中国短毛藻属Elachista的分类学Ⅱ——包括1个新种

【目的】研究采自我国沿海岸的褐藻门短毛藻科Elachistaceae短毛藻属Elachista的分类。【方法】对采自我国沿海岸的短毛藻进行形态学鉴定,描述新种的形态特征以及其他分类学信息,并与相似种进行比较。【结果】鉴定出长海短毛藻E. changhaiensis Luan et Ding、短毛藻E. fucidola (Velley) Areschoug、暗色短毛藻E. fusca Luan et Ding和细枝短毛藻E. tenuissima Luan et Ding sp. nov.等4个种,含新种1个。细枝短毛藻藻体暗褐色,半球形,直径4～5 mm;基部由薄壁细胞组成基垫;同化丝可分成长同化丝和短同化丝,长同化丝较短,长1～2 mm,由63～128个细胞组成,直径6.0～9.5μm;短同化丝较长70～225μm,直径3.5～6.0μm。单室囊囊状,多室囊线状。模式标本存在中国科学院海洋研究所海洋生物标本馆(AST)。     

消栓饮对创伤性深静脉血栓大兔Th1（CD4+TNF-α+）/Th2（CD4+IL-4+）亚群漂移的影响

目的：探讨Th1（CD4^{+TNF-α+）/Th2（CD4+IL-4+）亚群漂移在大兔创伤性深静脉血栓（DVT）形成中的作用及消栓饮的治疗机制。方法：将45只新西兰健康大兔分为空白组、假手术组、0.9%氯化钠注射液组、低分子肝素钠组、消栓饮组,每组各9只,采用直接钳夹静脉+双后肢石膏固定的方法制备创伤性DVT模型后进行给药,于第1、3、7天完成给药4h后,采用流式细胞术检测各组大兔Th1（CD4+TNF-α+）、Th2（CD4+IL-4+）的含量变化及Th1（CD4+TNF-α+）/Th2（CD4+IL-4+）值。结果：给药第1、3、7天0.9%氯化钠注射液组、低分子肝素钠组、消栓饮组的Th1（CD4+TNF-α+）比例、Th2（CD4+IL-4+）比例及Th1（CD4+TNF-α+）/Th2（CD4+IL-4+）值与同时间节点空白组、假手术组比较,差异均有统计学意义（P<0.05）;给药第3、7天低分子肝素钠组、消栓饮组的Th1（CD4+TNF-α+）比例、Th2（CD4+IL-4+）比例及Th1（CD4+TNF-α+）/Th2（CD4+IL-4+）值与0.9%氯化钠注射液组比较,差异均有统计学意义（P<0.05。结论：DVT形成过程中存在Th1（CD4+TNF-α+）/Th2（CD4+IL-4+）亚群动态平衡被打破;中药消栓饮可以通过干预Th1（CD4+TNF-α+）、Th2（CD4+IL-4+）含量变化,维持两者的平衡来达到治疗目的。}     

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。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题,集成Lanczos算法与谱聚类算法,探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性,提出了一种面向高光谱遥感图像的快速谱聚类算法;通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果,发现面向高光谱遥感图像的谱聚类算法易于识别线性地物,且分类的速度能得到较大提升。     

利用Sentinel-2A多光谱成像仪与Landsat8陆地成像仪影像进行普陀山岛植被分类效果比较

卫星遥感技术可用于海岛资源调查。Sentinel-2A与Landsat 8两颗卫星都可免费提供空间分辨率较高的多光谱遥感影像,在海岛调查中的应用潜力较大。本文以浙江舟山普陀山岛为例开展了针对这两种影像在海岛植被分类中的应用效果的研究,分别利用Sentinel-2A多光谱成像仪（MSI）和Landsat 8陆地成像仪（OLI）影像基于最大似然法分类获得了该岛阔叶林、针阔混交林、针叶林、灌丛、草丛等植被及其他地物的分布情况,并进行了精度检验,结果表明MSI的总体分类精度略高于OLI。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。     

机载LiDAR点云获取与高精度DEM建设关键技术探讨

结合广东省机载LiDAR点云获取与高精度DEM建设项目,介绍了项目总体技术路线,针对项目难点,从设备选择、点云密度设计、植被覆盖密集山区数据获取方法、点云数据分类组合算法、空白区处理等5个方面的关键技术进行了探讨,并提出解决方案,为同类项目的设计与实施提供参考。     

多尺度邻域特征下的机载LiDAR点云电力线分类

利用机载激光雷达技术三维测量精度高且获取快速的优点进行电力线自动分类提取已成为点云数据处理与电力应用的重要领域。针对电力线分类模型的自动化和高精度需求,本文提出了基于三维多尺度邻域特征的机载LiDAR点云电力线分类提取模型框架,主要包括4个步骤：电力线候选点滤波、多尺度邻域类型选取、形状结构特征提取和支持向量机分类。通过对2个复杂城市区域的试验数据集和8种不同邻域类型的详细结果对比分析,发现基于多尺度圆球邻域形状结构特征的分类模型结果准确率、召回率和质量分别达到97%、94%和93%,同时整体处理时间在2个试验数据中分别从366、256 s减少到274、160 s。试验结果表明,该方法在多种复杂城市场景中能够实现机载LiDAR数据的电力线较高精度分类提取。     

结合主动学习和词袋模型的高分二号遥感影像自动化分类

高分卫星遥感影像空间分辨率的提高,使得地物的光谱和纹理变得更加丰富和复杂,这给遥感影像的自动化分类带来严重挑战。因此,本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先,对研究区域进行多尺度分割,建立影像分割对象集;然后,采用词袋模型构建影像对象的语义特征向量;最后,充分考虑位于分类边界的不确定性样本分布,迭代选择最优样本用于训练支持向量机,用于分类遥感影像。为了验证本文方法的有效性和稳健性,以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明,本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类,正确率达到90.6%以上。     

高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。