排序方式: 共有48条查询结果,搜索用时 31 毫秒
31.
遥感数据因其全覆盖的优势被广泛应用于山地植被信息的调查和研究。为了实现山区植被类型的高精度提取,本文以太白山区为实验区,结合山地植被的垂直地带性分布规律,利用太白山植被垂直带谱、高分辨率遥感影像(GF1/GF2/ZY3)和1:1万的数字表面模型(Digital Surface Model, DSM)数据,进行了多层次、多尺度的影像分割,构建了具有植被垂直带谱信息的地形约束因子,并据此进行样本选择和面向对象的分类,分类总精度达92.9%,kappa系数达到0.9160。该方法相比于未辅以垂直带谱信息的分类,总精度提高了10%。研究结果表明,分类过程中加入具有垂直带谱信息的地形约束因子,能显著地提高样本选择的效率和准确率,为后续的植被分类提供了精度的保证。通过人机交互的方式,将垂直带谱知识应用到分类中,可以有效地提高山地植被分类的精度。 相似文献
32.
33.
34.
35.
以近期发表的《1962—2014年秦岭主峰太白山地区积雪变化和成因分析》为例,结合已发表的其它科技论文,从论文选题、资料整理、分析方法、论文撰写、图表设计选择、期刊选择和申请科研项目几个方面,总结个人撰写科技论文的一点体会,供业务服务一线科技工作者参考。 相似文献
36.
伸展正断层下盘的冷却历史记录了主要伸展变形的时间及幅度.太白山位于秦岭北缘,作为伸展正断层的下盘,其新生代伸展隆升冷却历史有助于我们更好地理解渭河盆地的伸展变形时间及其幅度.本文利用磷灰石裂变径迹分析方法对太白山的冷却历史进行了研究.来自太白山总计17个样品的磷灰石裂变径迹数据及热历史模拟揭示出山体经历了始于约48 Ma的小幅度快速抬升冷却阶段,和始于约9.6 Ma的大幅度快速抬升冷却阶段;分别对应平行于秦岭北缘山脉的两阶段伸展变形.始于约48 Ma的伸展变形可能是印度板块与欧亚板块碰撞作用在大陆内部的远场响应,而始于约9.6 Ma的快速伸展变形可能与青藏高原在该时期快速隆升和对外扩展有关. 相似文献
38.
植被分类是森林资源调查与动态监测的基础与前提。当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限。微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力。本文利用2018年Sentinel-1A微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图。首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类。实验结果表明:① 与传统机器学习方法(如RF、SVM)相比,本文提出的深度循环网络方法的分类精度提高10%以上;② 在Sentinel-1A微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③ 使用全年的时间影像构建时间序列分类精度最高,达到82%。研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林植被分类研究提供了新的思路。 相似文献
39.
基于SNOMAP算法及ARCGIS软件,利用2000—2017年Landsat TM数据提取秦岭主峰太白山积雪面积及冬半年雪线,同时结合10个气象站点的气象观测数据,分析太白山积雪变化情况,太白山积雪变化与平均气温、降水量的关系。结果表明:通过与气象观测数据及监督分类结果的比较,应用SNOMAP算法提取太白山积雪面积结果可靠;2000—2017年冬半年,太白山积雪面积在波动中呈减少趋势。较2000年积雪面积减少的年份有13 a,平均减幅为1410%,减幅最大的是2014年,为2868%;太白山冬季雪线高度均在3 000 m以上,且雪线高度在波动中呈上升趋势。积雪面积与冬半年平均气温及降水量之间的相关系数均未通过显著性检验,但与平均气温相关系数更高,积雪面积与冬半年平均气温相关性较降水量大。 相似文献
40.
依据气候季节划分标准,基于太白山拔仙台、文公庙、汤峪1号、鳌山气象站建站至2022年2月日气温资料,太白、眉县气象站1961—2020年常年气温资料和气温随海拔高度递减规律,划分太白山高山区历年和常年气候季节。高山气象站监测资料统计结果显示拔仙台气象站2019年6月—2022年2月连续3 a只有冬季;研究发现太白山3 200 m以上的文公庙、汤峪1号、鳌山等气象站常年气候季节为无夏区,且冬季长度平均都在300 d以上;其中3 730 m的拔仙台气象站及以上山区为常冬区。近60 a拔仙台气象站常年气候季节指标逐渐趋近无夏区,未来10~20 a有可能转为无夏区。 相似文献