1. 研究目的与意义
1.1.研究背景
互花米草(学名:Spartina alternifloraLoisel.)是禾本科、米草属多年生草本植物。互花米草的原产地位于大西洋沿岸，互花米草最适宜生长的地带是高潮带下部至中潮带上部宽广的潮间带[1]，得益于互花米草的一系列利于种群生存和扩散的机制，比如互花米草强大的耐盐和耐淹能力，使得互花米草在许多被引入的地区快速扩散[2]。
1979年，由南京大学仲崇信教授等将互花米草引入，1980年试种成功，并推广到广东、福建、浙江、江苏和山东等沿海滩涂上种植。现今，互花米草已经扩张到我国沿海地区的大部分淤泥质滩涂，不同规模的互花米草盐沼在我国的江苏、浙江、上海和山东等省份大量地分布。最初互花米草的引进，是希望通过互花米草固定沉积物的能力来保护海岸线。在现今，全球河口压力越来越大、河流沉积供应减少、海平面上升速度不断加快、预计风暴频率和强度不断增加的背景下，互花米草的部分优点，显现的越来越重要。但是由于互花米草会破坏近海的生物栖息环境，影响滩涂养殖、堵塞航道，影响船只出港、影响海水交换能力，导致水质下降并诱发赤潮、危害本土海岸生态系统，导致大片红树林消失。2003年，中国国家环境总局和中国科学院将互花米草列入《中国第一批外来入侵物种名单》[3]。
2. 研究内容和预期目标
3.1研究内容
1.分析盐城滨海湿地互花米草入侵和扩张的演变规律
梳理国内外关于盐城滨海湿地互花米草入侵现状的文章，基于哨兵2号卫星和Landsat系列卫星影像数据采用随机森林算法提取互花米草信息，并与马喜君[23]和王大卫[24]等的研究结果进行对比分析，揭示盐城滨海湿地在不同年份互花米草入侵和扩张的现状和规律。
3. 研究的方法与步骤
| 4.1研究方法 4.1.1随机森林（RF）方法 随机森林（Random Forest, RF）是Bagging（自举汇聚法）算法的1种，使用CART决策树作为弱学习及其的Bagging方法就是随机森林方法。随机森林算法和一般的Bagging算法在很多方面不同，随机森林方法的随机性更强，与一般的CART树选取全部的特征进行建模不同，随机森林的每个树选取的特征都仅仅是随机选取出来的少数特征，一般默认为待征总数m的开方，这样1种特征的随机性也就造就了随机森林更强的随机性。在样本量上，与一般Bagging算法不同，随机森林会选择采集和训练集样本数N一样个数的样本。随机森林还拥有更好的泛化能力和抗过拟合能力。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
4. 参考文献
|
