结合纹理因子和地形因子的森林蓄积量多光谱估测模型

森林蓄积量是林分调查中重要因子,是评价森林数量和质量的重要指标。传统森林蓄积量实测方法耗时费力、效率低下,多元线性回归遥感反演方法精度较低,难以达到精准林业要求。机器学习是一种利用训练数据,进行自我改进、自动提升性能的方法,可以任意逼近非线性系统,提高模型预测精度。以鹫峰林场森林为研究对象, 综合考虑影像光谱因子、纹理因子、地形因子,采用机器学习中的BP神经网络、最小二乘支持向量机、随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中编程实现。旨在从建模因子选择和模型方法建立两个方面,优化建模因子特征提取,提高森林蓄积量模型预测精度。以角规观测样地实测数据、森林小班二类调查数据、林相图数据为基础,使用以上三种模型结合Landsat8 OLI多光谱数据分林型进行了森林蓄积量反演建模预测。以决定系数R2和均方根误差RMSE为指标,分析了三种反演模型的训练能力和预测能力。研究结果表明：利用3种机器学习方法构建的结合光谱因子、地形因子、纹理因子反演模型能够提高森林蓄积量的预测精度。以上模型中,RF-FSV模型在针、阔、混三种林型中都表现出较强的预测能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型。RF-FSV模型在训练阶段,R2和RMSE针叶林中为0.839和13.953 3,阔叶林中为0.924和7.634 1,混交林中为0.902和12.153 9,预测阶段R2和RMSE在针叶林中为0.816和15.630 1,阔叶林中为0.913和4.890 2,混交林中为0.865和9.344 1。RF-FSV模型建模精度和预测精度较高,为森林蓄积量遥感反演估测提供了一种新的方法。     

基于可见光光谱和随机森林算法的冬小麦冠层图像分割

数字图像分析技术因其高效、快速等特点,已被广泛应用于作物长势和氮素营养状况的无损监测领域。获取作物冠层覆盖度及可见光光谱亮度值及其衍生的色彩指数,需要从作物冠层图像中准确分割出作物图像。研究以冬小麦与背景(土壤)在可见光波段反射率的差异为依据,利用基于CIEL*a*b*色彩空间a*分量的最大类间方差法和基于sRGB和CIEL*a*b*两个色彩空间的随机森林算法对冬小麦冠层图像进行了分割,并比较了图像分割精度。结果表明,三种方法均具有较高的分割精度,其中基于随机森林算法的图像分割效果明显好于最大类间方差法,而基于sRGB和CIEL*a*b*两个色彩空间的随机森林算法的图像分割效果差异较小。研究结果表明,随机森林算法可直接利用冠层图像可见光波段的三个色彩分量(R,G和B)分割冬小麦冠层图像。     

基于太赫兹时域光谱技术的红木分类识别

提出了一种利用太赫兹时域光谱技术（THz-TDS）进行红木分类识别方法。红木价格昂贵,同时由于种类繁多难以识别,导致红木市场以次充好,以假乱真的现象层出不穷,严重扰乱了市场秩序,给生产者和消费者造成巨大的经济损失,传统的红木分类识别方法难以兼顾准确性和快速性,因此需要研究一种新的方法对现有木材分类识别方法进行补充和发展。相比于传统方法,太赫兹波对红木具有良好的穿透性及指纹特性,在红木的分类识别中有较大的应用潜力。选用5种红木（巴里黄檀、奥氏黄檀、大叶紫檀、小叶紫檀、交趾黄檀）作为试验样品木材。利用THz-TDS系统得到木材的太赫兹时域光谱,通过对五种木材的太赫兹时域光谱进行快速傅里叶变换,得到木材太赫兹频域光谱,并对太赫兹时域光谱提取光学参数,分别得到木材的太赫兹折射率谱和吸收系数谱,结果表明不同种类的木材在时域光谱上具有时间延迟线与振幅的差异,在频域光谱上显示衰减趋势及幅值各不相同,在吸收系数谱中各种类红木吸收峰出现的频段不同,能够直观地展示出各种类木材之间的区别,表明THz-TDS进行红木分类识别具有一定的可行性。利用连续投影算法（SPA）提取吸收系数谱和折射率谱的特征频率,对吸收系数谱260个频率点筛选出28个特征频率点,频段占比10.77%;对折射率谱260个频率点筛选出12个特征频率点,频段占比4.62%。分别建立基于吸收系数谱和折射率谱的随机森林分类模型和支持向量机（SVM）红木分类模型,并对各模型分类结果进行对比。实验结果表明,THz-TDS具有良好的木材识别效果,基于木材太赫兹吸收系数谱和折射率谱建立的随机森林分类模型对红木种类有着较好的分类性能,总体分类准确率分别达到了94%和96%,能够准确对红木种类进行分类识别。利用太赫兹时域光谱技术实现了红木的分类识别,为红木的分类识别提供了一个新的思路和技术方案,能够作为近红外光谱木材检测方法的补充,同时为太赫兹技术在木材分类识别领域的应用提供了理论基础。     

基于随机森林算法的非定常气动力建模研究

针对现有的非定常气动力建模方法对气动弹性预测的准确性和效率问题,将随机森林算法引入非定常气动力建模研究领域,构建了基于随机森林算法的非定常气动力降阶模型。将所得模型用于预测气动弹性,选择二维NACA0012翼型进行颤振边界的预测,选用NACA64A010翼型预测LCO特性,并说明了该降阶模型建模的详细过程,将其计算结果与CFD/CSD耦合计算结果及试验结果进行了对比。研究结果表明,该模型可行、高效且精确,可以快速准确地预测飞行器气动弹性特性。     

基于RF-GABPSO混合选择算法的黑土有机质含量估测研究

针对土壤有机质含量高光谱估测研究中变量维数过高与特征谱段筛选问题,提出了一种结合随机森林和自适应搜索算法的混合特征选择方法。首先依据随机森林变量重要性原理获取初始优化集,然后利用遗传二进制粒子群封装算法对初始优化集进一步自适应筛选。对于土壤有机质含量估测建模问题,选择稳健性强且能有效处理高维变量的随机森林算法。以典型黑土区采集的土壤样品为研究对象,将ASD光谱仪获取的可见光-近红外区间光谱数据和经化学分析得到的土壤有机质含量为数据源,对原始光谱进行光谱变换和重采样处理后,采用随机森林-遗传二进制粒子群混合选择方法提取特征光谱区间,构建有机质含量随机森林估测模型。与利用全光谱、随机森林方法筛选的光谱和自适应搜索算法筛选的光谱构建随机森林模型得到的预测精度进行比较。结果表明,利用随机森林-遗传二进制粒子群混合特征选择算法筛选的波谱变量参与随机森林建模,预测决定系数,均方根误差和相对分析误差分别为0.838,0.54%,2.534。该方案应用最少的变量个数获得最高的预测精度,能够较高效地估测黑土有机质含量,也能为其他类型土壤在有机质含量估测研究的变量筛选与建模问题上提供参考。     

爆破振动诱发民房结构损伤识别的随机森林模型

为快速、准确地评价爆破振动诱发民房结构损伤效应,借鉴随机森林理论并结合工程实际,建立露采爆破振动诱发民房结构损伤识别的随机森林模型;综合考虑爆破参数、爆破振动特征参量及房屋结构动力特性等因素,选取质点峰值振动速度、主频率、主频率持续时间、段药量、爆心距、施工质量参数、场地条件参数、屋盖形式参数、砖墙面积率、民房高度、灰缝强度和圈梁构造柱参数等12个影响因素作为模型输入,将砖混结构建筑物的损害等级作为模型输出;基于多分类器集成的思想,以108组爆破振动实测数据作为学习样本进行训练,建模过程中由多个决策树集成随机森林、用投票的方式实现对民房结构损伤有效识别;用12组现场数据验证模型的有效性;在对样本分类的同时,计算预测变量的重要性值,发现质点峰值振动速度为最重要的评价指标,其后依次为爆心距,主频率持续时间,主频率,圈梁构造柱参数,灰缝强度,屋盖形式参数,民房高度,段药量,施工质量参数,砖墙面积率和场地条件参数。研究结果表明:随机森林模型预测结果学习样本准确度是87.97%,而测试集准确度是91.67%,与实际情况吻合较好,预测精度较高。     

激光诱导击穿光谱对U元素的定量分析

铀矿是核领域最重要的矿产资源之一,快速、有效勘探铀矿资源能促进核领域平稳、健康发展。激光诱导击穿光谱(LIBS)技术具备多目标元素现场快速检测的优点,能实现铀矿资源准确、快速的现场分析。本工作基于LIBS技术对铀矿中U元素进行了定量分析,对比了偏最小二乘(PLS)和随机森林(RF)两种机器学习算法的定量效果。结果显示,RF模型的定量线性相关系数为0.996,对三个验证集的相对误差分别是22.33%、12.79%和12.04%;PLS模型的定量线性相关系数为0.997,对三个验证集的相对误差分别是4.33%、6.63%和6.85%。对比结果表明,本研究中的PLS模型定量准确度更高,同RF算法相比,PLS算法更适用于铀矿中U的LIBS定量分析。     

森林群落立木种群年龄结构的研究

本文通过对森林群落立木种群年龄结构的研究,认为:N1初生正常种群和N2旺盛种群的年龄结构各具2种类型,N3成熟种群的年龄结构仅具1种类型,S1始衰种群的年龄结构具19种类型,S2中衰种群的年龄结构具5种类型,S3老衰种群的年龄结构具2种类型。依此,本文讨论了森林群落立木种群的动态     

井冈山的东京白克木群落

本文论述井冈山的东京白克木群落的发现,群落学特征以及该群落具有明显的亚热带过渡的特征。东京白克木形成群落说明井冈山的自然环境优越,更多的稀有植物群落有可能在井冈山形成。     

江西怀玉山主峰森林植被垂直带谱

<正> (一) 一九七八年五月中旬,我们应上饶地区林垦局和林科所之邀,参加怀玉山主峰的森林植被考察,主要是对玉京峰北坡的半原始森林选择出适当的林区,作为自然保护区的基地。在地区林垦局、林科所和德兴县林垦局的领导下,经过几天的路线勘察,基本上瞭解这一带森