中国“平原-山地”地形过渡带NDVI时空变异与气候响应

研究地形过渡带植被的地形效应,边缘效应,及其对纬度、气候变化的响应,将为我国山地生态格局和资源禀赋的深层认知提供地学参考。利用1982—2015年第三代全球库存建模和制图研究归一化植被指数数据集(GIMMS NDVI3g v1)和年均气温、降水等气象数据,分别进行最大值合成、趋势分析、突变分析、变异分析和相关分析,揭示了中国近南北走向的“平原-山地”地形过渡带(简称“地形过渡带”)植被物候的时空变化规律及对气候变化的响应特征。研究表明:(1)“地形过渡带”跨越一年三熟的低纬度地区,到一年两熟的中纬度地区,再到一年一熟的高纬度地区的周期性植被物候特征区;(2)34年间,年际NDVI整体呈增长趋势,其中植被改善区域占58.84%;年内分析表明“地形过渡带”植被生长期(LOS)变化率-3.16 d/纬度;(3)34年间“地形过渡带”的年均气温呈现升高趋势,每10年上升速率为0.098—0.386℃之间;年均降水呈现减少趋势,每10年下降速率为8.29—31.82 mm;(4)34年间NDVI变异系数结果表明,研究区NDVI低波动变化和相对较低波动变化的面积占比达95.52%,说明研究区植被呈稳中向好趋势;(5)NDVI与年均气温的相关性随着纬度的升高而减弱,表明南方植被对气温变化敏感;NDVI与年均降水量的相关性随着纬度的升高而升高,表明北方植被对降水变化敏感。

基于深度学习与随机森林的PM_(2.5)浓度预测模型

针对PM_(2.5)浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM_(2.5)浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_(2.5)地面观测数据构建训练数据集,通过深度学习方法对训练数据内部深层次隐含特征进行提取,将提取得到的隐含特征用于随机森林模型训练,并使用随机森林回归算法得到PM_(2.5)浓度的预测值。为验证方法的有效性,以河南省区域2018年—2019年的PM_(2.5)浓度估算为例,将原始特征与利用CNN、LSTM和CNN_LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明,在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度,其中以LSTM为特征选择器,RF为回归器的组合模型是本实验的最优模型,在即使只有35%的数据作为训练样本时,整体预测实验中R^(2)仍可达0.89,各季节预测实验中R^(2)均在0.75以上。

基于超分辨率重建的小目标智能检测算法

针对小目标占有像素少导致检测精确率低的问题,提出一种基于超分辨率重建的小目标检测算法。首先,通过图像预处理对高分辨率图像分块并筛选出含有目标的子图像;其次,构建超分辨率锐化增强模块,引入锐化图像和锐化损失,以获得边缘更清晰的高分辨率子图像;然后,采用多尺度锐化目标检测模块检测目标,该模块添加边缘锐化模型,在深层特征层中进一步锐化图像边缘,弥补深层卷积对细节的损失;最后,根据子图像编号将小目标检测结果回归到原图像中,完成小目标图像检测。在PASCAL VOC数据集和COCO 2017数据集上的实验结果表明,所提算法的平均精确率(mAP)分别为85.3%和54.0%,对COCO数据集的小目标检测精确率为43.5%,高于次优值9.7个百分点。因此,所提算法可以有效减少小目标漏检的次数,提高检测精确率。

Blondel和k-核分解混合算法相结合的网络空间点群要素多尺度模型构建

随着人们对网络空间的依赖性不断增强,互联网技术与网络基础设施规模迅速发展。很难直接用数字或表格的形式对网络空间进行全局的规划与管理,并且不容易发现隐藏在网络空间中的一些关键信息。网络空间点群要素的多尺度模型构建对网络空间数据的多尺度分析和可视化具有非常重要的意义。本文以网络空间的特征为依据,在借鉴基于社团划分的网络空间分层算法和基于节点重要性的网络空间分层算法特点的基础上,提出了Blondel算法和k-核分解的混合算法相结合的网络空间点群要素多尺度模型构建算法。本算法通过自动社团划分,用同一社团内的节点合并构建新的网络,有效解决了基于节点重要性的网络空间分层算法自动化程度低的弊端。利用核心节点来代替整个社团结构,显著保留了网络空间中节点的属性。实验表明使用该算法可以使各个层次网络空间点群要素的综合比例降至30%以下,较好的实现了网络空间点群要素的聚类与分层,若将网络空间点群要素的多尺度模型应用于地理空间中,则可实现网络空间地图的多尺度绘制。