排序方式: 共有38条查询结果,搜索用时 265 毫秒
1.
【目的】探究Landsat8 OLI数据和KNN算法在森林蓄积量估测中的潜力。【方法】以湖南省湘潭县为研究区,采用Landsat8 OLI数据和同时期的二类调查数据,通过距离相关系数筛选特征,分别采用线性回归模型(MLR)、K-近邻模型(KNN)、距离加权KNN模型(DW-KNN)和优化欧式KNN模型(FW-KNN)对森林蓄积量进行估测。使用十折交叉方法进行精度检验,对检验结果进行对比分析。【结果】3种KNN模型的估测结果均高于传统的线性模型,并且在3种KNN模型中,FW-KNN算法效果最好,决定系数达到0.69,为3种模型中最高;3种KNN模型中,本研究优化欧氏距离KNN模型的估测精度最高,其均方根误差为30.3%,相比于传统KNN模型的均方根误差降低了5.1%,相比于DW-KNN模型降低了3.3%。【结论】采用DW-KNN蓄积量估测结果明显优于其他两种模型,说明通过特征与蓄积量的相关性优化样本间的距离是一种可行的KNN优化方法。 相似文献
2.
基于Landsat和MODIS数据融合的农牧区NPP模拟 总被引:2,自引:0,他引:2
天山北坡是中国重要的农牧业发展基地,利用遥感数据准确获取植被净初级生产力(Net primary productivity,NPP)的时空信息,对于合理分配农牧业草地资源具有重要意义。由于受到天气影响及卫星传感器受到时间分辨率和空间分辨率的限制,获取既具有中空间分辨率、又具有高时间分辨率的遥感数据比较困难。本文基于中空间分辨率Landsat 8 OLI数据与高时间分辨率MODIS数据,采用遥感数据时空融合STARFM算法,获取中空间分辨率和高时间分辨率序列的遥感数据,以天山北坡中段区域为实验区,结合CASA模型,对区域内植被NPP进行模拟。结果表明,2016年内8个时期,融合后的NDVI数据与对应时刻的Landsat 8 OLI NDVI数据的相关系数不小于0.759,偏差在0.006 2~0.009 4之间,均方根误差在0.074~0.135之间;利用融合数据与CASA模型协同模拟的NPP具有良好的空间细节信息,NPP模拟值与野外实测值决定系数R~2为0.860 1,表明两者具有较好的相关性。本研究为多源遥感影像融合技术与光能利用率模型协同模拟NPP提供了新的思路。 相似文献
3.
基于多源数据融合的盐分遥感反演与季节差异性研究 总被引:7,自引:0,他引:7
为提高多光谱盐分遥感反演的精度,利用实测高光谱与多光谱进行数据融合,并分析了不同季节盐分遥感的差异性。以河套灌区永济灌域为研究区域,以实测光谱仪测定的土壤高光谱数据和Landsat-8 OLI多光谱数据为基础,通过光谱变换和多元逐步回归方法筛选特征波段和特征光谱指数,构建了春、秋两季土壤盐分多光谱、高光谱反演模型,并利用特征光谱指数的线性回归构建了高-多光谱数据融合反演模型。结果表明:高光谱的反射率总体比多光谱高36. 83%,春季反射率比秋季平均高23. 78%。利用模型中最优变量-特征光谱指数对多光谱模型与高光谱模型进行融合,高-多光谱融合反演模型训练集和验证集R2平均值分别为0. 651和0. 635,RMSE平均值分别为2. 44 g/kg和2. 49 g/kg,精度明显高于对应的多光谱反演模型,其中训练集、验证集的R2平均值分别提高了36. 19%和35. 64%,RMSE平均值分别降低了34. 28%和41. 72%。春季多光谱、高光谱和融合反演模型的精度均高于秋季,其中训练集R2平均值比秋季模型分别提高了6. 03%、6. 05%和4. 40%,验证集R2平均值分别提高了19. 07%、12. 21%和1. 75%。构建的高-多光谱融合模型反演灌域春秋两季平均盐分含量分别为6. 05、5. 97 g/kg,平均相对误差分别为9. 65%和10. 68%,总体上该区域春季土壤主要为重盐化土,秋季土壤主要为中盐化土。 相似文献
4.
光合有效辐射吸收比率(Fraction of Absorbed Photosynthetically Active Radiation,FPAR)是主要的植物生理参数之一。本研究根据地面实测数据和由HJ-1CCD(Charge-coupled Device,CCD)及Landsat-8OLI(Operational Land Imager,OLI)影像提取的NDVI,分别建立研究区FPAR估算模型,对比分析和评价了CCD和OLI数据在反演研究区FPAR的精度。结果表明,基于CCD和OLI数据计算的NDVI与实测FPAR之间均呈现良好的正相关关系;针对每个基本采样单元(Elementary Sampling Units,ESU),两种数据反演的FPAR具有显著的一致性,且反演值相差甚少;剔除影像中受到云和云影影响的区域,整个研究区利用CCD与OLI数据反演的FPAR相关性好、分布趋势一致,且反演值均值差很小。本研究结果对该区域FPAR的进一步研究具有借鉴和指导意义,在以后的研究中可以尝试使用HJ-1CCD数据。 相似文献
5.
寿光市是我国重要的海盐生产基地,亟需选取典型数据对其在体量及空间分布格局发生的显著变化进行分析与管理。以Landsat TM/OLI遥感影像及土地利用现状图为基础数据源,结合野外实地调查形成的专家先验知识,对研究区1985、1995、2005和2015年4期遥感影像图进行监督分类及处理,并利用土地利用转移矩阵监测寿光市30年间盐田面积动态变化,对影响其变化的主要驱动因素进行了分析与讨论。结果表明:研究区土地利用分类结果精度较高,总体精度高于85%,Kappa系数大于0.80。研究期间寿光市盐田面积增加19 503.72 hm 2,年均增长率为3.68%,整体表现出先增后减的变化趋势。1985-1995年,盐田面积迅速增加,年增长率为12.13%;1995-2005年间,年增长速率急剧降低,仅为1.35%;2005-2015年间,盐田面积表现为负增长,年增长率为-1.63%。研究期内增加的盐田主要来源于滩涂、沿海水域和草地,而减少的盐田主要复垦为耕地和建设用地。研究结果可为寿光市乃至山东省滨海盐田的科学管理与利用、废弃盐田的复垦与湿地恢复提供理论与数据参考。 相似文献
6.
以陕西省榆阳区2013年6月9日的Landsat 8 OLI图像为基础数据源,对比分析LBV-Wavelet RF等5种图像融合算法的使用效果。对图像预处理后,分别采用HIS变换、Brovey变换、HPF变换、PCA变换和LBV-Wavelet RF方法进行融合和SVM监督分类,然后从目视评价和定量评价两方面对比分析各种融合算法的使用效果。在目视评价方面,判读融合前、后9种地类光谱特征的一致性;融合后图像是否具有全色波段图像的空间结构特征,是否存在细节模糊。在定量评价方面,采用灰度均值差、灰度均方根差评价融合后图像对多光谱信息的保持性能;采用相关系数均值、相关系数均方根差评价融合后图像对高空间分辨率信息的融入度;采用总体分类精度、Kappa系数评价融合前、后SVM监督分类精度差异。结果表明LBV-Wavelet RF方法能够使融合后图像在保持原多光谱图像光谱信息的同时,增强纹理结构特征,提高对细小地物的辨识能力;融合后图像SVM监督分类的总体分类精度和Kappa系数分别为84.01%和0.787,较原多光谱图像分别提高13.45%和15.91%。 相似文献
7.
红边与短波红外谱段玉米大豆识别能力研究 总被引:2,自引:0,他引:2
[目的]研究旨在挖掘红边、短波红外谱段对玉米大豆识别精度的提升程度,发现分辨率和谱段对作物识别的综合影响规律。[方法]采用德国Rapideye和美国Landsat-OLI数据,基于最大似然监督分类的方法,针对玉米、大豆、其他等3种地物类型。[结果]结果表明,与仅有蓝、绿、红、近红外波段相比,增加红边后总体分类精度从73.1%提高到80.5%。与仅有气溶胶、蓝、绿、红、近红波段相比,增加1个短波红外波段后,总体分类精度从72.9%提高到75.4%。[结论]中分辨率多时相数据能够弥补由于缺少短波红外、降低空间分辨率造成的识别精度的下降。 相似文献
8.
9.
基于多时相OLI数据的宁夏大尺度水稻面积遥感估算 总被引:5,自引:3,他引:2
为客观获取宁夏水稻面积空间分布信息,也为区域农作物遥感监测奠定技术基础,该文以宁夏回族自治区为研究区域,选择美国LandSat-8携带的陆地成像仪(operational land imager,OLI)数据,采用2016年3月11日-7月01日间的15景影像,基于水稻田耕地与水体特征反射率随着季节变化规律的分析,采用归一化植被指数(normalized difference vegetation index,NDVI)、近红外波段反射率(infrared reflectance,IR)、短波指数(short waved index,SWI)3个指数,以及多时相NDVI最大值、IR最小值、SWI最小值3个衍生指数,共6个指数为基础进行决策分类树构建,对全区水稻进行识别与提取,采用该区水稻面积本底遥感调查结果进行精度验证,水稻种植面积提取误差仅.4.22%,Kappa系数为0.83,水稻空间分布的用户分类精度分别为85.11%,制图精度为81.67%;同时与监督分类方法提取的水稻面积进行对比,该文方法提取水稻的用户精度提高了8.13个百分点,制图精度更是提高了20.01个百分点。研究结果表明,利用中高分辨率的OLI遥感时间序列卫星影像,在大宗农作物时间序列的变化规律分析基础上,构建分类决策树,可以准确地提取大宗农作物种植面积,是区域农作物面积遥感监测业务运行中具有潜力的方法。 相似文献
10.
基于模拟Landsat-8 OLI数据的小麦秸秆覆盖度估算 总被引:1,自引:1,他引:0
田间秸秆作为农业生产过程中的重要物质,其覆盖度的遥感估算具有十分重要的意义。Landsat-8 OLI影像作为Landsat系列影像的最新数据产品,具有更精细的光谱特征,明确其在秸秆覆盖度估算中的表现具有重要的现实意义。该研究使用ASD Field Spec 4 Hi-Res地物光谱仪,以实测田间小麦秸秆光谱反射率为数据源,模拟Landsat-8 OLI、Landsat-5TM、Aster、Hyperion影像波段反射率,构建光谱指数,并建立小麦秸秆覆盖度估算模型,通过对比分析,评估Landsat-8OLI数据的估算能力。结果表明,基于Landsat-8 OLI1和OLI2波段构建的NDIOLI21指数模型估算结果最优,决定系数(coefficient of determination,R2)为0.60,均方根误差(root mean square error,RMSE)为9.56%,平均相对误差(mean relative error,MRE)为9.83%,优于Landsat-5 TM构建的光谱指数,且仅次于Aster构建的木质素-纤维素吸收指数(lignin cellulose absorption,LCA)和短波红外归一化差异秸秆指数(shortwave infrared normalized difference residue index,SINDRI)以及Hyperion构建的纤维素吸收指数(cellulose absorption index,CAI)。因此,波段更多、波段划分更加精细的Landsat-8OLI构建的光谱指数在小麦秸秆覆盖度估算方面达到了一定精度,具有良好的应用前景。 相似文献