基于投影寻踪方法的粮食主产区农民用水合作组织绩效研究——基于湖北、湖南、黑龙江3省的调查

[目的]农民用水合作组织是我国灌溉管理制度改革的产物,农民用水合作组织的建立改进了农村水利管理的方式,提高了灌溉管理过程中水资源的利用率。[方法]通过构建粮食主产区农民用水合作组织绩效评价指标体系,建立基于实数编码加速遗传算法的投影寻踪分类模型,对湖北、湖南、黑龙江等3省61家农民用水合作组织的绩效进行了实证分析。[结果]粮食主产区农民用水合作组织绩效水平总体较好,在所调查的61家农民用水合作组织中,27.1%的农民用水合作组织绩效为优秀,28.8%绩效良好,13.6%绩效一般,30.5%绩效较差。[结论]总体上来看,湖南、湖北等2省农民用水合作组织的绩效高于黑龙江。是否有产权、农户参与率、是否民主决策、培训次数、农户满意度、单位面积灌水量和水费收取率等指标对农民用水合作组织绩效影响最大。因此,政府适当放权,选取恰当的扶持方式,提升农户的认识,推广好的农民用水合作组织发展模式是提高农民用水合作组织绩效的有效途径。     

基于决策树的土地利用覆盖分类及变化研究——以济宁市任城区为例

以济宁市任城区为研究对象,获取研究区域2001年、2006年和2011年三期Landsat ETM与TM影像,通过ENVI遥感影像处理软件分析了研究区影像的光谱特征以及植被归一化指数（NDVI）、建筑归一化指数（NDBI）以及水体归一化指数（NDWI）,利用决策树算法确定各地类的综合阈值,建立决策树模型,得到了土地利用覆盖分类结果并取得了良好的分类精度。同时通过对研究区2001至2011年的土地利用动态度及土地利用转移矩阵的分析得出研究区在研究期内的土地利用覆盖变化特征,最终得出结论：（1）利用决策树分类能够获得较高的分类精度;（2）任城区城镇化发展迅速,城镇化在区域土地利用覆盖变化过程中起到了主导性的作用。     

生态产品及其分类体系构建研究

目的 清晰界定生态产品内涵和科学构建分类体系是推动生态产品价值实现的关键基础和前提。方法 文章通过系统梳理生态产品概念和分类的已有研究,提出当前存在生态产品概念内涵界定模糊、现有分类未能满足生态产品价值实现现实需求等问题。结果 （1）在深入分析生态产品形成机理的基础上,文章将生态产品定义为以自然资源与生态环境为物质载体和保障,并辅以人类劳动而形成的满足人们美好生活和优美生态环境需要的各类产品（含服务）,或为了更好地促进人们供给和享有以上产品,在政府规制下形成的可实现经济价值的相关权益及虚拟化产品。（2）以促进生态产品价值充分实现为主要目标导向,重点服务生态产品微观主体生产、核算、经营与管理活动需要,遵循科学性、全面性、系统性和实用性原则,创新性地构建了一套包含2个一级大类、9个二级大类、14个三级大类以及具体举例说明的生态产品多级综合分类体系。结论 研究成果可为生态产品（包括区域化综合型生态产品）监测管理、核算评价、价值实现,以及自然资源资产管理和资源与环境考核审计等方面的研究与实践提供参考。     

基于村级尺度的重庆荣昌区村庄发展潜能评价与类型划分

目的 村庄是落实乡村振兴战略的细胞单元,厘清村庄发展潜能,科学划分村庄发展类型,是乡村振兴战略差别化精准施策的基础。方法 文章基于乡村振兴“产业兴旺、生态宜居、乡风文明、治理有效、生活富裕”5个维度,科学选取评价指标,构建村庄发展潜能评价体系,并以课题组于2018年对重庆市荣昌区133个村庄开展的乡村振兴专项调查研究结果为基础,开展了村庄发展潜能评价和类型划分。结果 （1）受地域人口、土地、产业等综因合素影响,荣昌区村庄发展潜能总体呈现“西北弱、东南强”的空间分异性。村庄空间发展集聚潜能已形成以城区为中心向乡村区域由高值向低值呈圈层逐级递减的区间分布态势;（2）基于乡村振兴村庄发展潜能评价,将研究区案例村庄划分为产居引领、资源提整、极化辐射3种不同的发展类型,并辅以相应的差别化发展策略或路径。结论 契合乡村振兴目标,结合村庄资源禀赋和发展潜能,划分村庄发展类型,差别化实施乡村振兴策略,对科学全面实施乡村振兴战略具有重要的意义。     

基于多源遥感数据的马铃薯收入保险应用研究

目的 研究面向创新型农业保险业务中缺少及时准确的第三方作物产量结果用于灾损理赔的问题。引入多源卫星遥感测产技术,识别测产关键因子,构建产量模型。方法 文章运用多元线性回归分析方法,选取山西省马铃薯主产县岚县为研究区,计算基于Sentinel2影像的植被指数,结合气象卫星数据与实测单产数据,筛选关键因子,建立马铃薯单产遥感测产经验模型。结果 采用GF-2影像分割与Sentinel2长势时序识别岚县马铃薯种植面积为8 477.65hm²,精度检验Kappa值为0.72。保险公司岚县承保马铃薯面积2 476.37hm²,承保覆盖率为29.21%。测产结果显示,马铃薯单产与区域关键期地表温度参数相关性较好,岚县遥感测产获得平均单产为13.76 t/hm²,实地测产获得平均单产为14.06 t/hm²,误差百分比为2.13%,分乡镇平均误差百分比为22.97%,基本满足理赔业务需求。在2018年保险期结束后一周内,保险公司启动快速赔付,支付赔款125.29万元,赔付率48.46%。结论 遥感测产具有大范围、时效性好、可靠性高等特点,能够迅速为创新型保险产品提供测产理赔结果,提高理赔效率,保障农民收入。     

基于深度学习模型的种植结构复杂区农作物精细分类研究

目的 卫星遥感技术具有覆盖范围广、探测周期短、调查成本低等优势而广泛应用于大区域农作物分类。然而在种植结构复杂区（如城乡结合部）,因其地块破碎、同期生长的作物种类多且分布分散,利用传统的统计分类或机器学习方法进行农作物分类时仍存在精度不高的问题。为提高种植结构复杂区农作物分类精度。方法 文章选取河北省廊坊市广阳区为研究区,以GF-1 PMS全色多光谱融合影像为数据源,采用U-Net、PSPNet及DeepLabv3+,3种深度学习模型进行农作物分类研究。分析模型参数对农作物分类精度的影响,评价3种深度学习模型的农作物分类精度,优选农作物精细分类方法。结果 （1）学习率与3种深度学习模型的分类精度呈正相关关系,较大的学习率（0.01,0.001）下,3种模型收敛速度快,分类精度高。批样本量与模型分类稳定性相关,批样本量设为100时,3种模型的分类稳定性最好。（2）相比PSPNet、DeepLabv3+模型,U-Net模型分类效果最好,总体分类精度为89.32%。（3）GF-1 PMS影像结合U-Net模型可有效提升种植结构复杂区农作物分类精度,大宗作物春玉米、夏玉米的分类精度在80%以上,花生、红薯、蔬菜小宗作物分类精度在60%以上。结论 该研究可为准确获取种植结构复杂区的农作物类型、面积及空间分布信息提供参考依据。     

极化SAR旱地作物分类的后向消除特征选择研究

[目的]作物遥感分类是作物面积监测的核心问题,也是进一步开展农作物长势、产量等专题监测的前提。特征选择是作物遥感分类的关键步骤之一,能够有效提高作物遥感分类精度和效率。文章使用后向消除的特征选择方法明确最优特征集的大小和内容,比较不同优选特征集的分类效果分析4种特征排序方法的优劣。[方法]（1）提取河北省深州市旱地作物关键生长期（6月3日、6月27日、7月21日） RADARSAT-2数据的3类特征变量共114个。（2）比较基于不同度量方式的4种特征重要性排序方法,根据特征排序结果采用后向消除方法逐步简化特征变量,确定最优特征个数,得到优选特征集。（3）比较不同优选特征集在随机森林方法下的分类效果。[结果]特征排序方法中极限树的效果最好。使用极限树算法优选的特征集参与随机森林分类,能用最少的特征（11个）,达到最高的精度（92.63%）。并且与全部特征（114个）的分类结果相比,总体精度只下降了1.78%。[结论]后向消除特征选择优选出的特征集能够明确最优特征个数,能够在保障分类精度的同时有效提升分类效率,优选出的特征集可为同种种植结构下的旱地作物分类提供参考。     

员工职业停滞的理论分类与现实判定

职业停滞的现有分类存在诸多问题,一定程度上导致了目前职业停滞预测效果、治理效果不理想的局面。本研究从内容分析、文献研究入手提炼职业停滞的分类依据,进而透过动机、能力和机会三个层面对职业停滞进行理论分类,最后通过实证研究对职业停滞作出现实判定和检验,为今后的相关研究奠定基础。     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

基于星载极化SAR数据的农作物分类识别进展评述

［目的］农作物播种面积信息不仅可为农情监测和作物估产提供重要的数据保障,还是国家制定粮食政策和经济计划的重要依据。快速、准确地获取农作物播种面积信息能为农业生产管理提供决策支持。极化SAR不受云雨天气的影响,在农作物遥感监测方面具有巨大的应用潜力,有效利用极化SAR数据进行农作物识别研究对促进雷达技术在国家农业遥感监测和农业供给侧结构性改革中发挥更大作用具有重要意义。［方法］以星载极化SAR技术的发展过程为论述主线,从单、双极化SAR数据,单、双极化SAR数据结合光学影像,全极化SAR数据三个发展阶段,对极化SAR数据在农作物分类识别中的研究与应用进行总结,并对比分析不同的识别特征、融合算法以及分类算法的优缺点。［结果］以往研究存在以下不足：当前研究多以识别水稻为主,对于难以识别的旱地作物研究较少;目前对旱地作物识别精度不高,平均识别精度不足85%;缺乏对不同作物散射机制及其随时相变化的研究,导致分类算法机理性不足,普适性较差。［结论］在今后的研究中,旱地作物散射机制的定量确定,如何利用散射机制及其变化来提高旱地作物遥感识别精度和普适性;目前分类算法大都是基于光学影像设计,如何利用SAR特殊的成像方式优化设计适用于极化SAR数据的分类算法,得到更高的分类精度;如何更好的跟光学遥感等多源数据（光学数据、GIS数据等）结合来提高精度,将成为未来极化SAR农作物识别中三个亟需重点解决的问题。