排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
由于显著的经济效益和生态效益,近年来稻虾共作模式分布面积迅猛扩张。准确获取稻虾田空间分布信息,对于水稻种植结构调整、产量估算和水资源管理具有重要意义。本文以“小龙虾之乡”——湖北省潜江市为研究区域,基于Google Earth Engine平台协同Landsat 7/8和Sentinel-2卫星数据,通过分析稻虾田的农业耕作管理和季相节律特征,提取了稻虾田区别其他农作物的关键“水淹”信号和“植被”信号。基于实地稻虾田样本统计分析关键特征的阈值,构建稻虾田规则集识别模型,提取了湖北省潜江市2019年稻虾田空间分布。最后,基于实地样本验证该物候窗口特征方法的精度,并评估和比较了该方法与随机森林和基于水体季相差异方法的表现。结果表明：物候窗口1月1日—4月30日内的水淹信号（LSWI>NDVI或EVI）、物候窗口7月15日—9月30日内的植被信号（NDVI或EVI>LSWI）和物候窗口11月10日—12月31日内的水淹信号是稻虾田遥感识别的典型特征。基于该方法提取的2019年潜江市稻虾田制图精度和用户精度分别为90.74%、94.69%,显著高于水体季相差异方法和随机森林方法的精度。基于关键物候窗口的稻虾田提取方法具有较高的泛化能力,能以较少的实地样本进行时空尺度的延展,从而为大尺度长时序稻虾田遥感制图提供重要的方法支撑。 相似文献
2.
基于Internet的学分制选课系统设计 总被引：7，自引：0，他引：7
介绍了Internet网上选课系统的基本设计思想,从选课系统的功能、结构、实现等方面介绍了系统的技术特点和设计方法. 相似文献
3.
及时准确地获取耕地空间分布数据对于农业生产管理、产量估算、种植结构调整等具有重要意义。目前的耕地提取多基于多时相中低分辨率影像或单时相高分辨率影像,难以满足耕地破碎,农作物种植模式复杂的区域精度需求。基于此,本研究通过协同国产高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）卫星影像,探索米级分辨率尺度下的耕地高精度提取方法。该方法以深度神经网络UNet为基础,通过协同GF-1/6的多时相优势和GF-2影像的高空间分辨率构建了CEUNet（Cropland Extraction UNet）模型,以充分挖掘耕地的时相特征和空间几何特征。同时,将基于CEUNet模型提取的米级耕地结果分别与基于UNet和多源不同分辨率遥感影像的语义分割（UNet_m）、基于UNet和单时相高分辨率影像的语义分割（UNet_s）、基于对象的随机森林分类（OBIA）、基于像元的随机森林分类（RF）提取的耕地结果展开对比,分析所提出的方法在不同区域的适宜性。结果表明,基于CEUNet模型提取的米级耕地总体精度达到92.92%,且基于CEUNet提取的耕地的逐像元验证结果在平均F1-Score值上相较于基于对象和基于像元的随机森林分类分别提升了0.21和0.21,相较于UNet_m和UNet_s分别提升了0.04和0.11,其中针对地块破碎,景观异质性高等区域,CEUNet相较于UNet_m和UNet_s提升了0.09和0.26。本研究提出的CEUNet模型能够充分发挥多源国产高分卫星数据的空间和时间优势,两者结合能够快速、高效地提取不同农业景观及不同种植模式的耕地空间分布信息。 相似文献
1