中国天竺鲷属鱼类的矢耳石形态特征

利用采自我国近海的105尾标本,分析了细条天竺鲷、宽条天竺鲷、黑鳃天竺鲷、黑边天竺鲷、垂带天竺鲷、四线天竺鲷、半线天竺鲷、斑鳍天竺鲷等8种天竺鲷属鱼类的矢耳石形态特征。8种鱼类矢耳石前部均较尖,后部略圆钝,背部呈折线状,腹部呈圆弧形,背部中央有缺刻,听沟宽阔;8种鱼耳石长宽比的比值为1.35~1.63,矩形趋近率为0.67~0.77,充实度为14.77~24.99。以上述三种形态学参数为基础进行聚类分析,可将8种鱼类分为3组:细条天竺鲷、宽条天竺鲷、黑边天竺鲷、黑鳃天竺鲷为一组;垂带天竺鲷、四线天竺鲷、半线天竺鲷为一组;斑鳍天竺鲷为一组。耳石听沟边缘走向、宽度以及耳石外部边缘光滑度等轮廓特征在8种天竺鲷属鱼类间呈显著的种间差异。以这些形态特征为基础,编制了8种天竺鲷属鱼类的检索表,检索表表现的种间分类关系特征与聚类分析结果基本一致。     

鲽形目分类信息分析系统的建立与实现

鲽形目鱼类经济价值较高,进化史悠久复杂,形态构造呈特殊的不对称性,分类系统备受关注但至今尚未统一。本文通过创建专项数据库、标准化数据索引和流程化分类学功能模块,将鲽形目分类阶元系统、分类检索表、序列比对搜索、DNA条码检索、分子系统树和分类参考资料等分类学信息研究的各要素有机地融为一体,实现了对传统分类特征与分子序列特征的信息集成、关联、分析和应用,阐明了将数据搜索、挖掘、分析和通用查询等综合应用于分类检索系统的方法,建立了一种特定阶元的分类系统软件开发模式,开发了鲽形目分类信息分析系统。     

我国海岸潟湖卫星遥感分类方法研究

参照Landsat-5TM和HJ-1CCD遥感影像,依据实地踏勘资料及解译经验,分析各种海岸潟湖地貌学成因和发育演变阶段,提出基于潟湖地貌学成因的遥感分类方法。并将我国海岸潟湖划分为滨外坝型、沙坝型、沙嘴型、湾顶坝型、连岛坝型和河口型共6种地貌类型。建立基于发育演变阶段的潟湖遥感分类标准,将海岸潟湖分为青壮年期、老年期和死亡期共3个发育演变过程;结合潟湖在影像中的特征,以近红外、红、绿波段组合后的假彩色影像为例,从色彩、纹理、地物邻接关系等方面建立不同潟湖类型的遥感解译标志;根据所建立的遥感解译标志,对山东省53个海岸潟湖进行遥感分类验证,结果吻合。     

一种基于分割图斑的海岸带遥感图像分类方法

传统的基于象元的分类方法在处理海岸带这类动态多变、混杂度大的地物时常出现“椒盐现象”,难以矢量化形成专题图。提出了一种新的遥感图像分类方法——基于分割图斑的分类法,即选择一个合适的尺度,利用光谱信息按照一定的策略将图像分割为一系列的图斑,并确保图斑内大多数象元的光谱特征相近,分别对图斑内诸象元进行统计,求出各个波段的均值,用该均值替换图斑内所有象元的原始亮度值,这样分类时可以确保同一图斑内的所有象元被分到同一个类别中,从而有效地避免了“椒盐现象”,使分类结果便于矢量化成图,也便于对特定地物的提取。实验结果表明,该方法还能在一定程度上提高分类精度。     

浙江6个列岛大型底栖藻类分类多样性

本文基于对七星列岛大型底栖藻类的实地调查,结合浙南3个列岛(七星列岛、南麂列岛和洞头列岛)和浙北3个列岛(渔山列岛、中街山列岛和马鞍列岛)大型底栖藻类物种组成的有关文献,构建大型底栖藻类基础数据库。采用平均分类差异指数△~+、分类差异变异指数∧~+、G-F多样性测度指数和相似性系数开展分类多样性研究。结果显示:6个列岛藻类在目级和科级的相似性很高,其值均在0.800以上;洞头列岛的△~+值最高(77.42),中街山列岛最低(72.65),这表明洞头列岛大型底栖藻类类群间的亲缘关系较远,中街山列岛藻类类群间的亲缘关系较近;七星列岛的∧~+值最高,达942.00,南麂列岛最低,仅865.12,这表明南麂列岛大型底栖藻类在不同分类阶元分布最均匀,七星列岛的藻类分布较集中;南麂列岛无论是F指数、G指数还是G-F指数的值均比其他5个列岛高,依次为18.62,4.40和0.76,这说明南麂列岛藻类的生态位分化程度较高。本研究构建了6个列岛大型底栖藻类资源与分类多样性基础数据库,为有效保护和管理大型底栖藻类提供了理论依据。     

盐田水体遥感分类方法研究

以连云港台北盐场为研究区，介绍了监督分类法和神经网络分类法及其在盐田水体遥感分类中的具体应用。研究结果表明，用神经网络分类法进行遥感影像自动分类，其分类精度高，显示了其在遥感领域较为广阔的应用前景。     

基于COⅠ基因序列的长腹剑水蚤系统进化关系

长腹剑水蚤属（Oithona）是广泛分布于海洋近岸和外海海域的中小型桡足类中最为丰富的类群之一,由于个体小且形态差异微小,通过传统的形态学分类法对其进行准确鉴定难度较大。本文对南海分布的长腹剑水蚤属内的5个种,即瘦长腹剑水蚤（O.tenuis）、羽长腹剑水蚤（O.plumifera）、刺长腹剑水蚤（O.setigera）、伪长腹剑水蚤（O.fallax）和长刺长腹剑水蚤（O.longispina）线粒体COⅠ基因序列以及DNA数据库中长腹剑水蚤属其他地区种类COⅠ基因序列进行比较分析,使用ABGD （Automatic Barcode Gap Discovery）和GMYC （Generalized Mixed Yule Coalescent）模型进行物种界定,分析种间种内遗传距离,并构建系统进化关系。结果显示ABGD和GMYC模型均可以很好地对长腹剑水蚤进行种类划分;种内遗传距离为0.0%~1.6%,种间遗传距离为17.7%~44.5%（Kimura 2-parameter双参数模型）,表明种间出现较高的分化;贝叶斯系统树和最大似然树进化树结果均表明,简长腹剑水蚤（O.simplex）与其他种类相距较远,羽长腹剑水蚤和拟长腹剑水蚤（O.similis）中存在隐种的分化,分别是我国南海海域和地中海的羽长腹剑水蚤以及朝鲜海峡和北海的拟长腹剑水蚤,种间遗传距离分别为18.6%、22.9%。     

保持局域特征的多源海冰图像融合与分类

本文提出一种保持局域特征的多源海冰图像融合方法,并在此基础上进行海冰分类。本文提出的多源海冰图像融合方法包括保持空间局域融合和保持特征局域融合两方面。首先,通过学习得到投影矩阵和相似矩阵。投影矩阵将多源像素进行投影变换,得到保留像素空间局域特性的融合向量。相似矩阵度量像素特征间的相似性,通过拉普拉斯特征分解,得到保留像素特征局域相似性的融合向量。然后,将空间融合向量和特征融合向量进行像素综合,得到融合图像。在此基础上,本文设计一种滑动集成分类方法进行融合图像像素分类。提出的分类方法利用滑动集成的特点,在分类时增强刻画了海冰局域特性。由于本文的保持局域融合框架不仅刻画了海冰在物理空间中的邻接关系,而且考虑不同海冰类型的特征关系,因此其在多源图像（多光谱和合成孔径雷达（SAR）图像）的海冰分类任务中表现优异。实验结果表明本文提出的基于保持局域特征融合的多源海冰图像分类方法有效提升了海冰分类精度。