基于五性的天波雷达质量分析评估模型构建研究

为研究天波雷达质量分析评估方法,以雷达装备的“五性”指标为依据,综合考虑雷达的维修和保障需求,建立了天波雷达质量分析评估体系.通过给出各项指标的含义和计算方法,采用层次分析法确定评估体系中各项指标的权重;最后输入试验数据,得到雷达的质量评分.通过实例验证,该方法能定量计算雷达的质量情况,可以为雷达维修保障提供依据.

耦合多种特征的森林蓄积量反演方法比较——以雅鲁藏布江流域森林为例

森林资源遥感监测是遥感的重要应用方向之一。传统的统测方法花费大量的人力、物力,科学的森林资源预测可以提升工作效率并降低测算成本。森林蓄积量是评价森林生态系统质量的重要指标。蓄积量反演模型是用来估测蓄积量的数学模型,具有学习和预测的功能。同样的地物在不同光照或阴影区域有较大的差别,利用波段比值可以在一定程度上减小光照和阴影区域在建模时得出结果的误差。森林蓄积量的预测模型通常选取光谱信息和纹理特征作为主要建模因子,但未充分考虑选取波段比值、植被指数、地形因子等多特征变量时不同模型对预测精度的影响。针对不同模型的精度问题,以西藏自治区米林县为研究区域,以Landsat OLI影像、DEM数据以及森林资源二类调查数据为数据源,对光谱信息、纹理特征和地形因子等进行提取与分析,并建立了三种基于多特征的森林蓄积量的反演模型,分别是多元逐步回归模型、BP神经网络模型和随机森林模型。旨在研究不同模型对森林蓄积量反演的影响。采用可决系数(R^(2))、平均绝对误差(MAE)和均方根误差(RMSE)来对模型进行拟合度和精度的评价。结果显示随机森林模型的拟合度和精度均为最优(R^(2)=0.739,MAE=55.352 m^(3)·ha^(-1),RMSE=63.195 m^(3)·ha^(-1)),高于多元逐步回归模型(R^(2)=0.541,MAE=58.317 m^(3)·ha^(-1),RMSE=71.562 m^(3)·ha^(-1))和BP神经网络模型(R^(2)=0.477,MAE=67.503 m^(3)·ha^(-1),RMSE=73.226 m^(3)·ha^(-1))。模型预测值的范围为121.3~372.8 m^(3)·ha^(-1),与实际值较为接近。结果表明基于多特征的森林蓄积量反演在实际应用中是有效的,且不同的模型对森林蓄积量的反演精度有一定的影响。随机森林回归模型的反演精度最高,能够较好地应用于森林资源的遥感监测中。该研究可以为森林蓄积量反演方法的选取提供参考和借鉴,有助于森林资源遥感监测体系的不断完善。

5种茶园秋冬季天敌与假眼小绿叶蝉空间关系密切程度的差异

为了明确与假眼小绿叶蝉空间关系密切的天敌种类,为合理利用和保护天敌提供科学依据。运用地学统计学分析方法计算白毫早茶园、黄山大叶种茶园、农抗早茶园、平阳特早茶园和乌牛早茶园秋冬季假眼小绿叶蝉和其主要6种天敌地统计学半变异函数的变程。使用灰色系统分析方法对计算结果进行灰色关联度分析,并对分析结果进行标准化。以标准化后的密切指数大小评判天敌与假眼小绿叶蝉空间关系的密切程度。结果是:1)、黄山大叶种茶园和农抗早茶园与假眼小绿叶蝉空间关系密切的前3位天敌是粽管巢蛛、鳞纹肖蛸和斜纹猫蛛,但位次不同。2)、白毫早茶园前3位天敌是鳞纹肖蛸、斜纹猫蛛和锥腹肖蛸,前2种与黄山大叶种和农抗早茶园相同。3)、平阳特早茶园前3位天敌是鳞纹肖蛸、粽管巢蛛和草间小黑蛛,前2种与黄山大叶种和农抗早茶园相同。4)、乌牛早茶园前3位天敌是粽管巢蛛、草间小黑蛛和三突花蟹蛛,只有粽管巢蛛与黄山大叶种和农抗早茶园相同。根据5种茶园同种天敌密切指数之和以及同种天敌位次之和评判,与假眼小绿叶蝉空间关系密切的天敌均是鳞纹肖蛸、粽管巢蛛和斜纹猫蛛。天敌位次的变化主要是害虫和天敌数量之比的比值变化。害虫个体数与某种天敌个体数之比的比值越小,天敌与害虫的跟随关系则越密切。密切原因与食饵资源短缺有关。