排序方式: 共有68条查询结果,搜索用时 28 毫秒
31.
18种绣线菊花粉形态及其分类学意义 总被引:1,自引:1,他引:0
以18种(品种)绣线菊为材料,利用扫描电镜法对其花粉形态进行系统观察比较、主成分分析和聚类分析,其中8种绣线菊的花粉形态为首次研究报道,以探讨其种间亲缘关系与分类学关系。结果表明:18种绣线菊花粉形状为长球形及近球形,极面观为三裂圆形和近圆形,赤道面观有长圆形、椭圆形和梭形,花粉大小为(12.5~20.7)μm×(10.58~18.3)μm,极轴与赤道轴之比(P/E)在1.01~1.94之间,属于小类型花粉,具三孔沟,部分种的内孔外突;外壁纹饰类型为条纹和条网状纹饰,纹饰特征种间存在差异,具备分类意义。首次发现美丽绣线菊(Spiraea elegansPojark)萌发沟内具有特殊脑纹状结构。绣线菊花粉性状指标重要性依次为条纹走向、赤道面观、孔径、条脊宽、极面观、纹饰类型、极轴和沟长与赤道轴之比(L/E)。18种绣线菊按花粉形态可分为5大类群,与经典形态学分类基本吻合,花粉形态可以做为种间分类的依据。 相似文献
32.
小光斑激光雷达数据估测森林树高研究进展 总被引:1,自引:0,他引:1
小光斑激光雷达可以同时获得森林的垂直及水平结构参数,因光斑直径较小,可以做到森林单木结构参数的准确估计,进而推广到样方甚至更大区域森林结构参数的估计,近年来在林业中得到广泛应用。文中主要从树高估计方面对小光斑激光雷达在林业中的应用进行研究,通过对先前类似文献进行归纳总结发现,在小光斑激光雷达估测森林树高方面仍存在着一些问题,从而限制了森林树高估测精度的提高,如点云分类算法、点云密度、森林郁闭度、单木的准确分割等,还对小光斑激光雷达估计森林树高中所存在的问题进行了概括,并提出了改进建议。 相似文献
33.
34.
小波变换在信号处理方面的优势越来越明显,但是小波中的小波基不是唯一的,所以采用不同的小波基即使处理同一组数据其结果也会不同。为了确定那种小波基更适合于大光斑激光雷达,通过对MATLAB中常用的小波基参数特性的比较分析最终确定选用Daubechies小波基和Symlets小波基,并分别通过对ICESAT-GLAS波形进行小波分解、阈值处理和小波重构来实现波形去噪过程。结果表明:用Symlets小波基中的sym7小波基比用Daubechies小波基中的db1小波基去噪后波形信噪比要高,而均方根误差则比用Daubechies小波基中的db1小波基的低,由此看来Symlets小波基中sym7小波基更适合于处理大光斑激光雷达波形数据。 相似文献
35.
为了量化激光天顶角对ICESat-GLAS波形数据反演森林冠层高度的影响,以吉林省汪清林业局经营区为例,基于ICESat-GLAS波形数据及DEM数据,在Allouis模型和Nie模型基础上,分别引入激光天顶角,对光斑内坡度引起的高度距离(GroundExtent)进行修正,建立森林冠层高度估测模型,并通过模型对坡度的校正能力、天顶角引起的GroundExtent理论误差以及大气延迟增量三个方面讨论分析天顶角在反演森林冠层高度中的影响。结果表明:天顶角的引入能够提高模型的估测精度,决定系数(R2)分别提高了6.56%、4.26%,且能更好地校正地形坡度;在外部条件相同的情况下,由天顶角(1°)引起的GroundExtent理论误差在0.122~1.100m范围内;在天顶延迟约为2.3m时,天顶角(1°)对大气延迟增量的影响为0.04~3.50mm。由此可知天顶角对估测森林冠层高度存在一定的影响,引入激光天顶角的冠层估测模型能更准确地反演森林冠层高度。 相似文献
36.
针对现有的地基激光雷达(Terrestrial Laser Scanning,TLS)点云数据单木识别算法存在抗噪性差的问题,本文提出一种基于双尺度体元覆盖密度的TLS点云数据单木识别算法。首先选择内蒙古根河林场的兴安落叶松天然次生林为研究对象,利用徕卡C10三维激光扫描仪获取单测站点云数据;然后通过计算双尺度体元覆盖密度滤除非树干点;最后通过分析体元水平坐标(x,y)位置处的体元z值序列确定滤波后点云数据中的单木位置。研究结果表明:该算法二次滤波结果的平均噪声比为1.66%;滤波后保留的单木数量是实际单木数量的88.94%;滤波后点云数据的单木识别率98.3%,漏检率1.69%,过检率0.56%,实际点云数据的单木识别精度为87.43%。与已有的单测站点云数据单木识别的研究相比,本文提出的单木识别算法简单、抗噪性强且单木识别精度更高,这对于实现复杂密集林分样地单测站点云数据单木的准确识别具有重要意义。 相似文献
37.
[目的]在林业测量中,利用树木的三维激光点云数据提取其结构信息以及模型拟合三维重建较为普遍,而林木枝叶三维点云分割则是林木参数提取以及三维重建的前提。[方法]利用扫描的单木三维点云数据,提取了单木点云的空间特征、反射强度、RGB色彩特征等多维特征,为提高分类的效率,通过随机森林算法按照其特征重要程度排序,除去冗杂的特征,保留RGB色彩、反射强度、法向分布特征作为分割依据。采用极限学习机(Extreme Learning Machine,ELM)对训练样本进行学习,并对原始数据进行枝叶点云的分类识别试验,分类正确率达到98.99%。[结果]在同等试验条件下,分别采用BP(Back Propatation)神经网络、LVQ(Learning Vector Quantization)神经网络、决策树(Decision Tree)、朴素贝叶斯(Naïve Bayes Classifier,NBC)、支持向量机(Support Vector Machine,SVM)进行分类,分类,其正确率分别为94.30%、91.26%、96.95%、85.67%、98.16%。[结论]试验结果表明极限学习机的分类效果较好。 相似文献
38.
39.
40.
选择地处草原和森林过渡地带的上库力农场作为研究区(E120°36'50.48″~120°52'56.53″,N50°21'11.08″~50°24'32″),由机载激光雷达Leica ALS60采集实验数据,对Terra Solid分类获取的地形点建立数字高程模型(DEM);利用IDL编译一次样条有限元内插法对点云数据进行分块处理,分析生产DEM的精度。结果表明:1.0、1.5、2.0 m三种不同分辨率的DEM精度,分别为0.034、0.078、0.096 m。 相似文献