排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
2.
本简要介绍了数字实验室概念的由来、建设的体系结构,并针对其体系结构提出了建设的主要内容、标准、规范和不同阶段。在数字实验室建设中应用GIS技术,采用集成二次开发的方法,实现数据和图形双向查询,扩充数字实验室功能。在宏观上数字实验室有三个部分:教师、学生、教学资源,每一部分都有自身的功能及特点。 相似文献
3.
数据库课程是计算机与信息管理类专业的核心课程,针对学生的个体差异,提出滚动式分层的教学方法,通过学生的分层划分和目标的分层制定,将滚动式分层教学方法贯穿到各个教学环节中,调动了学生的积极性和主动性,从而大大提高了教学质量,为学生的就业奠定基础。 相似文献
4.
【目的】目前关于林型识别的研究区域主要为小范围森林区域和林场,为了探究较大范围内林型的识别方法,本研究使用Sentinel-2光学遥感影像、森林资源二类调查数据、数字高程模型(DEM)和Sentinel-1雷达遥感影像数据建立林型识别模型。【方法】以淳安县作为研究区域,针对淳安县各个小班中的7种林型:毛竹(Phyllosstachys edulis)林、茶树(Camellia sinensis)林、山核桃(Carya cathayensis)林、杉木(Cunninghamia lanceolata)林、马尾松(Pinus massoniana)林、阔叶混交林、其他硬阔林进行识别。研究采用分层的方法对林型进行识别,整体分为3层。第1层使用RF算法建立林地与非林地识别模型;第2层对林地数据进行树种结构识别,分别使用随机森林(random forest, RF)、极端梯度提升(eXtreme gradient boosting, XGBoost)和 轻量级梯度提升机(light gradient boosting machine, LightGBM)方法建立不同模型并对比分析实验结果;第3层将树种结构细分为林型。【结果】第1层RF林地与非林地识别模型总体精度为98.08%;第2层树种结构识别模型中对比了3个模型不同特征组合下的性能,其中LightGBM模型总体精度最高,达到81.43%;第3层模型对林型进行识别,基于所有特征结合雷达遥感因子建模的情况下,LightGBM模型精度为84.51%,经递归特征消除法(recursive feature elimination, RFE)选择特征后,最优精度为83.21%。【结论】通过各个模型的特征重要性图发现,光学遥感中的绿光、红光、近红外波段和红边波段,以及DEM提取的地形因子对研究区域小班林型识别有较好的效果,而Sentinel-1雷达中提取的自变量对林型的识别没有特别明显的帮助。 相似文献
1