排序方式: 共有6条查询结果,搜索用时 31 毫秒
1
1.
2.
本文侧重于介绍智能化摄影测量机器学习的高差拟合神经网络方法。观测手段和处理方式等限制导致全球高质量无缝DEM数据的缺乏,进而制约了它在水文、地质、气象及军事等领域的应用。本文提出了一种基于高差拟合神经网络的多源DEM融合方法,尝试融合全球DEM产品SRTM1、ASTER GDEM v2和激光雷达测高数据ICESat GLAS。首先,根据ICESat GLAS的相关参数及与DEM数据的高程差值,结合坡度自适应的思想设置高差阈值对ICESat GLAS进行滤波,剔除异常数据点。然后,以ICESat GLAS数据为控制点,利用神经网络模型拟合ASTER GDEM v2的误差分布。以地形坡度信息和经纬度坐标作为网络输入,ICESat GLAS和ASTER GDEM v2的高程差值作为目标输出,训练得到预测高差,将其与ASTER GDEM v2高程值相加即可获得校正结果。最后,引入TIN差分曲面的方法,利用校正后的ASTER GDEM v2高程值对SRTM1的数据空洞进行填充,融合生成空间无缝DEM。本文通过随机选取数据进行真实试验,对模型进行了精度验证,并给出了处理结果的定量评价和目视效果。结果表明,不论是空洞还是整体区域,本文方法相比其他DEM数据集和其他方法的处理结果都能够在RMSE上表现出优势,同时,本文提出的方法能够有效克服ASTER GDEM中异常值的影响,得到空间无缝DEM。 相似文献
3.
研究土地利用时空变化特征对促进区域生态经济协调发展具有重要意义.以延河流域为例,基于不同时期遥感影像,借助RS、GIS和ENVI软件平台技术,获取了1980-2015年延河流域土地利用变化状况,并进行了土地利用转移分析;在此基础上解译了不同时期的土地利用类型,分析了延河流域土地利用时空变化特征和影响因素.结果表明,1980-2000年流域内土地利用结构整体变化较小,耕地、林地、草地3类土地利用面积相互转化频繁但整体面积趋于稳定,建筑用地面积增加了1.25倍;2000-2015年流域内耕地、林地和草地发生了显著变化,其中耕地面积减少了28%,林地面积增加了40%,草地面积增加了15%,建筑用地面积增加了近两倍,但比例很小,未利用地和水体变化幅度不明显;2000年前后流域内土地利用变化空间特征存在明显不同,2000年之前各土地利用类型变化主要发生在延安市区,2000年之后整个流域地区均有不同土地利用类型的转移;2000-2015年国家"退耕还林、草"生态修复政策、产业经济生产总值不断上升、人口数量稳定增长、城镇化发展迅速等均对流域土地利用结构产生了影响. 相似文献
4.
5.
由于Nyquist采样定理的限制,高分辨率气象雷达面临采样率过高、数据存储量过大等问题。压缩感知理论可以实现气象雷达信号的压缩采样,解决采样率过高等问题。基于压缩感知理论,分析了气象雷达回波信号的稀疏性,建立了气象雷达回波信号的压缩采样和重建的过程,并结合气象雷达实测的回波数据进行仿真。仿真结果表明,0.3倍采样率下的重建回波与原始回波存在较大误差,0.5倍采样率时误差明显降低,0.7倍采样率时则可高概率重建出原始回波。因此,将压缩感知理论应用于高分辨率气象雷达的信号处理中,可以实现在较低采样率下高概率重建原始回波信号。 相似文献
6.
1