排序方式: 共有17条查询结果,搜索用时 0 毫秒
11.
小冰川对气候变化非常敏感,监测与定量评估此类冰川变化有助于理解冰川对气候变化的响应幅度与机制。本研究结合多源遥感数据(卫星遥感与无人机航测),分析了近50年来青藏高原念青唐古拉山廓琼岗日1号冰川面积变化趋势,定量评估了该冰川近期的冰面高程变化幅度与空间分布。结果表明,1968—2021年廓琼岗日小型冰斗冰川的面积从(1.444±0.013) km2缩减至(0.712±0.001) km2,萎缩幅度达到50.7%,冰川末端退缩平均速率约为(6.23±0.71) m·a-1。基于2020—2021年高精度无人机航测数据发现,廓琼岗日1号冰川冰面平均高程差达到(-2.41±0.69) m,冰川末端高程变化大于3 m,中部的冰面高程下降幅度在1.5~3 m之间。研究还发现冰川表面河道对冰面高程空间变化起着重要作用,该冰川表面共发育有13条表面河道,2020—2021年河道向西北方向偏移约2 m。冰面河道的向下侵蚀与侧向消融导致末端冰面高程变化呈现显著的空间差异。 相似文献
12.
13.
一种基于LiDAR点云的建筑物提取方法 总被引:2,自引:0,他引:2
从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于LiDAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取。通过两组试验,共5组数据验证本文算法的性能。试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性。 相似文献
14.
为较好地解决自由形状线特征匹配研究中线特征丰富信息的充分利用与有效描述这对矛盾,提出一种利用分级匹配策略的遥感影像匹配方法。为保证方法具有较高的匹配精度,从影像中检测亚像素边缘并进行有效的跟踪以得到连续性较好的自由形状线特征;再从中提取闭合线特征、线特征交点和角点等较稳定的特征作为共轭实体进行粗匹配,在确定各类特征的待选同名特征后,根据面积、角度等几何信息以及模型参数的分布特点逐步剔除误匹配,进而利用同名特征确定精匹配的初始参数;精匹配时对线特征中的亚像素边缘点加以利用,采用多层次二维迭代最邻近点(ICP)法依次利用由低到高采样率的边缘点进行匹配。试验结果表明,粗匹配选取的特征性能稳定,具有较高的匹配正确率和精度,能为精匹配提供较准确的初始参数,精匹配能达到与最小二乘影像匹配相当的亚像素级匹配精度,并且对具有较小仿射变形的影像也能实现稳定、准确的匹配。 相似文献
15.
城市人口的高度密集,带来了交通拥挤、环境污染、城市用地紧张、能源严重短缺等多种城市问题。因而当今社会,人们在城市的发展过程中不仅眼睛向上(指向高空发展),而且业已朝下(指向地下空间)盘算了。 相似文献
16.
遥感影像地物分类多注意力融和U型网络法 总被引:1,自引:0,他引:1
经典的卷积神经网络在对遥感影像进行地物分类的过程中,由于影像中的地物尺寸和光谱特征差异较大、待分类目标背景环境复杂等问题,经典影像分类方法很难得到理想的分类结果。针对这些问题,本文借鉴U型卷积神经网络多层次特征融和的思想,提出了多注意力融和U型网络(MAFU-Net)。该网络利用注意力模块提取和处理不同层次的语义信息,强化不同位置像素和不同特征图之间的相关性,进而提高网络在复杂背景条件下的分类性能。为了验证本文提出的网络在遥感影像地物分类中的效果,分别在ISPRS上的Vaihingen数据集以及北京、河南两地区高分二号数据集上进行了试验,并与目前主流的语义分割网络进行了对比。试验结果表明,相比其他网络,本文提出的MAFU-Net在不同特点的数据集上均可以得到最佳的地物分类结果。同时,该网络结构简单、计算复杂度低、参数量少,具有很强的实用性。另外,本文充分利用特征可视化手段进行MAFU-Net和其他网络的分类性能对比分析,试验结果表明,目前多数深度学习网络模型的深层次原理和作用机制较为复杂,无法准确解释特定网络为何在某种数据集中会失效。这需要研究人员进一步通过更加高级的可视化表达方法和量化准则来对特定深度学习模型及网络性能进行分析评价,进而对更加高级的模型结构进行设计。 相似文献
17.
为充分利用遥感影像的多尺度特征,解决遥感影像尺度差异、类间相似和类内差异等现象给高精度场景分类造成的困难,本文提出了一种注意力引导特征融合和联合学习的遥感影像场景分类方法。首先,利用深层卷积神经网络提取影像不同层次的特征图;然后,利用设计的残差注意力机制增强不同层次特征图的语义信息、抑制冗余噪声信息;最后,使用全局均值池化获取不同层次特征图的全局信息以构建特征向量,并将不同层次的特征向量融合,3个不同层次的特征向量及融合后的特征向量分别采用独立的全连接层进行分类。利用联合损失训练网络参数,采取多分类器决策级融合的方式提高预测的稳健性。在UC Merced、AID和NWPU-RESISC45数据集上的试验结果表明,本文方法显著改善了对相似场景及类内差异显著场景的辨识能力,与使用多尺度特征的同类型场景分类方法相比,总体分类精度分别提高0.84%、4.04%和4.43%。 相似文献