排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
秦岭地区植被覆盖动态变化对其生态环境有重要影响。本文利用Google Earth Engine云平台,选取1986—2019年Landsat TM/OLI地表反射率数据,结合像元二分模型估算秦岭地区植被覆盖度(FVC);通过年际变化斜率、变异系数、Hurst指数等评价指标,对FVC的时空变化、稳定性和持续性变化进行分析。此外,探究FVC与气温、降雨的耦合关系,并分析土地利用变化对FVC的影响。结果表明:34年间,秦岭地区FVC整体上呈现良好的状况,中高等及以上植被覆盖区达73.11%;FVC由1986年的62.86%增长到2019年的70.01%,植被活动在不断增强;FVC的变异系数均值为0.34,标准差为0.45,其稳定性与其空间分布呈高度自相关性;秦岭地区的植被覆盖变化受气候变化和人为因素的共同影响。 相似文献
2.
基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD 总被引：1，自引：0，他引：1
针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。 相似文献
3.
滑坡自动识别能够解决人工目视解译方法速度慢的问题,现有基于深度学习的自动识别方法多以目标检测和语义分割等单任务识别方法为主。本文基于深度学习实例分割网络探索可同时完成滑坡目标定位和语义分割的多任务识别方法。首先,基于谷歌地球影像构建了包含3822个样本的黄土滑坡样本数据集;然后,采用单阶段实例分割网络(YOLACT)构建了基于小样本学习的黄土滑坡多任务自动识别模型;最后,通过大、中、小3种比例尺度的滑坡测试样本对识别结果进行评价。试验结果表明:①滑坡目标定位框(Box)平均精确度为61.66%,滑坡语义分割掩码(Mask)平均精确度为62.0%,大比例尺测试结果中Mask交并比为0.88;②基于YOLACT构建的滑坡识别模型可同时完成滑坡目标定位和滑坡高精度掩码分割的双任务识别,为滑坡多任务自动识别及快速制图提供了技术支撑。 相似文献
1