排序方式： 共有20条查询结果，搜索用时 15 毫秒
11.
基于PS-InSAR和SBAS技术监测南京市地面沉降 总被引：1，自引：0，他引：1
利用覆盖南京地区的23幅Sentinel-1A影像，分别采用PS-InSAR技术和SBAS技术进行数据处理，获得了两组研究区域的地表沉降信息，并对两组结果进行交叉验证分析。结果表明，两种方法获取的结果无论是在沉降范围还是在形变量级上，都具有高度的一致性；研究区域在2015-04～2017-01期间存在地面沉降问题，且最大的沉降速率达到-30 mm/a。 相似文献
12.
13.
植被是湿地生态系统健康状况的"晴雨表",明晰湿地中植被的时空分布,是湿地修复与重建、保护与合理利用的前提和基础。以洪河国家级保护区为研究区,利用全极化C-band Radarsat-2和L-band PALSAR数据,根据极化合成孔径雷达(synthetic aperture radar,SAR)目标分解理论,提取了该保护区不同波长的极化分解参数和特征参量,整合为多源极化SAR数据集,利用多尺度迭代分割算法和Random Forest机器学习算法,构建了研究区中植被的遥感识别模型,实现了对研究区中植被的高精度分类,并对比分析了不同频率SAR数据集在植被识别精度上的差异。研究结果表明,利用整合PALSAR和Radarsat-2极化数据集,获取的植被遥感分类结果的总体分类精度为86.77%,比利用PALSAR极化数据集的分类结果精度提高了15%,但是其与利用Radarsat-2极化数据集的分类结果精度差异不显著;浅水草本沼泽的生产精度达到了90.91%,深水草本沼泽的用户精度为90.63%;C-band PALSAR数据比L-band PALSAR数据更适用于高精度识别洪河国家级自然保护区中的植被。 相似文献
14.
湿地水文是形成湿地的发生学因素,“淹埋深-历时-频率”(S, D, F)是表征湿地水文的特征指标。为了推进(S, D, F)阈值研究理论和方法的发展,总结了(S, D, F)阈值研究的一致结论:S阈值确定的原则是水饱和至地表;D阈值确定的原则是从水饱和开始到厌氧环境形成的时滞;F阈值应取≥50%。通过对这些一致结论的分析后认为:D阈值确定的原则存在着科学性问题;目前(S, D, F)阈值研究理论针对正常情况下湿地类型,不适合非正常情况下的湿地类型。为了科学地解决(S, D, F)阈值问题,必须构建新的(S, D, F)阈值确定的理论和方法,包括正常情况下和非正常情况(S, D, F)阈值确定的理论和方法以及(S, D, F)阈值科学性检验的理论和方法。 相似文献
15.
针对"淹埋深-历时-频率"(S, D, F)阈值研究存在的问题,根据土壤学、植物生态学、系统论、地理系统学说以及反演理论等的相关原理,系统分析了湿地(S, D, F)阈值确定的理论和方法。结果表明:在正常情况下,水饱和至地表的最大地下水埋深、湿地植物主要根系分布层下限和沉水植物分布下界淹水深分别是湿地土壤上界、湿地植被上界和湿地下界的S阈值;D阈值只能通过湿地土壤或湿地植被边界界定在水位过程线上反演,稳定湿地边界的D阈值应取与50%频率值对应的D值或D值的多年平均值,波动湿地边界的D阈值是常数;"非正常情况下"湿地的D阈值应参照湿地水文地貌分类的同一区域子类中"正常情况下"的湿地的D阈值;检验D阈值科学性的标准是利用D阈值确定的湿地水文边界必须与湿地土壤边界或湿地植被边界耦合。 相似文献
16.
面向对象的无人机遥感影像岩溶湿地植被遥感识别 总被引：1，自引：0，他引：1
以广西桂林会仙喀斯特国家湿地公园为研究区，以无人机航摄影像为数据源，综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明：针对不同特征变量对岩溶湿地遥感识别的贡献率而言，光谱特征（DOM > DSM） > 纹理特征（DOM > DSM） > 几何特征 > 上下文变量；两个航摄影像数据集的总体分类精度都在85%以上，Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。 相似文献
17.
湿地边界的界定研究是湿地科学的基础研究.湿地水文特征是界定湿地边界的唯一可靠标准.论文以洪河自然保护区为试验区,围绕湿地水文特征指标,构建了沼泽湿地的"淹埋深-历时-频率"阈值研究的理论和方法,并利用沼泽植被边界处的长时间序列的"水位-历时"过程线反演了湿地的"淹埋深-历时-频率阈值",并利用该阈值界定了湿地水文边界,主要研究结论如下:(1) McNemar's 统计检验表明,与单一极化SAR 数据集和不同波长极化SAR 整合数据集相比,ZY-3 多光谱和极化SAR 整合数据集显著提高了湿地植被的分类精度和识别能力,总体分类精度达到了94 .15% ,从用户精度上来看:浅水沼泽植被在单一的极化SAR 数据集中分类精度高于灌草植被和深水沼泽植被,Radarsat-2 和PALSAR 的整合数据集提高了灌草植被和深水沼泽植被的识别精度.从生产者精度上来看,浅水沼泽植被和深水沼泽湿在单一极化SAR 影像中的识别精度均高于灌草植被,ZY-3 和Radarsat-2 的整合数据集使灌草植被的精度提高了14 .7% ,达到了89 .41% . 相似文献
18.
遥感影像道路提取结果中的断线一方面降低了提取精度，另一方面影响了道路形态完整性，使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势，提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先，利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取；然后，对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明，与相近网络比较，本文道路提取的精度和形态完整性有了明显的提高，查准率为86.25%，查全率为85.50%，F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析，特别有利于灾后的路径规划，本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。 相似文献
19.
红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC（Canopy Chlorophyll Content）作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星（OHS）影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明：（1）通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI（12,17）、DSI（12,18）和NDSI（6,12）组合植被指数对红树林CCC反演精度的贡献率较高;（2）联合OHS数据和最优堆栈GBRT集成学习回归模型（Score=0.999,RMSE=0.963 μg/cm2）的训练精度优于最优RF机器学习回归模型（RMSE降低了7.531 μg/cm2）,明显优于最优Lasso线性回归模型（RMSE降低了19.383 μg/cm2）;（3）在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度（R2=0.761,RMSE=16.738 μg/cm2）高于Sentinel-2A影像（R2=0.615,RMSE=20.701 μg/cm2）;（4）联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法（R2=0.356,RMSE=49.419 μg/cm2）。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC（R2均大于0.61）,而OHS数据的估算精度更高（R2大于0.75）;SNAP-SL2P算法不能有效反演红树林CCC（R2小于0.4）,且对红树林CCC数值存在系统性低估。 相似文献
20.
基于多时相主被动遥感的漓江水面监测与水质参数反演(2016—2020年) 总被引：1，自引：0，他引：1
以漓江流域为研究区域,以2016-2020年Landsat 8 OLI、GF-1、Sentinel-2A及Sentinel-1A逐月影像为数据源,选用归一化水指数(NDWI)、改进型归一化水指数(MNDWI)、增强型水体指数(EWI)、归一化差值池指数(NDPI)、后向散射系数(S)与主被动遥感加权指数(JQ)提取漓江水体信息,采用二类水体区域性近岸海域水色算法(C2RCC)、最大叶绿素指数(MCI)、双波段比值法(Double R)及叶绿素反射峰强度(ρchl)4种方式,反演漓江水体叶绿素a(Chl.a)与总悬浮物质(TSM)浓度.将漓江划分为278个基本评价单元,利用水面变化区域差异值(WDr)、河岸线发育系数(SDI)与水体信息变化动态度(K)等指标定量分析漓江上、中、下游枯水期和汛期的水文和水质信息的年内时空动态变化,得出以下结论:(1)主被动遥感加权指数JQ与NDPI指数的提取效果优于NDWI、MNDWI、EWI指数与后向散射系数,但与JQ指数相比,NDPI指数提取精度更高、可信度更强.(2)基于C2RCC算法反演的Chl.a浓度的均方根误差(RMSE)处于0.18~7.88 mg/m3之间,TSM浓度的RMSE为0.17~12.55 g/m3,可较好地反映漓江水质参数变化情况.(3)基本评价单元的划分可清楚地分析出上、中、下游地区水域水面宽度、水域面积、Chl.a与TSM浓度的连续变化情况,实测数据则依靠站点监测,所得结果较分散,无法进行连续性分析.(4)漓江5-10月降水较多、水体流动性强,大部分地区平均水面宽度在100~250 m范围内,水体富营养化程度低,水质较好,但2月水质最差,水体富营养化程度较高地区主要集中于上、中游的兴安县、灵川县等城镇居民区以及下游旅游开发区较多的兴坪镇. 相似文献