基于HSV阈值法的无人机影像变色松树识别

【目的】提出一种色调-饱和度-明度(HSV)阈值划分方法,提高变色松树的调查效率,为疫木的砍伐提供数据支撑。【方法】基于变色松树与其他地类在“H-V空间”上的差异建立变色松树阈值提取规则; 对比分析HSV阈值法和红-绿-蓝(RGB)阈值法在不同情景下提取得到的变色松树识别结果,并对识别结果的精度进行评价。【结果】① 变色松树样本在“H-V空间”散点云图中有明显的聚类现象,而在“G-R空间”散点云图中呈条带状分布。② RGB色彩空间中的R和G之间存在较强的相关性,直接采用阈值法提取变色松树时漏分误差较大。HSV阈值法由于在色彩变换过程中能够分离出色调值H和亮度值V,便于进行阈值划分,对基于无人机数据的变色松树识别的总体精度要优于RGB阈值法。③ HSV阈值法对变色松树的识别适合于病死松树发展的后期监测,在对借助高分辨率影像提取的发病前松树分布进行掩膜后,可实现60%～65%的变色松树提取精度。【结论】HSV阈值法对于基于无人机影像的变色松树监测具有一定的优势,能提高人工判读的效率,可为基于无人机影像的变色松树监测提供理论和方法支撑。     

基于神经网络的交通信息融合预测方法

为了更加准确地预测动态变化的交通信息，通过分析城市道路交通流量变化的特点，提出一种基于神经网络的融合预测方法。这种方法根据预测数据各属性的特点，将数据构造为多个相关的时间序列。在此基础上，对各序列采取不同的处理方法，然后利用神经网络进行融合，得到最终的预测结果。这种方法可用于数据动态预测的各种领域。实验结果表明，采用这种方法可以有效地改善数据预测的误差。