快速城市化进程中深圳海岸带景观格局演变特征分析

综合利用GIS空间分析、景观格局指数方法和海岸带要素分类体系,从正、负生态贡献角度分析了近30年的快速城市化发展时期以及海岸带景观特征发生的深刻变化。结果表明,自然主导正生态要素边缘密度指数呈减少趋势,景观破碎化减弱,人工主导正生态要素各指数均呈下降态势。负生态要素保持持续且较快的增长速度,且以牺牲正生态要素为代价。其要素面积加权平均形状因子和斑块面积标准差均逐渐增大,景观破碎化特征显著,形态复杂。负生态要素分布和转入要素均集中在西部,东部以正生态要素为主。人口、社会经济和自然条件约束是影响深圳海岸带景观格局变化的主要因素。     

一种改进的高光谱遥感数据波段选择方法的研究

高光谱遥感数据波段多、数据量大的优点同样给数据处理带来了极大的困难,通过对已有常见波段选择方法的研究,发现其无法同时满足所选择波段相关性小、所含信息量大且光谱可分性好等要求。针对以上问题,本文提出了一种新的方法,综合使用了子空间划分、自适应波段选择和光谱可分性距离等方法,得到最优波段组合。     

基于ArcViewGIS的最佳金矿靶区圈定及可视化

GIS已经成为预测全过程的一项重要手段,尤其是在矿产勘查和预测的前期,更显示出它的优越性.本文以研究区为样本,提取与成矿有关的地层、构造、岩浆岩、遥感、物探、化探异常等多个图层,利用ArcView GIS软件对各种成矿信息进行叠加、分析、综合,实现最佳金矿靶区的确定及远景找矿区预测.     

张家界市武陵源区土地利用/土地覆盖变化分析

土地利用与土地覆盖变化(LUCC)已成为全球变化研究中的核心问题.本文利用以卫星遥感技术(RS)、地理信息系统(GIS)等技术和方法为支撑,通过面向对象的分类提取方法得到的1996～2005年张家界市武陵源区的土地利用数据,分析了该地区土地利用/覆盖的时空变化规律与机制,揭示了导致该变化发生的自然、人文驱动因素,并且提出了应对包括自然因素、经济社会发展的土地利用/土地覆盖变化对策,为该地区的土地利用规划提供了合理的参考依据.     

利用BP神经网络提取TM影像水体

常用的水体提取方法需要设定阈值,而阈值的选择通常需要反复实验才能确定。为克服这一不足,本文提出了一种基于BP神经网络和光谱特征的水体自动提取方法。首先在TM影像中提取水体样本光谱信息、谱间关系、归一化差异水体指数以及缨帽变换(K-T变换)的第三分量(TC3)特征,然后将这4个特征作为BP神经网络的训练输入参数,最后利用训练好的网络对水体进行提取。对长沙市区TM影像进行水体提取,发现该方法组合了其他方法的优点,在不设置阈值的情况下,得到了更好的水体提取效果。     

拓扑关系和方向关系的统一表达模型

统一表达空间关系中的拓扑关系和方向关系是非常有必要的。本文首先对已有的方向模型进行分析和比较,提出了一种方向模型,即采用锥形的方法将空间参照对象的内部、边界和外部分别划分出9个方向区域,描述空间目标对象与这些方向区域的交集的情况,然后结合这种方向模型和九交模型,进而提出了一种能统一表达拓扑关系和方向关系的形式化模型。     

基于中值滤波和小波变换的遥感影像去云

去云处理是遥感图像处理以及大气纠正的重要步骤,目前常用的遥感薄云去除法一般只能去除低频区域的云,而对高频区域的云则没有处理效果。因此,在研究传统小波算法对图像进行处理的基础上,引入了中值滤波,它将每一像素点的灰度值设置为该点邻域窗口内的所有像素点灰度值的中值,旨在对高频突变云区进行处理。而后结合主观视觉和客观统计分析两方面对结果进行评价,并且与传统小波去云比较,经分析表明,高频突变云有所减少,达到了预期目的。     

GIS环境下的物流配送中心选址模型研究

在分析传统的配送中心选址模型优缺点的基础上,提出了一种基于GIS的物流配送中心选址模型。该模型采用多因素参与决策的方法,结合GIS技术与空间分析方法确定最佳选址地点,最后以张家界市永定区某街道配送仓库的选址为例对模型进行了实现。     

利用在线向量机和Unscented Kalman滤波进行降水序列滤波研究

针对短周期降水序列模型估计困难、滤波误差不确定问题提出了在线向量机与Unscented Kalman滤波相结合的降水时间序列预测与滤波方法。从理论推导到真实数据的实验以及详细的误差分析证明了本方法对短周期降水序列滤波有较好的合理性和有效性。相比传统Kalman滤波方法和向量机滤波方法,该方法有更好的滤波性能和实用性。     

Landsat-8多时相遥感影像亚热带森林分类

森林类型遥感影像自动制图在森林资源调查中有重要应用,本文以广西壮族自治区金秀县为研究区,基于多时相的Landsat-8数据,采用面向对象的决策树分类方法,对研究区森林类型自动识别进行了研究,分类结果表明:1)单一时相影像森林分类精度中,生长季前期最高,生长季末期次之,非生长季最冷月最低;2)结合生长季与非生长季的多时相影像森林类型自动识别精度较单一时相影像显著提高。