排序方式: 共有29条查询结果,搜索用时 0 毫秒
1.
2.
生物多样性遥感研究进展 总被引:3,自引:0,他引:3
随着遥感技术和新型传感器的发展,遥感已成为目前区域或全球生物多样性研究的重要方法。综述了目前国内外生物多样性遥感研究的最新进展;分析了遥感生物多样性研究的主要理论基础,包括光谱变异假说、生产力假说和种—面积关系理论等;总结了利用高空间和高光谱分辨率遥感数据直接监测生物物种及其多样性的进展与局限性;基于遥感反演的不同环境变量进行生物多样性模拟和预测是目前最常用的方法,对其进行了较详细的分析,并介绍了相关模型的发展。最后,总结了该方法在我国的应用局限,指出增进学科合作、将遥感方法与生态学理论和模型相结合、重视地面验证数据的使用将是生物多样性遥感研究的发展趋势。 相似文献
3.
4.
基于6S模型的环境星CCD数据大气校正 总被引:5,自引:0,他引:5
应用6S辐射传输模型建立查找表,对环境与减灾小卫星CCD数据进行大气校正。结果表明:校正后的图像更加清晰,对比度增强;与实测光谱对比,处理后的环境星数据可以更真实地反映地物反射特征,消除了NDVI信号在大气传输过程中的衰减效应,更好地复原了地表植被覆盖的真实状况。通过讨论,提出对于HJ-1-A的CCD数据,可以考虑通过同星搭载的高光谱传感器进行气溶胶光学厚度反演;对于HJ-1-B的CCD数据,可以采用对比方法反演气溶胶光学厚度,进而作为模型的输入来提高大气校正精度,以及考虑地表二向性反射现象来提高大气校正精度。 相似文献
5.
玉米和大豆是两种主要的粮食作物,及时准确地监测两者的种植面积对于产量预测和市场价格的制定具有重要的意义。利用遥感技术探究在生长季中后期能有效区分玉米和大豆的指示性特征集,为在不同实验区进行推广应用和提前玉米和大豆种植面积信息发布的时间提供技术支撑。文章以玉米和大豆为研究对象,以黑龙江和安徽省两个典型种植区为实验区,以高分一号影像为数据源,计算多种植被指数特征和两种纹理特征,同时利用特征优选方法评价特征间的相对重要性,并结合随机森林分类算法分析特征个数对精度的影响,得到不同试验区区分两者的最佳特征子集。随后根据不同实验区最佳特征子集的共同点和差异,遴选出对玉米和大豆中后期区分的遥感指示性识别特征集,并设计实验方案验证其有效性和稳定性。实验表明:在玉米和大豆生长中后期存在具有高效辨识两者的遥感特征集,能有效和稳定地增强两者的遥感识别能力;在不同实验区,基于特征优选方法可以选择出区分玉米和大豆的最佳分类特征子集,得到两者最优的识别效果,比仅仅使用原始波段特征的分类精度提升了近10个百分点,总体分类精度能够平均达到97%,Kappa系数0.96,玉米和大豆的单类分类精度平均超过95%;在不同的种植区,利用玉米和大豆的指示性特征集可以得到几乎与优选出的最佳特征子集同样的分类精度和制图效果,且具有稳定性和有效性,较最佳特征集更具推广使用意义。指示性特征集包含6种:植被指数中的比值植被指数(RVI),差值植被指数(DVI),转换型植被指数(TVI),改进型叶绿素吸收比率指数(MCARI)和灰度共生矩阵(GLCM)纹理特征中的二阶矩(the Second Moment)和熵(Entropy)。 相似文献
6.
关键时相长势—环境和景观特征对河北省县级尺度冬小麦单产估算精度影响分析 总被引:1,自引:0,他引:1
区域尺度上精准、快速的作物单产估算可以有效地为国家粮食安全相关政策的制定提供数据支撑。本文针对县级估产时相和特征类型选择问题,基于遥感、气象和统计等多源数据,通过不同时相和特征要素之间的组合分析来探索其对于县级尺度冬小麦单产估算的影响。特征要素主要考虑作物长势、环境(水分和光温条件)和农田景观3个类型;时相主要考虑由冬小麦生长过程NDVI (Normalized Difference Vegetation Index)曲线特征提取的5个关键时段(P1—P5)。利用不同时相与类型特征的组合与统计单产构建随机森林回归模型,根据精度评价结果分析各组合的优劣。2014年—2017年的数据用来建模,2018年数据用来验证。对于单时相,P2、P3、P4的表现明显好于P1和P5;多时相的准确度明显优于单时相,其中P2、P4的组合效果最佳。对于不同类型的特征要素,作物长势特征参量对估产精度的影响最大,而水分影响和光温条件等环境因子的加入对估产准确性并没有明显提升,农田景观参数的加入能够有效提升估产的准确性。在最优组合的基础上,剔除冗余变量优选出5个重要的指标因子(PROP、NDVI_P2、B2_P2、... 相似文献
7.
"全球农情遥感速报系统(CropWatch)"新进展 总被引:5,自引:0,他引:5
目前由中国科学院遥感应用研究所建设和运行的"全球农情遥感速报系统",是世界上开展全球尺度农情遥感业务监测的主要运行系统之一,可以在中国和全球尺度提供作物长势、单产、种植面积、产量和旱情等农情信息.自1998年建设至今,已经发展成为一个独立运行、监测内容全面、技术先进、监测结果可靠,并具有快速响应能力的系统.2004年,<遥感学报>(第8卷第6期)对该系统的主要技术方法进行了系统介绍.2005-2009年,通过对CropWatch的不断完善,提高了系统的独立性和运行效率,并在2008年春季雪灾、汶川地震、2009年冬小麦种植区春季干旱、2010年西南大旱等关键时期发挥了重要作用.详细介绍了2005-2009年间在系统化建设、监测的独立性和系统的应用推广等方面的进展,并对系统在"十二五"期间的发展重点进行了展望. 相似文献
8.
基于环境星CCD数据的冬小麦叶面积指数遥感监测模型研究 总被引:11,自引:0,他引:11
以山东禹城为研究区,利用我国自主研发的环境星数据,计算了4种植被指数,即归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)及增强型植被指数(EVI);结合同步观测数据,将植被指数与实测叶面积指数(LAI)进行回归分析,比较各种植被指数模型对冬小麦LAI的估测精度。结果表明,4种植被指数与LAI均具有较高的相关性,其中,比值植被指数(RVI)对LAI反演精度最高,即LAI=2.967 lnRVI-1.201是估算冬小麦LAI的最优模型。使用2009年5月冬小麦LAI观测数据对模型进行验证,平均相对误差为19%。 相似文献
9.
通过训练样本采样处理改善小宗作物遥感识别精度 总被引:1,自引:0,他引:1
训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。 相似文献
10.