深圳市生态弹性力评价

深圳市是中国首批改革开放试点地区,其发展经验对全国都具有重要意义。为研究深圳市经济发展对生态环境的影响,本研究从深圳市的生态弹性力入手,分析城市的发展过程中主要影响因子的变化过程。选取年降水量、年平均气温、日照时数、地表水资源量、地下水资源量、森林覆盖率和土地垦殖指数等7个评价指标,采用主成分分析法,计算各因子相对于生态弹性力的权重。结果表明:(1)此方法所计算的生态弹性力指数,能较好地反映深圳市生态弹性力的变化情况;(2)深圳市1986—2016年生态弹性力指数处于动态的波动状态,在城市化建设初期,影响生态弹性力的因子主要是水资源类指标;在城市建设过程中,土地类型因子是影响生态弹性力的关键指标;当城市建设趋于完成以后,生态弹性力主要受气温等环境因子影响。建议在土地利用不发生大变化的情况下,合理配置资源,提高水资源利用率,增强区域生态系统自我调节能力;继续提高生态环境质量,调整产业结构,以实现深圳市可持续发展。

ICA与PCA在高光谱数据降维分类中的对比研究

利用独立主成分算法与主成分分析法分别对原始数据及3种预处理数据进行降维运算,再利用常用的4种分类算法分类,对比分类结果发现,独立主成分算法与主成分分析算法在乔木树种高光谱数据降维中并不具有非常明显的优势,且独立分量分析(ICA)算法提取用于分类的数据不如PCA算法稳定;从计算机的运行成本上来看,PCA算法优于ICA算法,基本上ICA算法平均成本是PCA算法的4到5倍;不同的数据预处理及降维方法组合对分类结果影响明显,d(log(R))结合PCA算法,log(R)结合ICA算法降维结果最理想;通过比较乔木树种高光谱数据的分类结果发现,Fisher判别法最适合对PCA和ICA降维结果进行分类。

南方主要针叶树种高光谱数据降维分类研究

采用ASD公司生产的FieldSpec HandHeldTM地物光谱仪,分别于2005、2006、2008年冬季跟踪观测杉木、马尾松、黑松、雪松等针叶树种的高光谱数据,经筛选后获取有效观测数据160条,其中120条作为训练集,40条作为测试集。将平滑去噪的一阶微分高光谱数据进行PCA方法和GA方法降维,然后利用BP神经网络和支持向量机(SVM)对降维后的测试集数据进行分类。结果表明:PCA—BP神经网络模型分类准确率95%,PCA—SVM分类准确率97.5%,GA和BP分类准确率92.5%,GA-SVM分类准确率100%。这说明两种降维方式结合支持向量机的分类均优于其与BP神经网络结合的分类,基于GA的降维方法对高光谱波段的选择更有效率,具有较好的应用前景。

基于MapServer的地图信息发布与查询--以洞庭湖湿地为例

地图信息的发布和查询是WebGIS最重要的功能之一,地图插件和开发平台的选用以及地图信息的组织,对于满足系统功能要求和提高系统建设效率具有重要作用。经过对现行WebGIS应用情况的分析,进行了系统的设计和数据组织;采用B/S结构,利用.NET技术结合MapServer地图插件进行系统研发和功能实现;开发出洞庭湖区湿地资源信息系统,实现了地图的发布、查询和显示等功能。该系统兼容性好、数据维护方便。利用.NET技术和MapServer平台开发的湿地WebGIS比传统用PHP语言开发的WebGIS执行速度更快,代码的安全性更高,而且其属性库和图形库的分离式设计提高了程序的可扩展性和数据库的稳定性。MapServer湿地信息系统的开发,实现了湿地资源信息的共享,满足了系统设计要求,达到预定目标,为湿地WebGIS开发和应用奠定了基础。

基于色素含量的针叶树种敏感波段提取研究

通过分析马尾松、杉木主要色素和冠层光谱数据的相关关系提取敏感波段,然后利用7种分类算法对所提取波段进行分类,最后对高斯合并后的光谱数据进行分类,用以测试提取波段的可推广性。结果表明:马尾松和杉木的差异主要是受叶绿素的影响,并且2种针叶树种的敏感波段位于401～504 nm和659～686 nm;用于区分2种针叶树种高光谱数据的最佳分类方法为Fisher分类法,最高分类精度达到了100%;模拟成像光谱数据的高斯合并数据抑制了高频噪声,但也过滤掉了2种针叶树种光谱数据的细微差异,分类精度降低,为70%～80%,而叶绿素所提取波段仍然优于其它色素提取的波段,这说明401～504 nm和659～686 nm波段具有可推广和进一步研究的价值。

不同尺度下城市绿地景观格局与连通性研究

城市绿地是关系城市可持续发展的重要环境因素,开展城市绿地景观格局特征研究是景观生态学研究的重点和热点。以长沙城市绿地景观作为研究对象,结合地理信息系统及遥感技术探讨景观格局与连通性指数随粒度增加的变化特征。研究结果表明:(1)随着粒度增加,各景观格局指数均具有尺度效应,且具有明显或不明显的尺度转折点;第一尺度域是选择适宜粒度的较好取值范围。本研究中景观指数计算的适宜粒度范围是80～90m。(2)斑块的相对重要性尺度效应不显著。随着物种运动能力越强,斑块分级的尺度效应减小。连通性指数IIC和PC值也不具有较强的尺度依赖性。(3)长沙市绿地景观的连通性不高,景观中连通性重要值较大的大型斑块数量较少,且分布不均衡,有待今后规划改善。

基于PSO-SVM的高光谱数据降维的可靠性研究

PSO结合SVM算法对高光谱数据波段进行优化,每次搜索结果不一定相同,因此很多学者对此类算法的可靠性存在疑问。为了证明PSO-SVM降维算法的可靠性,利用PSO-SVM算法对杉木和马尾松的幼中成熟林的高光谱原始数据、一阶微分变换数据、对数变换数据及归一化变换数据进行降维运算,对降维后选择的波段分别利用支持向量机(SVM)、BP神经网络、Mahalanobis距离分类法、Fisher分类法及贝叶斯分类法进行分类,分类结果中,Fisher分类法的结果最好,所有的分类结果均在90%以上,SVM和BP神经网络的分类结果都保持在80%以上,贝叶斯分类法分类精度最差,所有分类结果均未超过90%,最差结果为43.75%。同时,将PSO-SVM与PCA算法进行对比分析,发现在马尾松和杉木的分类过程中PSO-SVM算法优于PCA算法。最后得出结论,PSO-SVM算法提取的特征对Fisher、SVM及BP神经网络分类法有效;当光谱数据差异非常微小时,PSO-SVM比PCA对特征的提取更有效。

灾害胁迫下杉木光谱变化波段提取研究

杉木可在建成8年后开始抚育间伐工作,具有长势快,经济、药用价值高,且能防风固沙的特点。但杉木易受干旱胁迫,严重致其死亡。因此,寻找杉木在死亡过程中最早发生变化的波段,对杉木的监测工作非常重要。为寻找杉木死亡过程中的敏感波段,本研究在黄丰桥林场选取49棵杉木,32棵为实验目标组,17棵为对照组,并用SVC HR-1024I高光谱仪对其进行为期7个月的连续观察。通过对其光谱数据的细致比较,得出如下结论:随着实验组杉木水分流失时间的增加,其光谱反射率缓慢发生变化。与对照组杉木反射率相比,变化主要发生在红光波段。在杉木水分流失后的,第2个月(2016年9月)开始可以陆续在569~697.6 nm、1 389.5~1 863.2 nm以及1 925.7~2 517.3 nm波段范围内,观测出其与正常生长的杉木光谱反射率存在差异,且随着时间的增加,差异逐渐增大。在几种数据处理方法中,对数变换数据所得到的光谱范围更集中精确,对比原数据以及一阶微分变换分析,对数变换还起到一定的噪音清除效果。因此,对数变换更适合杉木光谱反射率差异光谱的提取。

基于云服务的高校课程考核改革实践——以“林业系统工程”课程为例

云服务的出现给教育教学改革带来了新的契机。课程考核是教学工作中的重要环节。该文通过对传统考核模式的分析研究,结合林业系统工程课程本身的特点,立足于培养学生的实际应用能力,提出了基于云服务的过程化考核模式,即确立“案例讨论＋章节考核＋课程考核”等多方位的考核方式,更客观、更全面地考查学生,为林学专业同类课程考核提供一些改革思路与参考。

探究“互联网+”背景下高等林业院校网络教学调查研究

随着科技不断发展,教育也逐渐趋于信息化。慕课、微课等新型教学形式的出现,正在改变着高校的教学方式。高等林业院校是中国林业传播先导,其在互联网+背景下需要结合自身专业特色,合理使用网络教学,以实现教学方式转变,如此不仅可以促使教学方式更符合时代发展潮流,还可以有效提升教学质量,促使学生的综合素质得到提高。因此,基于“林业遥感”和“林业系统工程”两门课程,探讨互联网+背景下高等林业院校网络教学方法。

基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合(小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise),并利用去噪后的小麦冠层光谱建立偏最小二乘回归(PLS)模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差(RMSEC)为0.260,预测集均方根误差(RMSEP)为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析(PCA)进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型(LS-SVR),其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明:以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。

湖南省森林资源连续清查遥感抽样技术的对比分析

以湖南省2004年森林资源连续清查遥感样地为研究对象,在抽样可靠性指标为95%的情况下开展遥感抽样技术研究,采用分层抽样与系统抽样进行比较。抽样点间隔为4 km×8 km,4 km×4 km,4 km×2 km,2 km×4 km,2 km×2 km 5种方式。结果表明:(1)抽样强度相同情况下,分层抽样精度大于系统抽样;(2)抽样点间隔越小系统抽样精度、分层抽样精度越高;(3)抽样点间隔对样本数量少的地类抽样精度影响最大;(4)抽样总体精度以抽样点间隔2 km×2 km分层抽样最大。

高光谱遥感影像森林信息提取方法比较

以湖南省株洲市攸县黄丰桥林场为研究对象,运用最小距离、马氏距离、最大似然、光谱角制图、光谱信息散度、神经网络、支持向量机7种分类方法对Hyperion高光谱数据进行森林信息提取。通过对信息提取结果进行比较分析得出:针对Hyperion影像信息提取的7种方法中,支持向量机、神经网络和马氏距离3种分类方法较适合森林信息的提取,总体精度分别为67.39%、66.30%、62.68%;最大似然法在针叶林信息提取中的效果较好,其精度为67.31%;支持向量机法最适合提取阔叶林信息,其精度为80.19%,远远高于其它6种分类方法;运用马氏距离和神经网络法提取竹林信息精度最高,分别达到了84.21%和81.58%。

基于BP神经网络的森林树种分类研究

精准的森林树种分类是林业遥感研究的重要课题。高光谱数据具有丰富的波谱信息,能够探测到不同植被光谱的细微差异,为森林树种分类研究提供了数据来源。人工神经网络提供了任意维数输入输出矢量之间的非线性映射,能够逼近任意的非线性连续系统,为森林树种分类研究提供了技术手段。以马尾松成熟林、樟树幼龄林及荷花玉兰幼龄林为分类对象,将高光谱特征参数作为输入矢量,森林树种类别作为输出矢量,构建BP神经网络,开展分类研究。结果表明:马尾松成熟林及樟树幼龄林的分类精度达100.0%,样本分类综合精度可达93.3%。

基于高光谱数据的杉木和马尾松识别研究

高光谱具有波段窄、波段多的特点,能够提供比多光谱遥感更精细的地物光谱信息,为识别光谱性质相似的森林树种提供了有效途径。为了识别光谱性质相似的杉木和马尾松,利用逐步判别分析法对杉木和马尾松的原始光谱、一阶微分光谱、对数变换后取一阶微分光谱及植被指数进行分析,结果表明:对数变换后取一阶微分的光谱及植被指数对杉木和马尾松的识别精度最高,分别为96.67%、89.17%;两树种识别的特征波段为490～499nm,500～519nm,560～579nm,610～619nm,630～649nm,680～700nm,710～719nm,770～779nm;组成植被指数NPCI、mND705、SRPI、GNDVI、GM的波段为:430、445、550、680、700、705、750nm。

杉木叶绿素a含量与高光谱数据相关性分析

采用美国ASD公司生产的手持式野外光谱辐射仪测量杉木冠层光谱,对观测叶片进行同步叶绿素含量测定,并利用统计学分析方法,分析杉木叶绿素a含量与高光谱数据的相关关系,结果表明:(1)杉木光谱与叶绿素含量最大相关系数位于530 nm和690 nm;(2)通过建立植被指数(PSSR和PSDN)与叶绿素a含量的估算模型,并进行精度检验,选择出最适合杉木叶绿素a含量估算的高光谱模型,利用高光谱遥感数据可以估测杉木的叶绿素a含量。

基于植被指数的马尾松叶绿素含量估算模型

利用高光谱技术,探索马尾松反射光谱组成的植被指数与其叶绿素含量之间的关系。采用美国ASD公司生产的手持式野外光谱辐射仪测量马尾松冠层光谱,对观测叶片进行同步叶绿素含量测定,并利用统计学分析方法,分析马尾松冠层光谱组成的植被指数与叶绿素含量之间的相关关系,并建立相应的估算模型。结果表明:叶绿素含量与植被指数进行相关性分析,相关性最好的为TCARI;通过建立TCARI与叶绿素含量之间的估算模型并检验其精度,得出了叶绿素含量估算的高光谱模型:y=exp(0.686+(-2.765)×x)。说明利用高光谱数据可以估测马尾松的叶绿素含量。

基于高光谱数据的东洞庭湖苔草LAI估算研究

叶面积指数（leaf area index,LAI）是表征植被冠层结构和光合面积的重要参数。实时动态的植被LAI监测对于诊断植被生长状况及趋势具有重要作用。本研究旨在通过对高光谱数据的数学变换与特征分析,构建东洞庭湖苔草LAI的最佳估算模型。通过分析52组苔草样本640~780 nm波段范围内的反射率、一阶微分及倒数的对数的光谱特征,选择特征波段,运用多元逐步线性回归法与偏最小二乘回归法建立估算模型。研究发现特征波段为707～758 nm,以上3种光谱数据的多元逐步线性回归模型决定系数分别为0.526、0.815、0.565,均方根误差分别为0.320、0.269、0.273,3者偏最小二乘回归模型的决定系数均高达0.9以上,均方根误差分别为0.189、0.262、0.134。结果表明：偏最小二乘回归法优于多元逐步线性回归法,该估算模型可有效估算苔草LAI。

东洞庭湖湿地植被高光谱数据变换及识别

高光谱识别是采用大量比较窄的波段对目标物进行同时观测,以实现对目标物更好的观测效果。以东洞庭湖为研究对象,对典型湿地植被苔草、芦苇、芦蒿、辣蓼和旱柳开展野外高光谱观测的基础上,开展数据变换和分类识别。在对数据进行剔除、滤波和重采样后,对高光谱数据进行导数运算、对数运算、对数的导数运算、归一化运算和归一化后导数运算,以突出植被的光谱特征差异。采用主成分分析方法,对高光谱数据进行降维。并运用BP(Back Propagation)神经网络、马氏距离(Mahalanobis)分类法、贝叶斯(Bayes)分类法、费希尔(Fisher)分类法、光谱角度制图法(Spectral Angle Mapper,SAM)、支持向量机(Support Vector Machine,SVM)等6种方法开展湿地植被识别。结果表明:在多种数据变换方法中,LOG(N(R))变换效果最好,而湿地植被识别方法中,光谱角度制图法的精度最高。

基于MODIS数据的辽宁省土地利用分类研究

采用最大似然法、马氏距离法、光谱角填图法、支持向量机法、神经网络法和最小距离法6种分类方法,对辽宁省2010年3—12月MODIS NDVI数据,用该数据做主成分分析的前3个主成分数据、前5个主成分数据和2010年6—10月MODIS NDVI数据等4类数据进行土地利用分类研究。结果表明:6种分类方法中最大似然法、马氏距离法和最小距离法3种方法较适合对MODIS NDVI数据进行信息提取,其总体分类精度分别达82.63%、80.29%、79.17%,乔木林类型信息提取精度分别达81.91%、78.54%、80.02%;3种对原始数据进行变换的方法中6—10月数据效果较好,其总体分类精度最高达82.63%,乔木林信息提取的最高精度达78.54%。