In-season crop classification using elements of the Kennaugh matrix derived from polarimetric RADARSAT-2 SAR data

Accurate spatio-temporal classification of crops is of prime importance for in-season crop monitoring. Synthetic Aperture Radar (SAR) data provides diverse physical information about crop morphology. In the present work, we propose a day-wise and a time-series approach for crop classification using full-polarimetric SAR data. In this context, the 4 × 4 real Kennaugh matrix representation of a full-polarimetric SAR data is utilized, which can provide valuable information about various morphological and dielectric attributes of a scatterer. The elements of the Kennaugh matrix are used as the parameters for the classification of crop types using the random forest and the extreme gradient boosting classifiers.The time-series approach uses data patterns throughout the whole growth period, while the day-wise approach analyzes the PolSAR data from each acquisition into a single data stack for training and validation. The main advantage of this approach is the possibility of generating an intermediate crop map, whenever a SAR acquisition is available for any particular day. Besides, the day-wise approach has the least climatic influence as compared to the time series approach. However, as time-series data retains the crop growth signature in the entire growth cycle, the classification accuracy is usually higher than the day-wise data.Within the Joint Experiment for Crop Assessment and Monitoring (JECAM) initiative, in situ measurements collected over the Canadian and Indian test sites and C-band full-polarimetric RADARSAT-2 data are used for the training and validation of the classifiers. Besides, the sensitivity of the Kennaugh matrix elements to crop morphology is apparent in this study. The overall classification accuracies of 87.75% and 80.41% are achieved for the time-series data over the Indian and Canadian test sites, respectively. However, for the day-wise data, a ∼6% decrease in the overall accuracy is observed for both the classifiers.     

基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料,利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值,与原始 WRF 预报相比,利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上,利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

吉林延边开山屯地区地层时代的新证据

吉林延边开山屯地区古生代地层,在构造地层学研究的基础上,取得一些地层时代的新资料在混杂岩中新发现中二叠世北方型动物群化石;对混杂岩中的花岗岩砾石,测得SHRIMP锆石U-Pb年龄(286.8±5.6Ma),代表岛弧岩浆岩结晶时间;在变蛇绿岩和糜棱岩中采取白云母样品,测得40Ar-39Ar年龄,分别为408Ma和205.7Ma。由此,可以得出开山屯地区地层时代和混杂岩形成与演化的时间表泥盆纪洋壳形成;在中石炭世—中二叠世由南向北的运移过程中,洋壳之上发生硅质和碳酸盐沉积,形成海山;洋壳与由北向南移动的兴凯地块相对运动,二叠纪时向大陆俯冲,在兴凯地块西缘(现代方位)发育岛弧活动,并在中、晚二叠世形成滑塌堆积。可能与晚三叠世的洋壳俯冲作用有关,在兴凯地块前陆边缘发生逆冲作用,形成构造岩片。     

Changes in air pollutants during the COVID-19 lockdown in Beijing:Insights from a machine-learning technique and implications for future control policy

基于2015-2020年北京35个环境空气站和20个气象站观测资料,应用机器学习方法(随机森林算法)分离了气象条件和源排放对大气污染物浓度的影响.结果发现,为应对疫情采取的隔离措施使北京2020年春节期间大气污染物浓度降低了35.1％-51.8％;其中,背景站氮氧化物和一氧化碳浓度的降幅最大,超过了以往报道较多的交通站...     

中国碳强度关键影响因子的机器学习识别及其演进

碳强度影响因子数量众多,通过在众多因子中评估其重要性以识别出关键影响因子进而解析碳强度关键因子的变化规律,是中国2030年碳强度能否实现比2005年下降60%~65%目标的科学基础。传统的回归分析方法对于评估众多因子的重要性存在多重共线性等问题,而机器学习处理海量数据则具有较好的稳健性等优点。本文从能源结构、产业结构、技术进步和居民消费等方面选取了56个中国碳强度影响因子指标,采用随机森林算法基于信息熵评估了1980-2014年逐年各项因子的重要性,通过指标数量与信息熵的对应关系统一筛选出每年重要性最大的前22个指标作为相应年度关键影响因子,最终依据关键影响因子的变化趋势划分了3个阶段作了演进分析。结果发现：1980-1991年,碳强度的关键因子主要以高耗能产业规模及占比、化石能源占比和技术进步为主;1992-2007年,中国经济进入快车道增长时期,服务业占比和化石能源价格对碳强度的影响作用开始显现,居民传统消费的影响作用在增大;2008年全球金融危机后,中国进入经济结构深化调整时期,节能减排力度大大增强,新能源占比和居民新兴消费的影响作用迅速显现。为实现2030年碳强度下降60%~65%目标,优化能源结构和产业结构,促进技术进步,提倡绿色消费,强化政策调控是未来需要采取的主要措施。     

石羊河下游人工梭梭林土壤呼吸变化特征及其与水热因子的关系

土壤呼吸不仅是反映土壤生物活性的重要指标,也是全球碳循环研究中备受关注的热点问题。在地处典型干旱区的石羊河下游,以流动沙丘和去除土壤结皮人工梭梭林为对照,采用LI-8100土壤碳通量监测系统研究了栽植约40 a、30 a、10 a和5 a的人工梭梭林生长季和非生长季的土壤呼吸日变化,并分析了土壤水分和温度对土壤呼吸的影响。结果表明：（1）不同林龄梭梭林生长季和非生长季土壤呼吸速率的日变化均为明显的单峰曲线,且呈现出一定的波动性,日最大排放速率出现在12:00～14:00时,最小值出现在8:00时左右。（2）梭梭林营造和去结皮处理显著提高了沙漠土壤呼吸速率,而且不同林龄土壤呼吸速率大体上随着种植年限的增加而递增,表现为MC >40 a>30 a>10 a>MS >5 a,非生长季表现为MC >40 a>10 a>5 a>30 a>MS。（3）不同林龄梭梭林土壤呼吸速率均具有明显的季节变化特征,生长季（8 月）的土壤呼吸作用明显强于非生长季（1月）。（4）相关性分析表明,生长季和非生长季土壤呼吸均与0～5 cm土壤水分显著相关,且均呈二次曲线关系,分别为Y =-0.205 8X ²+0.946 5X-0.316 6（R ² =0.506 ²,P= 0.041 7）和Y= 0.118 7 X ²+0.156 3X+0.118 8（R ²=0.675 7,P =0.001 1）;但与10 cm土壤温度的相关性不显著,土壤水分是影响人工梭梭林土壤呼吸的关键因素。该研究进一步证明了人工梭梭林的营造有效改善了沙漠土壤的生物活性,提高了土壤碳通量水平,以土壤结皮破坏为基本特征的人工梭梭林退化和沙漠化必然在短期内加剧碳排放。因此,需要在沙漠地区合理营造人工林,并在造林和林业管理过程中注意保护土壤结皮,以减少CO²排放。     

天山雪岭云杉个体生物量分配及其变化规律的研究

为了探讨天山雪岭云杉林生物量在个体组织中的分配情况及其变化规律,在研究区进行了大量的野外测量,利用已有的雪岭云杉林估算方程,分析了天山雪岭云杉林生物量在各器官（干、枝、叶、皮、根）中的分配及其变化规律。结果表明：（1） 研究区雪岭云杉林的平均生物量为388.74 t·hm^-2,树木各器官中,干、枝、根、叶和皮分别占生物量的43.65%、28.60%、13.49%、11.08%和3.18%。（2）各径级生物量所占百分比为：33.53%（40~50 cm）、20.13%（20~30 cm）、19.59%（30~40 cm）、18.19%（50~60 cm）和2.05%（10~20 cm）;树木生物量在不同树高中的分配表现为：48.78%（20~30 m）＞35.27%（10~20 m）＞14.70%（30~40 m）＞1.25%（0~10 m）;地上和地下生物量的分配比例为：87.54%和12.46%,分别为340.30 t·hm^-2和48.44 t·hm^-2。（3） 随海拔升高,天山雪岭云杉林生物量呈“单峰”变化,在海拔2 100~2 400 m处达到最大值611.58 t·hm^-2;干、皮生物量所占比例随海拔升高而减小,枝生物量逐渐增加,叶、根生物量呈先减小后增加的趋势;径级20~30 cm、30~40 cm和50~60 cm的生物量随海拔升高均呈“单峰型”变化趋势,都在海拔2 100~2 400 m处达到最大;雪岭云杉林不同树高生物量随海拔的升高呈现的趋势不同。天山雪岭云杉林生物量和年均降水量随经纬度的升高均呈降低变化,研究区林分生物量自西向东总体呈现逐渐降低的趋势;林分密度、海拔和降水共同决定了森林生物量的大小及其变化规律,海拔2 100~2 400 m是本研究区雪岭云杉林生长的最适宜场所。结果可为雪岭云杉林生态系统的恢复和重建提供基础资料,对研究区进行综合管理与生态健康分析具有重要意义。     

基于两种无人机航拍影像的林窗和林冠提取分析

森林冠层和林窗的结构及其时空变化是理解森林生态系统格局、动态变化过程的重要基础。在当前生物多样性监测倍受关注的契机下,如何以合适的手段准确描述林窗面积、分布等特征,并与森林固定样地监测数据有效地结合,更好地回答群落构建的理论问题,使森林群落物种多样性维持机制得到更全面的认识,是目前亟待解决的问题。以鼎湖山南亚热带常绿阔叶林20hm2固定监测样地为研究对象,基于不同遥感影像提取方法对其林窗和林冠表层数据进行提取分析。结果表明:基于监督分类的提取方法适合RGB波段航片林窗的提取,在林窗分类中,应首先确定林窗高度、边界木与最小面积,不同分类方法差异主要表现在林冠分类中,林窗分类生产者精度和用户精度表现都较为一致。无人机航拍识别率受地形因素影响较大,在地形复杂林地应按坡度分区域进行飞行以降低误差。相对于地面调查,MD4-1000无人机航片的林窗识别率为98.7%;大疆Phantom4无人机航片的林窗识别率为72.3%,影像后期处理数据量小,同样适用于森林林窗定量研究,符合生态学、林业等从业人员对大型样地林窗长期监测的要求。无人机航拍南亚热带森林物种识别难度较大,基于MD4-1000无人机搭载的高分辨率相机,在地势平缓区域优选的4 hm2样地中可识别林冠表层物种数17种,共2 706个个体。搭载高分辨率无人机在降低飞行高度的基础上可进行部分物种识别。应用无人机近地面遥感对森林固定样地进行林冠监测,可为后期群落构建研究提供数据基础,有望从新的研究角度探讨森林群落物种多样性维持机制。     

机载多光谱LiDAR的随机森林地物分类

机载多光谱LiDAR技术利用激光进行探测和测距,不仅可以快速获取地面物体的三维坐标,还可以获得多个波段的地物光谱信息,可广泛用于地形测绘、土地覆盖分类、环境建模、森林资源调查等。本文提出了多光谱LiDAR的随机森林地物分类方法。该方法通过对LiDAR强度数据和高程数据提取分类特征,完成多光谱LiDAR的随机森林地物分类;并分析随机森林的特征贡献度特性,采用后向特征选择方法实现分类特征选择。通过对加拿大Optech Titan多光谱LiDAR数据的试验表明：随机森林方法可以获得较好的地物分类精度,而且可以适当地去除部分冗余和相关的特征,从而有效提高分类精度。