郭佳
- 作品数：6 被引量：71H指数：5
- 供职机构：南京信息工程大学更多>>
- 发文基金：国家自然科学基金国家重点基础研究发展计划更多>>
- 相关领域：天文地球自动化与计算机技术农业科学文化科学更多>>
- 不同数据挖掘方法在综合干旱监测模型构建中的应用研究被引量：11
- 2017年
- 为探讨数据挖掘方法和建模因变量对区域干旱综合监测模型构建的影响,选择分类回归树(CART)、人工神经网络(ANN)和支持向量机(SVM)等不种数据挖掘方法,以及以标准化降水指数(SPI)、标准化降水蒸散指数(SPEI)和综合气象干旱指数(CI)等不同指数为建模因变量,以山西省为研究区域,开展综合干旱监测模型研究,结果表明,所有构建模型的监测结果与模型因变量计算值之间相关系数在0.800~0.915,均达到极显著水平,均方根误差(RMSE)在0.061~0.138,并与土壤相对湿度的相关性均达到显著和极显著水平,但不同数据挖掘方法和不同干旱指数作为因变量构建的模型仍存在差异,且模型参数的选取对于模型泛化能力有较大的影响;从山西省干旱监测结果分析,SVM方法建立的模型表现出对高程较高的敏感性,同时作为模型因变量的干旱指数的特征也会反映在模型的应用效果中,在干旱等级划分指标标准相同的情况下,不同的数据挖掘方法和建模因变量构建的模型,监测到的干旱面积存在一定差异。
- 张婧娴沈润平郭佳
- 关键词：数据挖掘干旱监测
- 基于随机森林的遥感干旱监测模型及其应用研究
- 利用遥感数据进行大面积旱情监测是现有干旱监测的重要方法之一，然而传统的遥感干旱监测方法主要侧重于对土壤湿度或植被状况等单一干旱响应因子进行监测，综合多因子的干旱监测研究较为有限。随机森林是一种机器学习方法，具有学习过程快...
- 郭佳
- 关键词：干旱旱情监测遥感数据
- 基于MODIS时间序列森林扰动监测指数比较研究被引量：14
- 2016年
- 森林扰动是影响陆地生态系统的重要因素之一,遥感可定期地获得大面积森林覆盖数据,成为定期和连续森林扰动监测的重要手段,基于时间序列数据的森林监测成为主要方式。研究利用2001-2013年MODIS时间序列遥感影像,以福建省为例,利用NDVI、NBRI、NDMI、IFZ和DI5种森林扰动监测指数,结合植被变化追踪算法提取森林扰动区域,并从光谱响应特征和对不同扰动类型的响应能力等方面,分析了对我国南方森林扰动的监测能力。结果表明：DI对森林砍伐、森林病虫害和植树造林3种扰动类型的响应能力较强,NBR对森林火灾最为敏感,NDVI对4种扰动类型的响应能力相对较弱;5种指数中DI对森林扰动的响应能力较强,森林扰动提取精度最高,IFZ次之,NDMI和NBR监测精度相当,且优于NDVI。
- 李洛晞沈润平李鑫慧郭佳
- 关键词：MODIS时间序列NDVI
- 长时间序列多源土壤湿度产品在中国地区的比较分析被引量：8
- 2016年
- 研究利用实测数据对遥感产品(ECV CCI)、全球陆面同化系统产品(GLDAS/CLM、NOAH2.7、NOAH3.3、VIC、MOSAIC)、再分析资料(ERA-Interim、NCEP/DOE)等不同来源的8套长时间序列土壤湿度产品进行时空比较。结果表明:上述产品均可以模拟出中国不同区域土壤湿度的空间分布;从各产品平均态与实测数据的偏差、均方根误差、相关系数统计结果来看,NOAH模式和ERA-Interim表现最好,MOSAIC和NCEP/DOE与实测相差较大;从区域尺度上来看,所有产品在东北区域表现最好,在华南、西南南区和西北西区较差;ERA-Interim有效的模拟了土壤湿度的年际变化。
- 沈润平张悦师春香李洛晞郭佳
- 关键词：土壤湿度再分析资料
- 我国研究生教育投入产出效率的影响因素分析
- 2023年
- 研究2020年中国31个省份研究生教育投入产出效率。效率指标为研究生培养高校数、教育劳动、教育资金和科研的投入产出效率。影响因素为社会经济、金融及高校资产、高校专任教师和区域等4个类别15个指标。采用偏最小二乘法建模。研究发现,研究生教育投入产出效率主要受城镇化率、人均GDP、居民人均可支配收入、产业结构、金融机构各项存贷款余额占GDP比重以及专任教师职称和学历等因素的影响,其中,人均GDP、正高级专任教师占比以及博士学历专任教师占比的影响最为显著;中部的研究生教育投入产出效率最高,其次是西部、东北和东部,其中,西部的高校数量投入和教育劳动投入的产出效率较高,东北的教育资金投入产出效率较高。
- 李可柏郭佳
- 关键词：研究生教育影响因素
- 基于随机森林的遥感干旱监测模型的构建被引量：34
- 2017年
- 利用遥感数据进行大面积旱情监测是现有干旱监测的重要方法之一,然而传统的遥感干旱监测方法主要侧重于对土壤湿度或植被状况等单一干旱响应因子进行监测,对综合多因子的干旱监测研究较为有限。随机森林是一种机器学习方法,具有学习过程快速、运算速度快、稳定性好、预测精度高的优点,近年来被应用于生态环境等多个领域。本文利用2001-2010年4-9月的MODIS数据提取的植被状态指数(VCI)、温度状态指数(TCI)和土地覆盖类型(LC),TRMM降水资料计算的TRMM-Z指数及SRTM-DEM、土壤有效含水量(AWC)等多个遥感及土壤资料提取的干旱因子为自变量,以气象站点的综合气象干旱指数(CI)为因变量,利用随机森林模型构建遥感干旱监测模型,并以河南省为研究区进行了评价和分析。该模型在2009-2010年的监测值和实测CI值的具有显著的相关性,并且二者干旱等级的一致率为81%。在2001-2010年4-9月间,模型监测值与气象站点的标准降水蒸散发指数(SPEI)总体干旱等级一致率为74.9%,较为一致,其中9月的模型结果与SPEI的干旱等级一致率最高,达到82.4%,空评估率和漏评估率最低;与10 cm土壤相对湿度的相关系数在0.475-0.639之间,达到极显著水平。河南省2011年4-6月干旱事件同样验证了本文构建的模型旱情监测结果,说明本模型能较好地就应用于监测区域旱情监测。
- 沈润平郭佳张婧娴李洛晞
- 关键词：干旱遥感
