排序方式： 共有5条查询结果，搜索用时 15 毫秒
1
1.
基于HJ1A-HSI超光谱影像的耕地有机质遥感定量反演 总被引：5，自引：0，他引：5
以环境小卫星超光谱影像为主要数据源,在耕地有机质实测样本的支持下,开展光谱反射率及其变化形式与有机质的相关性分析,筛选耕地有机质响应的敏感波段与特征组合算法,利用多元回归分析方法,建立基于HSI影像的耕地有机质定量反演模型。研究结果表明,耕地有机质的HSI影像响应波段均位于可见光与近红外波段间,其中以540～860nm范围最佳,相关系数均在0.5左右;HSI反射率对数一阶微分预测模型精度最高,模型及其检验的决定系数都在0.7以上,均方根误差在0.2%左右,可用于顺义区耕地有机质全覆盖空间填图。因此,环境小卫星的超光谱影像对耕地有机质含量具有较好的光谱响应能力,其空间覆盖能力有助于开展县域尺度的耕地有机质遥感反演和空间填图。 相似文献
2.
MODIS与TM冬小麦种植面积遥感测量一致性研究——小区域实验研究 总被引：5，自引：1，他引：5
针对大范围冬小麦种植面积遥感测量业务化运行中所存在的不同空间分辨率遥感影像的获取能力、空间分辨率与测量精度之间相互制约的现实问题,选择典型实验区,采取全覆盖的多时相低分辨率MODIS数据与中高分辨率TM样区数据相结合的方法,以支持向量机（SVM）为主要技术手段,通过选取不同比例的TM样本量,对MODIS进行混合像元分解,并对MODIS冬小麦测量结果与TM测量结果进行一致性分析,进而提出了一套可用于大范围冬小麦种植面积遥感测量业务化推广的识别和精度检验方法。研究结果表明：当TM样本量大于5%时,相对于TM识别结果而言,MODIS像元精度可以稳定在82%以上;当TM样本量大于40%时,区域精度可以稳定在97%。因此,从理论上讲,在实际业务化运行中,只要能够获得监测区40%的中高分辨率的影像,采用本研究提出的多尺度冬小麦种植面积测量方法,基本上可以满足业务化运行的精度要求。 相似文献
3.
中国陆地生态系统生态资产遥感定量测量 总被引：58，自引：0，他引：58
生态系统的自然价值及其服务功能效益是地球生命支持系统的重要组成部分, 也是社会与环境可持续发展的基本要素. 生态资产是生态系统生物资源直接价值及其生态服务功能价值的总和. 对生态资产价值进行定量估算不仅可以从经济学的角度对生态环境进行定量评价, 而且能够引起全社会对生态环境建设的高度重视, 同时也是最终将其纳入社会与市场经济体系、建立绿色GDP核算体系、制定生态环境建设补偿政策的必要前提. 本文在传统生态学生态资产单位面积价值研究的基础上提出了基于遥感定量测量的生态资产价值评估模型, 并利用NOAA/AVHRR和其他辅助数据对模型所需要的参数, 如: 陆地生态系统地表覆盖类型、植被覆盖度(f)、植被第一性净生产力(NPP)进行了定量测量, 并参考Costanza等人的经济参数, 对中国陆地生态系统生态资产价值进行了全覆盖的定量测量, 并据此绘制了中国陆地生态系统生态资产价值空间分布图. 结果表明: 中国陆地生态系统每年的生态资产总价值为64441.77亿元人民币; 较之传统的生态学静态计算方法, 遥感测量克服了以点代面的缺点, 测量结果可以更加客观地反映中国陆地系统生态资产及其空间分布的现实情况, 为今后开展相关研究奠定了良好的基础. 相似文献
4.
训练样本对TM尺度小麦种植面积测量精度影响研究（Ⅰ）——训练样本与分类方法间分类精度响应关系研究 总被引：6，自引：1，他引：6
准确的遥感农作物类型识别和种植面积统计,不仅仅取决于不同分类方法的选择,同时还要看输入分类器用以学习的训练样本数据,训练样本对分类精度的影响比分类技术本身对测量精度的影响还要大。训练样本对测量精度的影响包含样本的质量和数量两个方面。为了探讨训练样本对农作物种植面积测量精度的影响,本文以小麦为例,选择典型试验区,利用较常用的TM遥感影像,结合高分辨率SPOT数据和野外GPS数据,在构建标准训练样本和检验样本数据集的基础上,在不同训练样本量下,分别对光谱角制图、平行六面体、马氏距离、最小距离、最大似然和支持向量机6种方法进行了多次试验,并对测量结果进行了对比分析。研究结果表明:①不同样本量下6种方法10次测量的结果存在不同程度的波动,而且地块越破碎的地区波动越大,但这种波动随样本量的增加会减少,说明目前在小麦面积测量中,用单次分类的结果作为最终的提取结果的做法存在一定的随机误差,在实际的工作中,应尽可能多的获取训练样本,以提高小麦面积测量的稳定性,同时利用多次测量结果求均值的方式,来消减或者抵消测量的随机误差;②相同样本量下,各种方法测量出的全区和破碎区的小麦像元个数(总量)不一致,种植结构复杂且破碎的地区,各种方法测量出的小麦面积总量差异会更大,说明不同方法对同一地区小麦的识别能力是不同的,同种方法对于不同地区小麦的识别能力也是不一样的,但是通过分析小麦识别的产品精度和用户精度,可以判断出哪个结果最接近于真实总量。 相似文献
5.
以地块分类为核心的冬小麦种植面积遥感估算 总被引：5，自引：0，他引：5
以提高冬小麦种植面积估算精度为目标,选取种植结构复杂的都市农业区,采用QuickBird影像数字化农田地块边界,以多时相TM影像为核心数据源,以地块为基本分类单元,进行不同特征向量组合、不同分类器的冬小麦地块分类方法研究,并对比分析了基于地块分类和基于像元分类的冬小麦种植面积估算精度。研究结果表明,基于地块分类的冬小麦种植面积估算方法的总量精度和位置精度均高于像元分类;植被指数和纹理信息的引入有助于进一步提高地块分类精度;支持向量机与最大似然均能得到高达97%的总量精度和90%的位置精度,支持向量机地块分类所需的训练样本量远低于最大似然,因此支持向量机更加适合于冬小麦地块分类;冬小麦错分与漏分情况大多发生在细碎地块,其面积总量较小,而大地块错分和漏分较少,因此相对于像元分类,地块分类能在整个区域能得到较高的冬小麦位置精度和总量精度。 相似文献
1