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
3
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
耦合NDVI与纹理时序特征的地块作物遥感分类
1
作者
史洁宁
吴田军
+3 位作者
黄启厅
骆剑承
任应超
徐欣雨
《南方农业学报》
北大核心
2025年第1期29-40,共12页
【目的】充分挖掘遥感影像的时间和空间信息,准确识别地块作物类型,为作物类型空间分布制图、产量估计及农业生产决策等提供可靠的数据支持。【方法】以Google Earth影像为参考,获得美国加利福尼亚州金斯县完整的地块边界,利用多时相Sen...
【目的】充分挖掘遥感影像的时间和空间信息,准确识别地块作物类型,为作物类型空间分布制图、产量估计及农业生产决策等提供可靠的数据支持。【方法】以Google Earth影像为参考,获得美国加利福尼亚州金斯县完整的地块边界,利用多时相Sentinel-2影像构建地块归一化植被指数(NDVI)时间序列和时间—纹理二维表征图作为分类特征,NDVI时间序列捕捉作物生长的物候变化,时间—纹理二维表征图捕捉空间特征随时间的动态变化,进而使用卷积神经网络(CNN)+长短时记忆网络(LSTM)双流架构来联合时间和空间特征实现农田作物的准确识别。【结果】与仅使用NDVI时序的传统方法相比,纳入纹理时序后的方法明显提高分类精度,随机森林的分类精度由0.89提升至0.93,支持向量机的分类精度由0.88提升至0.93,表明加入空间特征的纹理时序能有效提升作物分类能力;而使用CNN+LSTM双流架构分类模型进行地块作物分类的总体精度达0.95,特别是葡萄和冬小麦的分类精度提升效果明显,F_(1)分别提升至0.90和0.92,表明相较于传统的分类器,使用CNN+LSTM双流架构可实现更精准的地块作物识别。【建议】在种植结构复杂、农作物生长习性相近的地区进行地块作物遥感分类时,考虑将纹理时序特征纳入分类体系,并使用CNN+LSTM双流架构分别捕捉作物生长的时间和空间特征。这种综合应用时间和空间信息的方法,能提升地块作物分类的准确度。
展开更多
关键词
作物分布
地块尺度
归一化植被指数(NDVI)
时间序列
空间纹理特征
CNN+LSTM双流架构
在线阅读
下载PDF
职称材料
结合桥梁难分样本优化的大清河流域水坝遥感检测
2
作者
郭勇
张琳翔
+1 位作者
许泽宇
蔡中祥
《自然资源遥感》
CSCD
北大核心
2024年第4期201-209,共9页
水坝的检测对于城市规划、生态环境评估等有着重要意义。目前基于遥感的水坝检测研究主要是基于样本集的算法改进或在小区域上的检测,缺乏在大尺度地学区域的实践应用。而在大区域中,水坝分布稀疏,地表存在更多的桥梁等地物会对水坝的...
水坝的检测对于城市规划、生态环境评估等有着重要意义。目前基于遥感的水坝检测研究主要是基于样本集的算法改进或在小区域上的检测,缺乏在大尺度地学区域的实践应用。而在大区域中,水坝分布稀疏,地表存在更多的桥梁等地物会对水坝的检测形成显著干扰。为应对这一问题,该文以大清河流域为例,研究大尺度区域内的水坝遥感检测。该文研究主要分为2个阶段,第一阶段是将容易与水坝混淆的桥梁作为难分负样本(即容易产生假阳性的样本)参加训练,基于DIOR公开数据集改进适合于水坝提取的神经网络结构;第二阶段是基于优化后的网络以及大区域多源样本数据进行微调训练获取模型,并实现大清河区域的水坝检测。优化后的模型在第一阶段测试中水坝检测F1分数为0.783,在第二阶段大清河流域检测得到了330处水坝,其结果与现有公开的水坝空间分布数据集GRandD相符,且更为详细。结果表明,结合桥梁样本优化训练后的模型可以有效避免对桥梁的误提取,从而提高检测精度。
展开更多
关键词
水坝
难分负样本
大清河流域
CenterNet网络
目标检测
在线阅读
下载PDF
职称材料
基于D-LinkNet的2014年云南鲁甸M_(S)6.5地震建筑物损毁与重建评估
被引量：
1
3
作者
雷雅婷
沈占锋
+3 位作者
许泽宇
王浩宇
李硕
焦淑慧
《地震研究》
CSCD
北大核心
2022年第4期608-616,共9页
基于谷歌影像和无人机遥感影像,利用D-LinkNet神经网络提取2014年云南鲁甸M_(S)6.5地震震中龙头山镇建筑物灾害信息,并计算平均震害指数的统计值,得出此次地震的烈度。基于D-LinkNet模型进行检测,将损毁建筑物的提取结果与建筑物群变化...
基于谷歌影像和无人机遥感影像,利用D-LinkNet神经网络提取2014年云南鲁甸M_(S)6.5地震震中龙头山镇建筑物灾害信息,并计算平均震害指数的统计值,得出此次地震的烈度。基于D-LinkNet模型进行检测,将损毁建筑物的提取结果与建筑物群变化的检测结果进行相交,构建重建评估系数,确定研究区的重建程度。评估结果为研究区的地震烈度既有Ⅷ度又有Ⅸ度。2015年的重建恢复等级为“一般恢复”,2018年为基本“完全恢复”。将损毁及重建评估结果与中国地震局等相关部门发布的相关信息进行对比,证实了本方法的准确性。
展开更多
关键词
遥感
地震损毁
重建评估
深度学习
D-LinkNet
鲁甸M_(S)6.5地震
在线阅读
下载PDF
职称材料
题名
耦合NDVI与纹理时序特征的地块作物遥感分类
1
作者
史洁宁
吴田军
黄启厅
骆剑承
任应超
徐欣雨
机构
长安大学理
学院
长安大学土地
工程
学院
广西农业
科学院
农业科技
信息
研究
所
中国科学院
空
天
信息
创新
研究院
遥感
科学
国家
重点实验室
中国科学院
大学资源与环境
学院
中国科学院空天信息创新研究院国家遥感应用工程技术研究中心
出处
《南方农业学报》
北大核心
2025年第1期29-40,共12页
基金
国家重点研发计划项目(2021YFB3900905)
河北省中央引导地方科技发展资金项目(236Z0104G)。
文摘
【目的】充分挖掘遥感影像的时间和空间信息,准确识别地块作物类型,为作物类型空间分布制图、产量估计及农业生产决策等提供可靠的数据支持。【方法】以Google Earth影像为参考,获得美国加利福尼亚州金斯县完整的地块边界,利用多时相Sentinel-2影像构建地块归一化植被指数(NDVI)时间序列和时间—纹理二维表征图作为分类特征,NDVI时间序列捕捉作物生长的物候变化,时间—纹理二维表征图捕捉空间特征随时间的动态变化,进而使用卷积神经网络(CNN)+长短时记忆网络(LSTM)双流架构来联合时间和空间特征实现农田作物的准确识别。【结果】与仅使用NDVI时序的传统方法相比,纳入纹理时序后的方法明显提高分类精度,随机森林的分类精度由0.89提升至0.93,支持向量机的分类精度由0.88提升至0.93,表明加入空间特征的纹理时序能有效提升作物分类能力;而使用CNN+LSTM双流架构分类模型进行地块作物分类的总体精度达0.95,特别是葡萄和冬小麦的分类精度提升效果明显,F_(1)分别提升至0.90和0.92,表明相较于传统的分类器,使用CNN+LSTM双流架构可实现更精准的地块作物识别。【建议】在种植结构复杂、农作物生长习性相近的地区进行地块作物遥感分类时,考虑将纹理时序特征纳入分类体系,并使用CNN+LSTM双流架构分别捕捉作物生长的时间和空间特征。这种综合应用时间和空间信息的方法,能提升地块作物分类的准确度。
关键词
作物分布
地块尺度
归一化植被指数(NDVI)
时间序列
空间纹理特征
CNN+LSTM双流架构
Keywords
crop distribution
land parcel scale
normalized difference vegetation index(NDVI)
time series
spatial texture features
CNN+LSTM dual-stream architecture
分类号
S127 [农业科学—农业基础科学]
在线阅读
下载PDF
职称材料
题名
结合桥梁难分样本优化的大清河流域水坝遥感检测
2
作者
郭勇
张琳翔
许泽宇
蔡中祥
机构
信息
工程
大学地理
空
间
信息
学院
中国科学院空天信息创新研究院国家遥感应用工程技术研究中心
出处
《自然资源遥感》
CSCD
北大核心
2024年第4期201-209,共9页
基金
新疆维吾尔自治区重点研发任务专项“强震次生地质灾害承灾体识别与受损评估研究”(编号:2022B03001-3)
新疆第三次科学考察项目“新疆遥感动态监测系统及时序信息反演”(编号:2021xjkk1403)共同资助。
文摘
水坝的检测对于城市规划、生态环境评估等有着重要意义。目前基于遥感的水坝检测研究主要是基于样本集的算法改进或在小区域上的检测,缺乏在大尺度地学区域的实践应用。而在大区域中,水坝分布稀疏,地表存在更多的桥梁等地物会对水坝的检测形成显著干扰。为应对这一问题,该文以大清河流域为例,研究大尺度区域内的水坝遥感检测。该文研究主要分为2个阶段,第一阶段是将容易与水坝混淆的桥梁作为难分负样本(即容易产生假阳性的样本)参加训练,基于DIOR公开数据集改进适合于水坝提取的神经网络结构;第二阶段是基于优化后的网络以及大区域多源样本数据进行微调训练获取模型,并实现大清河区域的水坝检测。优化后的模型在第一阶段测试中水坝检测F1分数为0.783,在第二阶段大清河流域检测得到了330处水坝,其结果与现有公开的水坝空间分布数据集GRandD相符,且更为详细。结果表明,结合桥梁样本优化训练后的模型可以有效避免对桥梁的误提取,从而提高检测精度。
关键词
水坝
难分负样本
大清河流域
CenterNet网络
目标检测
Keywords
dam
hard negative samples
Daqing River basin
CenterNet
object detection
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
基于D-LinkNet的2014年云南鲁甸M_(S)6.5地震建筑物损毁与重建评估
被引量：
1
3
作者
雷雅婷
沈占锋
许泽宇
王浩宇
李硕
焦淑慧
机构
中国科学院空天信息创新研究院国家遥感应用工程技术研究中心
中国科学院
大学资源与环境
学院
中国科学院
大学电子电气与通信
工程
学院
出处
《地震研究》
CSCD
北大核心
2022年第4期608-616,共9页
基金
国家自然科学基金项目(41971375)
国家重点研发计划项目(2018YFB0505000)联合资助。
文摘
基于谷歌影像和无人机遥感影像,利用D-LinkNet神经网络提取2014年云南鲁甸M_(S)6.5地震震中龙头山镇建筑物灾害信息,并计算平均震害指数的统计值,得出此次地震的烈度。基于D-LinkNet模型进行检测,将损毁建筑物的提取结果与建筑物群变化的检测结果进行相交,构建重建评估系数,确定研究区的重建程度。评估结果为研究区的地震烈度既有Ⅷ度又有Ⅸ度。2015年的重建恢复等级为“一般恢复”,2018年为基本“完全恢复”。将损毁及重建评估结果与中国地震局等相关部门发布的相关信息进行对比,证实了本方法的准确性。
关键词
遥感
地震损毁
重建评估
深度学习
D-LinkNet
鲁甸M_(S)6.5地震
Keywords
remote sensing
earthquake damage
reconstruction assessment
deep learning
D-LinkNet
the Ludian M_(S)6.5 Earthquake
分类号
P315.943 [天文地球—地震学]
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
耦合NDVI与纹理时序特征的地块作物遥感分类
史洁宁
吴田军
黄启厅
骆剑承
任应超
徐欣雨
《南方农业学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
结合桥梁难分样本优化的大清河流域水坝遥感检测
郭勇
张琳翔
许泽宇
蔡中祥
《自然资源遥感》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
3
基于D-LinkNet的2014年云南鲁甸M_(S)6.5地震建筑物损毁与重建评估
雷雅婷
沈占锋
许泽宇
王浩宇
李硕
焦淑慧
《地震研究》
CSCD
北大核心
2022
1
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
