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
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：
融合高程信息与随机森林模型的改进区域合并算法
1
作者 王荣康 熊俊楠 +2 位作者 唐浩然 涂才森 宋南霄 《测绘通报》 北大核心 2025年第4期114-119,共6页
随着面向对象影像分析的广泛应用,图像分割在遥感图像处理中起着重要作用。目前很多影像分割算法都是基于区域合并方法,但此类方法普遍面临特征尺度局限、依赖单一光学影像特征及参数设置上的主观性问题,限制了分割效果。针对这一问题,... 随着面向对象影像分析的广泛应用,图像分割在遥感图像处理中起着重要作用。目前很多影像分割算法都是基于区域合并方法,但此类方法普遍面临特征尺度局限、依赖单一光学影像特征及参数设置上的主观性问题,限制了分割效果。针对这一问题,本文提出了一种顾及高程特征合并策略的机器学习区域合并方法,使用基于随机森林(RF)的机器学习模型,同时辅助高程特征合并策略,通过计算邻接区域的特征矩阵作为输入特征变量,构建区域合并分类器,将区域合并问题转换成0和1的分类问题。试验结果表明,融合0.5 m空间分辨率的高程特征的区域合并算法,取得了较为优秀的分割结果,其F1、精确率、召回率、交并比分别达到90.5%、89.98%、91.02%、82.64%;与未使用高程特征相比,本文提出算法有效提升了分割精度,分别提升约3.4%、6.8%、1.1%、6.2%;同时高程特征重要性占比达32.5%,比光学特征重要性高约7%。 展开更多
关键词 机器学习 高程特征 区域合并 图像分割 尺度变量
在线阅读 下载PDF
融合升降轨SBAS-InSAR技术的冕宁县滑坡隐患识别与分析
2
作者 尚依炜 熊俊楠 +3 位作者 贾倩 罗思远 王启盛 曹依帆 《测绘通报》 北大核心 2025年第4期58-62,共5页
针对单一轨道InSAR技术在滑坡隐患识别中的漏判、错判问题,本文提出了融合升降轨数据的SBAS-InSAR技术。以四川省冕宁县为例,利用2019—2021年Sentinel-1A的90景升轨和80景降轨数据反演二维形变场,结合光学遥感影像,共识别出30处滑坡隐... 针对单一轨道InSAR技术在滑坡隐患识别中的漏判、错判问题,本文提出了融合升降轨数据的SBAS-InSAR技术。以四川省冕宁县为例,利用2019—2021年Sentinel-1A的90景升轨和80景降轨数据反演二维形变场,结合光学遥感影像,共识别出30处滑坡隐患;在垂直形变场中,识别滑坡隐患增加至34处,其中25处为已知灾点,9处为新增隐患。试验结果表明,垂直形变监测在滑坡隐患识别中具有更强的观测能力,提升精度的同时弥补了单一轨道的局限性。选取3处典型隐患进行时空分布、光学影像和降水量分析,结果显示,坡体不稳定,受降水影响较大,尤其在6—8月集中降水期间,形变呈加速趋势。 展开更多
关键词 升降轨 SBAS-InSAR 滑坡隐患识别
在线阅读 下载PDF
典型南方红壤区土壤含水量长时序驱动及其预测分析
3
作者 李佳潼 吴华 +2 位作者 徐悦 李慧珊 谢雪 《江西农业大学学报》 北大核心 2025年第3期841-854,共14页
【目的】为确保农业生产、生态保护以及可持续发展的有效进行,明确影响土壤水分的关键驱动因子十分必要。通过深入研究驱动因子,提高土壤水分监测的准确性,从而更为精确地预测土壤水分的变化趋势。此外,准确的水分监测和预测对于评估和... 【目的】为确保农业生产、生态保护以及可持续发展的有效进行,明确影响土壤水分的关键驱动因子十分必要。通过深入研究驱动因子,提高土壤水分监测的准确性,从而更为精确地预测土壤水分的变化趋势。此外,准确的水分监测和预测对于评估和优化生态系统服务也至关重要。这不仅有助于管理水资源,还能为制定科学的土地利用政策提供重要依据,最终实现对农业生产力的提升和生态环境的保护。明确影响土壤水分的驱动因子,提高土壤水分监测的准确性、预测土壤水分、评估和优化生态系统服务,对农业生产、生态保护及可持续发展至关重要。【方法】基于ArcGIS和Matlab平台,运用RF、ReliefF和MIC算法进行土壤含水量(SMC)的驱动因子选择及算法拟合度分析,同时引入LibSVM和BP神经网络跨步算法进行SMC长时序预测,分析预测模型适配性。【结果】1)综合模型适用性及误差分析,SMC驱动算法中RF模型测试集R^(2)、MAE和MBE分别为0.740、0.036、0.007,更适合南昌市SMC驱动因子的选择;SMC预测算法中LibSVM模型测试集R^(2)、MAE和MBE分别为0.617、0.050、0.0072,更适合SMC预测分析;2)月频率气象维度下,降雨量对SMC变化贡献最大。年频率综合维度下,降雨量、相对湿度和人为因素对SMC的演变贡献显著,气象因子总体贡献水平比人为活动贡献小;3)利用BP神经网络与LibSVM对SMC进行趋势预测,结果显示南昌市SMC未来将继续波动上升且存在异常点。4)不同土地利用类型面积与SMC的变化具有不一致性,其中耕地占比最大但SMC最高的土地利用类型为城乡用地。【结论】南昌市年际SMC与降雨、相对湿度和人为活动紧密相关,这些因素共同作用,导致土壤湿度在不同年份和季节之间出现波动,并呈现波动上升趋势。该研究创新应用RF、ReliefF和MIC算法于机器学习输入变量贡献度分析,探寻SMC驱动和预测的最优算法模型,细致考虑气象驱动因子对SMC的贡献性,并将气象因子与人为因子贡献度进行对比分析,为南昌市水文调查分析和未来趋势变化提供数据参考。 展开更多
关键词 土壤含水量 长时间序列 机器学习 驱动因子 预测分析 贡献度
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部