排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
本文对森林采伐的历史做了回顾、对采运的现状做了分析和研究、提出资源形势变化后的森林采运对策:要减少产量,珍惜每块资源;根据实际采取相应的采伐方式,不强行套用现行采伐方式,因地制宜选用集材方式。 相似文献
2.
利用无人机多光谱估算小麦叶面积指数和叶绿素含量 总被引：6，自引：4，他引：2
利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数(Leaf Area Index,LAI)和叶绿素含量的模型估算潜力,该研究在3个飞行高度(30、60、120 m)采集多光谱影像,通过使用全波段差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)、归一化光谱指数(Normalized Spectral Index,NDSI)和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD(Soil and Plant Analyzer Development)值的精度。结果表明:1)30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2)在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好,最大相关系数分别为0.77和0.50;3)利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。 相似文献
3.
【目的】研究如何从无人机多光谱遥感影像中提取有效的特征，并以此构建小麦锈病反演模型。【方法】以小麦锈病田块为研究对象，利用大疆精灵4无人机获取多光谱影像，分别提取植被指数和纹理指数，使用皮尔逊相关系数、灰色关联度和变量投影重要性等方法进行指数排序，利用判定系数、赤池信息准则进行变量筛选，分别使用偏最小二乘回归、后向传播神经网络(back propagation neural network, BPNN)、随机森林(random forest, RF)3种方法建立小麦锈病反演回归模型。【结果】利用变量投影重要性-赤池信息准则方法能够筛选出较好的光谱指数，使用BP方法构建的回归模型精度最高，其判定系数R2为0.918,RMSE是0.128。【结论】利用3种特征筛选方法，在构建的光谱指数、纹理特征集中筛选敏感特征，并建立小麦锈病反演模型，实现了小麦锈病灾害空间分布制图，为多光谱影像特征变量筛选提供了方法参考。 相似文献
1