排序方式: 共有21条查询结果,搜索用时 156 毫秒
1.
利用高分三号(GF-3)卫星的全极化C波段多极化合成孔径雷达数据,基于Η/Α/ 极化分解提取香农熵(SE)及其强度分量(SEI)和极化分量(SEP)、单次反射特征值相对差异度(SERD)、二次反射特征值相对差异度(DERD)、极化比(PF)、基准高度(PH)、极化不对称性(PA)和雷达植被指数(RVI)共9个特征参数,将其应用于农作物分类研究中,以支持向量机(SVM)和随机森林(RF)算法为例,初步探索了基于Η/Α/ 分解提取的这9个特征参数在GF-3数据支持下的农作物分类潜力。结果显示:单独将SERD、PH、PF、RVI和SEP参数用于2种分类方法时,分类精度较高,在82%~92%;但单独运用PA、DERD、SE和SEI的分类精度均低于80%。将分类精度较低的4个参数组合后,分类精度明显提高,在SVM和RF下的总体分类精度分别达到93.02%和92.05%,Kappa系数均大于0.8。结果表明,基于全极化GF-3数据和Η/Α/ 极化分解方法提取的9个特征参数,能很好地表征农作物的散射特征,可用于农作物分类研究。 相似文献
2.
【目的】研究建立由乙醇和(NH_4)_2SO_4形成的双水相体系萃取灯盏花中灯盏花乙素。【方法】用HPLC法对灯盏花乙素含量进行测定,并对影响双水相体系的成相和灯盏花乙素萃取率的条件进行优化。【结果】灯盏花粗提液经过双水相体系萃取之后,能有效减低大分子物质和极性分子的干扰。乙醇体积为1.5 mL、(NH_4)_2SO_4质量分数为25%、pH为6.0时,双水相体系对灯盏花乙素的萃取率达到94.2%。【结论】对灯盏花样品进行的检测和加标回收实验表明,该方法准确性较高,结果可靠,操作简单,绿色无污染。 相似文献
3.
4.
优化施肥方式对黄土高原新增耕地土壤有机质含量和团聚体特性的影响 总被引:1,自引:0,他引:1
[目的] 研究优化施肥对黄土高原地区新增耕地土壤质量和作物产量的影响,为新增耕地土壤建立合理的优化施肥处理和区域新造土地的健康可持续发展提供理论依据。[方法] 通过盆栽种植试验,评估有机肥处理(OF)、有机肥配施化肥处理(NP)、常规施肥处理(CF)对新增耕地土壤团聚体数量、结构稳定性、有机质含量和玉米产量的改良效应。[结果] CF处理下新整治耕地土壤有机质含量最低为7.08 g/kg,土壤水稳性大团聚含量低,结构稳定性差。与CF处理相比,优化施肥方式下的OF和NP处理显著提高了新增耕地土壤有机质含量和玉米产量(p<0.05),>0.25 mm粒级大团聚体含量和团聚体稳定性显著提升,其中OF处理对新整治耕地土壤团聚体数量和稳定性的改善效果最佳。在0—10 cm土层,OF和NP处理下土壤有机质含量分别为12.67,11.79 g/kg,比CF处理分别提高了46.2%和36.1%。OF处理下水稳性团聚体MWD,GMD,R0.25值分别比CF处理高了62.5%,21.4%和148.3%,分形维数比CF处理降低了1.7%;NP处理下水稳性团聚体MWD,GMD,R0.25值分别比CF处理高了18.8%,3.6%和40.9%,分形维数比CF处理降低了0.4%。在10—20 cm土层,OF和NP处理下土壤有机质含量、团聚体数量和结构稳定性也得到一定的提升。土壤有机质含量与团聚体平均重量直径(MWD)、几何平均直径(GMD)呈显著正相关关系(p<0.001)。[结论] 优化施肥是有利于提升新整治耕地土壤结构稳定性、保肥特性和土地生产力的有效措施。 相似文献
6.
7.
8.
研究一种嗜好性良好的豆奶制作方法,探讨豆乳与牛奶比、蔗糖添加量、乳酸菌接种量和卡拉胶添加量对发酵酸度和感官总评分的影响。在单因素试验的基础上,通过正交试验确定的最佳配比为豆乳牛奶比1∶3,蔗糖添加量7%,乳酸菌接种量0.015%,卡拉胶添加量0.1%。在此参数条件下,发酵豆奶的感官评分达91.6分,具有普通发酵酸奶特有的酸甜可口风味,还有特殊的豆香味,组织细腻,质地均匀,无分层,口感好,为其规模化生产提供了依据。 相似文献
9.
研究一种嗜好性良好的豆奶制作方法,探讨豆乳与牛奶比、蔗糖添加量、乳酸菌接种量和卡拉胶添加量对发酵酸度和感官总评分的影响。在单因素试验的基础上,通过正交试验确定的最佳配比为豆乳牛奶比1∶3,蔗糖添加量7%,乳酸菌接种量0.015%,卡拉胶添加量0.1%。在此参数条件下,发酵豆奶的感官评分达91.6分,具有普通发酵酸奶特有的酸甜可口风味,还有特殊的豆香味,组织细腻,质地均匀,无分层,口感好,为其规模化生产提供了依据。 相似文献
10.
将陕西省府谷县府谷镇作为研究区,通过野外实地调查,圈定了47个滑坡点,制作了研究区滑坡编录图。以GIS软件和统计分析模型为基础,开展研究区滑坡易发性分区研究。首先通过GIS软件将滑坡点随机分成训练样本(70%)和测试样本(30%)两组。然后选择坡度、坡向、高程、距断层的距离、距道路的距离、距河流的距离、岩性、土地利用、NDVI、降雨量作为影响因子,提取因子图层。分别应用熵权模型(IOE)和支持向量机模型(SVM)计算滑坡易发性指数,利用自然间断点法将研究区划分为低易发区、中易发区、高易发区和极高易发区。最后利用ROC敏感度曲线下的面积(AUC)分别检验两种模型所得到的分区结果,结果表明,成功率曲线和预测度曲线的AUC值均在0.70~0.90,表明两种模型所得到的分区结果具有较高的精度,都可以为研究区的滑坡防治提供参考。在训练样本和测试样本中SVM模型的AUC值均最高,说明SVM模型比IOE模型适合在研究区开展滑坡预测研究。 相似文献