Mapping multiple tree species classes using a hierarchical procedure with optimized node variables and thresholds based on high spatial resolution satellite data

ABSTRACT

Tree species distribution mapping using remotely sensed data has long been an important research area. However, previous studies have rarely established a comprehensive and efficient classification procedure to obtain an accurate result. This study proposes a hierarchical classification procedure with optimized node variables and thresholds to classify tree species based on high spatial resolution satellite imagery. A classification tree structure consisting of parent and leaf nodes was designed based on user experience and visual interpretation. Spectral, textural, and topographic variables were extracted based on pre-segmented images. The random forest algorithm was used to select variables by ranking the impact of all variables. An iterating approach was used to optimize variables and thresholds in each loop by comprehensively considering the test accuracy and selected variables. The threshold range for each selected variable was determined by a statistical method considering the mean and standard deviation for two subnode types at each parent node. Classification of tree species was implemented using the optimized variables and thresholds. The results show that (1) the proposed procedure can accurately map the tree species distribution, with an overall accuracy of over 86% for both training and test stages; (2) critical variables for each class can be identified using this proposed procedure, and optimal variables of most tree plantation nodes are spectra related; (3) the overall forest classification accuracy using the proposed method is more accurate than that using the random forest (RF) and classification and regression tree (CART). The proposed approach provides results with 3.21% and 7.56% higher overall land cover classification accuracy and 4.68% and 10.28% higher overall forest classification accuracy than RF and CART, respectively.     

晋冀蒙交界地区地震危险性评估及地震活动性分析

本文利用晋冀蒙交界地区1500年以来记录较完整的M_S5.0及以上历史地震烈度资料和2000年以来的地震活动资料，分别进行地震灾害危险性和地震活动性分析。首先，利用ArcGIS将历史地震烈度资料数字化，没有等震线记录的地震用烈度衰减关系计算烈度圈半径。将研究区划分成0.1°×0.1°的网格，将烈度资料分配到与之相交的每个网格，并用烈度-频度关系计算每个网格的烈度a、b值。基于地震发生遵从泊松分布的假定，估算未来50年内晋冀蒙交界区遭受某一地震烈度的超越概率。同时，计算50年超越概率10%对应的地震烈度，计算结果表明张家口蔚县、阳原和山西广灵县周边地区的地震危险性较高。最后，采用中小地震能量密度值计算方法，对2000年以来的现今地震活动进行定量分析，与历史地震烈度资料分析结果进行对比，发现中小地震活动圈定的危险区与历史地震烈度资料评估计算的概率高值区相对应，因此，这两种方法可为晋冀蒙交界地区的地震活动性和危险性评价提供参考。     

2010-2018年天山北坡短时强降水环境参数特征及阈值初探

利用常规观测、自动站逐时雨量及EC细网格等资料，分析2010-2018年6-8月天山北坡71次短时强降水过程时空分布特点、温度对数压力图（T-lnP）形态及其关键物理参数等，并对其分类，通过集合箱线图分析各型物理参数特征，归纳总结预警阈值。结果表明：天山北坡短时强降水主要受低槽（涡）及其分裂短波影响，多发生在沿山、山地迎风坡、戈壁湖泊绿洲交界等地附近，6月出现最多，7月和8月相当，午后至夜间发生概率较大。T-lnP温湿廓线形态主要可分为整层湿（I型）、上干下湿（II型）、上湿下干（III型）和干绝热（IV型）等4型，其中IV型33次为最多，占总次数46.5%，其次是III型28次，占总次数38%，第三是I型8次，最少II型仅3次。在分析关键物理参数集合箱线图各区间值基础上，以25%百分位作为建议预警最低阈值，总结提炼关键物理参数阈值为T850 -500≥23℃，地面至700hPa露点温度平均值≥1.5℃，CAPE≥110 J?Kg-1，CIN≥30 J?Kg-1； 0～6km垂直风切变≥6.5 m?s-1，暖云层厚度≥1.1 km，K指数≥24.3℃，SI指数≥-1.3℃，抬升指数（LI）≥-3.9℃及A指数≥-9.8等，并给出各型组合物理参数。     

定点地形变仪的标定问题

地形变仪器常用的标定方法可分两类:一类是间接标定法,它通过测定仪器的某几个参数而计算出仪器的格值,由于换算环节多,容易引进系统误差;另一类是直接标定法,它通过给出的一个已知物理量与仪器的输出信号对比来标定仪器的格值,此种方法精确度高,重复性强。大多数地形变仪可以用直接法标定,本文还介绍了用直接法对水平摆倾斜仪和浮子水管倾斜仪的标定。     

地震综合预报的权重集成法

本文提出一种地震综合预报方法,即权重集成法。该方法首先根据各单项前兆或方法历史预报的错报率,计算其权重值,据此建立权重集成预报方程。其后据此方程采用历史回代法求其权重集成值P,最后根据历史上对应有震的权重集成的最小值和对应无震的最大值,求出权重集成值的临界阀值P_0。当P≥P_0时则作有震预报,否则作无震预报。该方法简便、综合性强。     

四川地震C值扫描：算法,格式,数据结论

为检验地震C值异常是否可以作为大中地震的前兆指标,就需要在两者之间进行大规模的比较性研究。因此,至少应在现代地震台网的时空控制范围内,对C值进行扫描。本文的算法体系是以极大似然法加统一格式加时间窗滑动构成的。这种选择,既有在技术上对前人工作的继承与发展,也反映了笔者面向唯象性实用的价值观念。至于效果如何,仅以四川全省C值扫描为例。     

华北地区地震造成人员死亡的概率预测研究初探

在1800年至1989年间,华北地区(34.0°—42.0°N;117.5°—125.0°E)由于地震造成人员死亡程度(E)(E—logD,D为死亡人数)及其频度(N)满足指数关系N=37.71e~(-0.72E)。应用Gumbel极值理论估计该区在1988—1998年和1999—2009年间,地震造成人员死亡人数等于和大于1000人的概率分别是0.37和0.50。     

二维地层结构和速度的走时反演

介绍了在倾斜均匀各向同性层状介质情况下,根据地震反射走时反演二维地层结构和地层速度的地震射线层析成像方法——走时反演。正演模型射线追踪是根据Fermat原理实现的,即求解满足该原理的非线性方程组得到射线与界面的交点,进而计算相应的走时。反演是先假设一初始模型,用最优化方法使射线追踪走时与观察走时的残差极小。最后计算了分辨矩阵和信息密度矩阵,以评价反演结果。对有噪情形也进行了反演。     

THE GEOMETRY OF MULTIVARIATE OBJECT PREPROCESSING

The geometric properties of three common object-preprocessing transformations(constant sum,orclosure;constant length,or normalization;and maximum value,or ratioing)are investigated.Anargument is made for using absolute values in the constant sum and maximum value transformations.In general,each transformation distorts the shape and dimensionality of patterns in the data:transformed data lie on(C-l)-dimensional surfaces in the original C-dimensional space.A data set thathas been closed by one of these transformations can be reopened if a vector containing the constant sums,constant lengths or maximum values of the original objects was retained.Transformed data sets may befreely interconverted among these three transformations without the loss of information.