排序方式: 共有88条查询结果,搜索用时 15 毫秒
11.
常规化探异常信息识别通常都是通过对比观测值与某一异常阈值的高低来判定某样品是否为异常样品,很多方法或者建立在经典统计学基础之上,要求数据符合一定的分布形式,或者面向整个研究区计算异常阈值,而无法顾及实际的地质环境。根据常规方法以数值大小计算异常阈值的原则,并且关注化探数据分布特征信息的分析和挖掘,提出了晕状特征提取方法,该方法能够有效识别局部异常及低缓异常。将此方法用于克拉玛依地区对金矿预测具有指示意义的化探数据的异常信息识别工作,结果表明:该方法能够有效识别化探异常信息,这些异常信息与研究区内已知金矿具有很好的对应关系。晕状特征提取方法在新疆东部的应用案例也显示出较好的结果。该方法可以作为一种有效的化探异常信息识别方法应用于成矿预测实际工作中。 相似文献
12.
TVDI用于干旱区农业旱情监测的适宜性 总被引:8,自引:0,他引:8
基于地表温度/植被指数(Ts/VI)特征空间建立的温度植被干旱指数(TVDI)受诸多因素的影响,其中一个重要的影响因素是植被指数,该指数在高、低植被覆盖时的敏感性不同,从而导致TVDI对旱情监测的准确度不同.针对这一问题,以新疆塔里木盆地北缘渭干河-库车河三角洲绿洲为研究区,选择2011年4月、8月两景TM影像,利用归一化植被指数(NDVI)和比值植被指数(RVI)分别建立Ts/VI特征空间,线性拟合特征空间的上、下边界,计算得到两种温度植被干旱指数(TVDI-NDVI、TVDI-RVI).用TVDI与同期野外实测的土壤含水量数据进行回归分析.结果表明:(1)植被指数、地表温度、土壤水分之间有显著互动关系,以不同植被指数计算得到的两种TVDI与表层土壤水分相关性较好,均能够反映区域土壤干旱状况;(2)由于植被指数对植被探测的敏感性,在4月低植被覆盖时,TVDI-NDVI与表层土壤水分的相关性较高,为0.4299,8月高植被覆盖时,TVDI-RVI与表层土壤水分的相关性较高,达到0.5791;(3)在低植被覆盖区域,NDVI较RVI敏感,而在高植被覆盖区域,RVI敏感性较高.RVI适用于高植被覆盖时反演土壤湿度,NDVI则更适用于中、低植被覆盖时. 相似文献
13.
14.
基于地表温度-植被指数特征空间的区域土壤水分反演 总被引:6,自引:1,他引:5
针对目前西北地区广泛存在的农业干旱问题,选取了新疆塔里木盆地北缘渭干河-库车河三角洲绿洲为研究区,选择云量较少的两幅TM影像,建立地表温度-植被指数特征空间。首先利用线性方程拟合了特征空间的上下边界,比较利用归一化植被指数(NDVI)建立的地表温度-植被指数特征空间Ts/NDVI和利用改进型土壤调整植被指数(MSAVI)构建的地表温度-植被指数特征空间Ts/MSAVI形状的差异,并计算得到两种温度植被干旱指数(Temperature vegetation dryness index-TVDI,分别为TVDIN和MTVDI)。对TVDI与同期野外不同深度的实测土壤重量含水量数据进行回归分析,建立TVDI估测土壤水分的经验模型并对模型进行验证。研究结果表明,TVDIN和MTVDI均能够反演表层土壤水分,其中MTVDI与土壤水分相关性比TVDIN与土壤水分相关性要高,MTVDI能够更好地反映区域土壤水分状况,是一种更有效的土壤水分监测方法,对农业干旱监测具有一定的科学依据。 相似文献
15.
土壤理化性质影响土壤质量,直接决定作物的产量,极易受到灌溉的影响。选择新疆典型绿洲——渭干河-库车河三角洲绿洲作为靶区,利用土壤光谱反射率预测土壤的电导率、pH值。首先,对土壤光谱反射率做变换,得到18种形式的反射率;其次,对18种形式的反射率与土壤电导率、pH值进行相关与回归分析,得到预测方程;最后,验证预测方程的精度,并确定最佳方程。结果显示:可以用土壤的光谱反射率预测土壤电导率、pH值,土壤电导率的预测方程为反射率的一阶导数微分形式,均方根误差为0.184;土壤pH值的预测方程为倒数的二阶导数微分形式,均方根误差为0.278。快速预测土壤电导率、pH值可以为土壤质量的评价提供数据基础,有利于正确有效地指导农业生产。 相似文献
16.
以新疆于田绿洲为例,以Landsat TM/ETM+为基础数据源,利用空间分析方法、3S技术方法等定量分析于田绿洲平均温度的分布特征,得出地表温度受下垫面类型的影响比较明显,地表土地类型的分布基本决定地温的总体分布;通过对温度相异图的研究,发现温度的分布同时也受到不同土地利用类型空间分布的影响;对克里雅河下游河段进行温度变化的趋势分析,得出在南北方向上,没有温度变化趋势,而在东西方向上,温度变化比较明显。同时也说明克里雅河对其河道两边的影响范围十分有限。 相似文献
17.
以环境小卫星高光谱影像为主要数据源,在野外实测样本的支持下进行光谱反射率及其变换形式与土壤含盐量的相关性分析,筛选盐渍化土壤响应敏感波段,利用曲线回归分析方法,建立基于高光谱影像的新疆渭干河-库车河绿洲土壤含盐量定量反演模型.结果表明:研究区土壤含盐量的影像响应波段基本位于近红外波段,其中以780~924 nm波长范围最佳,相关系数R≈0.8;反射率对数的倒数一阶微分土壤含盐量预测模型精度最高,回归方程为Y=-4.152-27.735X+769.813X2,模型及其检验的决定系数都在0.88以上,均方根误差约为3.该模型的建立可为区域盐渍化土壤信息的提取及监测提供参考. 相似文献
18.
基于MSAVI-WI特征空间的新疆渭干河-库车河流域绿洲土壤盐渍化研究 总被引:5,自引:0,他引:5
土壤盐渍化是造成干旱区土地荒漠化及生态恶化的重要原因,及时获取大尺度高精度土壤盐渍信息是防治工作的基础。选取新疆塔里木盆地北缘渭干河—库车河流域三角洲绿洲为研究区,利用Lansat-TM数据与野外实测数据分析盐渍化土壤与修改型土壤调整植被指数(MSAVI)、湿度指数(WI)之间的关系,在此基础上提出了MSAVI-WI特征空间概念,构建了土壤盐渍化遥感监测指数模型(MWI)。结果表明:MWI与土壤表层含盐量相关性较高,其相关性为0.844,精度高于土壤盐渍监测常用的盐分指数与实测数据的相关性。MWI能较好的反映盐渍化土壤地表植被及土壤水分的组合变化,具有明确的生物物理意义,并且特征参量简单,理论上易于理解,实践上易于实现,MWI模型的构建有利于干旱区大尺度土壤盐渍化定量监测与评价工作的开展。 相似文献
19.
20.
基于不同窗口纹理特征的SVM土壤盐渍化信息提取方法与精度分析研究 总被引:3,自引:1,他引:2
以塔里木盆地北缘绿洲--渭干河-库车河三角洲绿洲为例,借助ENVI遥感软件,利用ETM+数据,探讨了该绿洲土壤盐渍化信息提取的方法.传统的遥感图像分类方法多数在解决问题上存在精度不高、分类效率较低、不确定性强的缺陷,所以,选择好的分类方法对于提取盐渍化信息是至关重要的.近年来,将SVM应用于遥感图像分类已成为新的发展趋势.文章提出了基于纹理特征的支持向量机(Support Vector Machine,SVM)的分类方法,得出以下结论:分别结合3×3,5×5,7×7,9×9,11×11,13×13窗口纹理特征和光谱的SVM分类精度都很高,达到93%以上.并且在验证分类精度时,发现结合光谱和9×9窗口纹理信息的SVM分类的结果更符合实际情况.所以说加入纹理特征后使得光谱信息比较接近的3类地物(重度、中度、轻度盐渍地)的区分性增大,从而使精度提高.因此,基于纹理特征的SVM分类方法更有利于遥感图像分类和盐渍化信息监测,是地物遥感信息提取的有效途径. 相似文献