以昆明市某露天矿区为例,在地理信息系统(geographic information system,GIS)技术支持下,结合移动窗口分析法,利用2007—2017年间3期遥感影像数据,探究采矿背景下的区域景观格局时空演变模式。在获取景观类型与确定合适窗口尺度的基础...以昆明市某露天矿区为例,在地理信息系统(geographic information system,GIS)技术支持下,结合移动窗口分析法,利用2007—2017年间3期遥感影像数据,探究采矿背景下的区域景观格局时空演变模式。在获取景观类型与确定合适窗口尺度的基础上,提取研究区景观破碎化与多样性指数空间分布图,将其与矿区中心两两连接建立的剖面线进行空间叠置分析。结果表明,在最适宜尺度950 m的窗口下,10 a间景观破碎化与多样性高值区由区域边缘向中心扩散;矿区内部的斑块团聚效应与周边1~2 km处的景观异质性程度均逐年提高,而离矿区中心2.5 km以外的区域则基本不受采矿活动影响。研究结果直观显示出了采矿活动影响下矿区的景观格局时空演变规律,能够为后续生态监测与制定工作计划提供依据。展开更多
文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续...文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。展开更多
文摘文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。
