期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于点模式法的湖南省林火时空分布特征
1
作者
蔡晓晶
石蓉丹
+1 位作者
肖化顺
刘发林
《中南林业科技大学学报》
CAS
CSCD
北大核心
2024年第7期29-35,76,共8页
【目的】林火是影响森林生态系统的一个既特殊又重要的生态因子,发现林火在时间、空间上的动态与趋势有助于掌握林火发生规律,部署森林防火重点区域,为防灾减灾提供应急决策方案。【方法】以湖南省24年间(1999—2022年)林火档案资料为...
【目的】林火是影响森林生态系统的一个既特殊又重要的生态因子,发现林火在时间、空间上的动态与趋势有助于掌握林火发生规律,部署森林防火重点区域,为防灾减灾提供应急决策方案。【方法】以湖南省24年间(1999—2022年)林火档案资料为数据源,采用Ripley K函数、中心点和标准差椭圆法、核密度分析法进行了林火的空间聚集性、林火密度和扩展趋势等空间统计分析。【结果】湖南省1999—2022年林火发生总密度为0.008 7次/(km^(2)·a),空间上存在3个林火聚集点。1999—2003年的年均单位面积林火密度为0.016 7次、2004—2008年为0.034 8次、2009—2013年为0.021次、2014—2018年为0.005次、2019—2022年为0.006次,1999—2013年内的3个时序区间湖南省林火分布都具有多个聚集区域,自2014年之后林火聚集区不明显;【结论】湖南省1999—2022年间的林火空间分布存在显著的空间聚集性与地理相关性,存在明显的森林火灾高密度区域,林火密度整体呈波动下降趋势,林火密度最高的区域为娄底市、株洲市、郴州市和邵阳市东部;并且2013—2018年以及2019—2022年区间的林火密度明显下降;1999—2022年的总体林火平均中心位于邵阳市,同时也是林火高密度区域,林火高密度区域还包括株洲市、郴州市,湖南省林火总体扩散趋势是向湖南省东南方向的永州市、郴州市扩展;湖南省各区划1999—2022年间的GDP发展分布呈现高度聚集性,聚集区域主要是长株潭区域以及衡阳市、益阳市范围,GDP分布的空间变异极小,与林火空间分布方向重叠区域面积占71.29%,重叠面积较高。
展开更多
关键词
森林火灾特征
聚集分布
密度分析
湖南省
在线阅读
下载PDF
职称材料
流形嵌入的选择性伪标记与小样本数据迁移
被引量：
4
2
作者
王耀力
刘晓慧
+1 位作者
李斌
常青
《西北工业大学学报》
EI
CAS
CSCD
北大核心
2021年第5期1122-1129,共8页
特殊场景分类和识别任务面临样本不易获得而造成样本缺乏,利用源域(或称辅助域)数据构建领域自适应迁移学习模型,提高小样本机器学习在这些困难场景中的分类准确度与性能是当前研究的热点与难点。提出深度卷积与格拉斯曼流形嵌入的选择...
特殊场景分类和识别任务面临样本不易获得而造成样本缺乏,利用源域(或称辅助域)数据构建领域自适应迁移学习模型,提高小样本机器学习在这些困难场景中的分类准确度与性能是当前研究的热点与难点。提出深度卷积与格拉斯曼流形嵌入的选择性伪标记算法(deep convolution and Grassmann manifold embedded selective pseudo-labeling,DC-GMESPL)模型,以实现在多种小样本数据集间迁移学习分类。针对目标域特殊场景,如森林火灾烟雾视频图像的本地样本数据缺乏情景,使用卫星遥感图像异地样本数据作为源域,基于Resnet50深度迁移网络,同时提取源域与目标域的烟雾特征;通过去除源域特征间的相关性,并与目标域重新关联,最小化源域与目标域特征分布距离,使源域与目标域特征分布对齐;在格拉斯曼流形空间中,用选择性伪标记算法对目标域数据作伪标记;构建一种可训练模型完成小样本数据间迁移分类。通过卫星遥感图像与视频影像数据集间迁移学习,对文中模型进行评估。实验表明,DC-GMESPL迁移准确率均高于DC-CMEDA、Easy TL、CMMS和SPL等方法。与作者先期研究的DC-CMEDA算法相比,新算法DC-GMESPL的准确率得到进一步提升;DC-GMESPL从卫星遥感图像到视频图像迁移准确率提高了0.50%,而从视频图像到卫星遥感图像迁移准确率提高了8.50%,且在性能上有了很大改善。
展开更多
关键词
迁移学习
领域自适应
深度卷积神经网络
小样本数据集
森林
火灾
烟雾
特征
在线阅读
下载PDF
职称材料
题名
基于点模式法的湖南省林火时空分布特征
1
作者
蔡晓晶
石蓉丹
肖化顺
刘发林
机构
中南林业科技大学林学院、水土保持学院
出处
《中南林业科技大学学报》
CAS
CSCD
北大核心
2024年第7期29-35,76,共8页
基金
国家自然科学基金项目(31470659)
湖南省研究生科研创新基金项目(CX20230776)
湖南省林业科技攻关与创新资金项目(XLKY202331,XLK202435)。
文摘
【目的】林火是影响森林生态系统的一个既特殊又重要的生态因子,发现林火在时间、空间上的动态与趋势有助于掌握林火发生规律,部署森林防火重点区域,为防灾减灾提供应急决策方案。【方法】以湖南省24年间(1999—2022年)林火档案资料为数据源,采用Ripley K函数、中心点和标准差椭圆法、核密度分析法进行了林火的空间聚集性、林火密度和扩展趋势等空间统计分析。【结果】湖南省1999—2022年林火发生总密度为0.008 7次/(km^(2)·a),空间上存在3个林火聚集点。1999—2003年的年均单位面积林火密度为0.016 7次、2004—2008年为0.034 8次、2009—2013年为0.021次、2014—2018年为0.005次、2019—2022年为0.006次,1999—2013年内的3个时序区间湖南省林火分布都具有多个聚集区域,自2014年之后林火聚集区不明显;【结论】湖南省1999—2022年间的林火空间分布存在显著的空间聚集性与地理相关性,存在明显的森林火灾高密度区域,林火密度整体呈波动下降趋势,林火密度最高的区域为娄底市、株洲市、郴州市和邵阳市东部;并且2013—2018年以及2019—2022年区间的林火密度明显下降;1999—2022年的总体林火平均中心位于邵阳市,同时也是林火高密度区域,林火高密度区域还包括株洲市、郴州市,湖南省林火总体扩散趋势是向湖南省东南方向的永州市、郴州市扩展;湖南省各区划1999—2022年间的GDP发展分布呈现高度聚集性,聚集区域主要是长株潭区域以及衡阳市、益阳市范围,GDP分布的空间变异极小,与林火空间分布方向重叠区域面积占71.29%,重叠面积较高。
关键词
森林火灾特征
聚集分布
密度分析
湖南省
Keywords
forest fire characteristics
aggregation distribution
density analysis
Hunan province
分类号
S762.2 [农业科学—森林保护学]
在线阅读
下载PDF
职称材料
题名
流形嵌入的选择性伪标记与小样本数据迁移
被引量：
4
2
作者
王耀力
刘晓慧
李斌
常青
机构
太原理工大学信息与计算机学院
西北工业大学航海学院
出处
《西北工业大学学报》
EI
CAS
CSCD
北大核心
2021年第5期1122-1129,共8页
基金
国家自然科学基金(61828601)
山西省重点研发项目(201903D321003)资助。
文摘
特殊场景分类和识别任务面临样本不易获得而造成样本缺乏,利用源域(或称辅助域)数据构建领域自适应迁移学习模型,提高小样本机器学习在这些困难场景中的分类准确度与性能是当前研究的热点与难点。提出深度卷积与格拉斯曼流形嵌入的选择性伪标记算法(deep convolution and Grassmann manifold embedded selective pseudo-labeling,DC-GMESPL)模型,以实现在多种小样本数据集间迁移学习分类。针对目标域特殊场景,如森林火灾烟雾视频图像的本地样本数据缺乏情景,使用卫星遥感图像异地样本数据作为源域,基于Resnet50深度迁移网络,同时提取源域与目标域的烟雾特征;通过去除源域特征间的相关性,并与目标域重新关联,最小化源域与目标域特征分布距离,使源域与目标域特征分布对齐;在格拉斯曼流形空间中,用选择性伪标记算法对目标域数据作伪标记;构建一种可训练模型完成小样本数据间迁移分类。通过卫星遥感图像与视频影像数据集间迁移学习,对文中模型进行评估。实验表明,DC-GMESPL迁移准确率均高于DC-CMEDA、Easy TL、CMMS和SPL等方法。与作者先期研究的DC-CMEDA算法相比,新算法DC-GMESPL的准确率得到进一步提升;DC-GMESPL从卫星遥感图像到视频图像迁移准确率提高了0.50%,而从视频图像到卫星遥感图像迁移准确率提高了8.50%,且在性能上有了很大改善。
关键词
迁移学习
领域自适应
深度卷积神经网络
小样本数据集
森林
火灾
烟雾
特征
Keywords
transfer learning
domain adaptation
deep convolution neural networks
small sample dataset
forest fire smoke features
分类号
TG156 [金属学及工艺—热处理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于点模式法的湖南省林火时空分布特征
蔡晓晶
石蓉丹
肖化顺
刘发林
《中南林业科技大学学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
流形嵌入的选择性伪标记与小样本数据迁移
王耀力
刘晓慧
李斌
常青
《西北工业大学学报》
EI
CAS
CSCD
北大核心
2021
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
