排序方式: 共有118条查询结果,搜索用时 31 毫秒
41.
为弄清“长防林”工程在云南的建设现状和实施效果,采用TM遥感数据,应用分类树与分层分类方法,结合特征选取与多种分类算法相结合的图像处理信息识别分类方法,提取昭通、大关2市县的森林植被、土地利用等信息。在GIS支持下,编制了研究区的森林分布图,并利用2期图像作了动态监测研究。研究结果表明,采用分层次、多种信息提取方法可满足“长防林”工程区的森林覆盖的信息提取要求,得出了“长防林”实施以来研究区的森林覆盖率增加了11.2%。 相似文献
42.
在分析了昭通地区土壤侵蚀成因和规律后,本研究选择了植被盖度和坡度作为确定土壤侵蚀等级的主导因子。利用1999年昭通地区TM卫星图像进行判读,提取植被盖度、土地类型和土地利用方式等信息;从地形图提取坡度信息;最后应用地理信息系统(GIS)的通用软件工具ARC/INFO7.11和AR-CVIEW3.2进行土壤侵蚀等级的空间分析,得到了土壤侵蚀等级空间分布图。根据土壤侵蚀等级图的统计分析结果对长防林(云南部分)实施后产生的生态效益尤其是土壤侵蚀的治理作出了科学评价。 相似文献
43.
44.
为提高森林蓄积量遥感估测精度,探讨哑变量技术在蓄积量遥感估测中的作用。以云南省普洱市思茅区为研究区,以Landsat 8 OLI和93块森林资源二类调查角规控制样地数据为基础,使用随机森林(random forest)算法进行遥感变量因子的选择,并以龄组为哑变量分别构建基于哑变量的SVR和PLSR蓄积量估测模型,采用留一交叉验证对结果进行评估。结果表明,使用随机森林算法进行变量的选择有效减少了自变量的维度,提高了计算效率;其次,哑变量引入后,PLSR和SVR 2种回归模型的估测精度都比无哑变量方法有明显的提高,且SVR的估测结果优于PLSR;在引入哑变量后SVR模型的决定系数R2由0.59提高到0.68,相对均方根误差rRMSE由36.76%降低至32.97%,PLSR模型的决定系数R2由0.53提高到0.62,相对均方根误差rRMSE由39.41%降低至35.24%。在森林蓄积量的遥感估测中,哑变量技术的应用可以在一定程度上解决不同蓄积量大小对估测结果造成的影响,进而提高蓄积量的估测精度。 相似文献
45.
46.
多山地区微波遥感图像的正射校正是实践应用中的关键和瓶颈,该文以星载合成孔径雷达数据ALOS(advanced landobservation satellite)PALSAR为基础数据,GAMMA软件为处理平台,研究微波图像正射校正方法。首先利用数字高程模型(digital elevation model,DEM)及卫星轨道参数生成模拟合成孔径雷达数据(synthetic aperture radar,SAR),再利用图像交叉相关分析算法自动搜索模拟SAR与真实SAR同名地物点偏移量,建立校正多项式模型,在此基础上通过建立校正查找表方法实现真实SAR图像的地理编码及正射校正。校正效果经检验,误差在一个像元以内,校正效果较好。 相似文献
47.
为研究高黎贡山南段森林景观变化与驱动力之间的相互关系,在GIS 支持下对高黎贡山1974、1987、1997、2006 年4 个时期遥感影像森林景观分类数据,利用成本距离分析方法对村庄居民地和道路对森林景观变化的关系进行研究,并分析成本距离和景观空间变化关系。结果表明:高黎贡山森林变化呈先增加后减少的趋势;森林变化在海拔1000 ~2000 m最为活跃。森林变化与村庄居民地和道路的距离具有较高的相关性,通过数学拟合达到较高显著性。 相似文献
48.
利用香格里拉县森林资源二类调查数据,在ArcGIS9和Fragstats3.3软件支持下,选取斑块密度、最大斑块指数、形状指数、平均斑块面积、分维数、多样性指数、均匀度指数、蔓延度指数等森林景观格局指标对香格里拉县森林景观格局进行分析,结果表明:香格里拉县冷杉林和高山松林斑块较多,面积分别占总面积的16.97%、14.43%,在总体景观中处于主导地位。阔叶林和灌木林斑块密度分别为0.2496、0.2118,景观较为破碎;香格里拉县森林景观多样性指数为2.1300,景观要素类型较丰富,天然林得到了较好的保护。 相似文献
49.
选择3块地势起伏不同的区域作为研究区,研究Quick Bid影像的几何校正。利用简单多项式校正模型、有理函数模型和局部区域校正模型进行校正对比,发现:在地势平坦区域,利用简单的多项式校正模型即可取得较高的校正精度;在地势起伏较大的地区,利用有理函数校正模型可取得较好的校正效果。并且3者中有理函数校正模型最稳定。 相似文献
50.
极化干涉SAR森林冠层高反演是当前SAR领域研究的热点。经典的森林冠层高反演算法主要基于随机地表二层相干散射模型(Random Volume over Ground,RVo G),该模型在山区受到植被层下地表的地形坡度影响,反演精度存在较大误差。为了提高森林冠层高反演精度,采用地形坡度改正的S-RVo G(Sloped Random Volume over Ground)模型,结合三阶段算法,应用德国宇航局DLR提供的星载Tan DEM-X全极化干涉数据反演森林冠层高,并对结果进行验证。结果表明:坡度级为II、III级,RVo G模型反演效果接近于S-RVo G模型;坡度级为IV级,RVo G模型与二调平均树高的相关关系明显下降,加权相对误差和RMSE增大;S-RVo G模型与二调平均树高保持显著相关关系,反演误差同比小于RVo G模型。因此,S-RVo G模型一定程度上改正了地形坡度造成的误差,提高了森林冠层高反演精度,在坡度大的地区精度提升程度更为明显。 相似文献