首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  完全免费   2篇
     2篇
  2021年   1篇
  2020年   1篇
排序方式: 共有2条查询结果,搜索用时 76 毫秒
1
1.
[目的] 揭示台湾省陆地植被生态系统随海拔高度的变化趋势及其响应程度,为区域可持续发展、生态环境保护提供理论依据。[方法] 基于台湾省1998-2018年SPOT/VEGETATION NDVI卫星遥感数据、气象及DEM数据,结合相关分析法、回归分析法等数理统计方法,对气候变化下的台湾省植被归一化植被指数(NDVI)变化趋势及区域响应进行了分析。[结果] 1998-2018年台湾省植被NDVI均值增长率为5.09%;台湾省不同高程范围所占的面积比例差异较大,<500 m区域的面积比例高达52.49%,>3 600 m区域的面积比例仅为0.01%,且NDVI均呈现较低值,分别为0.72和0.73;1998-2018年台湾省海拔除>3 600 m外,其他海拔高程范围NDVI均值增长明显(p<0.001);在500~3 600 m高程范围内,NDVI年均值与气温、降雨相关关系显著(p<0.05)。[结论] 海拔越高,植被生长状况对降雨的变化较气温更为敏感。  相似文献
2.
以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法因具有强大的特征学习能力已被广泛应用于计算机视觉、自然语言处理等领域,但在土壤高光谱遥感领域研究较少。为探究其在小样本数据集下,通过高光谱数据估算土壤有机质(Soil Organic Matter,SOM)的可行性,以江西省奉新县北部为研究区,248个红壤样本为研究对象。对比分析深度学习方法CNN、多层感知器(Multilayer Perceptron,MLP)、常用的机器学习方法随机森林(Random Forest,RF)和支持向量机(Support Vector Machine,SVM)在不同光谱预处理下的建模效果,在此基础上分别建立5种各具特点的CNN结构模型,以探讨不同网络结构的建模效果,包括最早提出的LeNet-5、具有大卷积核的AlexNet-8、采用小卷积核的VGGNet-7、含有Inception结构的GoogLeNet-7以及使用残差学习的ResNet-13。此外,还探讨了VGGNet模型在5种不同网络深度下的模型效果,最后对CNN模型的"黑箱"进行解释。结果表明:在使用原始光谱的情况下,CNN模型依然能够取得较好的建模效果(相对分析误差>2.5);浅层CNN结构优于深层建模效果,超参数较小的卷积核、步长和池化范围有助于提取更多的特征数量,提高建模精度;VGGNet-7网络结构在所有模型中表现最为突出,在训练集上决定系数为0.895,均方根误差为4.145 g/kg,相对分析误差为3.447,在验证集上决定系数为0.901,均方根误差为4.647 g/kg,相对分析误差为3.291,具有极好的模型估测能力;1 390、680、2 310、1 360、1 920 nm及其附近是VGGNet-7建模过程中所提取的SOM重要特征波长。因此,CNN能够简化光谱预处理过程,在土壤高光谱遥感小样本建模中具备可行性,具有非常广阔的应用前景,VGGNet-7可以应用于红壤地区通过高光谱数据快速、准确的估算SOM含量。  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号