基于双极化Sentinel-1A数据的西南某机场沉降监测应用

以西南某机场为监测对象,收集2019年1月11日至2021年11月8日35景双极化Sentinel-1A降轨数据,应用PS-InSAR技术结合双极化数据获取了该机场范围内的形变分布情况,将双极化沉降数据进行对比,再与沉降形变最大水准测量数据进行验证。结果表明,合成孔径雷达差分干涉技术(InSAR)沉降形变区域与水准沉降形变区域的位置基本吻合,双极化沉降时间序列表现出一致性,该机场飞行区最大沉降速率达-77mm/y(VV极化)和-74 mm/y(VH极化),累计沉降量超过-200mm(VV和VH极化),与2021年5月最大沉降形变水准测量值对比,发现该机场沉降形变还在继续加深。此研究表明,InSAR技术结合双极化数据可高效识别沉降区域,全面掌握机场沉降形变情况,对监测西南地区机场沉降具有重要意义。

基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明:经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R_(v)^(2)/R_(c)^(2)为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。

“1+X”证书背景下应用型人才培养模式探究

“1+X”证书制度是深化新时代中国特色职业教育改革,培养高素质应用型人才的重要抓手。以河北省高职院校社区管理与服务专业为研究对象,分析其人才培养现状及其面临的困境,明确了应用型社区管理与服务人才培养的重要意义,并构建了社区治理“1+X”证书应用型人才培养模式。

甲基化PAX1在宫颈癌筛查和预后评估中的临床应用

目的:探究甲基化PAX1在宫颈癌筛查和预后评估中的临床应用。方法:选取2021年1月~2021年12月在蚌埠医学院第一附属医院接受治疗的150例收集宫颈脱落细胞患者的宫颈脱落细胞,研究采用了多种检测技术,包括PAX1基因、甲基化、薄层细胞学、高危型人乳头瘤病毒(HR-HPV)和HPV16/18检测,以阳性患者进行阴道镜下活检病理诊断为金标准,比较宫颈脱落细胞中不同检测方法学。结果:PAX1基因甲基化灵敏度、特异度分别为81.3%和96.6%,四种检测比较中PAX1具有最高特异度(96.63%),细胞学与HR-HPV检测特异度在17%~70%。细胞学(ASCUS+)的灵敏度为94.7%,明显高于PAX1基因甲基化检测,差异有统计学意义(P<0.05),ASCUS+的特异度为18.0%显著低于PAX1基因甲基化检测,差异有统计学意义(P<0.001)。结论:将细胞学和PAX1基因甲基化技术相结合,能够更好地预防宫颈癌,并且能够减轻年轻患者的焦虑。

基于“5W1H”模型的应用型本科院校教学质量保障体系构建研究

研究围绕应用型本科教学质量保障体系的建构与实践,整合新时期应用型本科高校教学质量保障体系构建的多种先进理念,包括全面质量管理(TQM)、PDCA循环、OBE理论等提出了一套全新的“5W1H”模型。该模型重点围绕5个维度:保障目标(Why)、保障主体(Who)、保障内容(What)、保障场域(where)、保障周期(when),保障机制(How)构建而成。强调以社会需求为导向,注重实践教学与理论教学的融合,旨在培养具有创新能力和实践技能的应用型人才以及提高应用型高校的教学质量。

基于工业机器人应用编程“1+X”证书制度试点的研究

工业机器人应用编程“1+X”证书制度试点是在智能制造高速发展,产业转型升级对人才需求变化背景下的必然产物。为了培养适应产业需求的高技能人才,尽快解决试点中存在的一些问题,校企合作对接企业岗位标准选好“X”证,优化“1”和“X”深度融合人才培养方案,基于岗位知识、技能构建课程体系,突出标准引领,重构岗课赛证融合教学内容,强化“1+X”师资队伍和实训基地保障,取得了显著的效果。

创新生态系统下护理专业应用型人才培养策略研究:“1+X”民办本科院校实证分析

通过创新生态系统对护理专业人才培养方面的具体策略进行分析,探讨其有效性与可行性。以某“1+X”民办本科院校的护理专业为例,进行实证分析。结果显示,校企合作和实践基地建设是培养应用型人才的重要策略,在实践环节的改进与丰富方面取得了积极成果。同时,学生积极参与科研项目和临床实践有助于提升实践能力和专业素养,这为护理专业的教育改革和实践提供了有益参考,为其他高校和医疗机构在护理专业人才培养方面提供了借鉴与启示。

一种改良的维生素K1静脉输注方式在临床应用中的安全性探讨

维生素K1为脂溶性维生素,是体内谷氨酸残基γ羧化酶的辅酶,参与凝血因子Ⅱ、Ⅶ、Ⅸ、Ⅹ,抗凝蛋白C和抗凝蛋白S谷氨酸残基γ羧化作用,使其前体物质羧化后转变成凝血酶原及相应因子,维生素K1缺乏可引起凝血因子合成障碍或异常[1]。临床常用于低凝血酶原血症。

应用型高校英语教学中实施“N+1”过程性考核的探究

本文通过分析“N+1”过程性考核在听力、口语、阅读和写作教学中的实施,深入探讨其对于提高英语教学质量的作用可以发现,“N+1”过程性考核不仅能够有效地提高学生的英语应用能力,而且能够帮助教师更好地了解学生的学习进度和困难,使教师能够及时调整教学策略,提高教学效果。应用型高校需要为“N+1”过程性考核在英语教学中的应用提供充分的保障,以便为进一步推动英语教学改革提供有益的参考和借鉴。

基于Sentinel-1/2数据的洪水淹没范围提取模型

遥感是监测洪水淹没范围、掌握洪涝灾情演变的重要手段,而光学影像在洪水发生时往往有较多缺失,全天候的SAR影像在提取水体时精度略低。为快速、精准提取洪水淹没范围,构建了一种综合利用Sentinel-2光学影像和Sentinel-1雷达影像数据的洪水淹没范围提取模型,采用一种自适应阈值分割算法即大津算法(OTSU)分别对两种数据以及该模型进行了水体范围提取试验,并以河北省保定市为例进行了应用分析。结果显示:云量较少的Sentinel-2影像水体提取效果最好,总体精度(OA)达到95.6%;所构建的模型在引入部分可用Sentinel-2数据后,OA达到95%,相比单独使用Sentinel-1数据OA和Kappa系数分别提升1.2%和2.4%。该模型搭载于Google Earth Engine平台,能实现快速、准确、低成本的地表水体空间范围连续输出,不受限于云雾且比单独使用Sentinel-1影像的提取精度更高,在云覆盖严重导致Sentinel-2数据缺少的情况下,该模型可作为洪水淹没范围提取方法的一种选择。

基于Sentinel-1和Sentinel-2影像的河南扶沟县洪涝灾害遥感监测评估研究

洪涝灾害是我国最主要的自然灾害类型之一,发生频率高、影响范围广,对社会经济发展和人民生命财产安全构成严重威胁。选取河南郑州“7·20”特大暴雨事件中受灾较为严重的河南扶沟县为研究区,基于洪涝灾害发生前后的Sentinel-1和Sen-tinel-2影像,利用支持向量机对灾前的Sentinel-2影像进行土地利用分类,基于Sentinel-1影像利用水体指数SDWI对灾中、灾后的水体范围进行提取,并结合GIS对研究区的灾情进行评估。结果表明:①基于支持向量机提取的土地利用分类图,总体精度达95.85%;②利用SDWI水体指数法提取的水体范围结果显示灾中、灾后的水体面积分别为36.468 km^(2)、18.770 km^(2),总体精度分别为97.6%和95.4%;③由灾情评估结果可得,曹里乡的受灾情况最为严重,最大水体变化面积达到12.63 km^(2)。

“1+X”证书制度下课证融合课程体系研究——以高职计算机应用技术专业为例

以高职计算机应用技术专业为例,分析目前计算机应用技术专业的就业背景、人才培养模式和岗位人才技能需求,研究课证融通实施策略,构建以岗位技能要求为基础,符合“1+X”职业技能等级证书的能力目标及核心技能要求的课程体系,按照复合型人才的培养路径,重构课程体系和教学内容,开展教学团队和课程资源建设,并对创新教学模式和课程考核提出建议。

双极化Sentinel-1数据在城市沉降监测中的对比研究

目的 针对地面沉降监测仅考虑VV极化Sentinel-1数据而忽略VH极化数据的问题,方法采用PS-InSAR和SBAS-InSAR技术处理延安新区2018年8月—2021年5月的84景双极化Sentinel-1数据,获取地面沉降信息,对比两种极化的沉降监测结果,探讨VH极化在不同实验方法中的意义,并提出一种双极化时序InSAR融合监测新方法。结果 结果表明,新区大部分区域为较稳定区域,形变速率为-8~8 mm/a,此外,还探测到3个较大的沉降区,分别位于桥儿沟流域、高家沟流域和新区东北部填方区域;Sentinel-1不同极化数据的监测结果相关性较高,形变趋势一致;VV极化数据整体优于VH极化,但部分区域VH极化数据得到的地表形变信息更详细;VV-VH极化PS-InSAR形变监测中,VH极化数据能够有效补充VV极化数据监测结果的不足,使结果更加密集,因此,与单一极化监测结果相比,VV-VH极化PS-InSAR形变监测更加详细地反演了地表变形情况;VV-VH极化SBAS-InSAR形变速率结果比单一极化数据相干性和稳定性更高。结论 基于双极化Sentinel-1数据的时序InSAR融合监测技术可以获得比单一极化数据更好的城市地表形变监测结果。

基于Sentinel-1和Sentinel-2数据融合的森林林龄反演和动态监测

【目的】在Google Earth Engine(GEE)云平台上借助其强大的计算和数据存储能力,融合多源遥感数据对森林林龄进行遥感反演和动态监测。【方法】融合2017—2023年间Sentinel-1、Sentinel-2及高程数据,通过随机森林(Random forest,RF)分类获取土地覆盖信息,并进一步提取森林的分布和面积,同时构建时间序列植被指数来准确提取森林变化区域。基于森林资源清查数据和融合的多源遥感数据,在GEE上构建RF回归、分类回归树(Cart)以及梯度提升回归树(Gradient tree boost,GTB)3种回归模型,用于杉木组、马尾松组、毛竹林、硬阔叶树组以及其他类树种组的2018年林龄遥感反演,并估算出2017年和2023年的林龄信息,以揭示林龄和龄组在2017—2023年的动态变化情况。【结果】1)2017—2023年,研究区森林面积的整体变化总计113.93 km^(2),此间森林的减少和更新并存,其空间分布特征呈现出明显的区域差异。具体而言,森林面积变化多发生于靠近城区和低海拔地区,且靠近城区的森林面积减少往往不再恢复至森林;2)在5种不同树种组构建的3种模型中,RF回归模型的林龄反演结果最佳,平均R^(2)为0.845,平均RMSE为5.32 a,其中毛竹林反演精度最高,R^(2)为0.863,RMSE为2.411 a;3)2017—2023年,研究区林龄在40 a以下的森林由54.59%减少至51.06%,其中龄组变化最显著为杉木组成熟林,面积增加了38.88%。【结论】在GEE上融合多源遥感数据进行林龄反演和动态监测具有重要的应用潜力,本研究结果可为使用云平台及哨兵系列卫星数据对森林资源长时间序列的林龄反演和动态监测的应用提供参考和借鉴。

联合Sentinel-1与Sentinel-2的高时空分辨率玉米叶面积指数反演

叶面积指数(leaf area index,LAI)是单位地表面积上总叶面积的一半,是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响,雷达遥感数据易受土壤等的影响,二者在叶面积指数反演方面各有利弊,提出了一种考虑不同数据反演结果不确定性的融合方法。研究测试了多种机器学习模型在中国张掖地区的玉米农田上估算LAI的性能。结果表明,光学和雷达两种数据分别作为模型输入进行LAI反演时,高斯过程回归(Gaussian process regression,GPR)的表现均为最优。随后,基于Sentinel-1雷达数据和Sentinel-2光学数据,使用GPR模型生成了研究区2019年的两种LAI及不确定性时空分布图。考虑不同数据反演结果的差异,使用加权滤波方法将两种LAI融合,实现了高时空分辨率玉米LAI制图。通过定性和定量分析,融合后的LAI时间序列分布图变化连贯,空间分布均匀,精度相较于融合之前有了明显改善。

集成Sentinel-1/2和环境变量的新疆农田土壤含盐量反演

土壤盐渍化是危害农业生产和生态环境的重要因素,快速精准获取农田土壤盐分信息对农业可持续发展和土地资源管理具有指导作用。为了提高卫星遥感在植被覆盖条件下的土壤含盐量预测精度,该研究以新疆生产建设兵团农八师为研究区域,分别在2023年7月和8月采集土壤表层(0~20 cm)样本,并获取同步卫星影像。通过Sentinel-1雷达信息、Sentinel-2多光谱信息与环境变量的不同组合构建数据集A(极化指数、光谱指数)、B(极化指数、环境变量)、C(光谱指数、环境变量)、D(极化指数、光谱指数、环境变量),采用自适应提升(adaptive boosting,AdaBoost)、梯度提升回归树(gradient boost regression tree,GBRT)和极端梯度提升树(extreme gradient boosting tree,XGBoost)3种集成学习算法,构建基于不同数据集的土壤含盐量反演模型。结果表明,1)基于数据集D构建的所有模型预测精度普遍高于数据集A、B、C构建的模型,环境变量与雷达数据、多光谱数据的协同使用可以有效提高模型精度;2)地形因子和地表温度可作为研究区土壤盐分预测的有效特征变量,其中海拔与表层土壤含盐量的相关性最高;3)在所有数据集中,XGBoost模型性能最优,GBRT次之,AdaBoost模型验证误差较大,其中D-XGBoost模型精度最高,其验证集决定系数为0.72,均方根误差为2.40 g/kg,平均绝对误差为1.29 g/kg;4)基于多种来源变量组合的集成学习算法具有强大的非线性拟合能力,XGBoost能够更好地模拟土壤含盐量与遥感信息和环境因子之间复杂的非线性关系,并获得理想的拟合结果。该研究结果可为新疆地区土壤含盐量实时动态监测和当地土地资源可持续利用提供有效的技术手段。

基于Sentinel-1 SAR数据的鄱阳湖水体提取方法对比研究

遥感水体提取技术在水体规划与监测中发挥着关键作用。针对Sentinel-1 SAR数据的水体提取,首先分析水体及其周围主要地物的后向散射特性,其次引入纹理、地形特征,对比分析阈值法、分类器法和面向对象法的水体提取效果,最后针对鄱阳湖的典型水体环境,提出不同方法的应用策略,以便更有效地提取水体。研究表明:多特征融合提取可减少水体信息的混淆;RF算法对细小水体和边界的提取相对精细,总体精度高达97.8%;针对含有植被的浅水区,SDWI、Otsu等阈值法展现出更好的识别能力;水面上的船体对水体提取的完整性造成影响。研究探讨了Sentinel-1 SAR数据在鄱阳湖水体提取中的方法适用性,以期为鄱阳湖的水资源监测提供技术支持。

基于Sentinel-1A钦防地区地面沉降监测与分析

分析钦防地区地面沉降时空分布、演变规律和驱动因素,可为区域灾害预测防治及城市规划提供科学依据。基于小基线集时序合成孔径雷达干涉测量(small baseline subset interferometric synthetic aperture Radar,SBAS-InSAR)技术,利用45景Sentinel-1A合成孔径雷达影像提取了研究区2018—2021年的地面沉降信息,同时结合地区地质背景、降水数据、土地利用情况和道路等数据,借助于空间分析技术、数理统计和遥感图像分类及变化检测等方法对研究区地面沉降的整体特征、时空演变趋势及其影响因素进行了可视化分析和定量化分析。结果表明:①在空间维度上,研究时段内研究区地面形变速率介于-114.37~58.55 mm/a之间,研究区内地面形变分布范围广且不均匀分布明显,形成了以钦南区主城区中南部、钦州港与港口区为主的3个沉降中心区域,沉降地区的沉降面积逐年增加并呈现出向南扩张的趋势;②在时间维度上,各沉降中心区域从整体上随着时间变化呈现不均匀的下沉趋势,但出现了周期性的回升,回升值最大可达18.4 mm;③在影响因素上,城镇化扩张、道路密度、构造运动、地层作用、降水作用和海平面上升是导致研究区地面沉降的主要因子,同时也主导了地面沉降的扩张和增幅。

基于GEE和Sentinel-1/2数据的夏玉米种植面积精细化识别方法

作物种植面积提取方式的选取,对农作物遥感监测有重要意义。为探究夏玉米遥感识别最佳时相、夏玉米遥感识别光学时序和夏玉米遥感识别光学与星载合成孔径雷达(synthetic aperture radar,SAR)融合时序3种方案在夏玉米种植区识别的差异,选取山东商河为研究区。基于谷歌地球引擎(Google Earth Engine,GEE)云平台Sentinel-1/2数据,构建分类数据集,结合地面调查制作分类样本,采用随机森林法进行3种方案下研究区夏玉米种植区域提取,并分析各方案精度。结果表明:3种方案均能较高精度地实现夏玉米与其他作物的区分;相对于夏玉米遥感识别最佳时相方案,夏玉米遥感识别光学时序方案下夏玉米总体分类精度由83.01%提高到89.44%,Kappa系数由0.77提高到0.86;相对于夏玉米遥感识别最佳时相和夏玉米遥感识别光学时序方案,夏玉米遥感识别光学与SAR融合时序方案的总体分类精度最高,达92.51%,Kappa系数达0.89。研究表明,夏玉米遥感识别光学与SAR融合时序方案可以在较高精度下有效识别夏玉米种植区,为发育期内的农情调查管理提供参考。

基于Sentinel-1结合Sentinel-2和Landsat8影像的水体提取方法比较——以鲁班水库为例

基于sentinel-1数据结合sentinel-2数据和Landsat8数据,提取2017年—2021年鲁班水库五年间的水体年间变化,对所提取的水体面积进行分析,比较两种影像对鲁班水库水体提取的差异,经过水体指数的计算以及分析得到鲁班水库的水体面积。sentinel-2影像数据对水体提取的效果较好于Landsat8数据,sentinel-2影像总体分类精度达0.993,kappa系数为0.991,而Landsat8的总体精度为0.989,kappa系数为0.986。通过对鲁班水库这种大中型水体的水体提取选择使用sentinel-2数据较好。