排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
基于多时相的GF-1数据获取NDVI时序变化、NDWI和MNDVI等指数图像数据,辅以Landsat8卫星OLI影像和数字高程模型(DEM)数据,得到了不同地物在光谱、时相和形状等方面的特征;通过分析各种地物类型在这些特征上的差异和变化规律,总结出不同地物的特征提取规则,构建了一种基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法,并以广州市为实验区,运用该方法、最大似然法和最小距离法进行了土地利用/覆盖分类及其精度评价.结果显示:基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法的总体精度为85.86%(部分地物分类精度达到95%以上),与最大似然法及最小距离法相比,其总体精度分别提高了4.62%和12.24%,说明该方法能够更好地发挥GF-1遥感数据在土地利用/覆盖分类中的实际应用潜力,且有效提高了各种土地利用/覆盖地物类别的分类精度. 相似文献
2.
3.
为了探寻光谱解混模型估算植被覆盖度的精度及适用性,对广东省中山市民众镇义仓村内的一块香蕉林地,利用无人机高光谱数据,比较了3种植被覆盖度估算的经典模型(像元二分模型、Carlson模型和Baret模型)以及目前较为常用的3种光谱解混模型(线性光谱混合模型(Linear Mixed Model, LMM)、后验多项式非线性混合模型(Polynomial Post-nonliner Mixing Model,PPNMM)和考虑光谱变异的正态组分模型(Normal Compositional Model,NCM))估算植被覆盖度的效果. 实验结果表明:像元二分模型高估了植被覆盖度;Carlson模型低估了植被覆盖度;Baret模型在低植被覆盖度区域内高估了植被覆盖度、在高植被覆盖度区域内低估了植被覆盖度;LMM模型在高植被覆盖度区域有较好的估算效果;PPNMM模型在低植被覆盖度出现小幅度高估;NCM模型估算的效果最佳. 相似文献
4.
集成学习通过将若干弱分类器集成以取得比单个弱分类器更好的性能,是机器学习的重要研究方向。针对常用城市地理模拟系统中元胞自动机转换规则获取算法的局限性,本文提出基于集成学习算法的元胞自动机,并将其应用于城市建设用地的动态模拟。以决策树作为弱分类器,应用集成学习算法和元胞自动机,对东莞市2001年到2005年的建设用地时空格局进行了模拟,取得了较好的模拟效果。精度评估结果表明,经集成学习后的决策树比单个决策树对城市建设用地动态的模拟精度更高,算法泛化能力更好。 相似文献
5.
1