排序方式： 共有20条查询结果，搜索用时 31 毫秒
1.
以广西桂林会仙国家湿地公园核心区为研究区,结合SegNet和低空无人机影像,构建会仙岩溶湿地地物信息提取模型,探讨多分类SegNet模型与融合单分类和双分类SegNet模型分类结果的差别,分析epoch参数设置对模型分类精度的影响。研究结果表明,多分类SegNet模型对会仙岩溶湿地地物的分类结果的Kappa系数和F1分数分别为0.59和0.67,融合单分类和双分类SegNet模型分类结果的Kappa系数和F1分数分别为0.68和0.79;与多分类SegNet模型分类结果精度相比,融合多个单分类和双分类SegNet模型分类结果的F1分数明显增大。因此,融合多个单分类和双分类的SegNet模型更适用于提取会仙岩溶湿地地物信息;构建更优的会仙岩溶湿地地物提取SegNet模型,设置epoch值为10相对更合适。 相似文献
2.
水文是沼泽形成、发育和演化的决定性因素。目前,沼泽水位的监测仍然以实地观测为主,需要花费大量的人力和物力。以洪河国家级自然保护区为研究区,利用2007年6~10月星载相控阵L波段合成孔径雷达(phase array type L-band synthetic aperture radar,L-band PALSAR)数据和2015年6~11月C波段Sentinel-1A合成孔径雷达(synthetic aperture radar,SAR)数据,采用合成孔径雷达差分干涉测量(differential interferometric synthetic aperture radar,DInSAR)技术,提取出研究区沼泽的地表形变相位,计算出研究区沼泽水位相对变化量,构建了研究区沼泽水位相对变化量遥感监测经验估算公式,实现了对研究区沼泽年内水位变化量的遥感监测,研究了不同时相浅水沼泽区和深水沼泽区干涉相干性的差异;采用方差分析和回归分析方法,在水位观测站、浅水沼泽区和深水沼泽区3种尺度上,分别对利用两种数据计算出的沼泽水位相对变化量,进行了精度验证和显著性检验。研究结果表明,植物生长期和植物空间格局都对沼泽干涉相干性产生影响,8~10月研究区干涉相干性要好于6~7月,浅水沼泽区干涉相干性要高于深水沼泽区,前者的干涉相干系数比后者的大10%~35%;计算出的沼泽水位相对变化量与地面实测的水位变化量的变化趋势吻合度较高,2007年6~7月和9~10月浅水沼泽区的水位波动幅度较大,水位变化量超过了0.70 m。 相似文献
3.
以2015~2019年12景ALOS-2 PALSAR2影像和2018~2019年38景Sentinel-1A影像为主要数据源,利用PS-InSAR和SBAS-InSAR技术提取西藏江达县波罗乡白格滑坡点的形变信息,并对处理结果进行交叉验证。研究得到以下结论：1）PS-InSAR技术条件下,ALOS-2数据和Sentinel-1A数据的平均形变速率范围为-68.9~37.9 mm/a和-64.5~24.2 mm/a;SBAS-InSAR技术条件下,ALOS-2数据和Sentinel-1A数据的平均形变速率范围为-84.2~-40.0 mm/a和-84.0~-13.0 mm/a。2）对2种数据结果中提取的4个特征点进行时序分析和定量分析显示,2种InSAR技术结果变化趋势较为一致,验证了两者在滑坡监测中的可靠性和准确性。 相似文献
4.
多频率InSAR提取沼泽湿地DEM精度对比分析 总被引：1，自引：1，他引：0
选取3种波长的干涉SAR数据对提取沼泽湿地区域的DEM，并随机从1：10 000地形图中选取111个点数据进行精度验证，最后对比分析了沼泽湿地植被对于不同SAR波长的干涉相干性差异。结果表明：L-band ALOS-1 PALSAR精细模式的HH单视复数数据与1：10 000地形图数据吻合度较好，76.58%的高程值差异在3 m以内，其相干系数比C-band Sentinel-1A IW模式的VV单视复数数据和X-band TerraSAR HH单视复数数据要高；更适合利用雷达干涉测量技术提取沼泽湿地的DEM；不同湿地植被类型的相干系数有较大差异，岛状林和灌草结合的湿地植被分布区相干系数值较大，而浅水沼泽植被区和深水沼泽植被区相对较低。 相似文献
5.
6.
数字高程模型是重要的地理空间数据,可以提供丰富的地形信息.为了获得时效性好、分辨率高的数字高程模型,本文以南京市为实验区域,利用德国宇航局TerraSAR-X卫星同一轨道上的两幅StripMap模式SAR影像对,主从影像时间间隔只有66天,空间分辨率为3 m.采用InSAR技术,通过迭代的方法来提高获取DEM的分辨率,并结合JAXA/EORC提供的AW3D30数字表面模型与迭代后的DEM进行融合来解决阴影等问题,最终获取了南京地区的高精度数字高程模型.将实验结果分别与90 m分辨率的SRTM、30 m分辨率的ASTER GDEM、30 m分辨率的AW3D30进行相互对比分析.结果表明,相比三种常用的DEM而言,本文获取的DEM能够更精确的获取地面的细节信息,特别是对于分布稀疏的大型单体建筑物,能够很好的恢复其三维信息,但是对于建筑物分布较为密集的区域,由于传感器视线受阻,不能观测建筑物的全貌,阴影分布较多,导致此类区域的DEM结果不理想,还需进一步深入研究,提高精度及可靠性. 相似文献
7.
不透水面作为城市生态环境的一个重要指标,被广泛应用于城市扩张监测、热岛效应分析及人类活动影响等方面的研究中。线性光谱混合模型构造简单、物理含义明确,是估算不透水面的主要方法。但是全约束的线性光谱混合模型容易在不透水面覆盖较低的地区(0~20%)出现高估,而在不透水面覆盖较高的地区(80%~100%)出现低估。因此,以黑龙江省富锦市为实验区,利用Landsat5 TM图像,讨论了线性光谱混合模型在不同端元数目和约束条件下对不透水面的估算精度,发现三端元(高反射率地物、植被及土壤)半约束条件的线性光谱混合模型估算结果最优,其均方根误差为16.71%,并结合地表温度和植被覆盖度辅助分析,去除了水田对不透水面估算的影响,提高了不透水面的估算精度。 相似文献
8.
利用主成分分析法对陆态网224个GNSS基准站坐标时间序列进行分析。首先对基准站原始坐标序列进行突变项拟合、粗差剔除、缺失数据插值补齐等预处理;然后对预处理后的站点残差坐标时间序列分N、E、U方向组建时间序列矩阵进行主成分分析,根据各方向主分量及其相应的空间特征向量分析站点空间响应分布特征、共模误差以及异常站点的影响。结果表明,仅通过第1主分量不能准确体现共模误差的时空特点,因此将前3个主分量纳入共模误差分析;华北地区、西北地区以及云南地区各方向主分量显示出相对一致的空间响应分布,可能是水储量变化导致的;对比剔除异常站点前后的PAC结果发现,N、E、U方向第1、2主分量的贡献率变化明显,U方向表现最为显著,其中第1主分量贡献率分别提高2.0% (N)、3.9% (E)、5.7% (U),第2主分量则分别下降1.1% (N)、1.9% (E)、6.7% (U),剔除异常站点后,站点的空间响应得到明显提高。 相似文献
9.
以洪河国家级自然保护区为研究区,选取了多时相的Sentinel-1B和Sentinel-2A影像为数据源,制定出9种多时相主被动遥感数据组合方案,用于沼泽湿地遥感分类;分别对根据9种方案整合的多维数据集,进行基于尺度继承的多尺度分割,得到面向对象的分割影像,建立与不同方案对应的特征数据集;采用随机森林机器学习算法,对多维特征数据集进行特征优化,并进行参数调优,构建沼泽植物的最优遥感识别模型,实现对沼泽湿地中地物的识别与分类。研究结果表明,采用递归特征消除(recursive feature elimination,RFE)算法的变量优选和采样随机森林的参数调优,可以优化随机森林模型,显著减少数据冗余,整合多时相主被动遥感数据方案九的随机森林模型的最佳参数mtry和ntree分别为4和1500,模型训练精度为93.06%,Kappa系数为0.916,其模型训练精度在所有方案中最高;经过变量优选得到最佳特征变量组合,交叉极化方式的后向散射系数(Mean_VH)对于沼泽分类的重要性比同向极化方式的后向散射系数(Mean_VV)高;光谱特征是遥感图像分类的最主要特征,其中,红光和绿光波段(Mean_R和Mean_G)、多光谱红边波段(Mean_REG1和Mean_REG2)、近红外波段1(Mean_NIR1)、红边植被指数(CIgreen和CIreg)都对分类具有较高的重要性;纹理特征熵(GLCM_Entro、GLCM_Ent2)和位置特征像元坐标(X_Min_Pxl和Y_Max_Pxl)对沼泽湿地分类也起到重要作用,相对于其它特征,形状特征对分类的贡献性较小;利用方案九的数据得到的分类结果的总体分类精度为94.42%,主被动遥感数据的特征变量和不同时相的特征变量都对分类做出重要贡献,其中,6月的多光谱特征变量的贡献大于9月的变量;9月的SAR特征变量的贡献大于6月的变量;对分类贡献最大的9月的特征变量为多光谱红边波段2(Mean_REG2),对分类贡献最大的6月的特征变量为绿光波段(Mean_G);融合多时相主被动遥感数据源,可以将不同数据源、不同时相对分类具有较大贡献的特征变量集合在一起,充分利用光谱信息和雷达数据反映的结构信息,构建多维度最佳特征变量组合方案,有效提高沼泽湿地分类精度。 相似文献
10.
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