排序方式: 共有29条查询结果,搜索用时 528 毫秒
11.
在GPS高程拟合中,粗差往往影响着整个拟合的精度,粗差剔除是GPS高程拟合中的重要一步.论文中采用了循环稳健估计和F-T的组合法,这种方法可以有效弥补稳健估计的不确定性,F-T法运用严密的概率统计论的方法,能进行整体拟合粗差的检验和单个粗差的检验,我们发现这两种方法的结合可有效、彻底地剔除含有多个粗差的数据,使拟合精度更高. 相似文献
12.
在调兵山地区,选择61个已知点作为起算数据,采用移动三角面法和双二次多项式曲面内插法建立该地区的DEM模型。经实验分析发现,移动三角面法建立的DEM内插中误差值要高于双二次多项式曲面内插中误差值,尤其在地势变化比较大的区城内插精度比较高,适合地形起伏变化较大区域的高程内插。双二次多项式曲面法建立的DEM在地势变化比较平缓的地区内插精度要高于移动三角面法,适合地形起伏较小地区的高程内插。 相似文献
13.
针对传统小波阈值去噪分析的不足,分别从两个方面进行改进:1)根据小波系数在各尺度上的相关性,提出基于Lip指数阈值寻优的新方法;2)用构造的新小波阈值函数处理小波系数,克服了软阈值的高阶不可导和硬阈值函数的不连续,且计算方便。最后使用新方法对一组离散变形数据进行去噪处理,验证了其有效性和优越性。 相似文献
14.
15.
叶面积指数LAI (Leaf Area Index)是调节植被冠层生理过程的最重要的生物物理变量之一,高空间分辨率时间序列LAI对于植被生长检测、地表过程模拟与区域和全球变化研究至关重要,但是由于数据缺失和反演方法限制,目前还没有时空连续的高分辨率LAI数据产品。本研究提出了一种生成时间连续的高空间分辨率LAI数据的算法,首先对MODIS LAI产品滤波平滑,生成时间序列LAI的上包络曲线,根据上包络曲线提供的变化信息构建LAI动态模型。然后利用地面实测的LAI数据与Landsat反射率数据构建LAI反演的BP (Back Propagation)神经网络模型。将反演得到的高分辨率LAI数据作为LAI观测数据,利用集合卡尔曼滤波EnKF (Ensemble Kalman Filter)方法实时更新动态模型,生成时间连续的30 m空间分辨率LAI数据集。基于该算法生成了塞罕坝地区2000年—2018年长时间序列LAI数据集,利用Prophet深度学习模型进行模拟和预测,根据预测和原始LAI差异,利用支持向量机SVM (Support Vector Machine)方法检测植被干扰状况。结果表明:EnKF算法能够生成时空连续的高空间分辨率LAI数据,估算结果与地面测量值一致性较高,R~2为0.9498,RMSE为0.1577,在区域尺度上与Landsat LAI参考值较为吻合,R~2高于0.87,RMSE低于0.61。Prophet与SVM模型检测到研究区2009年,2010年,2013年,2014年,2015年植被受干扰较为严重,主要由于年降水量偏少和林区作业砍伐造成,检测结果与当地降水量与砍伐数据吻合。本文提出的算法可用于大范围高时空LAI数据反演和植被变化检测,对塞罕坝乃至全国林区规划管理具有重要的参考价值。 相似文献
16.
17.
18.
为了分析异常值对钟差预报模型的影响程度,首先,通过对钟差数据进行绘图分析来识别钟差数据中的异常值;其次,利用中位数法(MAD)和一种基于中位数的小波阈值法钟差数据预处理策略(WMAD)分别对钟差数据中的异常值进行处理;最后,利用处理前、后的钟差数据建模预报钟差,并分析各模型预报的效果。结果表明:较小的异常值对二次多项式和灰色模型2种模型预报的效果影响不大,但会影响时间序列、卡尔曼滤波及小波神经网络3种模型的预报精度。 相似文献
19.
本文选取某地区74个已知点(大地高和高程异常值已知)作为实验数据,选择46个点作为建模点,选择28个点作为外检验点,选择多项式曲面拟合模型和双次多项式曲面拟合模型及泰勒多项式拟合模型的方法来建立该地区GPS高程拟合模型,并研究不同模型对拟合精度的影响。通过VB程序设计语言实现拟合模型的建立并进行精度比较。通过实验证明,在多项式曲面拟合模型中二次曲面模型拟合效果最好,次数增加时出现龙格现象;在双高次曲面拟合模型及泰勒多项式曲面拟合模型中双三次拟合和泰勒二次多项式拟合效果最佳。通过实验比较,可以得出在多项式曲面拟合模型中双三次曲面拟合模型的拟合效果最好。 相似文献
20.
为了避免条带噪声去除过程中丢失影像细节,提出一种基于小波变分法去除遥感影像条带噪声。首先,对含有条带噪声的遥感影像进行小波分解;其次,通过构建的条带保留变分模型(SPVM)去除低层高频分量(含条带噪声)中的细节信息而保留条带噪声,从而有效分离出低层高频分量(含条带噪声)中的细节信息;通过构建的条带去除变分模型(DVM)去除高层高频分量(含条带噪声)中的条带噪声,从而有效地保留高层高频分量(含条带噪声)中的细节信息;最后,通过小波重构,获得去噪影像。试验证明本文方法在去除条带噪声的同时基本没有丢失影像细节,去噪后的影像对比度及质量都是最优的。 相似文献