排序方式： 共有2条查询结果，搜索用时 78 毫秒
1
1.
本文探讨了利用Landsat TM和ETM影像数据建立植被受损模型,评价了植被受损的程度,运用植被覆盖度估算的像元二分模型,估算了植被覆盖度,总体上评价了芦山县经过4·20地震前后的植被覆盖度的变化情况,同时分析了其空间分布特征。研究结果显示:①2009年至2013年芦山县平均覆盖度从75.47%降低到70.22%②两个时期植被都是以较高覆盖度为主,约占总面积的36%,其中2009年高覆盖度植被面积大量的减少,减少的高覆盖度植被主要转化成了2013年中覆盖度的植被③2009年~2013年以轻度减少和稳定为主,轻度减少区和稳定区占总面积的75.66%,剧烈减少区和减少区占总面积的9.68%。这说明2009年~2013年植被有较严重的退化趋势④植被覆盖度变化存在着空间格局差异,随高程、坡度、坡向的分布特征差异显著⑤通过植被指数构建的植被受损模型评价了地震造成的植被受损情况,其中重度受损的植被大多是滑坡、崩塌的区域。通过研究植被受损的等级和覆盖度的动态变化情况,揭示了地震灾害对地表植被的破坏状况,为灾区的生态恢复提供决策依据。 相似文献
2.
为明确基于无人机影像的旱塬区土地利用精准分类方法,尤其是算法的选择,该研究通过究获取渭北旱塬区白水县通积村不同航拍高度无人机正射遥感影像,利用多种深度学习算法和机器学习算法对土地利用分类进行研究。首先,采用大疆御2Pro获取研究区80 m和160 m不同高度航拍影像;然后对不同航拍高度目视解译结果和多种深度学习、机器学习模型预测结果进行对比分析;最后,基于表现最佳算法对其进行创新和改进。结果表明：深度学习算法的表现远远优于传统机器学习算法,其中深度学习算法中表现最好的DeepLabv3+像素精度为90.06%,比随机森林（Random Forest,RF）和支持向量机（Support Vector Machine,SVM）分别高出24.65个百分点和21.32个百分点。基于DeepLabv3+改进的DeepLabv3+_BA模型整体分类效果最好,其像素精度为91.37%,比FCN、SegNet、UNet和DeepLabv3+分别高出7.43 个百分点、10.12个百分点、2.27个百分点和1.31个百分点,且其达到最佳精度所需的迭代次数与其他4种深度学习模型相比降低了约50%。各种算法在160 m数据集上各指标精度高于80 m。改进模型DeepLabv3+_BA具有较高的地物分类精度及较强的鲁棒性,该研究可为基于无人机影像和深度学习的土地利用信息普查提供技术参考。 相似文献
1