排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
2.
提出了一种基于微波双极化数据的土壤水分反演经验模型,该模型引入了新的综合粗糙度参数Rs=S2/L(1/2)来描述地表粗糙状况,将两个粗糙度参数均方根高度S和相关长度L合二为一,因而模型的未知量仅为Rs与法向菲涅尔反射系数Г0。基于AIEM模型数值模拟,建立了后向散射系数与Rs、Г0的经验关系,并利用两个极化的微波数据同时反演得到粗糙度参数Rs和Г0,进而得到地表土壤水分。实测数据表明,该模型反演的土壤水分与地表实测值相关性较高(R2=0.681,RMS=0.043),在土壤水分反演方面具有较大的潜力。 相似文献
3.
获取高精度DEM是分布式水文模型开发和应用的基础,而最新发布的全球高分辨率SRTM数据在很大程度上解决了高分辨率DEM数据获取相对困难的问题,对于水文学研究具有重要意义。由于利用雷达技术获取地面高程数据技术本身的限制,SRTM原始DEM数据中存在着很多问题。本文以雪野水库区域为例,利用ASTER数据通过分析两种数据高程差异的分布特点对SRTM高程数据无效区域进行了填充,计算结果表明该方法可以提高无效数据处理结果的精度,是一种有效的获取相对完整地形数据的方法。 相似文献
4.
5.
高分二号遥感影像提取冬小麦空间分布 总被引:1,自引:0,他引:1
精细的农作物空间分布数据对于资源、环境、生态、气候变化和粮食安全问题均具有重要的意义,卷积神经网络已经成为从遥感影像中提取农作物空间分布数据的主要方法,但提取结果中的种植区域边缘往往比较粗糙。本文以高分二号遥感影像为数据源,选择冬小麦为提取目标,利用RefineNet模型和最大后验概率模型构建冬小麦遥感提取模型WWRSE(Winter Wheat Remote Sensing Extraction),获取精细的冬小麦空间分布数据。WWRSE模型利用RefineNet网络提取像素的语义特征,使用改进的SoftMax模型生成像素的类别概率向量;以类别概率向量的最大分量与次大分量的差值作为置信度,根据置信度将类别概率向量分为可信和不可信两组,可信组直接使用最大分量对应的类别标签作为相应像素的分类结果;结合最大后验概率模型确定不可信组像素的分类结果。利用随机梯度法对WWRSE模型进行训练。选择SegNet、DeepLab、RefineNet作为对比模型进行实验,WWRSE提取结果的精度为92.9%,比SegNet提高了13.8%,比DeepLab提高了10.9%,比RefineNet提高了8.6%。实验结果表明WWRSE模型在提取冬小麦空间分布数据方面具有一定的优势。WWRSE模型提取的结果能够为大范围冬小麦种植面积统计提供依据。 相似文献
6.
有关建成区空间分布的研究是城市发展规划的重要组成部分,针对单一数据源不足以提供准确、及时的建成区信息的问题,提出了一种结合Landsat数据和夜光遥感数据的城市扩张监测方法。该文以Landsat影像与夜光遥感影像为数据源,采用SVM分类方法和突变检测阈值分割技术,提取2004—2016年的原济南市、泰安市、原莱芜市的建成区范围,然后引入城市扩张强度、紧凑度、重心轨迹转移分析和等扇形分析等指标,来定量分析城市扩张的时空变化特征。结果表明:从2004—2016年,研究区建成区面积增加了508.06km~2,原济南、泰安市均以外延式的城市发展为主,主要的趋势是北部、西部和南部;而原莱芜市则以填充型的城市发展为主,紧凑度高于其余两市,西北方向处于扩张速率的高值区;其中城市扩张强度指标定量地反映出在2004—2007年间研究区城市化进程取得重大突破,是区域城市化进程的重要阶段。相较于单一数据源,引入夜光遥感数据,可以更快速高效地提取城市建成区信息。 相似文献
7.
Web GIS在水质信息系统中的应用研究 总被引:2,自引:0,他引:2
目前雪野水库水质监测与评价采用现场采样,实验室分析的人工方法,针对该方法不能反映水质指标在空间和时间上的分布状况问题,本文提出了基于Web GIS的水质信息系统设计方案。水质数据采集设备将采集到的水质信息利用移动网的GPRS无线网络可以及时发送到数据处理和监控中心,系统充分发挥GIS在水质评价中的优势,自动完成评价过程。评价结果可以生成水质污染专题图,直观显示水库水质的时空分布状况。Web GIS强大的空间分析与统计功能为水质信息管理的标准化、网络化、空间化提供了有效的工具。 相似文献
8.
利用卷积神经网络从遥感影像中提取水体时,水体对象边缘像素的特征与内部像素的特征之间往往存在较大差异,导致提取结果中边界模糊、内部像素与边缘像素的提取精度差异较大,影响了整体精度的提高。针对如何从高分辨率遥感影像中进行水体高精度、自动化提取的问题,文章首先以高分辨率遥感图像为基础,利用边缘提取算法生成边缘图像,然后以高分辨率遥感图像和边缘图像作为输入,建立了语义特征和边缘特征融合的高分辨率遥感图像水体提取模型(Semantic Feature and Edge Feature Fusion Network, SEF-Net),用于从高分辨率遥感图像中提取水体对象。实验结果表明,SEF-Net模型在3个数据集中的召回率(91.97%、92.07%、93.97%),精确率(91.12%、98.37%、97.88%),准确率(89.56%、95.07%、94.06%)和F1分数(91.54%、95.12%、95.88%)均优于对比模型,说明SEF-Net模型从高分辨率遥感图像中提取水体时,具有更高的精度和泛化能力。 相似文献
1