排序方式: 共有24条查询结果,搜索用时 15 毫秒
1.
为探究降水数据产品的高精度空间插值方法及其应用差异,以BP神经网络和支持向量机模型为研究对象,选取甘肃省为研究区域,构建降水量空间插值模型,分别完成基于两种模型的甘肃省降水量空间插值结果,并划分西区、中区、东区3个建模分区,对比分析两种模型空间插值的精度和应用差异。结果表明:支持向量机模型的插值精度显著高于BP神经网络模型,且支持向量机模型在降水空间分布中能体现更多细节;西区平均相对误差最大,其中,BP神经网络模型32.32%,支持向量机模型仅23.74%;东区平均相对误差最小,BP神经网络为8.28%,支持向量机模型为6.15%;另外,分区建模的插值精度有所提高,但两种模型的提高幅度存在差异,BP神经网络的平均相对误差降低了5.08%,支持向量机模型仅降低0.66%,表明支持向量机模型更加稳定,对影响降水量的经纬度和高程等因子自身变异性的适应能力更强。此研究解决了常用的反距离权重、样条函数、克里金插值等方法在降水量插值过程中准确性差,精度低的问题,为提高降水量空间插值的精度提供了新方法和思路。 相似文献
2.
BP神经网络和支持向量机在积温插值中的应用 总被引:1,自引:0,他引:1
积温插值是分布式积温获取的重要途径。为了提高积温插值的精度,应用BP(Back Propagation Learning Algorithm)神经网络模型和支持向量机(Support Vector Machine,SVM)模型建立甘肃省及周边地区的积温插值模型。结果显示:1)从积温插值的空间分布来看,SVM模型比BP神经网络模型能够体现出更多的细节;2)SVM模型的插值精度总体上显著高于BP神经网络模型;3)在平均相对误差(MRE)最大的西区,相比BP神经网络模型的7.19%,SVM模型将误差降低到了5.47%;4)东区两种模型的MRE最小,BP神经网络模型为2.97%,SVM模型为2.03%;5)与分区建模前相比,分区后的插值精度有所提高,BP神经网络模型将MRE降低了0.04%,SVM模型降低了0.11%。 相似文献
3.
4.
中国西部地区气象站点空间分布不均匀,而且数量较少,导致气象要素空间插值的误差较大。以甘肃省为研究区,将其划分为东、中、西3个插值区域,利用人工神经网络方法,对1960~2009年气象站点地面观测的≥0℃年积温值进行拟合,将202个气象站点数据扩展到586个,插值结果表明:3个区域年积温平均绝对误差(MAE)为246.53℃、平均相对误差(MRE)为8.37%;东中西3个区域精度与原有气象站点数据量有明显关系。研究方法和结果可为进行甘肃省生态环境变化研究提供方法和数据参考,为进一步进行区域空间插值提供数据基础。 相似文献
5.
以C为驱动的WOFOST作物生长模型是基于作物生理生态过程,综合考虑了CO2、土壤、气候等因素对产量的胁迫作用,因此,对WOFOST模型参数进行本地化和优化便可实现时间连续且高精度的草地生物量监测。为探讨WOFOST参数敏感性分析结果在不同草地类型覆盖区表现出的不确定性问题,在天祝藏族自治县不同草地覆盖区选择了4个站点,利用气象数据、草地实测数据及土壤数据,基于扩展傅里叶幅度敏感性检验法(EFAST)研究潜在水平(指保证营养元素和水分为最佳供应,草地地上生物量仅由辐射、温度和作物特性决定)和水分限制水平(假设营养元素的供给仍然是最佳的, 但需考虑土壤有效水分对蒸发和草地生物量的影响)下WOFOST模型在不同草地类型覆盖区的全局敏感性参数和优化模型模拟精度。结果表明潜在生产水平下草地地上生物量(AGB)的敏感参数有比叶面积(SLATB)、单叶片CO2的初始光能利用率(EFFTB)、最大光合速率(AMAXTB)、根相对维持呼吸速率(RMR)、总干物质占根和叶的比例(FRTB和FLTB),水分限制条件下的敏感参数有SLATB、AMAXTB、RMR和FLTB。不同生产水平下叶面积指数(LAI)的敏感参数一致,从出苗到出苗后60 d主要受到SLATB、FLTB和FRTB的影响,出苗后60~200 d的敏感性参数为FLTB、FRTB、SLATB和漫射可见光的消光系数(KDIFTB),LAI开始下降后受到KDIFTB的敏感性增强。其中,山地草甸AGB的模拟值与观测值模拟精度最高,R2=0.94、RMSE=11.71 g·m-2,高寒草甸模拟精度最低,R2=0.83、RMSE=32.68 g·m-2。温性荒漠草原LAI的模拟值与观测值模拟精度最高,R2=0.96、RMSE=0.02,温性草原模拟精度最低,R2=0.66、RMSE=0.38。敏感性分析方法在WOFOST模型中的应用减少了人为主观因素的影响,极大地缩短了调参时间,对获取时间连续的草地生长监测方法选择提供参考。 相似文献
6.
基于 InVEST 模型定量评价了 2019 年金塔县土壤侵蚀与土壤保持量,分析了金塔县的土壤侵蚀与土壤保持在空间上的分布情况,以及不同土地利用类型和坡度对土壤侵蚀以及土壤保持量的影响。结果表明,金塔县 2019 年土壤侵蚀总量和土壤保持总量分别为 1. 91×107 t 和 2. 70×106 t,土壤侵蚀强度较大的区域主要集中在鼎新镇以及航天镇的巴丹吉林沙漠边缘沙化较严重区域,土壤保持能力较强的区域主要集中在鼎新镇西部草地覆盖面积较大的区域,且土壤侵蚀量随坡度增大而增加。从土地利用类型来看,草地的土壤保持能力最好,以裸岩石砾地为主的未利用地土壤侵蚀量远大于其他土地利用类型。 相似文献
7.
8.
9.
草原综合顺序分类理论自20世纪50年代提出以来,其完善的基本理论构架和定量化潜力已经使其成为草地生态系统研究科学性的代表。在草原综合顺序分类系统第1级——“类”的定量化研究方面取得了丰硕的成果,建立了检索图。但自该体系建立以来,由于数据获取困难,定量技术限制等原因,一直未开展第2级分类的定量化研究。论文以草原综合顺序分类系统的第2级——“亚类”为研究对象,在对亚类的分类指标——地形(地貌)和土壤的发生和分类进行综合分析的基础上,提出了在草地亚类划分中进行定量化分类的方法和原则,并以甘肃省为研究区域,进行了亚类的划分实践。首先,确定在山地使用地形(地貌)因子,在平原使用土壤亚类进行草地亚类划分,具体将甘肃省山地和平原按照坡度>3°,连续面积达到6km2以上,划分为山地,其余划分为平原;在SRTM-DEM数据基础上,提取了坡度、海拔、地势起伏度、山地和平原等因子,将甘肃省划分为20个基本地貌类型单元;利用SRTM-DEM 提取的地形坡度、坡向、曲率等数据和MODIS数据中MODIS09GA、MODIS13A2影像提取和反演的土壤亮度、植被指数、水体指数、土壤温度、湿度指数、纹理特征等信息,通过监督分类,将甘肃省的土壤亚类定量划分为36个类型;在此基础上,在山地使用地貌分类指标,在平原使用土壤分类指标将甘肃省草地划分为568个草地亚类。研究结果可以为完善草原综合顺序分类系统,建立类与型之间的桥梁,并最终推进该系统三级分类体系的实用化提供研究思路和方法参考。 相似文献
10.
基于多时相Sentinel-2A的县域农作物分类 总被引:1,自引:0,他引:1
利用遥感技术精准地获取区域农作物种植结构数据,对指导农业生产、制定农业政策具有重要意义。以景泰县为研究区,以多时相Sentinel-2A遥感影像为数据源,计算时序归一化植被指数(Normalized difference vegetation index,NDVI)和红边归一化植被指数(Red edge normalized vegetation index,RENDVI)及其组合特征(NDVI+RENDVI、NDVI-RENDVI和NDVIRENDVI),分析作物特征曲线,并采用随机森林法分别以5种特征参数作为分类特征对研究区农作物进行精细分类。结果表明:根据形态特征,研究区农作物特征值曲线可划分为3种类型:高值型(玉米、水稻、胡麻和马铃薯)、低值型(洋葱、大棚作物和砂田瓜果)和开口型(春小麦、春小麦-秋油葵)。高值型和低值型可在7、8月影像中区分,开口型和前两种类型在5月和9月影像上的特征值有明显差异。3种类型内的作物可以通过不同时相影像区分,高值型的4种作物在9月影像上通过成熟期差异可以区分;低值型的3种作物的特征值差异在全年影像上都可以明显体现;开口型的两种作物利用9月影像可以明显区分。利用NDVI、RENDVI、NDVI+RENDVI、NDVI-RENDVI和NDVIRENDVI 5种特征分类的总体精度分别为82. 14%、78. 16%、81. 17%、75. 64%和86. 20%,Kappa系数分别为0. 78、0. 74、0. 77、0. 71和0. 83,总体精度和Kappa系数由大到小依次为NDVIRENDVI、NDVI、NDVI+RENDVI、RENDVI、NDVI-RENDVI,说明RENDVI辅助NDVI可以有效提高分类精度(精度较仅用NDVI提高4. 06个百分点)。选择合适的时期和分类特征,利用Sentinel-2A特有的红边波段数据及其较高的空间分辨率在县域农作物精细分类上具有较好的精度。 相似文献