顺平县平原区耕地土壤有机质预测精度研究——基于采样尺度和空间插值方法

为研究县域尺度土壤调查最适宜的采样尺度和插值方法,以河北省顺平县山前平原区为例,按照8点/km^(2)点位密度采集1532个土壤样品并测定土壤有机质。从样点中抽取250m×250m、500m×500m、1km×1km、2km×2km 4个采样尺度样本子集,结合地统计学和GIS对有机质空间变异特征进行分析,并对不同采样尺度和插值方法下有机质含量空间插值结果进行分析比较。结果表明:研究区有机质含量具有中等变异性,普通克里金法插值精度优于规则样条函数法和反距离权重法。为保证研究区有机质空间变异评价精度,较为适宜的采样尺度为1km×1km。

不同采样尺度下土壤碱解氮空间变异性研究——以榆树市农田土壤为例

在精准农业的实施过程中,研究如何用较少的样本来反映田间信息的空间变异规律,再用科学的插值方法进行插值和预估是精准农业研究中的一个关键问题。以东北典型黑土区——吉林省榆树市为研究区域,在榆树市弓棚镇13号村内选择相对平整的地块进行土壤采样并测试其土壤养分。在对原始采样格网点按一定的样点间隔和布局进行抽取的基础上,利用克里格插值方法和BP神经网络方法分别进行空间插值,比较不同采样尺度(40m×40m,56m×56m,80m×80m,113m×113m,160m×160m五个尺度)对空间插值精度的影响。结果表明:(1)随着采样尺度的增大,碱解氮的空间结构系数C/(C0+C)有减小的趋势,表明采样间距以内的不可估计误差逐渐增大,其空间结构的表现能力在逐渐减弱;(2)Kriging插值精度总体优于BP神经网络,随着采样尺度的增加,两种模型的模拟精度都有所下降,BP神经网路的插值精度和Kriging模型的插值精度的差距逐渐减小;(3)两种模型在113m×113m尺度上插值精度都发生了突变,如考虑碱解氮的空间变异规律和经济因素,碱解氮的最佳采样尺度应在80～113m。

基于时间序列的多采样尺度风电功率多步预测研究

风力发电联网运行是实现风能大规模开发利用的主要途径,准确的风电功率实时预测是实现风能大规模合理调度的有效手段。文章建立了基于时间序列的多采样尺度风电功率多步预测模型。对于周期分量利用建模域均值法进行预测,剩余分量通过平稳性检验后利用多采样尺度时间序列法进行预测。利用两个不同风场的实测风电功率数据,进行不同时间段的实时预测,与持续法和时间序列法的滚动预测模型相比,该预测模型能有效地提高预测精度。

采样尺度对北京山区典型流域森林土壤养分空间变异的影响——以密云潮关西沟流域为例

不同覆被条件下土壤质量演变规律的研究是持续利用森林土壤资源的基础（Naeletal.,2004）。由于山地地表起伏不定且植被在空间分布上表现出不同的格局,导致了森林土壤巨大的空间变异性,并给森林土壤研究造成了巨大的障碍。国外不少学者利用经典统计学和地统计学手段，研究了不同林木种类、树冠空间位置、植被镶嵌斑块以及不同土壤类型等对土壤有机碳和土壤养分因子变异的影响，

LiDAR采样形状及采样尺度对林分均高估测的影响

采样形状及采样尺度的合理选择对于节约人工成本、提高计算效率以及进一步提高森林结构参数估测精度均具有重要意义。以长春净月潭国家森林公园激光雷达(LiDAR)数据为基础,通过对LiDAR数据进行圆形及方形采样,并在方形采样的基础上对LiDAR数据进行不同空间尺度采样,从中提取一系列点云分位数高用于估测樟子松及落叶松的林分均高,以此量化LiDAR采样形状及采样尺度对不同林分均高估测的影响。结果表明:对樟子松而言,无论是圆形还是方形采样,林分均高估测结果最优时所对应的参数均为HP55,且方形采样林分均高估测结果(R^2=0.896,R_(mse)=0.853 m)高于圆形采样估测结果(R^2=0.892,R_(mse)=0.868 m);对落叶松而言,圆形和方形采样均是在HP99时林分均高估测结果最优,且圆形采样林分均高估测结果(R^2=0.741,R_(mse)=1.161 m)高于方形采样估测结果(R^2=0.705,R_(mse)=1.238 m)。在方行采样条件下,樟子松林分均高估测精度最高(R^2=0.904,R_(mse)=0.820 m)时所对应的采样尺度为35 m;落叶松估测精度最高(R^2=0.720,R_(mse)=1.206 m)时所对应的采样尺度为15 m。结果表明:不同LiDAR数据采样形状对不同林分类型均高估测的影响不同,且不同林分类型均高估测结果精度达到最高时所对应的采样尺度不同。

省域尺度下土壤养分的最佳采样尺度确定

合理的采样尺度,尤其是在大尺度区域,对实时掌控土壤养分的空间分布状况以及精准农业的发展具有重要意义。本文以山西省为例,以368 843个土壤养分采样点数据为原始数据,选择11个格网尺度(0.5km×0.5km、1km×1km、1.5km×1.5km、2km×2km、2.5km×2.5km、3km×3km、3.5km×3.5km、4km×4km、4.5km×4.5km、5km×5km、5.5km×5.5km)对土壤养分点进行样点选择,比较分析不同尺度下土壤有机质、全氮、速效钾、速效磷的基本统计信息、半方差变异函数和普通克里金插值精度,以确定山西省土壤养分的最佳采样尺度。研究表明:在不同尺度下,这4种土壤养分均处于中等变异强度,平均值、中位数、标准差变化不大。土壤有机质和全氮在大尺度下受结构性因素影响变大,速效钾则变化不明显,速效磷空间变异分析结果较差,对该指标进行了剔除。分析不同尺度下插值精度指标,土壤有机质、全氮、速效钾的最佳预测尺度分别为4.5km、3.5km、2.5km尺度。综合各分析结果,最后确定2.5km为山西省土壤养分最佳的采样尺度。对不同地貌原始密度样点和2.5km尺度下样点空间制图,分析不同地貌下土壤养分含量各等级分布面积占总面积的差异,发现两种密度分布状况在不同地貌、不同等级的差异甚小。

基于空间模拟退火算法的最优土壤采样尺度选择研究

以研究区0.5 km×0.5 km(尺度a)网格的7050个样点为基础,分别得到1 km×1 km网格的1757个样点(尺度b),2 km×2 km网格的444个样点(尺度c),4 km×4 km网格的110个样点(尺度d),以土壤有机质(SOM)为目标属性,运用模拟退火算法对4种采样尺度的土壤样点进行优化选择,确定区域土壤调查的最优采样尺度。研究发现,通过模拟退火算法优化选择后,尺度a、b、c、d的最优样点数量分别为956、751、283和95个,优选的样点在空间上均匀分布。随着采样尺度的减小,采样点数量呈倍数增长,但对土壤属性的预测精度并没有相应比例的增加,且随着样点数量的增加,土壤属性预测精度的增加量逐渐减小。从样点数量与土壤属性预测精度综合来看,2 km×2 km的采样尺度是最优的土壤采样尺度。

采样尺度和地形因子对土壤养分空间变异规律影响的研究

由于我国疆域辽阔且地形分布复杂,因此研究土壤养分的空间变化,对精准农业有着重要的意义。本文探索2种采样尺度以及地形因子对土壤养分含量空间分布的影响,通过研究分析,得出在小范围区域内,适当增加采样尺寸,可以减少采样工作量,并准确地预测整个区域的土壤速效钾含量。而在实验研究区域内,对每种养分含量而言,加入地形因子后进行空间插值预测,养分含量分布的结果更为精细。

数字半球摄影法获取植被表观聚集指数(ACI)采样尺度效应研究

植被聚集指数CI (Clumping Index)表征植被冠层叶片的聚集程度,是影响冠层内辐射传输的重要植被结构参数,对更好地理解冠层的辐射传输具有重要意义。数字半球摄影法DHP (DigitalHemispherical Photography)与有限长度平均方法的结合被广泛应用于地面CI估算,研究表明,有限长度平均法应用于DHP图像时所划分的采样单元大小与CI测量结果密切相关,即CI随图像采样尺度的变化会表现出有意义的变化,植被表观聚集指数ACI (Apparent Clumping Index)故应运而生,ACI的提出有助于加深对植被聚集效应的理解,拓展植被CI的地面间接测量,同时也对CI星载遥感产品的验证提出了新的挑战。目前,应用有限长度平均法估算ACI时,DHP图像中划分的采样单元的大小对ACI估算的影响规律,及其随不同植被类型的变化规律有待进一步探索。针对上述问题,本研究基于DHP图像,分别以一系列逐级增大的角度采样尺度对观测天顶角和方位角进行划分,共得到30种采样方法、17级角度采样分辨率,并将其分别应用于林、灌、草和农作物四种地类,探究了ACI在不同植被类型下随17级角度采样分辨率变化而变化的规律;同时,探讨了ACI的角度采样尺度效应与植被在空间中的分布形态,以及农作物生长阶段之间的密切联系。结果表明,在四种地类下,随17级角度采样分辨率的降低ACI从约0.5变化至0.8,平均增幅分别达到26%、29%、14%和35%;在大豆作物的不同生长阶段,随17级角度采样分辨率由高到低的变化,ACI的增长存在一定差异,增幅最大可达60%。本研究针对CI地面测量的不一致性问题展开研究,揭示了ACI角度采样尺度效应的方向依赖性规律,总结了不同植被类型下角度采样尺度对ACI估算结果影响的统一性和差异性,有望为CI遥感产品验证的不确定性分析提供地面测量数据变化的精细分析支撑。

基于多尺度视觉感知特征融合的显著目标检测方法

显著性物体检测具有重要的理论研究意义和实际应用价值,已在许多计算机视觉应用中发挥了重要作用,如视觉追踪、图像分割、物体识别等。然而,自然环境下显著目标的类别未知、尺度多变依然是物体检测面临的一大挑战,影响着显著目标的检测效果。因此,提出了一种基于多尺度视觉感知特征融合的显著目标检测方法。首先,基于视觉感知显著目标的特性,设计并提取多个图像感知特征。其次,图像感知特征采用多尺度自适应方式,获取特征显著图。然后,将各个显著特征图融合,获得最终的显著目标。该方法基于不同图像感知特征的特点,自适应提取显著目标,能够适应多变的检测目标与复杂的检测环境。实验结果表明,在受自然环境中背景干扰的情况下,该方法能有效检测出未知类别和不同尺度的显著目标。

采样尺度对土壤养分空间变异分析的影响

以高密度土壤养分采样数据为数据源,通过随机抽取生成不同采样尺度的样点数据,分析采样尺度对土壤养分空间变异特征分析的影响。研究结果表明:区域土壤养分预测均值随采样尺度减小呈下降趋势,而变异系数增加;养分空间分布的全局趋势随采样尺度增大而增强,但不影响半方差模型;当采样尺度较大,样点间自相关较弱时,相对较少的样点也能满足区域统计参数估测分析需要,但不能用于空间变异特征和插值分析;当样点数大于最佳采样数时,养分统计参数、空间变异特征和插值分析随着采样尺度减小而精度提高,当采样尺度达到0.2左右时,能够满足中等空间变异的土壤养分空间插值分析需要;样点空间布局对相关距和空间插值分析精度的影响比采样尺度本身更为显著。

知识和数据驱动的多时间尺度采样系统建模方法

针对多时间尺度采样系统快采样变量的信息难以充分利用,建模信息不足的问题,提出一种知识和数据驱动的多时间尺度采样系统的模糊迁移学习建模方法,建立多时间尺度采样系统模型,提高建模精度.首先,设计滤波插补方法填补慢采样变量的空缺值,统一慢采样变量和快采样变量为慢时间尺度,利用慢时间尺度变量建立目标模型.其次,提出模型共享机制补充目标模型的建模信息,统一慢采样变量和快采样变量为快时间尺度,利用快时间尺度变量建立参考模型,将参考模型中充足的模型知识迁移到目标模型中.最后,利用参考模型的知识和目标模型的数据学习目标模型的参数,提高目标模型的精度.将提出的建模方法应用于理论数据集,实验证明该方法可以充分挖掘建模信息,建立高精度的多时间尺度采样系统模型.

多尺度上采样方法的轻量级图像超分辨率重建

目前,大多数图像超分辨率网络通过加深卷积神经网络层数与拓展网络宽度提升重建能力,但极大增加了模型复杂度。为此,提出一种轻量级图像超分辨率算法,通过双分支特征提取算法可使网络模型一次融合并输出不同尺度的特征信息,组合像素注意力分支分别对各像素添加权重,仅以较少参数为代价增强像素细节的特征表达。同时,上采样部分结合亚像素卷积与邻域插值方法,分别提取特征深度、空间尺度信息,输出最终图像。此外,组合注意力机制的亚像素卷积分支也进一步强化了重要信息,使输出图像具有更好的视觉效果。实验表明,该模型在参数量仅为351K的情况下达到了与参数量为1592K的CARN模型相似的重建性能,在部分测试集中的SSIM值高于CARN,证实了所提方法的有效性,可为轻量级图像超分辨率重建提供新的解决方法。

光纤光栅F-P解调技术及变尺度采样方法

针对武器装备系统的特殊性,提出采用F-P扫描法的光纤光栅解调技术,分析了F-P解调原理,提供了F-P腔的设计、选择方法,指出该方法在实现动态参数检测的困难,为降低电路设计上的难度,采用变尺度采样解决该问题。实验结果表明,该方法能够极大地降低每次F-P扫描时的采样数据量,提高采样数据的效率,可以使解调速度提高5倍以上而对精度没有影响。为光纤光栅传感技术在部队的应用和研究提供条件。

基于多尺度重采样思想的类指数核函数构造

该文按照多尺度重采样思想,构造了一种类指数分布的核函数(ELK),并在核回归分析和支持向量机分类中进行了应用,发现ELK对局部特征具有捕捉优势。ELK分布仅由分析尺度决定,是单参数核函数。利用ELK对阶跃信号和多普勒信号进行Nadaraya-Watson回归分析,结果显示ELK降噪和阶跃捕捉效果均优于常规Gauss核,整体效果接近或优于局部加权回归散点平滑法(LOWESS)。多个UCI数据集的SVM分析显示,ELK与径向基函数(RBF)分类效果相当,但比RBF具有更强的局域性,因此具有更细致的分类超平面,同时分类不理想时可能产生更多的支持向量。对比而言,ELK对调节参数敏感性低,这一性质有助于减少参数优选的计算量。单参数的ELK对局域特征的良好捕捉能力,有助于这类核函数在相关领域得到推广。

基于多尺度降采样规范化割的图像裂纹检测

针对多尺度规范化割在边缘检测时精度低以及求解特征向量耗时长等缺陷,提出一种基于多尺度降采样规范化割的图像裂纹检测方法。该方法首先利用反对称双正交小波变换的半重构特性对待测图像的多个尺度进行边缘特征提取;其次结合各尺度的强度和位置特征构建多尺度相似矩阵和多尺度规范化相似矩阵;然后对多尺度相似矩阵进行降采样并利用谱分割方法实现降采样特征向量求解;最后利用多尺度规范化相似矩阵对降采样特征向量进行上采样的乘法运算并离散化后得到最终结果。在3个数据集的单一目标图像上进行文中方法与多尺度规范化割等方法的实验结果表明,不仅提高检测精度,而且减少运算时间。

基于多尺度重采样的车道线检测

提出了一种适用于辅助驾驶的高鲁棒性车道线检测算法。算法采用了根据距离的影像金字塔,有效提高了检测效率和准确率,实现了Android平台的实时检测,使用水平方向暗-亮-暗特征、二次曲线车道模型和基于卡尔曼滤波的跟踪实时提取跟踪路面车道线,实现相机俯仰角的快速标定。实验证明,基于简单特征和车道线模型算法在Android系统的行车记录仪上可稳定地进行车道跟踪。

矢量数据LOD模型中尺度采样方法—定量法研究

矢量数据LOD模型普遍存在着二个亟待解决的问题,即:对象简化无法保持拓扑一致性以及尺度采样不够合理。文中针对现有的尺度采样方法大都未考虑数据特征,而且存在着较大的数据冗余的问题,提出一种充分考虑数据特征的采样方法:定量法。该方法通过空间数据量(Spatial Data Amount,SDA)来控制运行时间(Runtime)的方式获取每个层次的尺度采样点,有效地减少数据冗余以及显示窗口中的信息量,同时提高传输效率,从而满足用户需求。

基于改进多尺度采样算法的模糊图像识别方法研究

本文为了提高模糊图像识别结果的准确率,引进改进多尺度采样算法,根据模糊图像的多维度采样机理,对此类图像识别方法展开设计研究。对多尺度算法的改进,设定一个识别符号模式,根据改进的结果,细致化提取模糊图像的特征与纹理细节信息;为保留在进行图像去噪处理过程中图像的真实性,可根据图像在空间映射后的维度,对其进行5×5的分解,调节模糊区域进行中值,直到终端显示三维曲面图像已十分平滑,完成模糊图像的去噪处理;引进差影法,空间映射图像边缘信息,融合关键信息后将其与原始图像匹配,匹配成功后,输出映射空间中对应的模糊图像,以此实现对模糊图像的有效识别。对比实验证明,设计的识别方法,可实现对不同模糊程度图像的有效识别,识别率超过99.5%,具有较高的模糊图像识别能力与较强的适用性。

基于改进多尺度采样算法的灰度图像识别算法

本文为了提高灰度图像识别算法的缺陷识别能力,引进改进多尺度采样算法,对灰度图像识别算法展开设计研究。在提取过程中,使用Daybechies-8.0滤波器,结合此滤波器具有的多尺度旋转摄像头,进行MP映射影像的分解。并在采样空间内,设置一个图像投影空间,构造一个频率矢量,作为描述不同尺度下的投影特征,以此实现对灰度图像纹理特征的提取。同时,引进图像处理技术,采用对灰度图像进行三维空间映射处理的方式,对其特征进行映射,并融合映射结果,进行灰度图像识别误差拟合,实现对识别结果的校正。此外,通过实例应用的方式,对设计的算法进行检验,证明此算法在实际应用中,可有效地识别到图像集合中的异常噪声。