全文获取类型
收费全文 | 214篇 |
免费 | 16篇 |
国内免费 | 12篇 |
专业分类
测绘学 | 138篇 |
大气科学 | 13篇 |
地球物理 | 13篇 |
地质学 | 23篇 |
海洋学 | 8篇 |
天文学 | 3篇 |
综合类 | 19篇 |
自然地理 | 25篇 |
出版年
2024年 | 1篇 |
2023年 | 1篇 |
2022年 | 6篇 |
2021年 | 8篇 |
2020年 | 10篇 |
2019年 | 13篇 |
2018年 | 8篇 |
2017年 | 17篇 |
2016年 | 22篇 |
2015年 | 16篇 |
2014年 | 20篇 |
2013年 | 17篇 |
2012年 | 11篇 |
2011年 | 12篇 |
2010年 | 8篇 |
2009年 | 5篇 |
2008年 | 14篇 |
2007年 | 10篇 |
2006年 | 9篇 |
2005年 | 7篇 |
2004年 | 5篇 |
2003年 | 3篇 |
2002年 | 4篇 |
2001年 | 6篇 |
1998年 | 3篇 |
1996年 | 1篇 |
1995年 | 1篇 |
1994年 | 1篇 |
1993年 | 2篇 |
1988年 | 1篇 |
排序方式: 共有242条查询结果,搜索用时 0 毫秒
71.
72.
自动形态学端元提取(automated morphological endmember extraction,AMEE)算法将结构元素内最纯像元与混合度最大的像元之间的光谱角距离定义为形态学离心率指数(morphological eccentricity index,MEI)来定量化地表示像元的纯净度。然而作为参考标准的混合度最大的像元在不同的结构元素内也是不同的,尤其是当结构元素内的纯净像元占大多数时,像元的均值光谱将更接近纯像元,此时像元的MEI越高,纯度反而越低。针对这一问题,本文提出一种像元纯度指数(pure pixel index,PPI)算法与AMEE算法相结合的端元提取算法PPI-AMEE。在结构元素内,利用PPI指数代替AMEE算法中的MEI指数来寻找最纯像元。变换结构元素时,只有最纯净的像元始终能够投影到随机生成的直线的两端,其PPI值会不断累计增大,而其他像元的PPI值则无法持续增大。累计记录每个像元的PPI值,直至满足迭代终止条件,最终形成一幅PPI图像,端元将在PPI值较大的像元中选取。PPI-AMEE算法只在相对较小的结构元素内运行PPI算法,然后再结合数学形态学中的膨胀操作对整幅图像进行处理,其同时兼顾了图像的光谱信息和空间信息。最后,采用模拟数据及美国内华达州Cuprite地区的机载可见光/红外成像光谱仪(airborne visible infrared imaging spectrometer,AVIRIS)高光谱数据对提出的PPI-AMEE算法进行试验验证。试验结果表明,PPI-AMEE算法的端元提取精度总体上优于AMEE算法和PPI算法。 相似文献
73.
74.
遥感数据专题分类不确定性评价研究:进展、问题与展望 总被引:7,自引:1,他引:7
从遥感数据中提取专题类别信息是当前遥感数据最主要的应用领域之一。由于遥感分类专题信息广泛应用于各种领域,其数据质量受到越来越多的关注。不确定性是评价分类专题类别数据质量最主要的方面。回顾了遥感数据专题分类不确定性评价方法的历史,总结了当前各种评价方法及其指标体系,将这些方法归结为基于误差矩阵的方法、模糊评价方法、像元尺度上的不确定性评价方法和其它方法四大类。对每一类不确定性评价方法及其指标体系的优点和缺点进行了分析和总结,指出从理论方法研究方面,需要优先发展独立于分类方法的像元尺度上的遥感分类不确定性评价模型与指标体系,以及统一的遥感数据分类不确定性评价模型体系研究;在应用研究方面,需要加强优化空间采样设计和不确定性评价过程标准化研究。 相似文献
75.
GeoTiff中GeoTag域解析 总被引:9,自引:0,他引:9
GeoTiff是Tiff格式的一种特殊形式, 1.0版的GeoTiff在Tiff格式的基础上增加了6个GeoTag(地理标志)域来描述栅格影像对应的地理坐标信息和投影信息, 并利用像元比例、结点、投影类型、坐标系统、椭球参数等, 准确地实现了影像栅格坐标与地理坐标之间的相互转换.首先介绍了GeoTiff所支持的3种坐标空间, 并在剖析其六大地理标志域间相互关系的基础上, 详细描述了各个标志域的具体含义及其在影像中的存储组织; 其后根据GeoTiff的影像数据地理编码的原理, 给出了栅格空间与模型空间之间坐标转换的方法和步骤; 结合GeoTiff的应用, 阐述了GeoTiff的优点, 并对它的应用前景做出了展望. 相似文献
76.
Hyperspectral Unmixing (HU) has received increasing attention in the past decades due to its ability of unveiling information latent in hyperspectral data. Unfortunately, most existing methods fail to take advantage of the spatial information in data. To overcome this limitation, we propose a Structured Sparse regularized Nonnegative Matrix Factorization (SS-NMF) method based on the following two aspects. First, we incorporate a graph Laplacian to encode the manifold structures embedded in the hyperspectral data space. In this way, the highly similar neighboring pixels can be grouped together. Second, the lasso penalty is employed in SS-NMF for the fact that pixels in the same manifold structure are sparsely mixed by a common set of relevant bases. These two factors act as a new structured sparse constraint. With this constraint, our method can learn a compact space, where highly similar pixels are grouped to share correlated sparse representations. Experiments on real hyperspectral data sets with different noise levels demonstrate that our method outperforms the state-of-the-art methods significantly. 相似文献
77.
78.
79.
80.
赵博 《测绘与空间地理信息》2015,(6)
像素工厂是新一代海量遥感影像处理系统,处理推扫式ADS数据"得心应手",但处理框幅数码影像如UCD,DMC等优势并不明显,尤其在加密方面。Geolord-AT是数字摄影测量工作站JX4C DPS的子项目,处理框幅数码影像如UCD,DMC等优势明显。故将二者结合,通过生产实践,提高了生产效率。 相似文献