排序方式： 共有5条查询结果，搜索用时 46 毫秒
1
1.
基于互联网房产数据的住宅容积率多尺度时空特征——以广州市为例 总被引：2，自引：0，他引：2
基于网络爬虫技术获取房产时空数据,结合时间序列和空间自相关分析方法,在“小区—街道—区级”多尺度上探索广州市住宅容积率时空模式与演化规律。结果表明：① 近三十年广州市居住空间呈现中心城区集聚开发—向南、北方向近郊区拓展—往南、北、东方向远郊区外扩的演变过程,容积率呈现波动式增长态势。② 随着房地产的快速发展,住宅容积率逐渐呈现显著的空间自相关特征,体现了住宅开发与规划有序性的提高。③ 区级尺度上容积率呈现较强的自相关性,越秀区与天河区为HH集聚区,从化区为LL集聚区。街道尺度上容积率呈现出显著的空间不均衡性,区位交通条件较好的街道成为容积率HH集聚区,而LL集聚区主要分布于生态旅游重镇。 相似文献
2.
土地覆盖的短期时空变化模式研究,对土地覆盖的快速、动态监测具有重要意义,也是遥感研究的新热点。本文利用2000—2001年的时间序列Radarsat图像,采用功率谱分析方法,对土地覆盖的短期时—空变化的周期特征进行了分析,由此建立了基于时间序列影像分析的神经网络预测模型,从植被主要生长季节的时间序列雷达卫星影像获取训练样本,对研究区域的典型土地覆盖的短期动态变化过程进行了学习。学习后的模型能够利用多个时间序列的Radarsat影像对下一时刻的影像进行模拟,并进一步检测变化。在模拟结果基础上,定义相对变化距离函数和检测门限,对模拟影像及实际影像中的变化区域进行了检测。检测精度范围在66.67%(农村居民点)—91.67%(水体)之间,平均检测精度为81.66%。由于时间序列信号的引入,神经网络模型能够较好地获取土地覆盖的短期动态变化信息。 相似文献
3.
陈晓越 《资源与生态学报(英文版)》2014,5(2):185-192
随着经济的快速发展和城市的扩张,现在很难再以传统方法检测短时间间隔内的土地利用变化。同时,由于受到恶劣天气以及云层覆盖的影响,光学遥感影像的获取也受到限制。SAR影像,例如RADARSAT-1,是全天候观测地面目标的理想工具。根据RADARSAT-1卫星的过境时间,本文分别采用24、48和72天为时间间隔的RADARSAT-1数据进行土地利用变化检测并进行分析。根据这三个时间间隔,检测结果只能在精度和效率之间进行折中。大部分情况下,采用24天作为时间间隔已经足以得到60%以上的检测精度。如果要得到更高的检测精度,则需要更长的时间间隔,例如48和72天。 相似文献
4.
红树林湿地植被生物量的雷达遥感估算 总被引：19，自引：0，他引：19
根据雷达后向散射系数建立了红树林湿地植被生物量的估算模型,并运用遗传算法确定其中非线性模型的最优参数.对比分析表明,雷达后向散射系数模型比NDVI模型在植被生物量估算中有更高的精度.使用NDVI指数有可能导致某些植被类型的生物量估算出现较大的误差.这是因为一些具有密集冠层的草本植被（例如互花米草等）有比红树林高得多的NDVI值.而雷达遥感所具有的侧视特点及一定的穿透能力能有效地获取植被的垂直信息,大大减低植被生物量估算的误差. 相似文献
5.
论文分析了时间序列遥感影像中土地利用/土地覆盖短期变化的特点及其时空异常特征, 认为和环境、物候等因素造成的影像变化相比, 由人为活动引起的土地利用/土地覆盖变化具有典型的时间和空间异常特征, 并提出了基于密度异常的土地利用短期变化检测方法。研究工作选取珠江口地区1—5月作物生长期间的3个时间序列Radarsat雷达影像进行试验, 在影像分割的基础上, 构建了基于对象的特征变化矢量, 并将密度异常检测算法(DBAD)扩展到变化矢量的N维特征空间上, 运用随机搜索策略确定检测参数, 对Radarsat时间序列变化矢量中的“小模式”事件进行了检测。检测结果认为, 密度异常检测算法检测的是变化矢量在特征空间的密度分布, 与变化矢量的强度和方向无关, 因此能在时间序列影像中分离出由典型的、正常的作物生长或农事活动引起的影像光谱或回波变化, 进而识别出由人为活动或突发事件导致的土地利用/土地覆盖变化, 这是通常的图像差值等方法难以做到的。进一步的抽样检测说明, 密度异常检测方法对新增建设用地的检测准确率最高(>88%)；林地地表覆盖相对稳定, 检测误差也很低(8%)；农用地和养殖水面的异常变化检测误差在11%—22%之间；较大的检测误差主要集中在建设用地、农用地和未利用地之间的转换(16%—25%)；此外, 养殖水面的检测误差主要集中在河流沿岸及水面变化较大的养殖区域。影像分割结果特别是一些线状分割图斑以及混合地类图斑对误差也有一定的影响。 相似文献
1