您的位置： 专家智库 > >

刘博华

作品数：4 被引量：66H指数：4
供职机构：新疆大学资源与环境科学学院更多>>
发文基金：国家自然科学基金教育部促进与美大地区科研合作与高层次人才培养基金自治区科技支疆项目计划更多>>
相关领域：农业科学生物学自动化与计算机技术理学更多>>

合作作者

文献类型

  • 4篇中文期刊文章

领域

  • 2篇农业科学
  • 1篇生物学
  • 1篇机械工程
  • 1篇自动化与计算...
  • 1篇理学

主题

  • 2篇遥感
  • 2篇土壤
  • 2篇物候
  • 1篇地表
  • 1篇地表参数
  • 1篇信息数据
  • 1篇盐渍
  • 1篇盐渍化
  • 1篇有机质
  • 1篇植被
  • 1篇植被物候
  • 1篇山地
  • 1篇神经网
  • 1篇神经网络
  • 1篇时空变化特征
  • 1篇数据挖掘
  • 1篇土壤含水率
  • 1篇土壤有机
  • 1篇土壤有机质
  • 1篇农田

机构

  • 4篇新疆大学
  • 1篇新疆联海创智...

作者

  • 4篇丁建丽
  • 4篇刘博华
  • 2篇何宝忠
  • 1篇王飞
  • 1篇张喆
  • 1篇陈文倩
  • 1篇王敬哲
  • 1篇李焕

传媒

  • 2篇生态学报
  • 1篇农业机械学报
  • 1篇激光与光电子...

年份

  • 1篇2020
  • 2篇2018
  • 1篇2017
共 4 条 记 录，以下是 1-4
全选 清除 导出
排序方式：
新疆植被物候时空变化特征被引量：34
2018年
基于MODIS-NDVI数据,提取新疆2001—2016年典型植被物候期,分析新疆不同生态分区的山地-绿洲系统植被物候期的时空演变趋势和空间分异特征,并结合同期气象数据,探讨植被物候与气候变化的响应关系。结论为:(1)新疆植被物候具有明显的纬向分布和垂直地带性分布特征,海拔在物候的地域分异中扮演着重要作用。新疆植被生长季开始时间(Start of season,SOS)集中于3月中旬至5月上旬,生长季结束时间(End of season,EOS)集中于10月中旬至12月下旬。(2)与全球大背景下典型植被物候特征变化趋势相反,新疆植被SOS呈推迟趋势,推迟幅度为1.9d/10a;EOS呈提前趋势,提前幅度为3.66d/10a;生长季长度(Length of season,LEN)呈缩短趋势,缩短幅度为5.6d/10a。除东疆地区外,全疆及不同分区均呈现出绿洲及平原SOS较早,山地区域较迟;全疆及不同分区均呈现出山地EOS结束较早,绿洲结束较迟;除东疆地区外,全疆及不同分区的LEN均为绿洲及平原区域>山地,同样显示出垂直地带性分布的特征。(3)通过冗余分析(Redundancy analysis,RDA)解释了物候特征与气象因子关系的绝大部分信息,生长季开始时间受春季气温、前一年冬季降水量和日照时数的显著影响。夏季和秋季降水量是新疆植被生长季结束时间的重要影响因素,在总体上受气温和日照时数的影响较小。
何宝忠何宝忠李焕丁建丽陈文倩
关键词：植被物候气候变化
基于光谱指数的绿洲农田土壤含水率无人机高光谱检测被引量：14
2018年
选取新疆阜康绿洲小块农田为研究对象,基于无人机(Unmanned aerial vehicle,UAV)平台搭载的高光谱传感器获取的影像数据,采用Savitzky-Golay (SG)平滑后的一阶微分(First derivative,FD)、吸光度(Absorbance,Abs)、连续统去除(Continuum removal,CR) 3种不同预处理方法,获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像,探索不同预处理下的差值指数(Difference index,DI)、比值指数(Ratio index,RI)、归一化指数(Normalization index,NDI)及垂直植被指数(Perpendicular vegetation index,PVI)与土壤含水率(Soil moisture content,SMC)的关系,在遴选出最优指数及预处理方案的基础上,构建干旱区绿洲农田SMC高光谱定量估算模型。结果表明:预处理在不同程度上提高了光谱指数与SMC的相关性,其中基于Abs预处理的PVI(R644,R651)表现最优,相关系数为0. 788,据此构建的三次拟合函数表现最优。基于不同预处理方案下,多变量SMC估算模型在消噪的基础上更深入地挖掘了光谱信息,减少了单一光谱指数造成的误差,提升了模型的定量估测效果。Abs模型预测精度亦最为突出,其建模集R2c和RMSE为0. 84、2. 16%,验证集R2p与RMSE为0. 91、1. 71%,RPD为2. 41。本研究构建的SMC估算模型减少了单一变量模型的误差,在规避过拟合现象的同时,提升了模型的定量估测效果,为土壤含水率状况天地空一体化遥感监测提供了参考方案。
王敬哲丁建丽马轩凯葛翔宇刘博华梁静
关键词：土壤含水率无人机遥感光谱指数
基于物候特征的盐渍化信息数据挖掘研究被引量：12
2017年
盐渍化是影响植被和作物长势的重要因素,精确反演盐渍化的时空分布信息至关重要。基于MOD13A1-NDVI数据反演生长季开始日期(SOS)、生长季结束日期(EOS)、生长季长度(LEN)等物候参数和计算出能高精度反演盐渍化空间分布的多种植被指数、盐分指数、地形指数、干旱指数等参数后作为BP-ANN人工神经网络的输入因子来反演盐渍化信息,同时按照植被类型和地貌类型进行分区来反演盐渍化信息,以探讨盐渍化受植被和地貌类型的影响。主要结论如下:(1)盐渍化的形成受多种因素的影响,与物候参数大多呈非线性关系,不能单纯的以某拟合公式来进行表达,需要借助人工神经网络超强的非线性拟合能力来反演盐渍化信息。(2)通过深入挖掘植被物候信息,在融入物候参数后的反演精度显著提高。可决系数R2从0.68(非物候参数)增加到0.79(包括物候参数),但是需要加入地形、影像数据和土壤水分等方面的信息来更加精确的反演盐渍化信息。生物累积量指标LSI(Large seasonal integral)和SSI(Small seasonal integral)能够很好的表征盐渍化的信息。(3)划分植被类型后的盐渍化提取精度进一步提高,可决系数R^2达到了0.88。(4)以地貌特征作为类型分区后,反演结果的R^2达到了0.85,精度较高,比以植被类型作为分区的精度略小。高程较低区域的盐渍化现象普遍较重,盐渍化程度受到地形和地貌因素的影响显著。(5)农用地区域多为非盐渍化和轻度盐渍化地,稀疏植被区多为重盐渍化地。研究区的非盐渍化和轻盐渍化地、中盐渍化地和重度盐渍化地比例分别为53.42%,13.71%,32.87%。以上的研究结果提出了一种融合物候信息和非物候参数来反演盐渍化信息的方法,进行深入的协同植被物候监测盐渍化信息方面的数据挖掘,在融入了物候参数后,盐渍化的预测精度显著提高。
何宝忠丁建丽王飞张喆刘博华
关键词：盐渍化地表参数数据挖掘
基于稀疏网络的可见光/近红外反射光谱土壤有机质含量估算被引量：7
2020年
采集艾比湖湿地89个典型样点和土壤实测光谱数据,对所测土壤光谱进行一阶微分变换预处理,采用连续投影算法(SPA)、主成分分析(PCA)和稀疏自编码(SAE)对光谱数据进行特征提取,结合偏最小二乘回归与BP(Back Propagation)神经网络构建SOM估算模型。实验结果表明,SAE方法能够有效对光谱进行压缩;相比于PLSR模型,BP模型能够较好地处理光谱中复杂的非线性信息;SAE-BP方法在估算SOM中取得的精度最高。网络模型的建模方式能够显著提高VIS-NIR光谱反演土壤有机质模型的稳定性和精度,当面对光谱中复杂的非线性问题时,具有很强的解析力和较好的模型稳健性,为使用VIS-NIR数据估算SOM提供一种新思路。
冉思丁建丽葛翔宇刘博华张钧泳
关键词：遥感土壤有机质BP神经网络
全选 清除 导出
共1页<1>
聚类工具0