基于多策略融合白鲸优化算法的MPPT控制

光伏发电系统的发电效率与环境因素息息相关,极易受到影响,现有最大功率追踪算法普遍存在追踪精度不高且易陷入局部极值的问题。对此,提出了一种多策略融合的白鲸优化算法。相比白鲸算法,白鲸优化算法利用Logistic混沌映射初始化种群,改进了平衡因子和鲸落概率,提高了算法追踪速度;在勘探阶段引入柯西分布函数变异全局位置增强种族多样性,开发阶段引入自适应权重因子更新局部细节,提高了局部探索能力。最后在MATLAB/Simulink仿真平台搭建仿真模型进行验证。实验结果表明,基于多策略融合的白鲸优化算法能够追踪到全局最大功率点,并在追踪速度和追踪精度上有很大提升。

农业病虫害综合治理策略的优化与实践

面对全球人口增长和气候变化带来的挑战,农业生产承受了空前的压力,特别是病虫害频发对作物的产量和品质构成风险。虽然传统的化学控制手段迅速而直接,但长期依赖这些方法引起了包括环境污染、生态平衡受损以及害虫耐药性增强在内的多重问题。鉴于此,实施和优化综合病虫害管理(IPM)策略变得格外关键。本研究采用跨学科的方法,融合农业生态系统理论、生物防治技术、信息技术及社会经济因素,提出了一套改良的IPM策略,并通过实际田间试验验证了其有效性。

基于GDAL的遥感图像变化检测技术

由于GDAL(Geospatial Data Abstraction Library)具有快速读取多种格式的遥感图像且能有效解析空间元数据等特点,利用它开发遥感图像处理算法具有明显的优势。结合GDAL及相应算法,开发了一套复杂地形山区植被遥感变化检测的技术,其中包括利用阴影消除植被指数(Shadow Elimination Vegetation Index,SEVI)反演植被长势;利用图像差值法及最大类间方差法(OTSU)来提取植被长势明显变化点位;利用K均值聚类自动分割识别变化区域。将该方法用于武夷山自然保护区和闽江源自然保护区2016—2017年Landsat8 OLI遥感图像的植被长势变化检测,结果表明,这套遥感图像变化检测技术切实可行,能够有效识别遥感图像变化区域,并在复杂地形山区的植被长势监测中具有良好的应用价值。

基于CASA模型和SEVI指数的福建省植被NPP遥感估算与分析

植被净初级生产力(NPP)是评估陆地生态系统碳汇和调节过程的重要指标,但遥感影像上崎岖地形造成的光学辐射传输畸变会降低植被NPP估算精度.为了消除地形对山区植被NPP模型估算的影响,以福建省为研究区,利用阴影消除植被指数(SEVI)改进CASA模型中的植被光合有效辐射吸收比率因子(FPAR)计算模型,进行福建省2005年和2015年的植被NPP估算和时空分布特征分析.研究结果显示SEVI反演的FPAR在阴影处的相对误差降低至0.53%,能有效消除地形阴影对FPAR的影响.采用消除了地形阴影影响的FPAR进行CASA模型反演福建省2005年和2015年的植被NPP平均值分别达到861.9 g·m^(-2)·a^(-1)和855.7g·m^(-2)·a^(-1).其中常绿阔叶林NPP最高,农用地NPP最低.不同地区植被NPP分布差异明显,西部内陆较高,东部沿海较低.月均植被NPP总体变化趋势与温度因子走势相同,相关系数分别为0.96和0.95,夏季月均植被NPP最高,达110 g·m^(-2)以上;冬季月均植被NPP最低,在20 g·m^(-2)以下.

面向对象最优分割尺度下的茶园提取

针对现有的高分辨率遥感影像面向对象分类确定最优分割尺度研究中,大多仅考虑了对象光谱特征而忽略了对象空间特征的局限性,采用RMNE(the ratio of mean difference to neighbors(Abs)to entropy)方法,以高分二号(GF-2)影像为数据源,利用影像纹理信息熵作为对象内部同质性指标,对象光谱均值与邻域光谱均值差分绝对值作为对象之间异质性指标,并结合目视确定茶园最优分割尺度为170,进而利用面向对象分类方法实现了茶园提取。结果表明,基于RMNE方法确定最优分割尺度获取的分割结果,较为符合真实的茶园对象边界,并且该分割尺度下的茶园提取生产者精度达到96.76%,用户精度达到83.60%。

基于SEVI的复杂地形山区植被FPAR遥感反演与地形效应评估

植物吸收性光合有效辐射分量(FPAR)的遥感反演是生态环境领域的核心研究内容之一,但在复杂地形山区,其估算精度严重受到地形效应的影响(包括本影与落影)。本文利用能够消除地形阴影影响的阴影消除植被指数(SEVI)对山区遥感影像进行FPAR反演,并分别与基于不同影像预处理程度计算的归一化植被指数(NDVI)、比值型植被指数(RVI)反演的FPAR做对比分析,以评估复杂山区反演FPAR存在的地形效应。结果表明:在不做地形校正的情况下,基于NDVI与RVI反演FPAR会使得本影及落影区域的值远小于非阴影区域的值,它们的相对误差均大于70%;基于C校正后的NDVI与RVI反演FPAR可以较好地校正本影区域,相对误差降至约6.974%,但落影处的校正效果不明显,相对误差约为48.133%;而基于SEVI反演FPAR无需DEM数据的支持,可以达到经FLAASH+C组合校正后NDVI与RVI反演FPAR相似的结果,且能改善落影区域的地形校正效果,相对误差降至约2.730%。

集成加权软投票的众包真值推理方法

为了提高众包的质量并获取高质量的标注数据,已有许多基于真值推理的众包标注方法被提出。传统真值推理利用多噪声标签作为输入,通过聚合策略推断出真实标签,该过程只考虑了实例的标签而忽略了实例的特征,且忽略了不同工人对不同实例的标注质量。该文引入实例的特征以最大程度地挖掘实例中蕴含的有用信息。通过计算众包实例属于每一个类别的概率,得到新划分的众包数据集;提出一种基于元学习的集成分类器,在新数据集上训练并利用相似度计算得到工人权重,即工人对不同的实例有不同的标注能力;在投票模型的基础上引入工人权重,提出加权软投票的方法用于推测标签。在公开数据集和创建的数据集上的实验结果表明,所提出的方法优于现有的真值推理算法。

做一名敢于亮剑的士兵

“面对强大的敌手,明知不敌,也要毅然亮剑。即使倒下,也要成为一座山、一道岭。”这话道明了面对战场风云,刚毅决然的态度。人生如战场,每个人都应该成为敢于亮剑的士兵,以平凡的自我,成就不平凡的人生!敢于亮剑,需要正视磨难的锐气。