农田遥感识别方法与应用

农田识别是进行作物的长势监测、产量预报和时空特性研究的基础,能够为国家农业政策的制定提供数据支撑。基于像元的传统农田遥感识别方法只利用了影像像元的属性信息,造成农田识别精度不高。面向对象的识别方法根据多尺度分割后得到对象的光谱、形状和纹理属性分类,提高了农田识别的精度。随着航天技术快速发展,与中低分辨率影像相比,高分辨率遥感影像能够提供更丰富的光谱、形状和纹理特征的目标地物,但同时信息量和数据量呈几何级数增加的高分辨率遥感影像给现有的农田遥感识别方法带来极大挑战。回顾了中低分辨率和高分辨率的农田遥感识别方法的研究进展,重点阐述了多尺度分割与三种监督型机器学习算法组合的面向对象的识别方法。结果表明,以机器学习算法为基础的面向对象分类的总体精度都高于96%,卡帕系数均超过0.93。     

基于数据驱动模型的辣木全球环境适宜性分布评估

 辣木作为新中药资源,被广泛应用于植物医药。收集了全球960条辣木分布记录,结合气候、土壤、地形和太阳辐射空间协变量,采用空间信息技术与数据驱动模型,评估了辣木全球环境适宜性空间分布状况。结果表明,全球适宜种植辣木的土地资源总量约为3.61×109hm²,主要分布在北美洲南部、南美洲东部和北部、非洲中部、亚洲的东南部及大洋洲北部地区。     

大数据时代的地缘环境研究

 地缘环境特征和演变规律的研究是认知国际地缘政治态势、保障国家安全的重要科学支撑。21世纪以来,各类地缘事件的发生频次和影响程度不断上升,严重威胁了中国地缘环境安全和“一带一路”倡议的实施。地缘事件的发生是多种地缘环境要素相互作用、相互影响的结果,分析多维度地缘要素的演变过程,是地缘风险模拟与预警的重要依据。本文回顾了国内外地缘环境研究的起源和历史进展,梳理了地缘环境要素的主要观测手段,归纳了大数据技术在地缘环境研究领域的应用成果。研究表明,单个地缘事件具有高度随机性,但海量事件的发生受各类地缘环境要素的影响和制约,基于地缘环境系统理论,利用大数据分析方法,可以发现地缘环境要素之间的复杂关系,有助于解决特定的地缘问题。未来的地缘环境研究应以地缘环境系统理论为指导,采用大数据信息挖掘和机器学习技术,构建地缘环境时空模拟与智能分析模式。     

南亚地缘环境风险等级的智能判别与分析

 地缘环境安全受到地形、气候、资源等自然要素的制约,也受到民族、宗教、文明、意识形态、政治制度、发展水平等差异的影响。基于地缘风险系统理论,梳理了历史研究成果,确立了地缘风险评价指标体系。以最新建立的多尺度、多数据源的全球地缘环境数据库为本底,以南亚为典型区域,构建了基于机器学习算法的地缘风险智能评价模型。