以吉林省汪清林业局天然林区为研究区,利用Landsat-8 OLI_TIRS多光谱遥感影像,结合森林资源野外调查数据,提取森林类型纹理、光谱特征参数,作为支持向量机的输入量,利用K-折交叉验证法确定最优核函数,识别森林类型,确定最优分类结果,评价分类精度,并与仅利用波段光谱特征的SVM分类结果进行精度对比。结果表明:利用纹理和光谱特征进行分类,构造SVM进行森林识别是可行的。惩罚系数C=100.0、核函数半径σ=1.000时的径向基核函数构造的支持向量机分类精度最好,总体分类精度可达89.58%,Kapp

【目的】森林生物量是评价森林质量的重要指标，也是研究碳循环的重要基础，准确估测珠三角森林生物量对珠三角国家森林城市群建设高质量提升具有重要指导意义。【方法】以珠三角国家森林城市群为研究区，通过Landsat-8 Oli影像、DEM影像和2017年森林资源连续清查数据，分别提取单波段因子、植被指数、纹理特征和地形因子，采用多元逐步回归方法和BP神经网络模型分别构建阔叶林、针叶林、针阔混交林生物量估测模型。【结果】1）针对阔叶林、针叶林、针阔混交林3种不同森林类型，BP神经网络的预测精度都优于多元逐步回归模型，用BP神经网络预测的决定系数R~2相比于多元逐步回归有了一定的提高，阔叶林提高了0.10，针叶林提高了0.14，针阔混交林的R2提高的最为明显，提高了0.29。相对于多元逐步回归，BP神经网络的RMSE也有了一定程度的降低，阔叶林降低了5.32 t/hm~2，针叶林降低了10.57 t/hm~2，针阔混交林降低了0.28 t/hm~2。2）利用BP神经网络反演珠三角样地生物量，阔叶林为66.18 t/hm~2，针叶林为61.88 t/hm~2、针阔混交林58.29 t/hm~2，珠三角的乔木林平均生物量为64.46 t/hm~2，总的生物量为1 435.99 t，大部分地区森林生物量为40～80 t/hm~2，低于全国平均水平。3）地上生物量较高的地区分别分布在肇庆北部、广州北部、惠州西北部和东莞等地区。【结论】Landsat-8 OLI可以很好地用于森林地上生物量的估算，BP神经网络模型的反演精度要优于多元逐步回归方法，森林地上生物量与龄组和树种有关，生物量高的地区以近熟林和成熟林为主，木荷、马尾松、栎类和针阔混交林等树种的生物量较高，桉树的生物量偏低。

以攸县黄丰桥林场为研究区,选择2001,2009和2013年3期Landsat影像,应用影像代数变化检测、掩膜处理变化检测、写功能存储插入法变化检测和分类后比较变化检测4种算法开展森林变化检测对比研究。结果表明:分类后比较变化检测方法在总体精度上有较明显的优越性,其2013年与2009年、2009年与2001年总体精度均为96.67%;其次是写功能存储插入法变化检测,其2013年与2009年、及2009年与2001年总体精度分别为94%和95.67%;掩膜处理变化检测精度排名第三,其2013年与2009年

遥感图像植被分类一直为遥感领域的热点,对于中低分辨率的影像,传统的分类方法主要是利用影像的光谱信息,对于影像的空间信息利用较少,而事实证明遥感影像的空间信息也十分丰富。为了提高遥感影像的空间信息利用率,提取了最新的Landsat-8的空间纹理信息,结合空间纹理信息与光谱信息对遥感影像进行植被的分类。实验证明:辅以纹理的分类总体精度为84.68%和83.87%,光谱分类总体精度为82.26%,结合了空间纹理信息后的分类精度比传统的方法有明显的提高。

高分一号(GF-1)卫星具有多种分辨率与大幅宽结合、重访周期短等优势,而Landsat-8卫星具有多波段、高辐射分辨率等优势。针对不同传感器参数特点,利用支持向量机分类器(SVM)对同区域同期两种数据进行土地覆盖分类对比研究。结果表明:两种传感器对应波段决定系数均大于0.92;典型样本的光谱趋势一致性良好,但在农田与林地、不透水面与裸土的典型样本可分离性方面,Landsat-8优于GF-1;GF-1与Landsat-8的分类总精度分别为90.38%和90.07%,但不同地物类型的分类精度存在差异,波谱响应函数的差异可能是导致Landsat-8对林地的分类精度高于GF-1的原因;此外,GF-1对零碎分布地物类型的分类精度高于Landsat-8,主要原因是GF-1具有更高的空间分辨率。

【目的】森林地上生物量对评价全球碳平衡和气候变化有重要作用,以安徽省霍山县为研究区,Landsat OLI和TIRS影像为基础数据,研究地表温度对森林地上生物量的影响效应。【方法】以Landsat OLI为遥感数据源,在基于灰度共生矩阵的支持下,提取覆盖研究区的遥感影像的纹理特征,并结合原始多光谱遥感影像和研究区的地形特征构建基于3种因子的森林蓄积量反演模型,并根据最优模型来推算研究区的森林地上生物量。根据Landsat TIRS数据对研究区的地表温度进行反演,并将森林地上生物量和地表温度反演数据结合,分析地表温度对森林地上生物量的影响机制。【结果】1)本研究共构建3种模型对森林蓄积量进行反演研究,包括:基于光谱特征的森林蓄积量反演模型,基于纹理特征的森林蓄积量反演模型和基于多特征的森林蓄积量反演模型。2)对森林蓄积量反演模型的精度进行评价,结果显示基于多特征的森林蓄积量反演模型精度最高,复相关系数达到0.751 9,说明该模型可用于研究区的森林蓄积量反演研究,森林蓄积量反演结果可用于研究区的森林地上生物量推算。【结论】研究结果表明在研究区内海拔200 m以下和700 m以上的区域,地表温度对森林地上生物量的影响效应不明显;在海拔200～400 m梯度范围内,森林地上生物量与地表温度的相关性逐渐增大;海拔400 m以上,森林地上生物量与地表温度的相关性与200～400 m范围内相比逐渐减小,但总体上,在400～700 m海拔梯度内,两者仍呈现出较强相关性。

企业债券是我国资本市场的重要组成部分，而信用评级是企业债券市场快速发展的基石。由于企业债券信用评级具有小样本、非线性、高维数等问题，传统的评级方法并不能很好地适用。采用新的机器学习方法即随机森林来对评级指标体系进行特征选择，在此基础上建立基于随机森林－支持向量机的企业债主体信用评级模型。选取１２０家在上海和深圳证券交易所以及银行间债券市场发行企业债的企业进行实证研究，结果显示，通过随机森林进行特征选择的随机森林－支持向量机比支持向量机模型具有更高的预测准确度。

【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞

以4种MODIS时序数据为基础,以湖北省为研究区,开展区域森林类型快速提取的分类方法研究。将湖北省的森林植被划分为针叶林、阔叶林、混交林、竹林、灌木林和非林地6种地类,通过分析不同森林类型一年内的生长差异,根据各植被指数的均值建立了研究区各森林类型的分类参数,选取2010年MODIS数据产品NDVI第10期、NDVI第12期、NDVI第15期、EVI第10期、LAI第16期、LAI第17期数据,建立了针叶林、阔叶林、混交林、竹林、灌木林、非林地的决策树分类模型,并对研究区进行了分类。结果表明:植被指数均值

【目的】选取云南省陆良县,开展基于Landsat-8 OLI和Sentinel-2A MSI影像的设施种植区域监测研究,及时为农业生产管理提供准确的设施农业空间信息。【方法】首先分析日光温室及其他典型地物的遥感特征,然后使用目视解译以及最小距离法、马氏距离法、最大似然法、支持向量机等4种监督分类方法提取设施种植空间信息,再使用亚米级Google earth历史影像为底图建立验证样区。通过目视解译提取样区设施种植区域信息,以此验证Landsat-8和Sentinel-2A影像的监测精度,选择最优监测方法。【结果】使用Landsat-8影像,基于目视解译及4种监督分类方法的精度依次为97. 54%、77. 31%、91. 35%、91. 89%和83. 15%;使用Sentinel-2A影像,基于目视解译及4种监督分类方法的精度依次98. 82%、80. 80%、87. 01%、93. 89%和85. 41%。【结论】①2种影像的日光温室监测均适于使用最大似然法,其估算精度与目视解译精度误差分别为5. 65%和4. 93%;②遥感监测显示,2016年陆良县日光温室主要集中于该县湖积平原区。基于Landsat-8影像监测的面积为5381. 62 hm2,基于Sentinel-2A影像监测的面积为5347. 84 hm2。

对森林植被类型信息的掌握,是合理管理和经营森林行业的基本要求;根据科学的指导去保护森林植被,在不破坏森林生态的前提下对森林资源进行有效开发和利用,才可以实现国家和社会的全方位可持续发展。全面、系统、精准的对森林植被覆盖类型的认识能够加速实现林业可持续发展的战略目标、为林业部门对森林资源的监测提供科学的保障。为掌握林芝县森林覆盖类型及蓄积量的情况,研究利用Landsat OLI遥感影像对林芝县的森林覆盖类型进行提取,并探索了基于不同计算窗口下各纹理特征对研究区针、阔叶林蓄积量反演模型的影响。研究的主要工作如

公司会计信息不仅是资本市场必不可缺的信息资料,也是政府宏观和微观管理国民经济的重要信息来源,会计信息真实性是其基础和保障,尤其重要。本文构建了支持向量机分类识别模型框架,并采用支持向量机(SVM)算法对会计信息进行失真识别。实验中,选取2007年至2016年国泰安数据库A股上市公司为样本,选取了25个财务指标和5个非财务指标作为研究变量,将Lib SVM用于样本预处理、训练和测试,以建立会计信息失真识别模型。结果表明所建模型对会计信息失真企业的正确识别率达到94.8%,具有很好的实践价值。

内幕交易的识别问题一直是证券市场的难题，学术界进行了大量有益的探索，却难以得到满意的结果。本文选取了从２０００—２０１５年被我国证监会或司法机关查处的内幕交易案例作为研究样本，利用支持向量机模型对内幕交易进行识别。研究结果表明：累积超额收益率、股价波动持久性、超额换手率、股价信息含量以及股权制衡度是有效识别内幕交易的重要指标，总体识别准确率达到了８６．１８％，该模型的识别效果比较理想。

【目的】探索Landsat8 OLI数据和立体数据在估算桉树森林蓄积量（forest stock volume,FSV）中的潜力，并且准确地估计桉树的FSV。【方法】以3幅Landsat8 OLI图像和资源3号立体数据为遥感数据源，并且结合少量地面调查数据实现了桉树FSV的遥感估计。研究中提取了三类遥感特征用于估计桉树FSV：第一类是包括植被指数和单波段反射率在内的光谱特征；第二类是基于Landsat 8 OLI图像的单波段提取的8种纹理特征；第三类是基于资源3号立体像对数据和开源的数字高程模型（digital elevation model,DEM）提取的冠层高度模型（canopy height model,CHM）。利用Boruta算法对三类遥感特征进行提取，之后建立了随机森林（random forest,RF）、K-最近邻（K-nearest neighbor,KNN）和支持向量机（support vector machine,SVM）3种机器学习模型以及传统的多源线性回归模型（multiple linear regression,MLR），并以决定系数（R~2）、均方根误差（root mean square error,RMSE）和相对均方根误差（relative root mean square error,rRMSE）作为评价指标对模型结果进行评估。【结果】基于ZY-3立体像对数据和开源的DEM数据提取的CHM与桉树的FSV具有很强的相关性，Pearson相关系数达到了0.71。仅仅利用基于Landsat 8 OLI图像提取的光谱和纹理特征难以准确地估计桉树的FSV，估测模型的R~2为0.29～0.38,rRMSE为35.65%～43.30%，存在严重的数据饱和问题。当变量集中加入CHM后，模型的估测精度明显提高，R~2达到了0.64～0.66,rRMSE为25.74%～26.41%。【结论】使用Landsat 8 OLI数据估算桉树FSV时存在严重的数据饱和问题，并且使用空间分辨率为30 m的纹理特征难以有效地改善森林蓄积量的估计精度。利用资源3号立体像对数据和开源的DEM数据可以提取较为准确的CHM，并且所提取的CHM可以解决改善光学数据的饱和问题，从而提高桉树FSV的估计精度。