基于GEE的山东省近30年农业大棚时空动态变化研究

针对精确获取大尺度空间范围内农业大棚的分布情况并进行长时间的序列动态监测存在数据量大、计算效率低、精度不高等问题,利用Google Earth Engine(GEE)云平台能够实现快速存取、实时处理海量卫星数据,基于多时相Landsat影像进行农业大棚时序光谱特征和纹理特征的自动提取,采用随机森林算法实现山东省农业大棚的遥感分类,从而生成了山东省近30年农业大棚的空间分布和时空动态变化图。结果表明,本文分类流程具有较高的分类精度,其平均总体精度达到91.63%,Kappa系数均值为0.8642。经分析,山东省农业大棚从1990年的6.67 km^2增加到2018年的9919.40 km^2,增长速度为354.03 km^2/a。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于Random Forest的水稻细菌性条斑病识别方法研究

为了快速、准确、有效地识别发病早期的细菌性条斑病,提出基于随机森林(Random forest,RF)算法的水稻细菌性条斑病识别方法,利用光谱成像技术获取该病害的高光谱数据,通过多元散射校正减少和消除噪声及基线漂移对光谱数据的不利影响。利用随机森林特征重要性指标,选取逻辑回归(LR)、朴素贝叶斯(NB)、决策树(DT)、支持向量分类机(SVC)、k最近邻(KNN)和梯度提升决策树(Gradient boosting decision tree,GBDT)算法进行对比试验。同时筛选出12个位于450~664 nm范围内对识别模型有重要影响的光谱波段,并与全波段进行分类结果比较。试验结果表明:RF算法的分类准确率为95.24%,与试验选取的其他算法相比,效果最优,比NB准确率提高了20.97个百分点;与全波段分类结果相比,利用RF算法基于12个波长的识别,波长数减少了98.05%,识别精确率为94.66%,召回率为99.55%,F1值为97.04%,准确率为94.32%。虽然精确率减少了2.97个百分点、准确率减少了0.85个百分点,但召回率增加了4.4个百分点、F1值增加了0.67个百分点,模型精度满足要求。     

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。     

旋流泵菜籽-水两相流浓度特性实验与流场数值模拟

为探索旋流泵固液两相流内部流场及变浓度输送特性,分析了旋流泵固液两相流动基本原理及其特点。在32WB8-12型样机上完成输送清水及菜籽体积分数CV分别为6%、10%的外特性实验,得出泵流量-扬程、流量-轴功率、流量-效率和流量-临界汽蚀余量性能曲线。采用Mixture多相流模型及RNG k-ε湍流模型,对旋流泵在清水最优工况流量qv=9. 31 m~3/h下输送菜籽固液两相流流场进行了数值模拟,求解采用SIMPLE算法,得到3个轴面静压、速度矢量和固粒体积分数分布图。通过对比分析,数值模拟准确性得到了验证。综合分析了泵外特性变化与内部流场之间的定性因果关系,并提出了两相流泵优化设计改进措施。     

基于随机森林回归的玉米单产估测

为了提高玉米单产估测精度,以河北省中部平原为研究区域,以条件植被温度指数(VTCI)和上包络线S-G滤波的叶面积指数(LAI)为特征变量,通过随机森林回归确定玉米主要生育时期VTCI和LAI的权重,构建加权VTCI和LAI与玉米单产的单变量和双变量估产模型。结果表明,基于随机森林回归的双变量估产模型精度最高(R~2=0. 303),达极显著水平(P 0. 001)。将随机森林回归双变量估产模型用于研究区域2012年各县(区)玉米单产估测,结果表明,53个县(区)玉米估测单产与实际单产的平均相对误差为9. 85%,均方根误差为824. 77 kg/hm~2,模型精度较高。基于随机森林回归双变量估产模型逐像素估测研究区域2010—2018年玉米单产,结果表明,玉米单产在空间上的分布特征为西部地区最高、北部和南部次之、东部地区最低,年际间的分布特征为在波动中呈先减少后增加的趋势。     

基于随机森林算法的自然光照条件下绿色苹果识别

果实识别是自动化采摘系统中的重要环节,能否快速、准确地识别出果实直接影响采摘机器人的实时性和可靠性。为了实现自然光照条件下绿色苹果的识别,本文采集了果实生长期苹果树图像,并利用随机森林算法实现了绿色苹果果实的分类和识别。针对果树背景颜色和纹理特征的复杂性,尤其是绿色果实和叶片在很多特征上的相似性,论文基于RGB颜色空间进行了Otsu阈值分割和滤波处理,去除枝干等背景,得到仅剩果实和叶片的图像。然后,分别提取叶片和苹果的灰度及纹理特征构成训练集合,建立了绿色苹果随机森林识别模型,并使用像素模板验证数据集,对模型进行预测试验,正确率为90%。最后,选择10幅自然光照条件下不同的果树图像作为检测对象,使用该模型进行果实识别并使用霍夫变换绘制果实轮廓,平均识别正确率为88%。结果表明,该方法具有较高的鲁棒性、稳定性、准确性,能够用于自然光照条件下绿色果实的快速识别。     

沈山高速公路大雾天气气候特征及其对交通的影响及防御

利用沈山高速公路沿线8个气象观测站（沈阳、辽中、台安、盘锦、锦州、葫芦岛、兴城、绥中）1981—2012年的大雾实况资料,分析沈山高速公路沿线大雾时空分布特征。结果表明：在时间分布上,2003—2012年,沈山高速公路大雾日数呈上升趋势,年平均为16.4天,比20世纪80年代增加1.8天;辽中、台安、盘锦和沈阳4个站大雾天气主要出现在秋、冬季,而锦州、葫芦岛、兴城、绥中4个站大雾天气主要出现在夏、秋季。大雾日变化明显,有2个生成的高发阶段,一个在早晨3—6时,另一个在夜里21—24时,大雾消散的时间主要在15时之前,消散的峰值在上午9时左右,89%的大雾持续时间不超过10 h,2~4 h左右的雾发生频率最高。在空间分布上,沈山高速沿线西南部沿海雾日多,内陆地区雾日少,有明显的地区差异。在对沈山高速公路沿线大雾天气气候特征分析的基础上,结合2008—2012年沈山高速由于大雾的原因引发的交通事故分析,探讨了大雾对沈山高速公路交通的影响,选取大雾灾害隐患点,找出服务关键期,并有针对性地提出防御建议。     

菜地土壤磷素淋失及其影响因素

以菜地为供试土壤,研究了0~100 cm菜地土壤Olsen-P、CaCl2-P、NaOH-P的空间分布状况及其相关关系。结果表明,0~20 cm菜地Olsen-P、CaCl2-P、NaOH-P含量分别为:123.8~399.6 mg/kg、9.1~27.2 mg/kg、184.9~608.9mg/kg。土壤Olsen-P、CaCl2-P、NaOH-P主要积累在0~20 cm土层,随着土壤深度的增加土壤磷的积累量逐渐降低;土壤Olsen-P与CaCl2-P、NaOH-P呈显著正相关关系。土壤Olsen-P含量高于55.6~63.0 mg/kg时,土壤CaCl2-P显著增加,此时的Olsen-P含量为土壤磷渗漏淋失显著增加的“突变点”。     

The genetic relationship between popping expansion volume and two yield components in popcorn using unconditional and conditional QTL analysis

Popping expansion volume (PEV) is the most important quality trait in popcorn, while its germplasm is inferior to normal dent/flint corn in yield. In this study, 259 F_2:3 families, developed from the cross between a dent corn inbred Dan232 and a popcorn inbred N04, were evaluated for their PEV, grain weight per plant (GWP) and 100-grain weight (100 GW) in two environments. The genetic relationship between PEV and GWP, and 100 GW on individual gene loci were evaluated using unconditional and conditional QTL mapping methods. In total, five, one and three unconditional QTL were identified for PEV, GWP, and 100 GW, respectively. The positive alleles of all QTL for PEV were from N04, while positive alleles of all QTL for GWP and 100 GW were from Dan232. In conditional mapping, one and two QTL failed to be detected, and all four additional QTL were detected. Nevertheless, three QTL were identified, which controlled PEV independently from GWP/100 GW. They seemed to be potential candidates in popcorn breeding to increase PEV without decreasing GWP/100 GW. The results suggested that for significantly correlated traits, the conditional QTL mapping method could be used to dissect the genetic interrelationship between traits at the level of individual QTL, as well as reveal additional QTL that were undetectable by unconditional mapping.