基于无人机遥感影像的松材线虫病监测方法概述

松树是我国森林资源中重要的组成树种之一,占我国人工林面积的70%以上,但近几年松树资源受外来有害生物松材线虫的侵害,大量松树死亡,给我国林业生产和生态环境造成了巨大的经济损失。鉴于松材线虫病致病力强、发病时间短、传播速度快、治理难度大等特点,目前最有效的办法是及时发现和准确定位被松材线虫病感染的疫木并及时处置。人工踏查和卫星遥感在复杂林区监测方面存在局限性。无人机遥感以其实时、低成本和高空间分辨率的优点被广泛应用于农林业低空遥感,目前多使用无人机遥感影像开展松材线虫罹病木监测。笔者全面总结近几年使用人工特征提取算法和深度学习算法在松材线虫病识别领域的相关研究,从准确率、召回率、精确率等指标以及数据集等多方面对各种处理方法进行对比分析。从现有研究成果来看,基于Inceptionv3和AdaBoost算法的检测模型,其泛化能力和识别精度优于其他算法,但基于Faster R-CNN和YOLOv4算法能够识别不同感染阶段的罹病木。通过结合无人机遥感和深度学习算法能监测受害区域染病松树的生长现状和分布情况,为后续罹病木的处理提供了支持。未来,融合深度学习与传统机器学习的优点,结合多传感器的遥感数据协同监测林业病虫害将成为趋势。

基于决策树的客户流失预测模型

随着证券市场竞争的日益加剧,证券行业客户数量呈现动态增长模式,但是在大量客户开户的同时,又有大批客户流失,带来较多的无交易客户,导致业务与收入总量增长相对趋缓,出现“增量不增收”的现象.准确预测潜在流失客户,对这些客户实施差异化营销和服务已成为当前证券企业的迫切需求.基于证券客户交易的历史数据,在给出证券流失客户定义的基础上,选择合适的自变量和因变量时间窗口,建立信息熵,趋势值和波动值三类特征指标体系,使用CART算法建立决策树模型,并采用交叉验证法选取最优决策树,实现依据历史交易数据对客户是否流失进行预测.数据实验结果表明,所提出的预测方法可以较准确地对潜在流失客户进行预测.