普陀山植被对旅游干扰的响应研究

应用有序样方聚类法,把普陀山旅游区32个样方分为5个群落类型,分别是马尾松-青冈+檵木群丛、马尾松-青冈+檵木+红楠+窄基红褐柃群丛、马尾松+枫香+檵木-青冈+檵木群丛、马尾松+青冈-青冈+檵木群丛、马尾松+青冈-青冈+檵木+石栎群丛,并运用TW INSPAN对上述样方进行聚类分析。两种分类方法的结果具有极显著的关联,说明有序样方聚类法很好地揭示了旅游干扰和群落类型之间的关系,它更适合于旅游干扰分析中的聚类研究,在旅游干扰的研究中是一个有益且有效的尝试。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

基于AdaBoost组合学习方法的岩爆分类预测研究

针对岩爆等级划分问题,考虑了岩爆灾害发生的多种主要影响因素,采用新的数据挖掘方法AdaBoost（即Adaptive Boosting）的组合学习方法,结合流行的人工神经网络BP算法,构建了集成神经网络AdaBoost-ANN（简称AB-ANN）的岩爆等级多分类预测模型。该模型克服了单一弱分类器的不稳定性,提高了分类器精度,实验结果表明,预测的结果与实际值比较吻合,证明了该方法的可行性。     

多尺度数字地貌等级分类方法

参考已出版的全国各级各类比例尺的地貌类型图的分类方案及图例表达,探讨了中国1：100 万数字地貌的等级分类方法,采用基于形态、成因、物质和年龄等地貌要素,综合反映地貌特征的等级分类指标和分类体系,初步构建了中国多个国家基本比例尺（即1：400 万、1：100 万、1：50 万、1：25 万、1：5 万）数字地貌等级分类方法,发展了由连续分布的多边形图斑反映形态成因类型,以及由离散的点、线和面图斑共同反映形态结构类型的数字地貌类型数据组织方式,构建了多尺度数字地貌类型的编码方法。该研究可为发展多尺度地貌类型图的编制提供方法基础,也可为当前正在进行的地理国情监测工程的大比例尺地貌类型信息普查提供分类规范和技术支持。