排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
为及时准确高效监测小麦叶面积指数（leaf area index,LAI）,获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598~0.717和0.577~0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。 相似文献
2.
针对低渗透煤体在轴压及围压变化作用下的渗透率演化规律,利用自主研发的全应力-应变三轴伺服控温渗流试验系统,进行了变围压及变轴压条件下煤样渗透率的试验研究.试验结果表明:(1)渗透率在轴压及围压变化过程中减小,围压对渗透率影响高于轴压对渗透率的影响;(2)围压与渗透率符合K=αe~(-0.45σ2)关系式,拟合系数α随着轴压的升高呈依次降低的趋势;(3)轴压、围压均为1～10 MPa的范围内时,两者和渗透率之间满足K=15.335 89e~(-0.45σ2)-0.276 43σ_1e~(-0.45σ2)的函数关系.研究结果为采动条件下渗透率演化提供理论参考依据,对现场瓦斯抽放钻孔布置具有一定的实践指导意义. 相似文献
3.
煤矿突水是矿井生产过程中产生的自然灾害之一,而准确判别突水来源是突水防治工作的重要基础.以煤矿各含水层水化学成分的差异性为依据,选取K~++Na~+,Ca~(2+),Mg~(2+),Cl~-,HCO_3~-,SO_4~(2-)6个常量组分作为突水水源的判别因子.为克服Elman神经网络采用梯度下降法所带来的易陷入局部最小值的缺点,采用具有全局搜索能力的遗传算法(GA)通过选择、交叉和变异等步骤训练优化Elman神经网络,建立了收敛速度更快、泛化性更强的GA-Elman神经网络判别模型,结果表明:将具有全局寻优功能的GA和局部精确寻优的Elman神经网络相结合,克服了Elman神经网络初始权值与阈值的随机性、易陷入局部最优的缺点,能够提高Elman神经网络的判别输出精度,为准确、有效判别突水来源提供了可靠的决策依据;经过GA优化过的Elman神经网络在训练过程中的均方误差收敛速度、收敛精度都有很大的提高,在网络模型的判别输出上,判别结果更为稳定、泛化性更好,为该模型在其他领域的推广提供了一定的借鉴性;为进一步确保突水水源判别的准确性、有效性,在密切结合煤矿水文地质条件的前提下,应选取具有代表性和准确性高的水化资料,有效发挥该判别方法对煤矿水害防治及措施制定的指导作用. 相似文献
1