排序方式： 共有7条查询结果，搜索用时 15 毫秒
1
1.
针对全国海域使用情况的监测需求,本文应用扩展的证据理论进行围填海区域检测,预设类别空间为{围填海,海水}。实验结果显示基于扩展的证据理论不仅能够较准确地检测出围填海区域,而且将浅海中的水下沙脊或小岛划分为不确定的未知类别。说明扩展的证据理论能够更好地完成围填海的检测,体现了扩展的证据理论解决实际问题的能力,同时,也为全海域的围填海监测提供了新的思路和扩展空间。 相似文献
2.
基于数据挖掘的GF-1 遥感影像绿潮自适应阈值分区智能检测方法研究 总被引：1，自引：0，他引：1
由于受到云雾的影响，可见光影像能够高效用于绿潮检测的数据源较为有限，特别是云覆盖较为严重的可见光影像，基本无法用于检测绿潮。即使影像数据是在薄云、薄雾、无云覆盖的情况下获取的，由于其光谱反射值存在较大差异，依然很难采用同一阈值进行绿潮检测。基于此，为了提高可见光影像的利用率，实现不同云覆盖情况下，绿潮的高精度自适应阈值的自动检测，本文以GF-1影像为数据源，首先采用K-means聚类和C4.5决策树方法实现影像云覆盖情况的自动识别；其次，选取大量不同云覆盖情况下子图像样本（每个子图像样本中均包含绿潮和海水两类），分析得出不同云覆盖情况下绿潮和海水的区分阈值y与影像光谱差x=bandnir-bandred之间所具有的线性关系；然后，利用分析得出的线性关系提出一种适用于GF-1影像的绿潮分区自适应阈值自动检测方法。最后，为验证提出方法的有效性，分别采用NDVI方法、EVI方法和本文提出的自适应阈值自动检测方法进行绿潮提取实验。实验结果表明，对于GF-1卫星遥感数据，本文提出的绿潮自适应阈值分区自动检测方法明显优于传统的NDVI和EVI检测方法，不仅提高了绿潮的监测精度，而且实现了绿潮提取的全自动化。 相似文献
3.
针对基岩、人工、砂质和淤泥质海岸四种海岸类型,采用数据挖掘算法中的C4.5决策树算法对Landsat 8OLI多光谱影像数据进行分析。首先得出4种海岸类型中所包含的海水、陆地、植被、养殖区、淤泥、沙滩六种地物的识别规则;然后利用不同海岸类型所包含的地物类型差异,分别提出了基岩、人工建筑、人工养殖、沙滩、淤泥五种海岸类型的自动识别规则。实例验证结果表明,对于地物特征明显的人工海岸和基岩海岸,我们提出的海岸类型自动识别方法的精度可达到100%,而对于光谱相近的淤泥质海岸和人工养殖海岸其识别精度较低,大于80%。 相似文献
4.
长时间序列北极海冰密集度遥感数据的比较评估 总被引：1，自引：1，他引：0
基于空间分辨率和精度更高的BLM海冰密集度数据集， 评估了两种时间跨度较长、 应用广泛的25 km分辨率海冰密集度遥感数据集——NSIDC数据集和SICCI数据集。两种数据集与BLM数据集的海冰面积变化趋势相同， 但均低于基于BLM数据集得到的海冰面积， 其中基于SICCI数据集得到的海冰面积更接近BLM数据集。相比于NSIDC数据集， SICCI数据集的年、 月平均和日海冰面积偏差分别低81.88%、 80.90%、 81.44%， 且其海冰密集度平均偏差为-3.28%， 低于NSIDC数据的4.36%， 因此在进行北极地区整体海冰面积及海冰密集度分析时应选用SICCI数据集。按纬度、 海冰密集度值分情况对两种数据进行比较， 发现NSIDC数据集对开阔水域和浮冰区的区分效果较差， 其在低纬度和低密集度区域的平均偏差分别为10.11%和13.13%， 而SICCI数据集的平均偏差达到0.05%和0.44%， 是研究低纬度和中低海冰密集度区域的首选数据。与之相对， NSIDC数据集对中高纬度高海冰密集区域， 特别是近北极点区域的反映能力优于SICCI数据集， 平均偏差为1.08%， 均方根偏差为7.76%， 因此进行中高纬度高海冰密集度区域分析时首选NSIDC数据集。对两类数据集在北极东北航道上的分段评估结果发现， 低纬度海冰边缘地带或中低海冰密集度区域占比较高的航段区， SICCI数据集更接近BLM数据集， 这些航段应使用SICCI数据集进行分析； 而在中高纬度高海冰密集度区域占比较高的航段区， NSIDC数据集更加贴合， 应为首选数据集。 相似文献
5.
针对水下传感器网络节点的移动性,以基本VBF(Vector-Based Forwarding Protocol)路由协议为基础,提出了1种适用于水下移动传感器节点的路径优化算法.为了验证此路径优化算法的有效性,分别对基本VBF算法和改进的VBF算法进行了3个模拟实验;从数据包接收成功率和网络负载两方面分析比较了实验模拟结果.比较结果可以看出:文中提出的路径优化的VBF路由协议的数据包成功接收率要优于VBF路由协议,降低了网络负载,并且该优化算法实现简单,不需要增加额外的网络延迟时间. 相似文献
6.
海岛是一种相对独立的生态系统,正因为其独立性,一旦遭到自然灾害的袭击,海岛生态系统的景观结构就会发生改变,使得景观不稳定。而景观稳定性又表现为景观的抗性和恢复力。那么海岛景观受到破坏后恢复到稳定状态的恢复力就与海岛受自然灾害潜在风险程度有关。景观越稳定,那么其受自然灾害潜在风险程度就越小,反之,景观越不稳定,其受自然灾害潜在风险程度就越大。文中分析了景观稳定性与景观异质性、景观破碎度和景观镶嵌度的关系,以及与人工景观面积大小的关系。指出了海岛景观格局与海岛风险程度的关系,提出了基于景观格局的海岛自然灾害风险评价方法,并基于景观异质性指数、景观破碎化指数、景观镶嵌度指数和人工景观面积比等指数建立了海岛自然灾害风险评价模型。以长岛南五岛中的大黑山岛、北长山岛和南长山岛为研究区域,对文中提出的相对风险评价方法进行了应用,评价结果与传统的评价结果完全一致。 相似文献
7.
Since the atmospheric correction is a necessary preprocessing step of remote sensing image before detecting green tide, the introduced error directly affects the detection precision. Therefore, the detection method of green tide is presented from Landsat TM/ETM plus image which needs not the atmospheric correction. In order to achieve an automatic detection of green tide, a linear relationship(y =0.723 x+0.504) between detection threshold y and subtraction x(x=λ_(nir)–λ_(red)) is found from the comparing Landsat TM/ETM plus image with the field surveys.Using this relationship, green tide patches can be detected automatically from Landsat TM/ETM plus image.Considering there is brightness difference between different regions in an image, the image will be divided into a plurality of windows(sub-images) with a same size firstly, and then each window will be detected using an adaptive detection threshold determined according to the discovered linear relationship. It is found that big errors will appear in some windows, such as those covered by clouds seriously. To solve this problem, the moving step k of windows is proposed to be less than the window width n. Using this mechanism, most pixels will be detected[n/k]×[n/k] times except the boundary pixels, then every pixel will be assigned the final class(green tide or sea water) according to majority rule voting strategy. It can be seen from the experiments, the proposed detection method using multi-windows and their adaptive thresholds can detect green tide from Landsat TM/ETM plus image automatically. Meanwhile, it avoids the reliance on the accurate atmospheric correction. 相似文献
1