排序方式： 共有4条查询结果，搜索用时 15 毫秒
1
1.
基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。 相似文献
2.
通过分析1978年至今水深光学遥感的国内外主要研究成果,从被动光学遥感、主动光学遥感、遥感融合探测三个方面,对光学遥感浅海水深反演方法进行了系统性总结,对比分析了水深反演方法的优势和不足,探讨了存在的技术问题,并展望了浅海水深光学遥感技术的发展趋势。总结得到:主动光学遥感的水深探测精度最高,在0~15m浅海水深段,激光雷达遥感探测误差在厘米级,但仅限于机载平台;遥感融合探测方法精度次之,水深反演精度一般可比单源单时相提高10多个百分点;被动光学遥感中的高光谱水深反演精度一般要高于多光谱,平均相对误差可低至15%。被动光学遥感水深反演精度相对较低,但是数据源丰富、覆盖范围广、时效性强、水深反演模型较丰富,是目前浅海水深遥感反演的主要方法。主动光学遥感由于机动性强、测深精度较高,逐步成为应用和研究的热点,但是受空管以及飞机平台的航程限制,个别敏感区域飞机也不能到达。水深遥感融合探测可以充分地利用已有遥感影像资源,有效地挖掘多源、多时相信息,有助于提高水深遥感反演精度,但是多源遥感影像融合时会存在空间尺度问题,多时相反演融合中也会有底质及水下地形变化等因素对水深反演精度的影响。 相似文献
3.
基于GF-2影像的广西茅尾海红树林物种分类及盖度估算分析 总被引：1，自引：0，他引：1
为了掌握茅尾海红树林种类和盖度情况,基于GF-2 PMS1高分辨率卫星遥感影像数据,使用支持向量机(support vector machine,SVM)和回归模型方法开展了茅尾海红树林物种分类和植被盖度估算研究,并对其分布特征展开了详细分析。研究表明:(1)广西茅尾海红树林共有4个种类,分别是桐花树(Aegiceras corniculatum)、无瓣海桑(Sonneratia apetala)、秋茄(Kandelia candel)和茳芏(Cyperus malaccensis)。桐花树作为茅尾海红树林的优势种,面积为1228.612 ha,占总面积72.5%,散布在茅尾海潮间带。秋茄面积最少,仅有1.976 ha,零星分布于茅岭乡和尖山镇沿岸,多数与无瓣海桑和桐花树混生。(2)基于GF-2 PMS1卫星影像的NDVI植被指数建立的二次多项式盖度回归模型效果最好,决定系数最大为0.7644,均方根误差RMSE最小为0.0680。(3)植被盖度分布状况与植被类型有密切关系,植被种类纯生区的盖度要明显大于植被混生区的盖度。本研究结果为茅尾海国家海洋公园和自治区级自然保护区管理部门的决策提供理论基础。 相似文献
4.
1