排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
为研究SAR影像结合光学影像反演叶片含水量的可行性,本文以吉林省长春市净月潭国家森林公园为研究区,以Sentinel-1B、Landsat8 OLI遥感影像和通过外业调查获取的叶片含水量为数据源,通过相关性分析,选取出与叶片含水量相关性较大的波段组合和植被指数,并对其进行主成分提取,建立主成分与叶片含水量之间的线性、二次多项式、三次多项式和指数模型,并利用精度最高的模型反演出净月潭国家森林公园的叶片含水量。结果表明:(1) Sentinel-1B的VV极化、VH/VV极化比和OLI传感器的短波红外1波段、短波红外2波段、归一化水分指数(NDWI)、比值植被指数(RVI)与叶片含水量相关性较大;(2) Sentinel-1B和Landsat8 OLI数据结合相较于仅使用Landsat8 OLI数据、提取出的主成分与叶片含水量相关性较高;(3)利用提取出的主成分与叶片含水量建立的反演模型中三次多项式模型的拟合精度最高(R2=0.629 9,RMSE=0.035 8)。表明Sentinel-1B结合Landsat8 OLI数据能较好得反演出针叶林的叶片含水量。 相似文献
3.
【目的】针对点云分类过程中多依据经验盲目构造特征的问题,本研究提出使用基于xgboost的特征选择弥补上述不足。【方法】本研究的数据为地面激光雷达扫描获得的蒙古栎人工林数据。本研究考虑构造适当的特征训练分类器将TLS点云快速分离为地面、树干与枝叶3个类别。在分类过程中,先在训练集中逐点搜索100个近邻构造19个特征,然后使用这些特征训练xgboost分类器,并依据控制分类器节点分裂的特征频率获得特征重要性。获得特征重要性之后将特征按重要性做降序排列,并依据该序列依次增加特征数量训练xgboost。因为构造了19个特征,所以在上述训练分类器的过程中可获得19个关于特征重要性的分类器模型。依次将上述模型应用于测试集的分类,在保证分类器性能的情况下,依据测试集的表现选择了前6个特征,从而实现了TLS点云分类的特征选择。【结果】使用基于特征选择获得的6个特征与依据经验构造的19个特征训练分类器的测试准确率分别为0.954 8与0.956 2。相较于使用19个特征,使用6个特征的分类器性能仅降低了0.001 4。在训练集与测试集中计算6个特征用时分别占计算19个特征用时的53.13%与54.33%。【结论】结果表明特征选择策略可有效提高特征计算效率,而且在保证分类器性能的前提下可以避免特征构造的盲目性。 相似文献
1