下载:
-
中国基层林业单位中从事森林培育与经营的技术人才还比较缺乏，随着生态文明建设进程的不断推进，对森林经营的科学性要求也随之增强。为解决这种要求与现状的不均衡性，有必要利用信息技术手段构建森林经营知识共享渠道，为基层林业单位工作人员提供森林经营知识服务。近年来，知识工程和知识管理等领域的研究逐渐成为热点[1]，国内外学者分别从知识表达组织、知识服务、方法以及应用等角度开展了深入研究，尤其在数字图书馆领域，对知识组织与服务的研究相对领先[2-9]。国内林业研究主要围绕着森林经营过程中的知识表达进行，例如以森林经营模式、作业法与经营知识结构化为基础，研究森林经营专家决策系统知识库，为林农提供经营决策服务[10-13]；利用数据挖掘方法，以森林资源数据为挖掘对象，进行关联性分析，研究影响森林经营的立地知识发现模型[14]；基于知识表达模型，研究探讨近自然森林经营知识表达组织方法[15]等；以上森林知识表达及组织方法的研究，分别对不同应用场景下不同过程、不同类型的森林经营知识提出了表达组织模型，提高了森林经营知识的科学化管理水平。多数的研究是以组织分析知识数据、提供决策为目标，面向知识共享服务的知识组织与服务提供方式的研究在林业领域相对鲜见，因此，研究构建森林经营知识共享服务系统就很有必要。基于此，应用JSON数据交互格[16-18]及Java EE开发技术[19-24]实现了森林经营知识服务系统，利用框架表示法将近自然森林事实性知识进行了结构化表达，实现了知识数据管理、查询、共享接口调用服务等功能。本系统已应用于“全国多功能森林经营关键技术和主要森林类型作业法体系研究及示范”项目，在访问人次及运行效果上均已达到预期效果。
-
知识表示方法的选择应考虑以下4点因素：① 能否充分表示相关的领域知识？② 是否有利于对知识的利用？③ 是否便于知识的组织、维护和管理？④ 是否便于理解和实现？以这4点因素为依据，结合研究目的，是本研究选择知识表达方式的基本思想。
本研究是以近自然森林事实性经营知识服务为目的，对森林经营事实性知识进行管理，故要求知识的表达结构化特性要突出，便于传播和扩展，而对过程推理的特性要求相对较低。如表 1所示：对比常用的知识表示方法，框架表示法最突出特点是善于表示结构性知识，能够把知识的内部结构关系及知识之间的联系表示出来，因此选择框架法表示近自然森林事实性经营知识可以最大限度地提高其结构化特征，增强其传播特性，方便知识体系的扩充。
表 1 知识表示方法比较
Table 1. The knowledge representation method comparison
表示方法 基本形式 特点 应用 一阶谓词 谓词公式。 优点:精确性、严密性、自然性较好。
缺点:效率低，不能表示不确定的知识。问答系统、问题求解系统、机器博弈、机器人行动规则。 产生式规则 P→Q或If P then Q。
P.前提，结论或操作。优点:自然性、模块性、清晰性较好。
缺点:效率不高，不能表达结构性知识。经验性及不确定性的知识表达、问题求解过程相对独立的情况。 框架 < 框架名>
槽名n:
约束:优点:结构性、继承性、自然性较好。
缺点:不善于表达过程性知识。事实性知识的表达。 语义网络 (节点1，弧，节点2)。 优点:结构性、联想性、自然性较好。
缺点:处理复杂，不严格。多用于语言理解系统。 剧本 剧本，剧本组成（进入条件、角色、道具、场景、结局）。 优点:自然性、场景性较好。
缺点:呆板、表达能力有限。计算机动画领域。 本体论 O::{C，R，F，A，I}(C.概念，R.关系，F.函数，A.公里，I.实例）。 优点:关系性、自然性较好。
缺点:处理复杂。本体主要在语义Weh、信息检索与异构信息的互操作等问题中应用。 -
在与近自然森林经营研究专家讨论和总结的基础上，得出近自然森林事实性经营知识可分为5大类，包括经营模式、作业模式、技术措施、造林树种与林学知识，并对近自然森林事实性经营知识类别进行了顶层划分，作为知识树状结构的主分支。在此基础上，对各个分类进行属性细分，将笼统知识转化为结构化知识。不同类别知识分类的解释及属性组成如表 2所示。
表 2 近自然森林经营事实性知识分类
Table 2. Close to nature forest management factual knowledge classification
编号 分类名 解释 属性组成 1 经营模式 针对具体森林对象特征在整个生命周期内采取的有抚育间伐、收获和更新的全部过程和要素集合。 编号，经营模式名称，详细技术，图例。 2 作业模式 是结合具体森林类型、地理区域和功能定位来设计和实施具体的“森林类型作业法”。 编号，作业模式名称，适用地区，树种名称，森林对象（适用条件），目标林相（发展类型名），详细技术，图例。 3 技术措施 在一定时期内为改进森林经营生产技术和生产管理而制定的方案及其实施办法。 经营技术措施名称，经营技术措施类別，详细技术，图例。 4 造林树种 近自然经营示范区中主要的造林树种信息。 树种代码，树种名称，树种别名，树种学名，树种科名……数据来源。 5 林学知识 全国自然科学名词审定委员会公布的近自然森林经营专业名词。 类别，术语，定义。 -
框架由一组描述物体的各个方面的槽组成。每个槽 (属性) 又由若干个侧面组成，每个侧面都有自己的名字和填入的值[1]。一般框架结构如下：
< 框架名> frame
< 槽名1>-值1 slot //可以是具体值，也可以是另一个框架
< 槽名2>-值2
……
< 槽名n>-值n
在近自然森林经营事实性知识中，选择框架表示法表示经营模式、作业模式、技术措施、造林树种和林学知识，可达到强化知识结构化特征，提供知识在计算机交互环境中的流通性等目标。根据1.1节中对近自然森林事实性经营事实性知识分类属性的划分，构建近自然森林事实性经营知识框架网络如图 1所示。
图 1 近自然森林经营知识框架网络
Figure 1. Network of close to nature forest management knowledge framework
① 经营模式知识框架表示。
框架名： < 经营模式>
属性槽：
编号：字符串
经营模式名：字符串
详细技术：字符串
图例：字符串
② 作业模式知识框架表示。
框架名： < 作业模式>
属性槽： < 树种>
编号：字符串
作业模式名：字符串
适用地区：字符串
森林对象 (适用条件)：字符串
目标林相 (发展类型名)：字符串
详细技术：字符串
图例：字符串
③ 技术措施知识框架表示。
框架名： < 技术措施>
属性槽：
经营技术措施名：字符串
经营技术措施类别：字符串
详细技术：字符串
图例：字符串
④ 造林树种知识框架表示。
框架名： < 树种>
属性槽：树种编号：字符串
树种名称：字符串
树种别名：字符串
树种类型：字符串
树种特性：字符串
树种用途：字符串
采种技术：字符串
……
⑤ 林学知识框架表示。
框架名： < 林学名词>
属性槽：类别：字符串
术语：字符串
定义：字符串
-
准确快速查询到用户满意的结果是知识服务系统的核心功能。基于框架法的知识匹配分为确定性匹配与不确定性匹配。在实际应用中，2个框架的对应槽往往不能完全一致，因而就需要进行不确定性匹配。近自然森林经营事实性知识框架的属性槽值均为描述性语言，并没有属相值变化范围，加之各属性的重要程度相差无几，故选择充分条件与必要条件不确定性匹配方法。
依据近自然森林事实性经营知识框架网络，对比每个框架中的属性槽，分析并确定各个属性槽与框架之间的充分必要性，确定为“充分条件”的属性槽可以准确查出所属框架；确定为“必要条件”的属性槽可以被其所属框架准确查出；除了上述具备充分、必要性的属性槽，还有一些属性槽和框架之间的关系不紧密，此类属性槽不是框架匹配的重点内容，这种属性槽在本研究中成为“无条件”的属性槽，被确定为“无条件”的属性槽不作为匹配条件。例如，在造林树种框架中，树种编号属性槽值是唯一的，使用树种编号值能准确查出所属树种框架，故将树种编号属性槽定为造林树种框架的“充分条件”槽；依据树种分类值可查出属于此分类的多个树种，通过造林树种框架能够确定自身的分类，故将树种分类属性槽定为造林树种框架的“必要条件”槽；而图例属性一般不作为造林树种框架匹配过程中的查询条件，故将图例属性槽定为“无关条件”槽。为了计算机的可操作性，本研究将“充分条件”槽定为1.0，将“必要条件”槽定为0.5，无关条件槽定为0。各框架槽的充分必要性如表 3所示。
表 3 近自然森林经营事实性知识框架属性槽充分必要性
Table 3. Close to nature forest management factual knowledge framework attriljute slot need adequately
编号 框架名 属性槽 充分必要性 1 经营模式 编号 1.0 经营模式名 1.0 详细技术 1.0 图例 0 2 作业模式 编号 1.0 作业模式名 1.0 树种名 0.5 适用地区 0.5 适用条件 0.5 发展类型名 1.0 详细技术 1.0 图例 0 3 技术措施 经营技术措施类別名 1.0 经营技术措施名 1.0 详细技术 1.0 图例 0 4 造林树种 树种代码 1.0 树种名称 1.0 树种別名 0.5 树种分类 0.5 数据来源 0 …… 0 图例 0 5 林学知识 类別 0.5 术语 1.0 定义 1.0 充分必要条件属性设置是框架知识匹配的前提条件，匹配原则是2个框架进行匹配。如果充分条件属性槽值相等，就可以认为相应的2个框架可以匹配，可以将进行匹配的框架置为“确认”状态；如果不相等，而必要条件满足，便将框架置为“激活”状态，并进一步匹配剩余框架；如果充分条件和必要条件均没有满足，则对进行匹配的框架置为“沉睡”状态。具体匹配流程如图 2所示。
图 2 匹配流程图
Figure 2. Match flow chart
-
本研究中近自然森林事实性经营知识库采用关系数据库实现，主要分为若干个事实库和1个框架库。事实库用于存储近自然森林5大类经营知识，框架库是依据其框架网络及属性槽的充分必要性进行设计。
依据前面对近自然森林经营知识分类及属性划分和相关的林业行业标准，设计事实库表结构如下：① 经营模式表 (编号，经营模式名，详细技术，图例)；② 作业模式表[编号，作业模式名，适用地区，树种名，森林对象 (适用条件)，目标林相 (发展类型名)，详细技术，图例]；③ 技术措施表 (编号，经营技术措施类别，经营技术措施，详细技术，图例)；④ 造林树种表 (树种代码，树种名称，树种别名，树种学名，树种科名……数据来源)；⑤ 林学知识表 (编号，类别，术语，定义，备注)。
依据框架表示网络及属性槽充分必要性分析设计框架库表结构如下：近自然森林事实性经营知识框架表 (编号，框架名，属性槽，充分必要性)。
-
系统考虑到近自然不同类别知识展示的友好度，方便用户对知识浏览和查询，采用分模块展示方法。具体的功能如图 3所示，包括知识获取接口服务、经营模式浏览查询、作业模式浏览查询、技术措施浏览查询、造林树种查询以及林学知识浏览查询功能。
图 3 近自然经营知识服务系统功结构
Figure 3. Close to nature forest knowledge service system function structure
-
系统通过组件化设计模式，各层次之间具有高内聚、低耦合的特点，增加了开发效率，提高了系统的稳定性及代码的可维护性。如图 4所示：使用成熟的Spring MVC+Hibernate框架，将系统分为数据持久层、业务逻辑层和表现层等3个层次，此架构结构明晰，有较好的稳定性。持久层使用Hibernate对数据库操作进行封装操作；业务逻辑层是系统核心层，使用Spring框架进行事务化管理，实现了框架匹配流程方法，以及面向不同用户的调用接口；表现层运用Jquery技术，采用Ajax与服务器端进行数据交互，增加了数据传输效率，减少页面跳转测试，增强用户体验，在表现层系统提供代码级知识调用接口的同时，也支持林业经营工作者使用浏览器作为客户端软件查询浏览近自然森林经营知识。
图 4 近自然经营知识服务系统结构
Figure 4. Close to nature forest knowledge service system structure
-
系统流程框架如图 5所示。从用户角度主要包含3个流程：① 普通用户可以通过浏览器查阅不同知识类别的Web页面；② 专家用户主要通过系统后台对知识数据进行维护；③ 代码级知识调用用户，可通过WebService或Http等不同接口查询获取知识。通过知识匹配流程对知识进行查询。具体方法1.3节已经说明。
图 5 近自然经营知识服务系统框架
Figure 5. Framework of the close to nature forest knowledge service system
代码级知识调用提供基于WebService和Http等2种接口调用，接口设计需要规定标准化数据传输格式及数据结构。本研究使用轻量级数据交换格式JSON (JavaScript Object Notation)，JSON采用完全独立于语言的文本格式，同时也使用了类似于C语言家族的习惯 (包括C，C++，C#，Java，JavaScript，Perl，Python等)。这些特性使JSON成为理想的数据交换语言，易于读写，同时也易于机器解析和生成 (一般用于提升网络传输速率)。依据框架法的规则，定义JSON数据传输格式如下。
{“datalist”: [{
“framename”: “框架名”,
“attributeslot”: [属性槽名数组],
“attributevalue”: [{
“fieldvalue”: [属性槽值数组 (与attributeslot的顺序一一对应)],
“time”: “提供时间”
}]
}]}
以林学知识为例，如下。
{“datalist”: [{
“framename”: “林学知识”,
“attributeslot”: [‘类别’，‘术语’，‘定义’，‘备注’],
“attributevalue”: [{
“fieldvalue”: [‘森林经理学’，‘立地类型’，‘调查包括土壤和基岩类型、土壤水分状况和养分状况等4个指标。’，‘无’],
“time”: “20160515 16:25:30”}]
}]}
-
近自然森林经营知识服务系统现部署在北京林业大学信息中心服务器上，系统提供Web方式知识浏览查询和代码级调用接口服务，系统长期运行情况良好，其Web知识浏览查询界面如图 6所示，代码级调用接口服务示例如图 7所示。
图 6 近自然经营知识服务系统知识浏览查询界面
Figure 6. Knowledge browse query interface of close to nature forest knowledge service system
图 7 近自然经营知识服务系统代码级调用服务示例界面
Figure 7. Code level call service sample interface of close to nature forest knowledge service system
-
目前，虽有许多学者围绕森林资源与知识管理进行了较多研究，并设计了与之相关的知识管理系统原型[1, 10]，但是大多数系统原型的设计都是以决策支持为目的，往往是对过程性知识的组织；也有少数利用本体的概念对森林经营领域知识进行管理。本研究的目的是为了近自然森林事实性知识的传播和共享。如表 4所示：本研究将现有关于林业领域知识组织管理的典型系统分为专家决策类系统和管理类系统，并与本系统在知识组织方式和功能等方面进行了比较。本研究选用框架表达法，具有操作简单、易于实现、而且结构化强，便于转化为JSON数据传输格式，从而使知识更易传输。
表 4 系统对比与分析
Table 4. System contrast and analysis
系统类别 知识类型及组织方式 系统功能特点 系统适用范围 专家决策类系统 常使用产生式规则 通过对过程性知识的组织，实现决策推理功能。 适用于森林经营决策领域。 数据知识管理类系统 常使用本体表达 利用本体规则，实现领域知识的组织关联，强调知识的检索功能。 适用于森林领域的复杂知识与数据的管理。 本研究的系统 框架法表达 结构化表达事实性知识，强调知识的结构转化与知识的传播。 适用于对一般结构性强的事实性知识的管理弓共享。 -
基于框架表达法的近自然森林结构化经营知识表示模式的设计与实现，对近自然森林经营知识进行了结构化表达，符合知识传播使用特点，使近自然森林经营知识具备了标准化信息传播特性，实现了知识的传播和共享服务的前提条件。基于结构化知识表达方法构建的近自然森林经营知识服务系统提供了Web方式的知识浏览查询和代码级调用接口服务，实现了便捷的用户查询功能。系统应用于“全国多功能森林经营关键技术和主要森林类型作业法体系研究及示范”项目，已长期稳定运行，促进了近自然森林经营事实性知识传播。目前，系统收录知识仍需补充，以满足更多用户的知识需求。
Design and implementation of forest management knowledge service system based on frame representation
-
摘要:
为满足森林经营知识的组织与共享服务需求，以近自然森林事实性经营知识资源数据为基础，以知识工程理论作为指导，选取框架表示法组织表达近自然森林事实性经营知识，并利用充分与必要条件的框架不确定性匹配方法作为知识检索匹配方法。在此基础上，结合JSON数据交换格式，设计了通用性较好的森林事实性知识传播数据结构，并基于Java EE技术开发了森林知识服务系统，实现了知识数据管理、查询、共享接口调用服务等功能。系统运行效果表明：与其他专家决策系统和知识数据管理系统相比，该系统采用的框架表示法更适用于结构性强的森林事实性经营知识管理与共享，可为广大林业工作者提供知识查询与共享服务。
Abstract:To meet the demands for organizing and sharing services of forest management knowledge, the research used close to nature forest factual management knowledge data as the basis and the knowledge engineering theory as the guidance, that selected framework representation to organize and represent close to nature forest factual management knowledge; and used uncertainty matching method based on necessary and sufficient conditions as knowledge retrieval matching method. Based on the above content, the research designed a comparatively universal forest factual knowledge data transmission structure combined with the JSON data interchange format, developed forest knowledge service system on the basis of Java EE technology, then realize the function that including the management and searching of knowledge data. The running results of this system showed that the system with framework representation was more suitable for the management and sharing of forest factual knowledge than the other expert decision making system and knowledge data management system. It can provide knowledge query and sharing services for many forestry workers.
-
水稻Oryza sativa是中国主要的粮食作物之一，2017年水稻的栽植面积为3 074.7 万hm2，约占主要粮食作物总面积的26.1%[1]，并广泛分布于秦岭淮河以南地区[2]。水稻栽植所处地区常年多云多雨，传统光学被动遥感技术难以获取清晰且连续的时间序列影像。合成孔径雷达(synthetic aperture radar, SAR)是一种微波波段的主动遥感技术，可以穿透云雨，不依赖太阳辐射，全天候全天时成像，可在一定程度上弥补光学遥感的不足，利用SAR遥感进行农作物监测具有较大的潜力[3-8]。目前对作物的非全极化SAR时序监测研究中，普遍依赖于后向散射系数这一极化特征，以及在时间序列上的变化曲线。但是微波对地物含水量的变化十分敏感，降雨会使SAR后向散射系数在时间序列上出现较大波动，导致在对水稻等南方作物的长势进行判断时容易出现较大偏差，而现有研究更多关注植株结构变化对后向散射系数的作用，较少考虑降雨的影响。针对降雨对水稻长势极化特征的影响，研究相应的消减方法，及时、有效、准确地获取多云雨地区水稻的长势信息，对重国粮食生产和粮食安全都具有重要意义。本研究在已有Sentinel-1 SAR影像所具备的同向极化(VV)和交叉极化(VH)后向散射系数基础上，提出归一化差分后向散射指数(normalize difference backscattering index，NDBI)。并对VH、VV、NDBI分别建立后向散射系数时序特征曲线，利用同期降雨数据和光学影像作为辅助资料，探讨水稻在幼苗期、分蘖拔节期、长穗期和结实期4个关键生长期中，植株形态特点，相应的极化特征变化趋势，以及降雨对后向散射系数的影响。
1. 材料与方法
1.1 研究区概况
研究区位于广西桂平市以东约6.5 km，寻旺乡复兴村正南方(23°24′0″~23°24′40″N，110°7′40″~110°8′30″E)的水稻田地。桂平市地处广西东南部，属南亚热带季风气候，气候温暖，雨量充沛，雨热同期，适合水稻生长。2017年桂平市水稻产量达47.9 万t，并连续5 a居广西各县(区)第1位[9]，是广西水稻栽植大县。研究区内所栽植的水稻品种为‘百香139’‘Bailixiang 139’，属于感温型常规水稻，适宜在桂南、桂中稻作区作早、晚稻栽植。早稻全生育期约124 d；晚稻全生育期约104 d[10]。本研究将对该研究区内2018年的早稻和晚稻的长势进行监测。
1.2 数据概况
选用SAR影像数据来源于Sentinel-1 C波段SAR卫星，该卫星在默认TOPS(Terrain Observation with Progressive Scan)成像模式下的重访周期为12 d，地理编码后的影像空间分辨率为10 m，是具有较高空间和时间分辨率的极轨卫星[11]。所采用的影像数据产品为单视复数影像(single look complex，SLC)，具备VV和VH双极化方式。水稻的生长周期较短，一般为3~4个月，在此期间该卫星可拍摄8~12期影像数据，相较于常规光学卫星影像数据，能够形成更为连续且密集的影像序列。本研究使用2018年3−11月共23期SAR影像对研究区内早、晚2季水稻的长势极化特征进行研究。
选用的辅助验证数据为Planet光学卫星在线高分辨率影像数据集，空间分辨率为3~5 m，可清晰分辨研究区内稻田的轮廓和内部作物的长势。Planet卫星数据由一系列微小卫星群组成，重访周期可缩短到1 d[12]。但是卫星群在过境研究区对其进行拍摄时，多数情况下仍会受云雨遮挡，成像质量较差或无法成像，因此采用1个月合成影像数据对水稻的长势做验证。
降雨数据采用日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency，JAXA)提供的Global Rainfall Watch观测数据。该数据由全球降水测量任务(Global Precipitation Measurement Mission，GPM)中的核心卫星和星座卫星，3 h观测1次全球降水产生。表1记录了Sentinel-1卫星过境当天、前1日、前2日研究区最大降雨量。
表 1 Sentinel-1卫星成像时刻雨量Table 1 Rainfall of Sentinel-1 satellite imaging day成像日期(年-月-日) 降雨量/mm 当天 前1日 前2日 2018-05-16 1.34 2018-05-28 0.08 5.51 2018-06-21 5.91 2018-07-15 1.33 2018-07-27 3.76 2018-08-20 5.87 2018-09-01 3.02 1.3 数据处理
对Sentinel-1 SAR影像数据经过一系列的预处理，才能获取时间序列上的水稻长势极化特征。具体处理流程如图1所示，分为SAR影像预处理和长势极化特征提取两部分。
1.3.1 SAR影像预处理
影像预处理主要有2个目的：①对影像进行辐射定标，从而确定影像的灰度与标准雷达散射截面的关系。影像经辐射定标后，每个像素都能表示唯一确定的地物后向散射信息[13]，这也是本研究开展对不同极化方式、不同时相下记录的水稻极化信息进行定量分析和计算的前提。②对SAR影像进行地理编码，赋予地理坐标。SAR影像的X轴和Y轴分别与成像时刻传感器到地物的斜距距离以及传感器运动矢量相关，并按照距离-方位坐标系(也称SAR坐标系)而非真实地理坐标记录地物位置。因此，需要进行地理编码，将SAR坐标系转为地理坐标系，使处理的结果影像能与其他空间数据进行叠加分析。影像预处理后具有地理坐标，并获得经过精确配准后的多时期后向散射系数图集合。在该图集合中，每个坐标点都包含该处地物的后向散射系数随时间变化形成的序列。将基于该图集合开展对水稻长势的分析。
1.3.2 长势极化特征提取
将针对VV和VH 2种极化成像方式在水稻不同生长阶段下产生的后向散射系数进行研究，并认为在同一拍摄时间中，同一稻田内部作物的分布和长势是一致的。因此，对于水稻长势极化特征的提取，是对每期影像中的单块稻田内部所有像素的后向散射系数取平均值，并根据时间顺序排列形成序列。
1.4 归一化差分后向散射指数
已有研究成果表明[5,8]：降雨会对各极化方式下的后向散射系数均产生较大影响，反映在时序曲线上则是形成较大波动，且上升和下降趋势基本相同。根据这一规律，在研究了归一化植被指数(NDVI)和归一化水指数(NDWI)[14]的基础上，提出归一化差分后向散射指数(NDBI)计算方法，并基于NDBI建立极化特征曲线。
$${I_{{\rm{NDB}}}} = \frac{{{C_{{\rm{VH}}}} - {C_{{\rm{VV}}}}}}{{{C_{{\rm{VH}}}} + {C_{{\rm{VV}}}}}}\text{。}$$ 式(1)中：INDB表示归一化差分后向散射指数，为无量纲量，CVH和CVV分别表示Sentinel-1影像数据中交叉极化和同化极化方式的后向散射系数。引入NDBI在于强化VH和VV的差异，弱化两者的共有趋势，从而在一定程度上抵消降雨对单一后向散射系数时序曲线产生的波动影响。
1.5 水稻的散射类型
水稻的散射类型一般可分为上部冠层的直接后向散射(图2A)、漫反射(图2B)，水面和主茎之间的二次散射(图2C和图2F)，水稻田水面的镜面反射(图2D)、水稻植株内部的体散射(图2C)为主[15-16]。
2. 结果与分析
2.1 降雨影响下的极化时序特征曲线分析
已有研究表明：VV极化具有更高的穿透性，能够穿透植被层到达下垫土壤并与之发生相互作用；VH极化对植被更为敏感[14]；本研究的NDBI指数则同时考虑了VH和VV极化之间的差异性。结合图3进行分析发现：VV后向散射系数值整体高于VH，说明VV极化方式更容易穿透水稻植株，在其后向散射系数中包含了更多的来自稻田表面的回波能量，而VH极化的穿透性稍弱，其回波能量主要来自于植株。在幼苗期至分蘖初期VV和VH曲线都呈上升趋势，其原因在于此阶段水稻叶片细少，植株矮小且分布稀疏，散射类型以二次散射(图2C或图2F)和镜面散射(图2D)为主，只夹杂了少量的由水稻幼苗至分蘖初期贡献的体散射(图2E)能量。期间未出现降雨，VV和VH曲线呈单调上升趋势。NDBI曲线也呈上升趋势，并在幼苗期至分蘖期过程中到达整个生长期的最高值，这是因为VV的上升速度较VH更快，二者的差异经NDBI方法放大形成的。在分蘖中期至长穗期，出现了2次降雨，造成了VV和VH曲线不同程度的波动。其中5月16日的降雨使VV曲线由上升转为下降，5月28日前1日出现的5.5 mm降雨，使VV和VH曲线都出现了大幅下降，原因可能由于稻田内部形成较厚积水层，部分微波信号被积水层吸收[15]。NDBI曲线在上述降雨时间点上的变化较为平缓，表现为分蘖中后期单调下降后平稳进入长穗期，其原因在于水稻不断分蘖拔节，植株不断伸长，冠层叶片趋于密集，主要由VH贡献的漫反射(图2B)和体散射能量增加，VV穿透植株经水面反射的回波能量被植株消减降低，二者的差异逐渐缩小，相应的NDBI也有所下降。从长穗期到结实期直至收割期间，出现了3次降雨，对VV和VH曲线的趋势产生了或同向或反向的无规律波动影响，影响程度相较于分蘖期略轻微。NDBI曲线则保持较平稳上升的趋势，几乎不受降雨影响。其原因在于长穗期的叶面积指数和植株高度均达到最大，此时的水稻植株粗壮，冠层茂密，水面二次散射和镜面散射的回波信号受到冠层阻挡，而接收到的回波信号多为植株表面散射，以漫反射和体反射为主，因降雨引起的稻田水面二次散射和镜面散射的回波能量变化受到冠层较多衰减，在曲线的趋势上并不能明显体现。水稻在结实期不断成熟过程中，稻粒体积和质量不断增加，逐渐压弯茎秆，造成植株高度小幅降低，使得VV回波能量小幅提升，VH回波能量则小幅下降，二者在结实期的差异经NDBI放大后得到曲线小幅上升的结果。NDBI曲线在早晚2季水稻的生长周期中都体现出相近的变化趋势，即在幼苗期和分蘖期为快速上升至最高值，在分蘖中后期到长穗初期开始下降，在长穗期到结实期为平稳小幅上升。
对时序曲线的波动程度评价，采用二次多项式分段拟合并求平均曲率的方法，平均曲率越低，表明该曲线波动幅度越小，越趋于平稳。
$$ \overline K = \frac{1}{n}\mathop \sum \limits_{i = 2}^{n - 1} \frac{{\left| {P_i^{''}} \right|}}{{{{\left( {1 + P{{_i^{'}}^2}} \right)}^{\frac{3}{2}}}}}\text{。} $$ (2) 式(2)中：
$\overline K$ 为平均曲率，$n = 1,\;2,\; \cdots ,\;23$ 为时间序号，$ i\in n $ ，$ {P}_{i} $ 是对第i−1、i、i+1期极化特征值组成的曲线进行二次多项式拟合得到的函数，$P_i^{'}$ 和$P_i^{''}$ 分别是$ {P}_{i} $ 函数的一阶导数和二阶导数。经计算，NDBI曲线的平均曲率为0.86，VV和VH曲线的平均曲率分别为2.90和2.31。说明NDBI曲线的变化趋势更为平稳，受降雨不规则波动的影响更小，能够更清晰地反映水稻的长势变化。
2.2 Planet光学卫星验证
引入Planet光学卫星在线高分辨率影像数据对极化特征时序曲线进行验证，从可见光的角度直观的观测目标实验田的水稻长势情况。通过目视解译并结合已有研究，可大致推断水稻在当月所处的生长阶段。由图4可见：3和4月影像(图4A和图4B)的色调以当地黄土壤背景色为主，夹杂少量淡绿色，可判断此时水稻正值幼苗期，植株矮小叶片稀疏；5月影像(图4C)的色调为浓绿色，可判断此时水稻为分蘖拔节期，叶片生长旺盛；6月影像(图5D)的色调相比5月略淡，可判断此时水稻进入长穗期和结实期；7月影像(图4E)的色调重新回到土壤背景色，表明水稻经过结实期后已完成收割。晚稻的光学影像(图4F~I)在色调也具有与早稻相似的变化特征，其共同在时序上反映出的生长阶段，可与2.1小节中对NDBI时序曲线的分析结果相对应[12]。
图 4 2018年3−11月的Planet卫星影像示意图Figure 4 Satellite images of Planet from March to November, 20183. 讨论
降雨对后向散射系数的影响普遍存在，会在水稻种植期间后向散射系数时间序列上造成不同程度的波动。在本研究区中，5−7月处于早稻的长穗期，该阶段植株结构变化趋于平缓，但由于期间多次降雨，导致VH和VV时序曲线分别在4.0和3.5 db的范围内出现了波动，这一观测结果与梁瀚月[8]研究结果十分接近。后者所处江西省南昌市的水稻研究区，在5−6月受地当地降雨影响，使得VH和VV时序曲线分别在4.7和3.3 db内出现了波动，且曲线形态也呈现与本研究相似的先快速上升后快速下降的趋势。而NDBI时序曲线，相较于上述单一极化方式在这一时间段中则更趋于平稳。
在水稻生长的中后期，水稻的体散射特征逐渐显现，散射强度由弱转强，NDBI方法可较清晰地展现这一特征，并且与韩宇[5]利用全极化数据获得的水稻生长中后期的体散射变化趋势一致。体散射的强弱通常与植被茎叶密集程度，以及水稻的成熟度密切相关，因此，用NDBI方法可以更直观地表现出水稻长势阶段的规律特征。
4. 结论
本研究在常规的VV和VH后向散射系数时序分析的基础上提出了NDBI方法，并对比分析了三者在水稻生长期中的极化特征表现，尤其是受降雨影响的程度。研究发现：降雨发生后，短时间内会使VH和VV的后向散射系数出现较大波动，从而对水稻当前生长阶段的判断产生干扰；而同期的NDBI曲线则能有效地消减这一影响，更准确地反映水稻长势规律。通过这一手段，得到了水稻生长期中极化特征变化规律：幼苗期主要以二次反射为主，而从分蘖拔节时期开始到长穗期再到结实期直至收割，体反射和漫反射不断增强，二次散射逐渐减小。
-
图 1 近自然森林经营知识框架网络
Figure 1 Network of close to nature forest management knowledge framework
图 3 近自然经营知识服务系统功结构
Figure 3 Close to nature forest knowledge service system function structure
图 5 近自然经营知识服务系统框架
Figure 5 Framework of the close to nature forest knowledge service system
图 6 近自然经营知识服务系统知识浏览查询界面
Figure 6 Knowledge browse query interface of close to nature forest knowledge service system
图 7 近自然经营知识服务系统代码级调用服务示例界面
Figure 7 Code level call service sample interface of close to nature forest knowledge service system
表 1 知识表示方法比较
Table 1. The knowledge representation method comparison
表示方法 基本形式 特点 应用 一阶谓词 谓词公式。 优点:精确性、严密性、自然性较好。
缺点:效率低，不能表示不确定的知识。问答系统、问题求解系统、机器博弈、机器人行动规则。 产生式规则 P→Q或If P then Q。
P.前提，结论或操作。优点:自然性、模块性、清晰性较好。
缺点:效率不高，不能表达结构性知识。经验性及不确定性的知识表达、问题求解过程相对独立的情况。 框架 < 框架名>
槽名n:
约束:优点:结构性、继承性、自然性较好。
缺点:不善于表达过程性知识。事实性知识的表达。 语义网络 (节点1，弧，节点2)。 优点:结构性、联想性、自然性较好。
缺点:处理复杂，不严格。多用于语言理解系统。 剧本 剧本，剧本组成（进入条件、角色、道具、场景、结局）。 优点:自然性、场景性较好。
缺点:呆板、表达能力有限。计算机动画领域。 本体论 O::{C，R，F，A，I}(C.概念，R.关系，F.函数，A.公里，I.实例）。 优点:关系性、自然性较好。
缺点:处理复杂。本体主要在语义Weh、信息检索与异构信息的互操作等问题中应用。 
下载: 导出CSV
表 2 近自然森林经营事实性知识分类
Table 2. Close to nature forest management factual knowledge classification
编号 分类名 解释 属性组成 1 经营模式 针对具体森林对象特征在整个生命周期内采取的有抚育间伐、收获和更新的全部过程和要素集合。 编号，经营模式名称，详细技术，图例。 2 作业模式 是结合具体森林类型、地理区域和功能定位来设计和实施具体的“森林类型作业法”。 编号，作业模式名称，适用地区，树种名称，森林对象（适用条件），目标林相（发展类型名），详细技术，图例。 3 技术措施 在一定时期内为改进森林经营生产技术和生产管理而制定的方案及其实施办法。 经营技术措施名称，经营技术措施类別，详细技术，图例。 4 造林树种 近自然经营示范区中主要的造林树种信息。 树种代码，树种名称，树种别名，树种学名，树种科名……数据来源。 5 林学知识 全国自然科学名词审定委员会公布的近自然森林经营专业名词。 类别，术语，定义。
下载: 导出CSV
表 3 近自然森林经营事实性知识框架属性槽充分必要性
Table 3. Close to nature forest management factual knowledge framework attriljute slot need adequately
编号 框架名 属性槽 充分必要性 1 经营模式 编号 1.0 经营模式名 1.0 详细技术 1.0 图例 0 2 作业模式 编号 1.0 作业模式名 1.0 树种名 0.5 适用地区 0.5 适用条件 0.5 发展类型名 1.0 详细技术 1.0 图例 0 3 技术措施 经营技术措施类別名 1.0 经营技术措施名 1.0 详细技术 1.0 图例 0 4 造林树种 树种代码 1.0 树种名称 1.0 树种別名 0.5 树种分类 0.5 数据来源 0 …… 0 图例 0 5 林学知识 类別 0.5 术语 1.0 定义 1.0
下载: 导出CSV
表 4 系统对比与分析
Table 4. System contrast and analysis
系统类别 知识类型及组织方式 系统功能特点 系统适用范围 专家决策类系统 常使用产生式规则 通过对过程性知识的组织，实现决策推理功能。 适用于森林经营决策领域。 数据知识管理类系统 常使用本体表达 利用本体规则，实现领域知识的组织关联，强调知识的检索功能。 适用于森林领域的复杂知识与数据的管理。 本研究的系统 框架法表达 结构化表达事实性知识，强调知识的结构转化与知识的传播。 适用于对一般结构性强的事实性知识的管理弓共享。
下载: 导出CSV
-
[1] 陈文伟, 陈晟.知识工程与知识管理[M].北京:清华大学出版社, 2010. [2] 蒋勋, 徐绪堪.面向知识服务的知识库逻辑结构模型[J].图书与情报, 2013(6):23-31. JIANG Xun, XU Xukan. Knowledge service-oriented model of knowledge base logical structure research[J]. Libr Inf, 2013(6):23-31. [3] 王知津, 王璇, 马婧.论知识组织的十大原则[J].国家图书馆学刊, 2012, 21(4):3-11. WANG Zhijin, WANG Xuan, MA Jing. The ten principles of knowledge organization[J]. J Nat Libr China, 2012, 21(4):3-11. [4] 许燕, 曾建勋.面向科研管理的机构知识库建设政策与机制[J].图书情报工作, 2015, 59(6):22-27. XU Yan, ZENG Jianxun. The policy and mechanism of institutional repository construction for scientific research management[J]. Libr Inf Serv, 2015, 59(6):22-27. [5] 袁国铭, 李洪奇, 樊波.关于知识工程的发展综述[J].计算机技术与自动化, 2011, 30(1):138-143. YUAN Guoming, LI Hongqi, FAN Bo. Survey on development of knowledge engineering system[J]. Comput Technol Autom, 2011, 30(1):138-143. [6] 赖茂生, 屈鹏, 谢静.知识组织最新研究与实践进展[J].图书情报工作, 2009, 53(2):19-23. LAI Maosheng, QU Peng, XIE Jing. Recent development researches and practices in knowledge organization[J]. Libr Inf Serv, 2009, 53(2):19-23. [7] HILL L, ZENG M L, TUDHOPE D, et al. Next generation knowledge organization systems:integration challenges and strategies[C]//Proceedings of the 5th ACM/IEEE-CS Joint Conference on Digital Libraries (JCDL'05). Denver:IEEE, 2005:430. [8] SUMMERS E, ISAAC A, REDDING C, et al. LCSH, SKOS and linked data[C]//Proceedings of the 2008 International Conference on Dublin Core and Metadata Applications (DCMI'08). Göttingen:Dublin Core Metadata Initiative, 2008:25-33. [9] JUPP S, BECHHOFER S, STEVENS R. A flexible API and editor for SKOS[C]//6th Annual European Semantic Web Conference (ESWC2009), Berlin:Springer, 2009:506-520. [10] 吴保国, 马驰.森林培育专家系统中造林决策知识库设计与推理机求解算法研究[J].北京林业大学学报, 2009, 31(S2):9-13. WU Baoguo, MA Chi. Design of afforestation and decision-making knowledge base and research of inference engine algorithm in the silviculture expert system[J]. J Beijing For Univ, 2009, 31(S2):9-13. [11] 吴保国, 温亮宝.森林重大病虫害诊治专家咨询系统的研究[J].北京林业大学学报, 2006, 28(6):113-118. WU Baoguo, WEN Liangbao. Expert consulting system for the diagnosis, prevention and control of important forest diseases and insect pests[J]. J Beijing For Univ, 2006, 28(6):113-118. [12] 万敏. 面向农户的问题解决型农业科技知识服务系统研究[D]. 北京: 中国农业科学院, 2012. WAN Min. Study on the Problem-Solving Agricultural Knowledge Service System for Farm Households[D]. Beijing:Chinese Academy of Agricultural Sciences, 2012. [13] 马驰. 速生丰产林培育专家系统的研建[D]. 北京: 北京林业大学, 2009. MA Chi. Establishment of Fast-growing and High-yield Forest Cultivation Expert System[D]. Beijing:Beijing Forestry University, 2009. [14] 巩垠熙. 多元林业信息融合的立地知识发现研究[D]. 北京: 北京林业大学, 2013. GONG Yinxi. Study of Site Knowledge Discovery Based on Multivariate Forestry Information[D]. Beijing:Beijing Forestry University, 2013. [15] 赵振洲, 陆元昌.近自然森林经营知识模型及管理系统研究[J].福建林业科技, 2014, 41(1):137-141. ZHAO Zhenzhou, LU Yuanchang. The study on knowledge model and management system for near natural forest management[J]. J Fujian For Sci Technol, 2014, 41(1):137-141. [16] 杨树林, 胡洁萍. JSON数据交换格式及其在数据验证中的应用[J].北京印刷学院学报, 2008, 16(4):56-58. YANG Shulin, HU Jieping. JSON data exchange format and its application in data confirmation[J]. J Beijing Inst Graphic Commun, 2008, 16(4):56-58. [17] 张沪寅, 屈乾松, 胡瑞芸.基于JSON的数据交换模型[J].计算机工程与设计, 2015, 36(12):3380-3384. ZHANG Huyin, QU Qiansong, HU Ruiyun. Data exchange model based on JSON[J]. Comput Eng Des, 2015, 36(12):3380-3384. [18] 张耘凡, 柳平增, 马鸿健, 等.一种基于JSON的分布式系统架构[J].中国农机化学报, 2015, 36(5):255-257, 266. ZHANG Yunfan, LIU Pingzeng, MA Hongjian, et al. JSON-based distributed system architecture[J]. J Chin Agric Mechan, 2015, 36(5):255-257, 266. [19] 钟诗胜, 张艳.可拓知识表示及知识库系统的开发[J].计算机集成制造系统, 2008, 14(11):2184-2190. ZHONG Shisheng, ZHANG Yan. Extension-based knowledge representation and development of knowledge base system[J]. Comput Int Manuf Syst, 2008, 14(11):2184-2190. [20] 田杰, 胡秋霞, 张立新, 等.基于Web的苹果施肥系统的设计与实现[J].农机化研究, 2008(11):88-90. TIAN Jie, HU Qiuxia, ZHANG Lixin, et al. Design and implementation of apple fertilizing system based on Web[J]. J Agric Mechan Res, 2008(11):88-90. [21] 陈砣, 吕新.基于JSP的棉花施肥管理决策系统的设计与实现[J].农业工程学报, 2009, 25(3):124-129. CHEN Tuo, LÜXin. Design and implementation of JSP-based administrative decision system in cotton fertilization[J]. Trans Chin Soc Agric Eng, 2009, 25(3):124-129. [22] 张弛, 张晓东, 王登位, 等.基于组件库的生鲜农产品冷链物流云服务系统设计与实现[J].农业工程学报, 2016, 32(12):273-279. ZHANG Chi, ZHANG Xiaodong, WANG Dengwei, et al. Design and implementation of cloud service system for cold chain logistics of fresh agricultural products based on component integration[J]. Trans Chin Soc Agric Eng, 2016, 32(12):273-279. [23] 赵汨龙, 罗喜伶, 王忠波.基于SOA的民航广域信息管理架构的研究与设计[J].计算机技术与发展, 2016, 26(2):1-5. ZHAO Milong, LUO Xiling, WANG Zhongbo. Research and design of system wide information management architecture based on SOA[J]. Comput Technol Dev, 2016, 26(2):1-5. [24] 郑广成.一种SOA云服务平台架构研究与应用[J].计算机应用与软件, 2011, 28(12):228-231. ZHENG Guangcheng. An SOA cloud service platform architecture research and application[J]. Comput Appl Softw, 2011, 28(12):228-231. 期刊类型引用(1)
1. 董心君，田馨. 基于Sentinel-1的动态NDSI水稻分类方法研究. 测绘工程. 2023(05): 27-33+60 . 
百度学术其他类型引用(2)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2017.03.015
点击查看大图
计量
- 文章访问数: 682
- HTML全文浏览量: 105
- PDF下载量: 22
- 被引次数: 3
