共查询到18条相似文献，搜索用时 687 毫秒
1.
已有的SeaWinds散射计反演结果误差评价包括两种方法:一是与其他数据来源进行对比,如与数值气象预报产品或浮标风场数据对比;二是从风场反演结果的空间一致性进行判断.文中采用二维几何中心矩定量描述象元解空间中模糊解区域(与真解最接近的模糊解区域)的图谱特征,如图像椭圆的主轴倾角、长短轴比以及总灰度值;研究了总灰度值与风矢量反演误差的关系.结果表明,当总灰度值大于某一阈值时,风矢量反演误差将被限制在一个较小的范围之内.根据图像椭圆总灰度的这一特性,设计了一种新的基于总灰度约束特性的滤波算法.通过与浮标风矢量 相似文献
2.
基于最大似然估计的海面风场反演算法研究 总被引：1，自引：1，他引：0
最大似然估计法被认为是海面风场反演的最佳方法,目前被用来处理SeaWinds散射计数据。风矢量求解算法是风场反演算法的核心内容。最大似然法的目标函数形式决定了在风场反演过程中必须采用数值方法求解风矢量,而传统数值求解方法运算量大。该文对最大似然估计的风场反演方法的基本原理和具体过程进行探讨,根据其目标函数的一般分布特征,提出一种较为高效的数值风矢量搜索算法。用SeaWinds散射计的12A实测数据和相应的L2B数据验证了该算法的可行性。 相似文献
3.
4.
该文以提升滑坡危险性评价精度为核心目标,对深度神经网络在滑坡危险性评价中的可行性和适用性进行研究,以期充分发挥深度神经网络强大的非线性学习和拟合能力,取得更加合理的滑坡危险性评价结果。选取滑坡灾害多发的深圳市作为实例,基于深圳市815条历史滑坡数据,开展了深度神经网络建模训练;通过与广义线性模型及分类与回归树模型训练效果的对比,对深度神经网络的建模效果进行了评价,深度神经网络、广义线性模型和分类与回归树模型的AUC值依次是0.908、0.861和0.857。将训练所得的模型应用于深圳市全区,对3种模型输出的滑坡危险性评价成果的合理性和可靠性进行了对比分析,结果表明:深度神经网络建模精度良好,优于常见的广义线性模型和分类与回归树模型,输出的滑坡危险性评价成果具有合理性,适用于滑坡危险性评价工作。 相似文献
5.
北方农牧交错带草原产草量遥感监测模型 总被引：21，自引：0，他引：21
及时准确地了解草原产草量的时空配置状况,对于科学合理地利用、管理草地,保证畜牧业生产持续稳定发展、改善生态环境等具有重要的意义。本文利用2005年的MODIS数据和同期野外实测的668个样方产草量数据,分析了5种植被指数和草地生物量之间的相关关系。研究表明:(1)分区模型优于不分区模型,在分区基础上建模更能反映产草量的实际情况;(2)通过线性、非线性模型和BP神经网络模型的对比,得出BP神经网络模型在拟合精度上优于线性和非线性模型,是最适宜监测北方农牧交错带草原产草量的模型;(3)5种植被指数中,NDVI和SAVI与草地生物量之间的拟合精度最高,是研究区最适宜使用的植被指数。 相似文献
6.
一体化时空数据建模是新一代GIS理论与技术研究的重要基础。基于对象关系数据库探讨时空数据库的数据建模方法,提出综合考虑矢量和栅格数据一体化的时空数据模型。首先基于基本类型派生定义矢量和栅格抽象数据类型,在此基础上定义时空数据类型为一系列空间类型的时间片序列。该抽象数据类型的定义包括其数据对象和相关操作,将其嵌入对象关系数据库中,扩展其时空数据的存储和查询能力。利用该数据模型,可以统一考虑矢量和栅格数据,建立基于对象关系的时空数据库,并支持矢量—栅格一体化时空数据访问和操作,进而对新一代GIS技术的研究与实现起到重要支撑作用。 相似文献
7.
一种高效快速建立地物三维模型的方法——以大疆无人机和Pix4D软件实现 总被引：1，自引：0，他引：1
《云南地理环境研究》2016,(4)
探寻能满足需要并低成本高效快速构建地物三维逼真场景的方法是当前研究的一个热点。利用低价大疆无人机获取地表、地物影像与价格适中的Pix4D软件结合来快速构建地物三维模型是一种方法。该方法虽采用传统以摄影获取地表数据的方式,但手段和手续方便简单,数据采集工作效率高;影像数据处理用Pix4D软件基于点云数据三维建模,有操作方便、高效快速、自动化程度高等特点。用不同的实验建模方案、数据与建模参数,对最终建成的模型和结果有影响,经对结果进行精度评价,表明该方法能满足要求,可行、可用。 相似文献
8.
耕地保护关系到国家粮食安全和经济社会可持续发展,对生态环境保护具有重要作用,快速精准的获取耕地土壤盐分含量及空间分布信息是耕地保护的必然要求。以宁夏平罗县为研究区,利用Landsat 9 OLI和Sentinel-1遥感影像,提取光谱指数和雷达极化组合指数,基于变量投影重要性法与灰度关联法筛选特征变量,然后运用反向传播神经网络、支持向量机和随机森林3种机器学习算法构建模型,并用最佳模型反演耕地土壤含盐量空间分布情况。结果表明：(1)利用变量投影重要性法筛选变量建立的模型验证集决定系数(R2)大于灰度关联法筛选变量建立的模型。(2)利用随机森林算法,组合光谱指数和雷达极化组合指数协同反演模型效果最佳,建模集R2为0.791,均方根误差(RMSE)为1.016,R2较单一数据源模型分别提高0.065和0.085,RMSE分别降低0.147和0.189;验证集R2为0.780,RMSE为1.132,R2较单一数据源模型分别提高0.091和0.237,RMSE分别降低0.175和0.3... 相似文献
9.
研究P2P环境下矢量地理数据在线服务的关键技术,提出了一种基于Linking机制的矢量地理数据组织、分割及无损拓扑重建方法.通过将矢量要素各个层次的链接关系记录在Linking信息中,形成一种松散的分布式拓扑关系,并支持矢量数据无损重建.实验证明了该组织方式和相关算法的健壮性、高效性及完备性. 相似文献
10.
基于钻孔数据的三维地层模型的构建 总被引：53，自引：4，他引：49
三维地质建模是三维GIS在地学中的一个重要应用,三维地层模型对实际的地质分析极为有用。在综合前人研究成果的基础上,提出了一种由工程钻孔数据构建三维地层模型的方法。该方法以钻孔资料作为地层建模的源数据,具有简单实用、快速稳健的特点,并且能够将用户手工编辑修改的钻孔剖面图融入实际建模流程,解决了以往单纯依靠钻孔数据进行建模而导致的建模结果不精确且难以修正的问题。该文介绍了该方法的基本思想与实现流程,探讨了断层数据的加入对模型的影响及解决方案,并通过一个建模实例展示了该方法的实际建模效果。 相似文献
11.
基于主成分神经网络的台风灾害经济损失评估 总被引：6，自引：0，他引：6
本研究建立了浙江省台风灾害直接经济损失评估模型。把浙江省台风灾害直接经济损失资料换算成直接经济损失指数,运用主成分分析法对表示致灾因子、孕灾环境与承灾体的评估因子进行数据处理,提取主成分作为BP神经网络模型的输入,从而建立评估模型。模型历史拟合结果和实际一致。在2007年和2008年影响浙江省的5个台风的实际评估中,强台风"Vipa"灾后评估值比实际值偏大2.16,其余4个台风灾后评估值比实况偏大0.2~0.7,反映了人们对影响大的台风防灾减灾工作的重视和防灾减灾效果。根据台风开始影响时过程风雨预报值进行预评估,过程风雨预报值较准确的台风,预评估结果和灾后评估值一致;过程风雨预报值误差较大的台风,预评估效果较差。因此,该模型可用于实际台风灾害直接经济损失评估,提高台风影响前风雨预报准确率是提高预评估准确率的关键。 相似文献
12.
面向灾害风险评估的台风风场模型研究综述 总被引：1，自引：0，他引：1
台风历史观测风速等数据时空分布不均, 观测年份有限, 在进行定量概率风险评估时, 经常面临样本不足的限制。与数值风场不同, 参数化台风风场模型因计算时间短, 结合路径及强度的随机事件模拟, 在台风风险评估中发挥着不可替代的作用。本文按照台风风速模拟的基本流程, 首先, 总结了参数风场模型中最大风速、最大风速半径、Holland B系数等关键参数的确定方法, 分析了国内外梯度风场模拟、边界层风速垂直折减计算的研究进展;其次, 重点讨论了国内外关于地表粗糙度、地形、阵风因子以及海陆转换因素对于风速修正的理论及应用情况;再次, 对于风场模型在台风风险模型软件、台风次生风暴潮及海浪灾害的应用进行了概述;最后, 针对中国台风风场模拟研究的不足, 对加强多学科联合、数据观测、地表粗糙度变化及分布研究、地形影响修正研究以及重建历史风场等未来改进方向进行了展望。 相似文献
13.
BP网络模型在沙尘暴预测中的应用研究 总被引：2，自引：0，他引：2
依据锡林郭勒地区30 a气象资料,应用人工神经网络(ANN)中不同BP网络结构和算法,探索建立沙尘暴预测模型的方法。研究认为,在建立锡林郭勒地区沙尘暴预测模型时,选择年大风日数、年平均地温、年蒸发量、相对湿度4个气象因子作为模型的输入因子是合理的;经过输入因子确定,层数、节点选择,每层激活函数和输出因子的确定,锡林郭勒地区沙尘暴预测模型可采用三层网络结构（4-6-1）。比较和试算显示,快速BP算法较普通BP算法的训练速度快,收敛精度高64.47%;快速BP神经网络的沙尘暴预测模型的预测精度可达到98%,较传统的多元线性回归数学模型高。因此,应用快速BP神经网络建立沙尘暴预测模型简捷、方便,具有精度高、智能化等特点,可在区域沙尘暴预测预报领域推广。 相似文献
14.
Yibin Ren Yang Zhang 《International journal of geographical information science》2019,33(9):1894-1912
Recently, researchers have introduced deep learning methods such as convolutional neural networks (CNN) to model spatio-temporal data and achieved better results than those with conventional methods. However, these CNN-based models employ a grid map to represent spatial data, which is unsuitable for road-network-based data. To address this problem, we propose a deep spatio-temporal residual neural network for road-network-based data modeling (DSTR-RNet). The proposed model constructs locally-connected neural network layers (LCNR) to model road network topology and integrates residual learning to model the spatio-temporal dependency. We test the DSTR-RNet by predicting the traffic flow of Didi cab service, in an 8-km2 region with 2,616 road segments in Chengdu, China. The results demonstrate that the DSTR-RNet maintains the spatial precision and topology of the road network as well as improves the prediction accuracy. We discuss the prediction errors and compare the prediction results to those of grid-based CNN models. We also explore the sensitivity of the model to its parameters; this will aid the application of this model to network-based data modeling. 相似文献
15.
《The Professional geographer》2013,65(3):237-239
This study compares how humans and neural networks classify climate types. Human subjects were asked to classify climates from monthly temperature and precipitation patterns. To model their learning process, the same data were used to produce input vectors that trained a pattern associator neural network. Both human subjects and the neural network classified climates accurately after 10 rounds of supervised learning. The neural network successfully modeled the rate of human learning and the ability to learn specific climate categories. Moreover, the neural network weights used to classify climates correspond to distinct visual characteristics in temperature and precipitation. These results suggest that neural networks can model the formation of visual categories. 相似文献
16.
Jida Wang 《International journal of geographical information science》2013,27(2):229-253
Urbanization is an important issue concerning diverse scientific and policy communities. Computational models quantifying locations and quantities of urban growth offer numerous environmental and socioeconomic benefits. Traditional urban growth models are based on a single-algorithm fitting procedure and thus restricted on their ability to capture spatial heterogeneity. Accordingly, a GIS-based modeling framework titled multi-network urbanization (MuNU) model is developed that integrates multiple neural networks. The MuNU model enables a filtering approach where input data patterns are automatically reallocated into appropriate neural networks with targeted accuracies. We hypothesize that observations classified by individual neural networks share greater homogeneity, and thus modeling accuracy will increase with the integration of multiple targeted algorithms. Land use and land cover data sets of two time snapshots (1977 and 1997) covering the Denver Metropolitan Area are used for model training and validation. Compared to a single-step algorithm – either a stepwise logistic regression or a single neural network – several improvements are evident in the visual output of the MuNU model. Statistical validations further quantify the superiority of the MuNU model and support our hypothesis of effective incorporation of spatial heterogeneity. 相似文献
17.
本文以z坐标下的三维斜压海洋动力学数值模式为基本模式原型,在整理渤海基本数据并诊断计算风生环流和热盐环流作为背景环流场基础上,初步建立了渤海海域动力环境数值模式。模式采用了经校正的Bagnold型方程来计算渤海底移质沉积物输运,悬移质计算则是取二维深度平均悬移质输运方程和河床变形方程,计算含沙量分布以及由悬移物引起的冲淤厚度。利用这种方法建立的沉积物输运模式,定量模拟了渤海沿岸和海底的沉积物输运方向和冲淤分布。模拟结果与通过多年实测水深估算获得的渤海海底沉积物的冲淤变化分布相比较,两者之间在基本结论上是比较一致的 相似文献
18.
This study compares how humans and neural networks classify climate types. Human subjects were asked to classify climates from monthly temperature and precipitation patterns. To model their learning process, the same data were used to produce input vectors that trained a pattern associator neural network. Both human subjects and the neural network classified climates accurately after 10 rounds of supervised learning. The neural network successfully modeled the rate of human learning and the ability to learn specific climate categories. Moreover, the neural network weights used to classify climates correspond to distinct visual characteristics in temperature and precipitation. These results suggest that neural networks can model the formation of visual categories. 相似文献