中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室
- 作品数：20 被引量：73H指数：5
- 相关机构：湖南农业大学生物科学技术学院湖南城市学院材料与化学工程学院中国地质大学信息工程学院更多>>
- 发文基金：国家自然科学基金湖南省科技计划项目国家科技支撑计划更多>>
- 相关领域：农业科学生物学自动化与计算机技术经济管理更多>>
- 人工饲养白颈长尾雉(Syrmaticus ellioti)夏、秋季行为节律研究
- 2019年
- 白颈长尾雉Syrmaticusellioti是鸡形目Galliformes雉科Phasianidae长尾雉属Syrmaticus珍稀鸟类。为了解笼养白颈长尾雉夏秋季行为节律的特点和变化规律, 2016年6月和10月采用瞬时扫描法对湖南省野生动物救护繁育中心笼养的6只白颈长尾雉行为节律进行观测。将白颈长尾雉的行为分为取食、运动、警戒、静止、清理共5类,包含16种具体行为,对每一种行为进行描述,初步建立白颈长尾雉行为谱。统计各时间段白颈长尾雉行为种数,研究发现白颈长尾雉夏季的行为种类较多且更活跃。游走、站立、休憩、摄食、觅食、理羽和张望等行为在各个时间段有发生。运动和静止行为是人工饲养白颈长尾雉主要行为类型。夏季的警觉行为相较秋季发生频率更高。建议笼养条件下在繁殖期间对雄鸟进行分栏管理,避免雄鸟求偶炫耀争夺配偶打斗受伤,同时雌雄搭配多应以1雄2雌或者1雄3雌搭配为佳;警觉行为在秋季发生的频率较低,秋季白颈长尾雉受威胁情况不多,且不存在求偶、孵卵、育雏等繁殖期行为,只需要保证自身安全即可,非繁殖期共笼饲养是可行的,只需保持合理的密度即可。初步掌握白颈长尾雉夏秋季节的行为习性,时间规律和活动节律,能为笼养白颈长尾雉饲养、野外放归、保护等提供科学参考。
- 赵运林吴良李立王双业李朝阳徐正刚
- 关键词：行为节律白颈长尾雉人工饲养
- 面向对象结合卷积神经网络的GF-1影像遥感分类被引量：5
- 2021年
- 【目的】近年来,越来越多高时间分辨率、高空间分辨率卫星相继出现,为我们的生产生活提供了很大的便利,如何利用好这些数据庞大、信息丰富的遥感影像一直以来都是国内外研究的热点问题。其中遥感影像的分类是将大量的遥感影像应用于各个领域的基础,针对传统方法对于高分辨率影像分类精度提高难的问题,提出一种面向对象结合卷积神经网络的遥感分类方法。【方法】首先利用构建moran’s I指数与地理探测器q统计量的二维空间的方法,确定最佳分割尺度,以最大面积法确定均质因子权重,对预处理后的GF-1影像进行分割,利用分割后的对象的特征作为分类模型的输入变量,建立一维卷积神经网络(1D-CNN)的分类模型,构建了基于像元的支持向量机,面向对象的支持向量机分类模型,对研究区进行了分类。【结果】利用面向对象的一维卷积神经网络方法进行分类,分类结果总体精度为93.10%,Kappa系数为0.9167,同基于像元支持向量机方法相比,总体精度提高了24.35%,Kappa系数提高了0.2923;同面向对象的支持向量机方法相比,总体精度提高了6.2%,Kappa系数提高了0.0746。【结论】利用构建的moran’s I指数与地理探测器q统计量的二维空间和最大面积法确定最佳分割参数,建立一维卷积神经网络结合面向对象的方法对遥感影像进行分类,与传统模型相比得到的分类结果精度较高,是一种快速有效的分类方法。
- 蒋治浩林辉张怀清张怀清
- 关键词：遥感分类面向对象卷积神经网络
- 笼养白腹锦鸡(Chrysolophus amherstiae)夏、秋季行为节律被引量：5
- 2018年
- 为了解笼养白腹锦鸡夏秋季行为节律规律,于2016年6月、9月和10月对湖南省野生动物救护繁育中心笼养的6只白腹锦鸡采用瞬时扫描法开展行为节律研究,分别统计了白腹锦鸡夏、秋两季节行为的时间分配。观测期间共记录到白腹锦鸡行为16种,根据其行为的功能再归纳为运动、静止、取食、梳理和警觉5大类,其中以运动类行为比例最高。在夏季,静止类行为波动最剧烈,多数时间段中,运动类行为比例最大。相对夏季,5类行为秋季比例趋势更加平稳清晰,运动类行为依旧是发生最多的一类行为,静止类行为起伏还是最剧烈的。警觉类行为不突出,警觉行为占有比例偏少。本研究与之前的白腹锦鸡发情期时间分配研究结果相近,运动和静止是笼养白腹锦鸡发生较多的两类行为,不同的是本研究白腹锦鸡梳理类行为比例有明显上升。
- 赵运林王双业段酬苍姜卫星徐正刚
- 关键词：行为谱行为节律
- 洞庭湖湿地净初级生产力估算研究
- 2023年
- 湿地是地球上重要的“碳库”之一,针对湿地净初级生产力NPP (Net Primary Productivity)模拟中时空分辨率不高和估算精度不稳定等方面的问题,本文提出了一种修正的CASA (Carnegie-Ames-Stanford Approach)模型。首先采用遥感云计算下的时空融合算法快速、准确地获得了时间序列的Landsat 8多光谱影像,解决湿地NPP估算中高时空分辨率影像缺失问题。然后,利用Landsat 8数据集(光谱波段、陆表水体指数、归一化植被指数等)与自适应Stacking算法得到高精度的植被分类图,并结合植被分类图确定每个植被像元理想条件下最大光能利用率εmax。同时,利用时序陆表水体指数及降水数据计算获得NPP估算中所需的水分胁迫因子。最后,基于归一化植被指数、水分胁迫因子、εmax及气象数据等多种参数,驱动CASA模型对洞庭湖湿地NPP进行估测。研究结果显示,与其他模型相比,本文修正CASA模型估算的NPP与实测的NPP具有最高的相关系数(R2=0.85)和最低的RMSE (20.16 g C/m2),表明该方法能有效、准确地模拟区域湿地生态系统NPP。洞庭湖区主要湿地植被类型芦苇与苔草的NPP均值分别为424.26 g C/m2和357.50g C/m2。
- 张猛陈淑丹林辉刘洋刘洋
- 关键词：遥感湿地净初级生产力洞庭湖湿地
- 东洞庭湖湿地植被高光谱数据降维与分类被引量：12
- 2019年
- 湿地植被的精细识别与分类是林业遥感中一个亟待解决的难点。本研究以东洞庭湖自然保护区为研究区,以苔草、芦蒿、辣蓼、杨柳和芦苇为研究对象开展高光谱数据观测。采用数据平滑、导数变换、对数变换和归一化变换等方式对高光谱数据进行预处理,再运用PCA算法分别对其进行降维运算,随后采用马氏距离、朴素贝叶斯、Knn、径向基内核支持向量机和随机森林等分类方法对降维后的数据进行分类。结果表明:1)不同预处理方式经过PCA降维后能保持自身特有的特征;2)降维后的累计方差贡献率与分类精度不存在必然联系,主成分个数能对分类精度产生影响;3)不同的分类方法对降维后的数据灵敏度不同,随机森林和径向基内核支持向量机保持较高的稳定性。
- 李世波林辉葛淼
- 关键词：降维主成分分析东洞庭湖
- 基于地统计学和多源遥感数据的森林碳密度估算被引量：3
- 2017年
- 【目的】基于遥感影像空间分辨率和地面样地大小不一致的现象,采用地统计学和多源遥感数据进行森林碳密度估算,为MODIS数据在区域森林碳密度估算领域的应用提供参考。【方法】以湖南省攸县为试验区,首先利用基于块的序列高斯协同模拟算法,将25.8 m×25.8 m的样地数据分别上推到250 m×250 m、500 m×500 m和1 000 m×1 000 m;然后将上推后的样地数据分别与MOD13Q1、MOD09A1、MOD15A2数据结合,利用序列高斯协同模拟算法开展区域森林碳密度估算研究;最后将最优结果用于湖南省森林碳密度估算。【结果】Landsat5和MODIS数据与森林碳密度的敏感因子具有高度相似性,排在前3位的分别为1/TM3、1/TM2、1/TM1和1/Band1、1/Band4、1/Band3;与植被指数产品MOD13Q1和MOD15A2相比,多光谱数据Landsat5和MOD09A1在攸县森林碳密度估算方面显示出巨大潜力,估算精度分别为82.02%和75.64%;基于MOD09A1的序列高斯协同模拟算法具有很好的适用性,可用于湖南省森林碳密度的空间模拟,估算精度为74.07%。【结论】采用基于块的序列高斯协同模拟算法,可以实现由地面样地到不同空间分辨率MODIS像元之间的转换;由于空间分辨率的限制,MOD09A1数据在刻画空间细节方面不如Landsat5精细。该研究方法适用于地面调查样地大小和遥感影像空间分辨率不一致的区域森林碳密度估算。
- 严恩萍赵运林林辉莫登奎王广兴
- 关键词：林业遥感森林资源清查多源遥感
- 水位波动对洞庭湖越冬小天鹅家域的影响被引量：3
- 2019年
- 洞庭湖是小天鹅在我国的重要越冬地之一,为探讨洞庭湖水位变动对越冬小天鹅活动的影响,本研究于2014—2015年利用卫星跟踪技术对洞庭湖自然保护区18只越冬小天鹅活动轨迹进行跟踪,采用最小凸多边形(MCP)和核心密度估计(KDE)方法估算了越冬中、后期不同水位条件下小天鹅的家域。同时,基于MODIS遥感数据提取洞庭湖水体面积、计算水体淹没时间指数(STI),进而开展了水位与家域关系、栖息地选择模式等方面的分析和探讨。结果表明:水位对小天鹅家域起制约作用,随着水位上升小天鹅家域范围会明显减小;越冬期间小天鹅喜好在空间相邻的浅水和草地综合性区域活动,食物资源分布和可获得性是小天鹅活动区发生改变的主要原因。
- 黄田黄田周立波赵运林
- 关键词：水位家域卫星跟踪小天鹅
- 采用全卷积神经网络与Stacking算法的湿地分类方法被引量：6
- 2020年
- 高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高等问题,提出了一种采用全卷积神经(Fully Convolutional Neural,FCN)网络与集成学习的湿地分类方法。首先利用全卷积神经网络(SegNet、UNet及RefineNet)对GF-6影像的语义特征进行提取与融合,然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明,采用全卷积神经网络与Stacking算法能有效提取湿地信息,总体分类精度为88.16%,Kappa系数为0.85。与采用全卷积神经网络与单一机器学习的随机森林(Random Forest,RF)、支持向量机(Support Vector Machin,SVM)与k-近邻(Nearest Neighbor,kNN)算法相比,该研究提出的湿地分类方法在总体分类精度上分别提高了4.87,5.31和5.08个百分点;与采用单一全卷积神经网络(RefineNet、SegNet、UNet)与Stacking算法下的湿地分类结果,该文提出的湿地分类方法在总体分类精度上分别提高了2.78,4.48与4.91个百分点;该方法一方面能通过卷积神经网络提取遥感影像深层的语义特征,另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组,从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。
- 张猛林辉龙湘仁
- 关键词：湿地卷积神经网络STACKING
- 洞庭湖东方田鼠肥满度时空特征及与降水、温度、归一化植被指数的关系研究被引量：3
- 2018年
- 为明确洞庭湖区东方田鼠Microtus fortis肥满度的时空特征及其与东方田鼠常用预警生态因子的关系,采用夹日法对洞庭湖7个调查区域不同生境的东方田鼠进行调查分析;收集洞庭湖区降水、温度、归一化植被指数(NDVI)等环境因子数据,分析不同性别东方田鼠肥满度与降水、温度、NDVI的关系。结果表明:1)不同性别东方田鼠肥满度时空特征较一致,春季和冬季不同生境雌雄东方田鼠的差异有高度统计学意义;在洲滩芦苇生境,雄雌东方田鼠在各季节间的差异有高度统计学意义;在洲滩苔草+芦苇+杨树生境,雄性肥满度各季节间的差异有统计学意义。2)雌性肥满度与季平均降水量呈显著正相关,雄性肥满度与季平均降水量无显著的相关关系。3)雌性和雄性的肥满度与季平均温度均无显著的相关关系。4)雌性肥满度与农田生境的NDVI呈显著正相关,雄性肥满度与农田生境的NDVI无显著的相关关系;雌性和雄性的肥满度与洲滩生境的NDVI均无显著的相关关系。研究认为,洞庭湖东方田鼠肥满度可以在一定程度上反映其对环境压力的反应,雌性对不利环境较雄性更加敏感,但在特定情况下,栖息地、食物可获得性等通过影响雌性东方田鼠肥满度,进一步影响东方田鼠种群增长。
- 赵运林王双业冯蕾王勇张美文徐正刚
- 关键词：东方田鼠肥满度降水温度归一化植被指数
- 基于高分辨率遥感影像与DSM的典型地物提取被引量：1
- 2019年
- 高分辨率遥感影像和数字地表模型(DSM)结合的地物信息提取,虽可以区分异物同谱中存在高度差异的地物,但相同高度的地物在DSM数据可能会因海拔高度不同而存在明显差异,降低了地物提取精度。从DSM中提取出地物高度信息(nDSM),再以nDSM结合高分辨率光学影像进行地物提取。结果表明:仅以高分辨率光学影像为数据源的方法分类效果最差,结合DSM数据的方法居中,而结合nDSM的方法最优,说明在基于光学影像和DSM数据的地物提取中,采用去除地形因素的nDSM替代DSM可以有效提高分类精度。
- 宋亚斌林辉喻龙华彭检贵江腾宇
- 关键词：DSM高分辨率影像特征提取
