排序方式: 共有70条查询结果,搜索用时 15 毫秒
21.
基于高空间分辨率影像的林业小班遥感区划系统设计与实现 总被引:2,自引:0,他引:2
小班区划是森林资源调查中最主要的任务。为了减少小班区划工作量,提高工作效率以及保证小班区划的一致性,从功能需求角度,设计了一种基于高空间分辨率遥感影像进行林业小班区划的系统,并对系统各部分功能进行较为详细的设计与说明。开发并实现了遥感数据处理、多尺度分割和面向对象分类等关键技术,借助该系统,可以实现基于高空间分辨率遥感影像进行林业小班边界的内业自动生成,小班区划精度符合林业实际生产需求。目前,该系统已在重庆和海南等地推广应用。图8表1参11 相似文献
22.
针对传统k-最近邻法(k-nearest neighbor,k-NN)在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题,在云南省香格里拉市,以高山松Pinus densata为研究对象,基于49块实测标准地,116株高山松样木和Landsat 8/OLI影像,在前期进行基于遗传算法(genetic algorithm,GA)优化的k-NN模型实现的基础上,对k-NN的3个参数(k,t和d)进行反复测试优化组合,在像元尺度上对研究区高山松地上生物量进行遥感估算。结果表明:基于遗传算法优化的k-NN模型精度优于传统的k-NN模型,优化前均方根误差为30.0 t·hm-2,偏差为-0.418 t·hm-2,相对标准误差百分比(RMSE)为54.8%;优化后均方根误差为24.0 t·hm-2,偏差为-0.123 t·hm-2,RMSE为43.7%。基于优化k-NN模型的研究区高山松地上生物量总储量估测结果为0.89×107 t。 相似文献
23.
通过对比分析地涌金莲原变种与红苞变种外植体PPO活性及总酚含量的差异,为组织培养适宜外植体的选择提供理论依据。结果表明,地涌金莲原种与红苞变种不同部位总酚含量存在显著差异,均表现为雄蕊最高,其中原变种为21.42 mg·g~(-1),红苞变种为20.64 mg·g~(-1),且均显著高于其他部位;红苞变种叶片及叶脉总酚含量分别为9.43mg·g~(-1)和2.32 mg·g~(-1),显著高于原变种的4.67 mg·g~(-1)和0.72 mg·g~(-1),而红苞变种雌花子房壁总酚含量为4.96 mg·g~(-1),显著低于原变种的9.44 mg·g~(-1),其余8个部位的总酚含量在2变种间无显著差异;原变种叶片及叶脉的PPO活性分别为971.5和542.8(0.01△A·g~(-1)·min(-1)),显著高于红苞变种的277.2和428.5(0.01△A·g~(-1)·min(-1)),其他部位的PPO活性两者无显著差异。表明总酚含量及PPO活性均较低的花苞片、雄花子房是地涌金莲组织培养较理想外植体材料。 相似文献
24.
25.
针对传统本科生"章节式"教学法在案例教学模式中存在的弊端,以本科生林业3S技术应用课程为教学案例,结合林学(专升本)本科生培养目标,从案例选取、案例设计、案例组织、案例实施和评价5个教学环节进行了案例教学设计并组织实施.实践表明,围绕林业3S技术应用课程教学内容和教学方式设计的具有典型性、可操作性和综合性的教学案例得到本科生的肯定,但个别案例内容需要进行调整,以提升教学效果. 相似文献
26.
叶面积指数(LAI)是衡量森林生产力的重要指标,遥感技术为实现大尺度估测叶面积指数提供支持。以香格里拉市高山松为研究对象,以Sentinel-2多光谱影像为信息源,结合地面样地实测LAI,通过相关性分析筛选出与LAI显著相关的植被指数,采用BP神经网络和遗传算法(GA)优化BP神经网络建立高山松LAI估测模型,基于像元尺度对研究区高山松LAI进行遥感估测。研究表明:1)Sentinel-2影像红边波段构建的植被指数与LAI有较高的相关性; 2)遗传算法优化前后,BP神经网络模型的决定系数(R2)为0.289和0.508,均方根误差(RMSE)为0.340和0.314,通过遗传算法优化后,BP神经网络建模精度更高和对实测LAI的变化趋势预测更加准确。研究结果可为低纬度高海拔地区森林LAI的研究提供参考。 相似文献
27.
通过对南京市建邺区流通环节畜禽产品安全监管过程中存在的监管边界不清、利益纠结等问题,提出构建畜禽产品质量安全监督责任体系、流通体系,建立健全畜禽产品质量安全监管队伍以及推行动物卫生监督溯源IC卡管理系统,实现无缝衔接、全程监管的对策建议. 相似文献
28.
以云南广泛栽培龙竹的沧源和新平2个县为研究区,以异速生长方程为LAI基础模型,结合73块样地数据,采用非线性最小二乘、有先验信息贝叶斯法和分层贝叶斯3种方法对模型参数进行拟合,运用决定系数(R2)、均方根误差(RMSE)和估测精度(E)指标对拟合效果进行评价。结果表明:当未引入随机效应变量时,传统的最小二乘法和有先验信息贝叶斯法的R2、RMSE和E分别为0.4875、0.0071、75.31%和0.4874、0.0070、75.31%;引入随机效应变量后,分层贝叶斯方法R2、RMSE和E分别为0.6733、0.0057、80.27%,估测效果较最小二乘方法和有先验信息的贝叶斯方法有较为明显的提高,R2提高了0.1858,RMSE降低了0.0014,E提高了4.96%。对于有明显地域差异的样本,分层贝叶斯方法能明显提升模型参数估测精度,适合中大尺度上采样数据的模型参数估测。 相似文献
29.
以高山松为研究对象,基于113株单木地上生物量测量数据,在前期构建高山松一元和二元幂函数模型基础上,采用六步法和泰勒级数对模型的残差变异和参数误差进行不确定性分析。结果表明:基于113株高山松构建的单木生物量模型,一元回归模型的残差变异及模型参数引起的不确定性分别为6.20%、30.30%,综合不确定性约为30.83%;二元回归模型残差变异和模型引起的不确定性分别为5.17%、3.12%,综合不确定性约为6.04%。当建模样本量从38增加至71时,模型的不确定性变化显著。一元模型的参数不确定性和残差变异不确定分别减少14.50%和1.25%,综合不确定性减少14.52%;二元模型参数不确定性和残差变异不确定分别减少35.65%和5.80%,综合不确定性减少34.96%。随着分组样本数的增加,一元地上生物量模型和二元地上生物量模型,其模型的残差变异不确定性也逐渐减小。模型残差变异不确定性和参数不确定性是单木地上生物量模型构建中不确定性的主要来源,增加模型参量能有效降低单木地上生物量模型中参数引起的不确定性;建模样本数量的增加,能有效降低模型参数不确定性及残差变异不确定性。 相似文献
30.