基于自组织特征映射模型(SOFM)网络的中国自然资源生态安全区划

自然资源生态安全是国家安全的重要组成部分,自然资源生态安全区划对保障区域可持续发展提供了重要途径。基于自然资源数据、生态环境数据和相关区划资料,从生态敏感性与生态服务重要性角度构建了自然资源生态安全评价指标体系,进而揭示了中国自然资源生态安全的空间格局;通过建立区划的原则和指标,按照一级区主要反映自然资源空间分布格局,二级区主要揭示自然资源生态安全水平的差异,采用SOFM网络制订了中国自然资源生态安全区划方案。结果显示：(1)中国自然资源生态安全水平整体偏低,以中警与重警状态区域为主,安全和较安全状态的区域仅占24.22%,其中低安全等级区多分布于400mm等降水量线以西的干旱、半干旱区,高安全等级区则集中分布于水热资源与生物资源较为丰富的东南部地区;(2)中国自然资源生态安全区划方案包括8个一级区与27个二级区,总结归纳各大区自然资源的特征和威胁生态安全的问题,并针对二级区自然资源生态安全状况提出了对策建议。研究结果可为分区、分类推进全国自然资源可持续利用和国土空间优化提供理论支持与决策依据。     

中国生态区划的目的、任务及特点

生态区划是对生态地域和生态单元的划分和合并 研究。在分析了生态区划的发展过程及其我国各种区划等特点的基础上,提出了中国生态区划的目的,任务和特点,研究认为：中国生态区划的目的是通过开展全国生态区划和建立区划信息系统,为工工发与环境保护提供决策依据,为全国和区域生态环境综合整治服务。     

中国生态区划方案

生态区划是生态系统和自然资源合理管理及持续利用的基础,它可为生态环境建设和环境管理政策的制订提供科技依据。在综合分析我国生态环境特点的基础上。探讨了生态区划的原则和依据,建立了各级生态区单元划分的指标体系和命系统,最后对我国生态环境进行了区域划分。将我国划分为３个生态大区、１３个生态地区和５７个生态区。     

生态地理区划研究进展

生态地理区划是国内外地理学和宏观生态学研究的热点问题之一.国外学者对生态地理区划概念、原则和指标体系和方法等进行了大量的研究和讨论,并就全球、国家和区域尺度的生态地域系统进行划分.其研究经历了从单生态因子分异的规律性认识、生态系统聚合、人类作为生态系统一部分的单要素划分到层次约束、相互包容与不包容的等级斑块思维的整体性功能、过程和结构性划分的发展路线.我国生态地理区划在借鉴自然区划的基础上发展较为迅速,并在区划的原则、方法、理论等方面取得重要进展,就全国或地区的生态地理综合区划及要素区划等进行了深入的探讨.但仍然处于探索阶段,理论方法和技术体系不完善.中国未来生态地理区划应重点展开基础理论研究,构建严密的区划体系和理论体系,更加关注人文要素在区划中的重要影响,注重新方法和技术的应用,并加强对典型生态地域系统区划研究.为区域经济发展与生态环境保护、改良和合理利用提供科学依据.     

中国东北植被生态区划

植被生态区划是合理开发利用植被资源和生态管理的基础.在综合分析我国东北地区植被特点、分布规律的基础上,探讨了植被生态区划的原则、依据和指标体系,建立了东北地区植被生态区划的分区系统,并划分了4个植被生态区、11个植被生态亚区和34个植被生态小区.最后对东北地区植被生态区划中的全国植被区划的第一分区界线进行了探讨.     

中国生态资产区划的理论与应用

初步分析和探讨资产评估与区划的理论和方法。在界定生态资产要领和价值构成的基础上,提出生态资产 在的理论依据,基本札记,方法体系和分区程序,并应用综合评估法拟订了初步的中国生态资产区划方案。     

湿地生态水文模型研究综述

变化环境下湿地生态水文格局及过程发生了深刻变化,已对流域、区域乃至我国水安全和生态安全构成威胁。湿地生态水文模型是揭示湿地生态格局与生态过程的水文学机制的有效工具和重要手段。介绍了湿地生态水文模型的概念、内涵、构建方法及分类,回顾了湿地生态水文模型的国内外发展历程,论述了目前湿地生态水文模型研究应用的重点领域:湿地生态水文调控与生态补水、流域湿地生态恢复重建与水资源综合管控和气候变化下湿地生态水文变化评估与应对策略。针对目前研究中存在的问题及薄弱环节,提出未来研究的发展趋势和亟需加强研究的重点方向。     

中国生物多样性的生态地理区划

生态地理区划是生物多样性研究的空间分异基础。以国际上的生态地区划原则为依据,采用多无分析与地理信息系统等手段,利用各种生态地理因子,包括气候指标如与植物耐寒性有关的绝对是低温度、最冷月平均气温、最冷月日平均温度的最在值和最值;与需热性有产的植物生长季积温;年降水量的季节分配,最冷月降水、最热月降水、年降水量、年降水的统计标准差和变异系数（年变率;植被指标如植被类型、植被区划类型、植物被的净第一生产     

山西省小麦生态区划

从具有完整气象资料的62个县中选取与小麦生产有关的9个地理、气象因子,6个品种和栽培因子,采用对应分析方法将全省小麦分为三大麦区：（1）晋南冬麦区,（2）晋北春麦区,（3）晋中和晋东南冬麦及冬春麦交界区.三大麦区又可分为11个副区．部分地区修改了传统区划的界线用数学方法分区的界线与现场考查结果一致．三大麦区与全国麦区划界一致．     

小尺度农业生态区划研究——以三江平原八五三农场二分场为例

本文以三江平原八五三农场二分场为例,探讨了小尺度农业生态区划的方法。作者根据该分场的农业自然条件和特点,采用数量化方法Ⅰ筛选出土壤类型、土地潜在旱涝类型、白浆层厚度和地貌类型4个因子作为该分场衣业生态区划的指标因子,并根据筛选结果,确定了这4个因子的相对重要性顺序。将4个指标因子的专题图重迭,划分出区划的基本类型单元。根据第1重要的指标因子,将基本类型单元组合成农业生态地段。根据第2重要的指标因子,将地段划分成农业生态地块。根据第3和第4重要因子,进一步将地块划分成农业生态型。     

基于人工神经网络的生态环境质量遥感评价

利用ETM遥感数据提取反映生态环境的植被、土壤亮度、湿度,MODIS地表温度产品提取的热度指数、气象指数及其它地学辅助信息作为神经网络的输入,野外调查标准兴趣区的遥感本底值评分值作为网络输出,建立一个3层结构的BP神经网络生态环境遥感本底值预测模型.利用MATLAB软件对网络进行训练和研究区生态环境遥感本底值的预测输出,并将预测结果按照生态环境遥感本底值分级评分标准进行等级划分.结果表明,总体分类精度达87.8%.利用神经网络方法对生态环境遥感本底值进行预测是可行的.采用先预测再分级的方法不仅能很好地评价区域生态环境质量,而且能够和区域生态环境类型紧密的结合起来.     

黄河流域生态水文分区及优先保护级别

在分析相关分区研究的基础上,探讨流域生态水文分区的内涵;并结合黄河流域的实际情况,从生态重要性、水文特征、生态背景和人类活动影响等方面建立分区的指标体系;为便于管理,分区以县为基本单位,由指标层定量计算县的准则层指标值,根据准则层对应的级别确定各县的分区类型,将黄河划分成20个一级分区和51个二级分区;最后采用RIAM模型选取生态重要性指标,确定二级分区的优先保护级别,其中2个重点优先保护区、11个中等优先保护区需要重点保护。优先保护区集中分布在以下四个地区,分别是流域的源区、贺兰山以东和鄂尔多斯以西、三省(山西、陕西和河南)交界山区、河口三角洲。     

基于人工神经网络的天然林生物量遥感估测

基于Landsat TM遥感图像, 以吉林省汪清天然林区为例, 应用B-P神经网络建立了森林生物量非线性遥感模型系统. 除采用遥感数据外, 该系统还引入了地形因子(海拔、坡度、坡向、立地类型等)作为模型自变量. 通过压缩输入数据和增强网络训练学习算法等措施, 对标准B-P神经网络进行了增强. 模型仿真结果表明：增强型B-P神经网络具有收敛速度快和自学习、自适应功能强的特点, 能最大限度地利用样本集的先验知识, 自动提取合理的模型, 模型预测结果能真实合理地反映实际情况. 针叶林、阔叶林和针阔混交林的生物量遥感模型系统仿真结果的平均相对误差分别为-1.47%、2.38%和3.56%, 平均相对误差绝对值分别为6.33%、8.46%和8.91%, 预估效果较理想. 应用该模型系统生成了研究区的森林生物量定量分布图, 其总体精度为88.04%.     

基于模糊规则的人工神经网络模拟新疆杨蒸腾耗水

于2017年7—11月,应用热扩散探针(TDP)技术,结合同步测定的气象因子,对宁夏河东沙区新疆杨的耗水日变化特征及季节变化规律进行分析,提出了一种基于模糊规则的BP神经网络和Elman神经网络耗水模型,探究新疆杨蒸腾耗水规律并对其耗水量进行模拟。结果表明: 生长季内(7—10月)新疆杨平均液流密度为4.98 g·cm^-2·h^-1,影响蒸腾耗水的主要因素依次为太阳辐射、大气温度、饱和水汽压亏缺和相对湿度;受气象因子影响,新疆杨耗水具有明显的季节性变化规律,夏季(7—8月)单株耗水量为秋季(9—10月)的1.4倍;采用基于模糊规则的BP神经网络和Elman神经网络模型对新疆杨耗水进行模拟可以解释80%以上的变量,能够较准确地模拟新疆杨耗水情况,相对于BP神经网络,采用Elman神经网络对新疆杨耗水进行模拟,相对误差减少27.0%,均方根误差减少24.3%,纳什效率系数提高67.9%,决定系数达0.80以上。Elman神经网络的模拟效果优于BP神经网络,模型效率和拟合度更高,有效地提高了林木蒸腾耗水模拟精度,可作为河东沙区新疆杨林分蒸腾耗水估算的首选模型。     

An artificial neural network for estimating haplotype frequencies

The problem of estimating haplotype frequencies from population data has been considered by numerous investigators, resulting in a wide variety of possible algorithmic and statistical solutions. We propose a relatively unique approach that employs an artificial neural network (ANN) to predict the most likely haplotype frequencies from a sample of population genotype data. Through an innovative ANN design for mapping genotype patterns to diplotypes, we have produced a prototype that demonstrates the feasibility of this approach, with provisional results that correlate well with estimates produced by the expectation maximization algorithm for haplotype frequency estimation. Given the computational demands of estimating haplotype frequencies for 20 or more single-nucleotide polymorphisms, the ANN approach is promising because its design fits well with parallel computing architectures.     

Use artificial neural network to align biological ontologies

Background

Being formal, declarative knowledge representation models, ontologies help to address the problem of imprecise terminologies in biological and biomedical research. However, ontologies constructed under the auspices of the Open Biomedical Ontologies (OBO) group have exhibited a great deal of variety, because different parties can design ontologies according to their own conceptual views of the world. It is therefore becoming critical to align ontologies from different parties. During automated/semi-automated alignment across biological ontologies, different semantic aspects, i.e., concept name, concept properties, and concept relationships, contribute in different degrees to alignment results. Therefore, a vector of weights must be assigned to these semantic aspects. It is not trivial to determine what those weights should be, and current methodologies depend a lot on human heuristics.

Results

In this paper, we take an artificial neural network approach to learn and adjust these weights, and thereby support a new ontology alignment algorithm, customized for biological ontologies, with the purpose of avoiding some disadvantages in both rule-based and learning-based aligning algorithms. This approach has been evaluated by aligning two real-world biological ontologies, whose features include huge file size, very few instances, concept names in numerical strings, and others.

Conclusion

The promising experiment results verify our proposed hypothesis, i.e., three weights for semantic aspects learned from a subset of concepts are representative of all concepts in the same ontology. Therefore, our method represents a large leap forward towards automating biological ontology alignment.

     

Identification of butterfly based on their shapes when viewed from different angles using an artificial neural network

Identification of butterfly species is essential because they are directly associated with crop plants used for human and animal consumption. However, the widely used reliable methods for butterfly identification are not efficient due to complicated butterfly shapes. We previously developed a novel shape recognition method that uses branch length similarity (BLS) entropy, which is a simple branching network consisting of a single node and branches. The method has been successfully applied to recognize battle tanks and characterize human faces with different emotions. In the present study, we used the BLS entropy profile (an assemble of BLS entropies) as an input feature in a feed-forward back-propagation artificial neural network to identify butterfly species according to their shapes when viewed from different angles (for vertically adjustable angle, θ = ± 10°, ± 20°, …, ± 60° and for horizontally adjustable angle, φ = ± 10°, ± 20°, …, ± 60°). In the field, butterfly images are generally captured obliquely by camera due to butterfly alignment and viewer positioning, which generates various shapes for a given specimen. To generate different shapes of a butterfly when viewed from different angles, we projected the shapes captured from top-view to a plane rotated through angles θ and φ. Projected shapes with differing θ and φ values were used as training data for the neural network and other shapes were used as test data. Experimental results showed that our method successfully identified various butterfly shapes. In addition, we briefly discuss extension of the method to identify more complicated images of different butterfly species.     

基于人工神经网络的农业病虫害预测模型及其效果检验

选取与病虫害有关的因子作为样本的输入特征,建立了农业病虫害年分类预测的Ｂ－Ｐ人工神经网络模型。该方法应用于稻瘟病的预测建模结果的拟合率为１００％,预留样本检验报率为８３％。