基于实测高光谱与Sentinel-2B数据的银北土壤Na+含量估测

为了探讨不同传感器对土壤Na⁺含量的估测能力,本研究以宁夏银北地区典型样点土壤实测光谱和Sentinel-2B影像光谱为对象,运用逐步回归(SR)和主成分回归分析(PCA)方法对光谱数据进行敏感参量筛选,然后采用偏最小二乘回归(PLSR)、支持向量机(SVM)和反向传播神经网络模型(BPNN)分别建立实测光谱和影像数据的土壤Na⁺含量估算模型。结果表明: 除Band9外,实测重采样数据与影像数据呈极显著相关。基于SR筛选方式建立的模型估算精度普遍高于PCA(SVM模型除外),PCA-SVM模型为影像最佳Na⁺含量估算模型,预测精度为0.792;SR-BPNN模型为实测最佳Na⁺含量估算模型,预测精度达到0.908。经重采样实测光谱模型校正后的SR-PLSR影像光谱土壤Na⁺含量估算模型精度从0.481提高到0.798,有效提高了较大尺度下的土壤Na⁺含量估算精度。本研究实现了遥感监测土壤Na⁺含量由点向面的空间转换,为Sentinel-2B影像监测盐渍化土壤Na⁺含量提供了科学参考。     

基于CNN与LSTM模型的蛋白质二级结构预测

蛋白质结构的预测在理解蛋白质结构组成和蛋白质的生物学功能有重要意义,而蛋白质二级结构预测是蛋白质结构预测的重要环节。当PSSM位置特异性进化矩阵被广泛应用于将蛋白质初级结构序列编码作为输入样本后,每个残基可以被表示成二维空间的数据平面,由此文中尝试利用卷积神经网络对其进行训练。文中还设计了另一种卷积神经网络,利用长短记忆网络感知了CNN最后卷积特征面的横向特征和纵向特征后连同卷积神经网络的全连接共同完成分类,最后用ensemble方法对两类卷积神经网络模型进行了整合,最终ensemble方法中包含两类卷积神经网络的六个模型,在CB513蛋白质数据集测得的Q3结果为77.2。     

基于深度学习的蝴蝶科级标本图像自动识别

【目的】本研究旨在探讨深度学习模型在蝴蝶科级标本图像自动识别中的可行性和泛化能力。【方法】为了提高识别模型的鲁棒性和泛化能力,将锤角亚目中6个科1 117种蝴蝶标本图像通过水平翻转、增加图像对比度与亮度以及添加噪声的方式增强图像数据集。在Caffe框架下,利用迁移学习方法,首先使用Image Net数据集中的图像训练Caffe Net模型,迭代31万次后得到初始化的网络权值;然后利用蝴蝶图像训练已预训练好的Caffe Net模型,通过参数微调,获得一个蝴蝶科级标本图像自动识别的卷积神经网络模型。为了比较深度学习和传统模式识别两种方法建立的模型的泛化能力,对相同训练样本提取全局特征和局部特征,训练支持向量机(support vector machine,SVM)分类器。所有的模型在与训练样本图像来源一致和不一致的两个测试样本集上进行测试。【结果】当测试样本与训练样本来源一致,均为蝴蝶标本图像时,基于Caffe Net的蝴蝶识别模型对6个科的蝴蝶识别准确率平均达到95.8%,基于Gabor的SVM分类器也获得了94.8%的识别率。当测试样本与训练样本来源不一致,为自然环境下拍摄的蝴蝶图像时,两种方法获得的识别率均下降,但Caffe Net模型对蝴蝶自然图像的平均识别率仍能达到65.6%,而基于Gabor的SVM分类器的识别率仅为38.9%。【结论】利用Caffe Net模型进行蝴蝶科级标本图像识别是可行的,相比较传统模式识别方法,基于深度学习的蝴蝶识别模型具有更好的泛化能力。     

采用广义加法模型整合数字高程模型和遥感数据进行植被分布预测

为了采用广义加法模型整合数字高程模型和遥感数据进行植被分布的预测, 并探索耦合环境变量和遥感数据作为预测变量是否能够有效地提高植被分布预测的精度, 选择海拔、坡度、至黄河最近距离、至海岸线最近距离, 以及从SPOT5遥感影像中提取的光谱变量作为预测变量, 采用广义加法模型整合环境变量和光谱变量, 建立植被分布预测模型。研究设置3种建模情景(以环境变量作为预测变量, 以光谱变量作为预测变量, 综合使用环境变量与光谱变量作为预测变量)对黄河三角洲的优势植被类型的分布进行了预测, 并对预测结果采用偏差分析、受试者工作特征曲线和野外采样点对比等3种方法进行了验证。结果表明: (1)基于广义加法模型的植被分布预测方法具有一定的实用性, 可以较为准确地预测植被的分布; 盖度较高的植被类型预测精度较高, 盖度较低的植被类型预测精度较低, 植物群落结构的特点是出现这些差异的主要原因; 综合使用环境变量和光谱变量作为预测变量的模型, 预测精度高于单独以环境变量或者光谱变量作为预测变量的模型。(2)环境变量、光谱变量大多被选入模型, 二者均对植被分布预测有重要的作用; 同一预测变量在不同植被类型的预测模型中的贡献不同, 这与植被的光谱、环境特征差异有关; 同一预测变量在不同的建模情景下对模型的贡献不同, 环境变量与光谱变量的耦合效应可能是导致预测变量对模型的贡献出现变化的原因。     

一种预测个体肿瘤的抗癌药物反应分类计算模型及其应用

目的 不同患者对同一抗癌药物的反应可能不同,了解患者之间对抗癌药物的反应差异对癌症精准医疗具有重大参考价值。方法 高通量测序数据为构建抗癌药物反应分类预测模型提供了强大的数据支撑。针对两大经典数据集癌症细胞百科全书(CCLE)和癌症药物敏感性基因组学数据集(GDSC),本文提出了基于最大相关最小冗余(mRMR)算法和支持向量机(SVM)的计算模型mRMR-SVM。利用基因表达数据,通过方差排序和mRMR算法提取特征基因,借助SVM实现抗癌药物对细胞系的“敏感-抑制”二分类预测。结果 对于CCLE中的22种药物,mRMR-SVM的平均准确率为0.904;对于GDSC中的11种药物,平均准确率为0.851。结论 mRMR-SVM不仅在预测性能方面优于传统的支持向量机、随机森林、深度反应森林、深度神经网络和细胞系-药物复杂网络模型,而且具有良好的泛化能力,对于三类特定组织的抗癌药物反应分类预测也取得了令人满意的结果。此外,mRMR-SVM可以识别与癌症发生发展密切相关的生物标志物。     

基于无人机高光谱影像和深度学习算法的长白山针阔混交林优势树种分类

快速、准确识别树种及其分布格局是森林资源经营管理和生物多样性保护的基础和前提。与传统实地调查的方法相比,近年来飞速发展的近地面遥感技术可以灵活、高效和便捷地获取高分辨率高光谱遥感影像,而如何从包含丰富信息的诸多特征中选择信息量大且冗余度低的特征进行树种自动识别,是当前研究亟待解决的问题。本研究以长白山25 hm~2温带针阔混交样地为主要研究平台,于2019年8月使用无人机搭载的光谱传感器获取面积为6 hm~2的高光谱影像,选择红松、春榆、蒙古栎、水曲柳、大青杨和紫椴6种林冠层树种作为实地标记树种,使用实时载波相位差分技术对所选目标树种进行精确定位,结合2019年样地复查结果对研究区的影像进行目视解译,分别使用卷积神经网络法、最大似然法和马氏距离3种分类方法进行冠层树种的自动分类研究。结果表明：(1)卷积神经网络的树种分类总体精度和Kappa系数(99.85%、0.998)优于最大似然法(89.11%、0.86)和马氏距离法(79.65%、0.75)。(2)在3种分类方法中,单个优势树种分类精度均在卷积神经网络中为最高精度,红松、春榆、蒙古栎、水曲柳、大青杨和紫椴的最高分类精度分别为10...     

乌梁素海湿地芦苇最大羧化速率的高光谱遥感

湿地植被生产力和固碳潜力的研究是全球碳循环和全球变化的热点研究问题。湿地植被的光合能力能够指示其生长的健康状态。最大羧化速率是重要的植被光合参数之一,对精确模拟湿地植被光合作用和气体交换模型中的固碳过程具有重要的作用。以内蒙古乌梁素海湖泊湿地为研究区,进行了芦苇叶片光合参数和光谱的测量。芦苇叶片最大羧化速率(V_(cmax))数值是基于Farquhar光合作用模型,从光合测量获取的A-C_i曲线计算并校正到25℃得到的。分别基于bootstrap PLSR模型、单波段和高光谱植被指数(包括简单比值指数SR和归一化差值指数ND),构建湿地芦苇叶片最大羧化速率(V_(cmax))估算模型。基于高光谱遥感图像HJ-1A HSI,采用ND高光谱指数中具有较高V_(cmax)估算精度的入选波段702和756 nm,获取研究区湿地芦苇最大羧化速率空间分布图。研究结果表明,湿地植被光谱特征和高光谱植被指数,可用于估算湿地芦苇V_(cmax),其中最高精度产生于基于bootstrap PLSR模型的建模方法(R~2=0.87,RMSECV=3.90,RPD=2.72),ND高光谱指数的V_(cmax)估算精度高于SR高光谱指数的估算精度;从获取的V_(cmax)空间分布图上提取估算值,其与测量值对比,存在较好的相关性(R~2=0.80,RMSE=4.74)。     

顾及无人机影像点云特征的绿地信息分类方法

采用无人机影像进行绿地信息分类时,常利用影像光谱、纹理、形状等分类特征,忽视了通过无人机影像生成点云构建的数字表面模型(Digital surface model, DSM)和数字高程模型(Digital elevation model, DEM)差异特征。基于此,提出一种顾及无人机影像点云特征的绿地信息分类方法。方法首先基于摄影测量理论对研究区无人机影像进行空三计算,并生成点云,在此基础上构建DSM、DEM和数字正射影像(Digital Orthophoto Map, DOM);然后,利用DSM和DEM模型构建地物高度差异模型(normalizedDigitalSurfaceModel,nDSM);最后,利用可见光波段差异植被指数(Visible-band difference vegetation index, VDVI)对DOM进行植被与非植被分类,并结合nDSM对植被进行分类。以昆明市呈贡区白龙潭公园为研究区进行绿地信息分类, Kappa系数精度达到0.862,实验表明本文的方法对城市绿地调查具有实际意义。     

无人机高光谱联合LiDAR估测林分与单木尺度叶绿素含量

叶绿素是表征植被健康状况的重要指标,它的准确估计对森林碳汇评价研究至关重要。本研究通过无人机高光谱数据联合激光雷达点云估计针叶林、阔叶林和针阔混交林林分与单木水平的叶绿素含量,提升叶绿素无损估测精度,全面分析不同尺度叶绿素含量空间分布规律。在无人机高光谱数据与激光雷达点云融合的基础上,结合地面样地实测数据,通过相关性分析筛选与叶绿素含量相关的36个光谱特征变量,采用统计模型多元逐步回归、BP神经网络、萤火虫算法优化的BP神经网络、随机森林和混合数据驱动的机理模型PROSPECT模型构建多个叶绿素估算模型,选取最优模型估算森林叶绿素含量,分析其在林分和单木尺度上水平方向与垂直方向的空间分布规律。结果表明：在统计模型中,随机森林(R²=0.59～0.64,RMSE=3.79～5.83μg·cm^-2)优于多元逐步回归、BP神经网络和萤火虫算法优化的BP神经网络构建的模型;机理模型验证精度最高(R²=0.97,RMSE=3.40μg·cm^-2)。不同林分类型叶绿素的含量存在较大差异,阔叶林叶绿素含量为25....     

基于环境星与MODIS时序数据的面向对象森林植被分类

林区地形复杂、植被分布无序,且森林植被光谱信息相近,因而森林二级类型边界的确定成为土地覆盖遥感分类的难点。选择吉林省东部山区为研究区,以环境星影像(HJ-1 CCD)和中等分辨率成像光谱仪(MODIS)时序数据为基础,采用面向对象的分类方法进行森林植被类型的提取。分类特征参数主要选取了HJ-1 CCD的光谱和纹理特征,以及MODIS时序数据的物候特征。研究区总体分类精度为91.5%,Kappa系数为0.88,森林二级类型的分类精度均较高,其中落叶阔叶林的制图精度达到了97.1%。所用的面向对象分类方法与未加入物候特征的面向对象分类方法相比,森林二级类型的分类精度得到大幅度提高。     

秦岭南坡子午河中下游流域土地利用/土地覆被信息提取及其应用

精确的土地利用/土地覆被数据不仅可以反映区域的生态环境状况,为环境部门提供决策支持,也为实现区域生态环境更高质量发展发挥重要作用。以子午河中下游流域为研究区,利用多源多时相的landsat8卫星遥感数据,结合地面调查数据、文献调研等,探讨并研究支持向量机分类法（SVM）和随机森林模型（RFM）对该区的植被类型和土地利用现状类型进行识别,对两种方法的分类精度进行对比,并分析和评价光谱特征变量对模型的重要性和适用性。利用满足要求的土地利用现状数据,再结合修正的通用土壤流失方程RUSLE模型进一步计算出研究区的土壤侵蚀模数,绘制研究区土壤侵蚀分布图,结合土地利用/植被覆盖信息计算研究区的生态环境状况指数,从宏观上对子午河中下游流域进行生态环境评价。结果表明：①随机森林模型可以有效利用样本的特征因子,并与地形约束因子结合,从而对植被和土地利用类型进行分类,分类总体精度均达到80%以上,kappa系数分别为0.73和0.86,与传统的SVM方法相比,RFM方法均提高了森林类型和土地利用类型的分类精度。②研究区总体生态环境状况指数为87.12,生态环境状况为优,其中水源区附近由于土壤侵蚀流失量相对较大,所以生态环境状况为良,占研究区总面积的15.69%。     

遥感反演植被含氮量研究进展

植被含氮量表征植被氮素状态。它作为植被生长状况的重要指标,在生态系统健康状况检测、生态系统生产估测、精准农业、生态系统干扰评估等方面均有重要意义。遥感监测植被含氮量主要基于高光谱和多光谱数据,采用的算法包括经验方法(波谱指数与回归分析)及物理方法(辐射传输模型法)。但受数据源和研究方法的局限,目前植被氮含量遥感监测局限于区域范围较小且内部植被类型与环境条件(气候、地形等)基本一致的情形,而对复杂生态系统的监测能力不足。未来的研究需针对氮沉降和人类活动的生态系统响应这一重大研究需求,发展和改进现有植被含氮量遥感反演方法。可考虑开展对不同环境条件下、不同类型植被光谱曲线进行标准化的研究,以形成普适的植被含氮量反演方法。并考虑综合运用多种数据(如微波遥感、无人机遥感),形成多尺度同步监测,以提高遥感对区域乃至全球范围内植被氮含量常规监测的能力。     

基于多端元光谱分解的干旱区植被覆盖度遥感反演

植被覆盖度是评价陆地生态系统状况与土地荒漠化程度的重要指标.利用环境一号(HJ-1)小卫星上搭载的新型高光谱传感器HSI获取的数据,通过纯净像元指数和端元平均均方根误差相结合的方法提取合适的端元光谱,然后基于多端元混合像元分解(MESMA)模型,反演了新疆石河子地区的植被覆盖度(FVC).通过与线性光谱分解(LSMA)模型反演结果以及地面样方数据进行比较,对HJ-1/HSI数据反演结果进行精度评价与光谱验证.结果表明:MESMA模型能对不同的像元选取不同端元组合,更接近实际情况,比LSMA模型能更好地提取植被覆盖度信息;与LSMA模型相比,MESMA模型反演的FVC值与地面实测数据的相关系数从0.766提高到0.838,均方根误差从0.375减少到0.196.     

多尺度遥感数据协同的干旱地区植被覆盖度提取

纯植被像元获取是植被覆盖信息遥感反演的必要环节。干旱地区植被分布零散稀疏,使用中、低分辨率遥感数据提取植被覆盖度时,难以获取纯植被像元,致使植被覆盖度提取精度较低。针对上述问题,本文提出一种基于多尺度遥感数据协同的干旱区植被覆盖度反演方法。该方法利用空间分辨率较高的Landsat-8 OLI数据确定纯植被像元,考虑到不同传感器之间的光谱差异,使用实测地物光谱数据进行光谱转换,代替中等分辨率MODIS数据的纯植被像元,应用于像元二分模型,选择典型的干旱区新疆阜康市为研究区,进行植被覆盖度反演实验,最后使用无人机航拍影像对反演结果进行精度验证。结果表明,植被覆盖度反演结果精度较高,与实测值间存在较高的相关性(R2=0.75),均方根误差较低(RMSE=0.10)。该方法能够有效提高干旱区植被覆盖度反演精度,可为利用中低分辨率数据研究干旱地区生态环境变化提供一种新思路。     

面向对象的优势树种类型信息提取技术

森林植被优势树种类型信息的提取是遥感影像分类中的难点.面向对象分类方法是用高空间分辨率遥感数据实现精确类型信息提取的新方法.本文以2013年Quickbird影像作为基础数据,选择福建省三明市将乐林场为研究区,采用面向对象多尺度分割方法提取耕地、灌草地、未成林造林地、马尾松、杉木和阔叶树等类型信息.分类特征融合植被的光谱、纹理和多种植被指数3类特征信息,建立类层次结构,对不同层次分别用隶属度函数和决策树分类规则,最终完成分类,并与只用纹理与光谱特征相结合的方法进行对比.结果表明:融合纹理、光谱、多种植被指数的面向对象的分类方法提取研究区优势树种类型信息的精度为91.3％,比只用纹理和光谱的方法精度提高了5.7％.     

基于高分辨率与高光谱遥感影像的北亚热带马尾松及次生落叶树种的分类

利用遥感数据开展森林资源树种的分类对森林资源的监测、森林可持续经营及生物多样性研究都有重要意义。该文以江苏南部丘陵地区的北亚热带天然次生林为研究对象, 利用LiCHy (LiDAR、CCD、Hyperspectral)集成传感器同期获取的高分辨率和高光谱数据, 进行冠幅识别和多个层次的树种分类: 首先, 对高分辨率影像进行基于边缘检测的多尺度分割, 提取出单木冠幅; 其次, 对高光谱影像进行特征变量提取, 并对提取出的特征变量利用信息熵原理选取优化特征变量; 然后, 分别利用全部特征变量和经优化的重要特征变量对森林树种及森林类型进行预分类; 最后, 在预分类结果中加入单木冠幅信息对森林树种及森林类型进行重分类, 并分析分类结果的精度。研究表明: 1)利用全部特征变量进行4个典型树种分类时, 总体精度为64.6%, Kappa系数为0.493; 而针对森林类型的分类精度为81.1%, Kappa系数为0.584。2)利用选取的优化特征变量分类精度略低于利用全部特征变量的分类精度, 其中对4个典型树种分类时, 总体精度为62.9%, Kappa系数为0.459; 而针对森林类型的分类精度为77.7%, Kappa系数为0.525。通过集成传感器同期获取的高分辨率和高光谱数据可以有效地进行北亚热带森林的树种分类及森林类型的划分。     

不同光谱类型对银川平原土壤含盐量反演精度的影响与校正

土壤盐渍化是导致土壤质量下降、耕地减产的重要因素之一。为准确快速评价银川平原土壤含盐量,本研究对野外高光谱数据和室内高光谱数据进行一阶微分(FDR)变换,逐步回归(SR)筛选特征波段,利用偏最小二乘回归(PLSR)与支持向量机(SVM)进行建模,明确适用于本地区土壤含盐量准确反演的光谱类型,并对较差光谱类型进行分段校正与全局校正,尝试提高土壤含盐量反演精度。结果表明: 基于野外光谱的土壤含盐量反演模型精度比室内光谱平均高58.9%;对室内光谱进行分段校正、全局校正后反演精度均有提高,其中,PLSR以分段校正精度更高,建模决定系数(R_c²)、验证决定系数(R_p²)和相对分析误差(RPD)分别为0.790、0.633和1.64,而SVM以全局校正精度更高,R_c²、R_p²和RPD分别为0.927、0.947和3.87;SVM模型的反演精度高于PLSR,其中,野外光谱建模效果最佳,室内全局校正光谱与室内分段校正光谱次之,室内光谱最差。因此,野外高光谱可实现对银川平原土壤表层含盐量的定量反演,经校正的室内光谱对土壤含盐量反演精度显著提升,均可为粮食安全与生态环境高质量发展提供保障。     

湿地土壤全氮和全磷含量高光谱模型研究

氮磷是湿地生态系统土壤中的重要营养元素,其对湿地植被生长、湿地生态系统生产力、区域富营养化变化、湿地环境生态净化功能等具有重要的影响作用。研究氮磷营养物质在湿地土壤中的分布变化特征,对湿地生态系统评估、恢复和管理具有重要的意义。以中国高纬度地区面积最大的滨海芦苇湿地——盘锦湿地为研究区,采用不同建模方法(再抽样多元逐步回归模型bootstrap SMLR和再抽样偏最小二乘回归模型bootstrap PLSR)和光谱变换技术(包络线去除CR、光谱一阶微分FD和光谱倒数的对数LR),分别建立了湿地土壤全氮和全磷含量的估算模型。基于湿地土壤实测光谱,模拟高光谱Hyperion数据和多光谱TM数据,在此基础上进行湿地土壤营养元素含量估算。对比所建反演模型的估算精度,探讨高光谱遥感技术对湿地土壤营养元素组分的估算能力和适用性。研究结果表明:bootstrap PLSR相比于bootstrap SMLR建模方法,其对研究区湿地土壤全氮和全磷含量的估算获得了较高精度;对盘锦湿地土壤全氮含量的估算,最高估算精度产生于CR光谱变换技术结合bootstrap PLSR建模;对湿地土壤全磷含量的估算,最高估算精度产生于原光谱数据结合bootstrap PLSR建模;模拟高光谱数据Hyperion对湿地土壤全氮和全磷含量的估算精度均高于模拟多光谱数据TM,模拟Hyperion的估算精度更接近于实测光谱的估算精度。     

基于支持向量机识别真核生物DNA中的翻译起始位点

翻译起始位点(TIS)的识别是真核生物基因预测的关键步骤之一,近年来一直得到研究人员的高度重视。基于TIS附近序列的统计特性,出现了一些辨识TIS的判别方法,但识别精度还有待进一步提高。针对传统支持向量机(SVM)方法中存在的不足,提出了基于数据优化法的SVM,它通过其它统计学模型优化训练数据集,进而提高分类器的辨识精度。实验结果表明基于数据优化法的SVM分类器在翻译起始位点的辨识上可获得比其他判别方法更好的效果。     

基于FastICA盲源分离法去除土壤干扰的小麦生物量高光谱估算

高光谱技术是一种快速无损监测植被生物量的有效方法,但土壤背景的干扰一直是生物量监测的主要限制因素之一。本研究试图利用盲源分离(blind source separation,BSS)法分离出净植被光谱,达到消除土壤背景影响,提高小麦生物量估算精度的目的。本研究对110组小麦冠层光谱数据进行快速独立分量分析(fast independent component analysis,Fast ICA)处理,提取净植被光谱,并对比了Fast ICA处理前后所建的偏最小二乘回归(partial least squares regression,PLSR)模型估算精度。结果表明:Fast ICA算法可有效分离土壤光谱和植被光谱;且基于净植被光谱建立的小麦生物量估算模型精度得到明显提升,建模集RPDc(ratio of performance to deviation of the calibration)和交叉验证集RPDcv(ratio of performance to deviation of the cross calibration)分别由原始光谱的1.83和1.64提高至2.77和2.09;可见,Fast ICA可以作为有效的光谱数据预处理方法,显著提高小麦生物量的估算精度,为利用遥感技术进行大尺度、精准监测生物量提供了方法支持和理论依据。