排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
提出了一种基于深度学习技术的遥感分类方法，它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像，基于GoogleNet模型中的Inception V3网络结构，借助迁移学习方法，构建出遥感分类模型，实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取，并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%，Kappa系数为0.834 2，明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0，而且有效抑制了地物在分类过程中出现的像元混分现象。 相似文献
2.
城市扩展引起的区域增温效应一直都是城市热环境研究中的热门领域。本研究首先基于1980-2015年7期城市扩展遥感监测数据,通过熵值法构建了京津冀地区58个气象站周边2 km半径范围内城市扩展程度指数;然后使用四分位法对该指数进行分级,将站点划分为低度城市扩展（C1）、中度城市扩展（C2）和高度城市扩展站点（C3）;最后通过3类站点年和季节平均气温变化趋势对比分析,揭示了城市扩展对气温变化的影响程度及其贡献率。结果表明：① 1980-2015年京津冀地区几乎所有站点周边都有城市扩展现象,58个气象站周边城市扩展程度指数平均为0.377,C3类站点周边城市扩展程度指数为0.650;② 3类站点年和季节平均气温增温速率均表现为C1 < C2 < C3,C3类站点年平均气温的增温速率为0.536 ℃/10a;在季节平均气温上,C1、C2和C3站点春季的增温速率均最高,其中C3类站点的为0.637 ℃/10a,而夏季或秋季最低;③ 城市扩展对C3类站点年和季节平均气温增温影响和贡献率均高于C2类站点,对C3类站点年平均气温的增温影响和贡献率分别为0.342 ℃/10a和63.81%;在季节平均气温上,城市扩展对C2和C3类站点的增温影响均在冬季最高,分别为0.229 ℃/10a和 0.410 ℃/10a,而在春季或夏季最低;城市扩展对C2和C3类站点的增温贡献率均在秋季最高,分别为73.24%和82.96%,而在春季最低。 相似文献
1