排序方式： 共有5条查询结果，搜索用时 15 毫秒
1
1.
积雪参数如雪盖、雪深是标示气候变化的敏感因子,具有较高时空分辨率的HJ-1B卫星是专门用于灾害监测与评估业务的国产卫星之一,开展以HJ-1B为主的积雪参数反演对于我国国产卫星的理论研究与深入应用具有重要意义。本文针对积雪参数反演,根据HJ卫星CCD和IRS传感器的数据特征,深入分析积雪等典型地物的光谱特性,而后针对同时具有HJ-1B/CCD、IRS数据和只有CCD或者IRS传感器数据3种情况展开积雪信息提取方法研究;在进行浅雪区雪深反演时,利用两种不同的统计回归模型进行交叉验证、研究对比。研究结果表明,3种情况下提取出的积雪精度都达到了80%以上,以第1种情况提取精度最高,两种统计模型反演出的浅雪区雪深的一致度达到83%左右,说明HJ星数据能较好地反演雪盖及浅雪区的雪深,能满足实际应用的需要。 相似文献
2.
青藏高原典型植被生长季遥感模型提取分析 总被引：2，自引：0，他引：2
物候变化是衡量全球气候变化最直接、敏感的指示器,针对青藏高原这个独特地域单元上特殊的高寒植被进行关键物候期遥感提取模型及植被物候时空变化的研究具有重要的意义。本文首先以反距离加权空间插值算法与Savitzky-Golay滤波算法相结合的数据重建模型获得高质量2003-2012年青藏高原MODIS归一化植被指数(NDVI)数据。在此数据基础上,分别利用动态阈值法、最大变化斜率法、logistic曲线拟合法3种遥感植被生长季提取模型,对青藏高原地区两种典型植被的生长季(SOS生长季开始期,EOS生长季结束期,LOS生长季长度)进行提取。通过对3种模型提取结果的对比分析,并结合日均温模型对提取结果的验证发现,动态阈值法为青藏高原地区典型植被生长季的最优遥感提取模型。该模型对近10 a的高分辨率典型高寒植被物候参量的反演及时空变化特征分析表明,受青藏高原水热及海拔梯度的影响,青藏高原植被物候变化呈现出从东南向西北的空间分异规律,随春季温度的升高,近10 a来青藏高原高寒草地总体呈现生长季开始期(SOS)提前(0.248 d/a)的趋势。 相似文献
3.
针对高分辨率遥感影像中阴影对道路提取产生较大干扰的问题,提出了一种基于脉冲耦合神经网络(PCNN)的城市道路提取方法。该方法首先在近红外波段检测并消除阴影和水体的影响,并使用PCNN对消除阴影后的灰度图像进行分割处理;然后使用形态学建筑物指数(MBI)和归一化差分植被指数(NDVI)分别提取出建筑物和植被信息,消除建筑物和植被的影响;最后提取受行道树影响较大的道路,并对处理后的图像作数学形态学法的处理。该文以深圳市SPOT-7高分辨率影像进行实验。实验表明,该方法能保留原始的道路边缘细节信息,并对阴影具有很好的抗干扰作用,提取的道路信息具有很好的连续性和完整性。 相似文献
4.
叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。 相似文献
5.
城市行道树绿视量指数研究 总被引：1，自引：0，他引：1
本文立足于街道景观视觉质量定量研究不足,以行人的视觉感受为出发点,创新性地提出一种用于衡量城市行道树的绿量可视性的绿视量指数。该方法通过模拟人眼视野范围内周围树木的真实场景,定量描述了行人视角下所能捕获的行道树绿色面积,以及这种目视接触概率的空间分布差异。研究结果表明：对于复杂的城市街道景观,绿视量指数能够很好地反映出行道树的空间分布、树冠三维结构、建筑物遮挡、以及观察距离对行人感知城市绿量产生的影响。本方法充分利用多源信息,基于计算机的自动解译,实现了街道场景内任意位置的绿视量高精度计算,大大降低了人力成本,可用作大范围多区域间的对比评价。研究成果证实了多源遥感数据在评价道路绿化景观视觉效果上的有效性,可为环境规划设计、绿化精细化管理、人居环境改善提供技术支撑。 相似文献
1