基于GIS的畜禽养殖废弃物土地处理适宜性评价研究

以福建省龙岩市新罗区铁山镇为研究区域,对畜禽养殖废弃物土地处理的适宜性进行了评价。主要探讨了评价因子的遴选以及因子量化过程,通过目标定位比较法确定因子权重,利用地理信息系统技术的空间分析功能及图形和属性结合,将区域自然、环境、社会和经济等多因素通过指数加和模型实现了对畜禽养殖废弃物土地处理适宜性的评价。结果表明,该研究区域有24.05%的土地适宜施用畜禽养殖废弃物,同时根据相应的适宜程度建议采用不同的管理措施。

移动代码加密理论研究

“如何保护移动代码不受结点主机的篡改”是移动智能体及主动网安全机制的研究难点,传统采用防篡改硬件保护法而对基于密码学的纯软件保护法研究很少.介绍了该类方法的研究现状并着重阐述了移动代码加密理论的产生背景、盲计算理论基础、与传统加密理论差异及该理论目前所存在的问题,提出了面向对象的加密理论概念,指出其未来的研究方向及潜在的应用领域.

基于多时相GF-1影像的施工期生产建设项目分布信息提取

[目的]开展基于高分遥感的生产建设项目提取技术的研究,全面、及时地掌握生产建设项目分布信息,满足水土保持监管的迫切需求。[方法]以陕西省榆林市的部分区域为研究区,利用2013和2014年两个时相的GF-1影像,通过面向对象的直接比较法,提取变化信息,并结合光谱、形状等特征,去除伪变化,获取区域范围内新增的裸地和不透水面。另外,结合专家知识,提取疑似施工期生产建设项目信息。[结果]新增裸地和不透水面的发现精度达到83.53%,疑似施工期生产建设项目的发现精度为95.56%。[结论]该方法能够有效地提取施工期生产建设项目分布信息。

基于GF-2影像城市绿地提取方法对比研究

为研究基于国产GF-2影像提取城市绿地的适用方法,文章以一景滁州市城区GF-2影像数据为数据源,分别采用决策树、支持向量机、随机森林、贝叶斯、K最近邻法5种面向对象的分类方法和传统的最大似然法对两个范围大小相同的实验区的绿地进行了提取,并对6种分类方法的分类结果及精度进行了对比评价。结果表明:基于GF-2影像,面向对象分类方法的总体精度较好且相对于最大似然法,总体精度有明显提高;在面向对象分类方法中,随机森林表现效果最好,其总体精度和Kappa系数分别91.17%和0.87,决策树和支持向量机总体精度达到80%以上,K最近邻法和贝叶斯法较差。

1990-2015年乌苏里江流域土地覆被变化

[目的]分析1990—2015年乌苏里江流域内中国和俄罗斯两国区域土地覆被变化特征和差异,为该流域内人地关系研究和土地资源管理提供科学参考。[方法]以Landsat TM/OLI遥感影像为数据源,采用基于面向对象的遥感分类方法,提取乌苏里江流域1990年和2015年的土地覆被信息,分析乌苏里江流域土地覆被变化的主要特征。[结果]1990—2015年的26 a间,乌苏里江流域内农田、湿地面积变化较为明显。农田呈扩张趋势,面积增加6089.69 km 2,增长率18.4%。其中,5416.7 km 2农田由湿地转化而来,农田扩张主要发生在中国境内区域。湿地、林地面积分别减少了5683.51和844.09 km 2,减少率分别为56.4%和3.51%。俄罗斯境内土地覆被变化作用强度较弱,各土地覆被类型间变化率均不超过2%。[结论]气候、地形、农业宏观政策和农业生产方式等是推动乌苏里江流域土地覆被变化的影响因素;其中,农业生产方式的转变和规模的扩大是该流域土地覆被变化的最主要驱动力。

基于面向对象方法的GF-2影像桉树信息提取对比分析

为研究不同面向对象分类方法对GF-2影像桉树信息提取的可靠性,以广西平朗乡为研究区,首先对GF-2影像做多尺度分割处理,然后采用贝叶斯(Bayes)、决策树(DST)、K最近邻法(KNN)、支持向量机(SVM)、随机森林(RDT)等5种分类器进行分类提取,最后对提取结果进行混淆矩阵精度分析。结果表明:在这5种分类方法中,支持向量机方法的精度最高,总体精度达86.4%,Kappa系数为0.73,贝叶斯方法的精度最差。可见GF-2影像可以作为桉树信息遥感监测的数据源之一,且支持向量机分类方法是桉树提取的较优选择。

基于像素和面向对象的高分辨率遥感影像分类方法比较

以QuickBird高分辨率遥感影像作为信息源,用ENVI对影像进行基于像素的分类和面向对象的分类,对分类结果进行目视和精度比较.结果表明,面向对象的分类方法可以有效提高高分辨率遥感影像分类精度.

面向对象的航空发动机稳态建模研究

以一个面向对象发动机仿真平台为基础,研究影响航空发动机稳态模型精度的因素。在面向对象稳态模型中可灵活选取共同工作方程,宜封装多种仿真算法,以适应各种求解需求,首选拟牛顿法。

雅鲁藏布江中部流域土地沙化遥感识别

雅鲁藏布江中部流域长期遭受土地沙化侵蚀,采取有效手段进行沙化土地信息快速识别,跟踪土地沙化现状和动态发展,是土地沙化防治的基本前提。遥感数据因其快速、大范围、高精度监测等特点已被广泛应用于土地沙化监测。为降低该区域沙化土地破碎化分布特征以及广泛分布的稀疏植被地表对沙化土地遥感识别带来的不确定性,本文利用Google Earth Engine平台获取2019年秋季雅鲁藏布江中部流域Landsat无云遥感影像,基于面向对象的分类思想,充分提取沙化土地的光谱、几何和地形特征,根据不同的分类器构建4种分类方案,包括单一分类器(支持向量机、决策树、最近邻)分类以及组合分类法分类,提取雅江中游河谷地区沙化土地信息并验证不同方案的提取精度。结果表明:①利用面向对象组合分类模型提取的沙化土地信息效果最佳,总体精度高达91.38%,Kappa系数为0.82;②相较于采用单一分类器(支持向量机、最近邻和决策树分类)的面向对象分类方法,组合分类模型能更有效地识别破碎化的小面积沙化土地,降低沙化土地与稀疏植被地表的混淆情况,提高分类可靠性;③基于面向对象组合分类模型反演得到雅鲁藏布江中部流域2019年沙化土地分布信息,土地沙化面积达299.61 km^(2),总体上呈现沿河谷的带状不连续分布,且集中分布于河流北岸以及靠近河道的阳坡、低海拔地区。本研究可为土地沙化遥感监测提供新思路,其应用可服务于雅鲁藏布江中部流域土地沙化预防和治理工作。