结论】空间分辨率较高的NDVI时序数据可对灌区灌溉水源进行分类。     

基于REMCC-BPNN的稻瘿蚊发生量预测研究

为了提高预测稻瘿蚊发生量的准确度,有效防控稻瘿蚊虫害成灾面积,采用基于K近邻样本拟合相对误差绝对值与时序相关系数最小原则优化的BP神经网络预测模型REMCC-BPNN,选取广为认可的气温和降水量为影响因子,对稻瘿蚊的发生量进行独立预测。通过2个实例（化州市晚稻稻瘿蚊发生程度和广西邕宁县稻瘿蚊发生程度）验证显示：REMCC-BPNN模型的独立预测精度分别为94%和100%,明显优于经典回归分析、SVR-CAR、MIV-BPNN等参比模型。可见,REMCC-BPNN模型在虫害发生量预测方面有良好的应用前景。     

新疆乌鲁木齐河年径流量系列代表性分析

依据资料长短系列统计参数对比分析、模比系数累积平均过程线分析、差积曲线分析方法对乌鲁木齐河英雄桥水文站的年径流量进行了系列代表性分析,其分析方法和成果可用于乌鲁木齐地区水资源分析评价和工程水文分析计算。     

短叶松同龄纯林林分平均直径的时序分析

根据Box-Jenkins建模原理,将ARIMA模型拟合时间序列的方法用于同龄纯林林分平均直径生长的拟合及预测研究。利用Eviews软件分别对短叶松同龄纯林样地1号、2号、3号的林分平均直径序列建模和预测,选出最优模型形式。然后用样地4的林分平均直径序列对所得到的模型形式进行适应性验证。通过用这4块样地数据对最优模型形式的拟合和预测,结果显示,最优模型形式剔除AR(2)项的AR(3)模型能够较好的拟合平均直径序列,决定系数(R2)分别为0.907 5、0.909 7、0.910 3、0.949 8,并且预测相对误差(Bias)很小(<1%)。在直径生长序列的近期预测中应用时间序列的ARIMA模型方法较为合适。     

基于ARIMA模型的陕西省GDP分析与预测

依据2008年《陕西统计年鉴》与1952～2007年陕西省GDP相关数据,采用SPSS统计软件及时间序列分析法,通过时间序列的平稳性检验、根据时间序列模型的识别规则进行定阶、模型检验、模型预测4大步骤在AIC准则下建立了ARIMA（1,2,1）时间序列模型,并根据ACF图和PACF图对模型做了适应性检验,然后对2002～2007年的实际值与预测值作比较,并利用该模型对陕西省未来6年的GDP做出预测。结果表明,各年实际值与预测值之间的相对误差均控制在5%以内,该模型的预测效果相对较好;根据模型预测的2008～2013年陕西GDP数据分别为6477.50亿、7656.62亿、9058.66亿、10735.10亿、12744.69亿、15158.20亿元,从预测结果看,陕西省的GDP在2008～2013年6年内仍将呈现出较高的增长趋势;该模型得出的预测结果只是一个预测值,而国民经济是一个复杂多变的动态系统,应随时注意经济运行中蕴藏着调整的风险,适时根据实际情况调整相应的目标值。     

基于熵谱理论的月径流预报

【目的】探讨熵谱模型在月径流预报中的应用效果以及训练期长度对模型预报精度的影响,为熵谱模型在径流预报中的应用提供参考。【方法】月径流预报依据黑河莺落峡站月径流资料,采用伯格熵(BESA)和构造熵(CESA)2种熵谱模型进行月径流预报,并用平均相对误差(RE)、均方根误差(RMSE)、相关系数(R)和纳西效率系数(NSE)对模型预报精度进行评价。【结果】训练期长度过短会使模型阶数偏低,模型无法做出准确的预测;训练期长度过长会使模型阶数偏高,此时训练期和验证期精度反而略微下降;适中的训练期长度能够使模型的训练期和验证期精度均相对较高且稳定。对于黑河莺落峡站,BESA模型的最佳训练期长度为13年,CESA模型的最佳训练期长度为19年,CESA模型的训练期拟合精度和验证期预报精度均高于BESA模型,同时CESA模型在汛期预报精度相对较高,而BESA模型在非汛期预报精度相对较高。【结论】BESA和CESA 2种模型都可用于月径流预报,但需要合理选择训练期长度,使模型阶数适中且稳定,以提高预报精度和可靠性。     

Blue crab (Callinectes sapidus) larval settlement in North Carolina: environmental forcing,recruit–stock relationships,and numerical modeling

Ecosystem‐based fishery management requires an understanding of relationships between fisheries and environmental variability. The purposes of this study were to investigate (1) how environmental forcing drives variability in larval settlement of the blue crab Callinectes sapidus, (2) whether larval settlement data are useful for determining recruit–stock relationships, and (3) whether environmental data can be used to predict settlement. Megalopae settling on passive collectors in the Newport River estuary, NC, were collected nightly from September to November for 13 yr from 1993 to 2009. Observed settlement was compared with winds, tides, and predicted settlement (numerical model derived from environmental data) using cross‐correlation analysis. Weather events associated with settlement pulses were also identified. Recruit–stock relationships were developed by comparing observed and predicted settlement indices to lagged NC fishery data. Settlement was positively correlated with winds from the northeast, southeast and south in 12 of 13 yr and with maximum duration nighttime flood tides in all years. Settlement pulses occurred when high pressure systems formed over the southeast USA (58% of pulses) or hurricanes (25%), and nearly all occurred during nighttime flood tides (85%). Significant recruit–stock relationships occurred between observed settlement and fishery landings (r² = 0.96) and effort (r² = 0.94) in wet years and catch per unit effort (r² = 0.98) during dry years. The timing of settlement pulses, but not the magnitude of annual settlement, was successfully predicted using the settlement model. These results suggest that blue crab fisheries in NC are influenced both by larval settlement and post‐settlement processes (freshwater inflow).     

基于时间序列和神经网络的温室传感器节点故障诊断

温室无线传感器网络中故障节点会产生并传输错误数据,不仅消耗节点的能量和带宽,而且导致错误决策。针对此问题研究一种准确判断节点故障状态的方法。采用时序分析和遗传BP神经网络,建立基于时间序列和神经网络的传感器节点故障诊断系统,通过对传感器样本数据进行时序分析,提取模型参数作为特征向量,并以此对遗传BP神经网络进行网络训练,实现传感器节点故障的诊断。试验结果表明：该方法能够有效地识别传感器节点故障类型,15组测试样本的输出矢量与同类故障基准矢量的欧式距离和为0.007,识别正确率为100%。     

基于沙漠场景的可见近红外遥感器辐射定标研究进展

沙漠场景法是一种基于时间序列的相对辐射定标方法,通常用于气象卫星等低空间分辨率卫星。沙漠场景法选择均匀稳定的大面积沙漠地区作为研究区,通过长时间序列图图像的统计分析,假设实验场地的地表和大气稳定,监测传感器的长期变化趋势。分析沙漠场景法的基本原理及场地选择标准,介绍国内外利用沙漠场景进行辐射定标的研究现状,指出各种方法的优缺点,为今后开展国产卫星沙漠场景的时间序列定标提供参考。     

黄土丘陵区白羊草与达乌里胡枝子混播的光合生理日变化研究

采用生态替代法,按照白羊草(Bothriochloa ischaemum,B)和达乌里胡枝子(Lespedeza davurica,D)行比设置了7种混播比例组合(即0∶10, 2∶8, 4∶6, 5∶5, 6∶4, 8∶2和10∶0),比较研究了白羊草在不同混播比例组合下的光合生理日变化特征。结果表明:不同混播比例组合下,白羊草光合速率日变化均呈双峰曲线,具有明显的光合"午休"现象,峰值分别出现在10:00和16:00左右,峰谷出现在12:00左右;除B4D6比例下白羊草蒸腾速率日变化呈双峰曲线外,其他比例下均呈单峰曲线;各混播比例组合下白羊草叶片水分利用效率日变化均呈双峰曲线,峰值和峰谷出现时间与光合速率一致。相比其他组合比例,白羊草在B8D2和B6D4比例下均具有较高的P_n日均值,较低的T_r日均值和较高的WUE_L日均值,说明这2种组合比例有利于改善其光合作用,提高其叶片水分利用效率。