公共文化服务平台

Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法: 本发明公开了一种Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法，主要包括数据准备、数据预处理、利用STDFA模型构建数据、数据滤波处理、秋粮识别特征向量选择、秋粮识别特征组合和SVM分类获得识别结...; 张锦水潘耀忠谢登峰孙佩军袁周米琪

一种软硬变化检测的冬小麦遥感识别方法: 本发明提供一种软硬变化检测的冬小麦遥感识别方法，包括步骤一、获取数据，包括对原始影像进行数据标准化预处理和目视解译两种方法；步骤二、针对两期遥感影像提取进行差值计算，得到差值图像；步骤三、从两期遥感影像及其差值图像进行对...; 张锦水朱爽谢登峰潘耀忠孙佩军; 文献传递

随机森林在高光谱遥感数据中降维与分类的应用被引量：31: 2015年; 高光谱数据的特征数目庞大,而且波段之间存在冗余信息,对高光谱数据进行分类的成本较高,因此需要提取合适的特征达到提高效率的目的.随机森林作为一种热门算法,广泛应用于各种分类、特征选择等问题中,均取得了良好的效果.本文选择北京小汤山农业试验区的OMIS高光谱影像作为研究数据,利用随机森林算法计算每个特征的重要性指标并对其排序,针对面向精度和效率的特征选择策略,使用RF-RFE波段选择方法去除价值低的特征分别得到最佳波段组合,实现高光谱数据降维,进行随机森林、支持向量机分类.实验结果表明随机森林分类精度为72.82%,SVM分类精度为65.21%,随机森林分类器优于SVM,是一种较好的高光谱数据分类器.; 杨珺雯张锦水朱秀芳谢登峰袁周米琪; 关键词：OMIS 降维波段选择

时空概率模型水稻遥感识别方法: 本发明公开了一种时空概率模型水稻遥感识别方法，主要包括数据准备、数据预处理、构建时空概率模型、像元归属概率计算、像元时空概率计算、作物类别阈值划分及水稻分类结果识别。本发明可以有效提取水稻，降低传统变化监测作物遥感识别存...; 张锦水孙佩军潘耀忠谢登峰袁周米琪; 文献传递

一种构建高时空遥感数据的方法: 本发明公开了一种构建高时空遥感数据的方法，结合像元分解降尺度方法和STARFM模型的CDSTARFM方法，首先利用像元分解降尺度算法对低分辨率数据进行降尺度处理，然后用降尺度数据取代STARFM算法中直接重采样的低分辨率...; 张锦水谢登峰潘耀忠袁周米琪云雅孙佩军

构建时空融合模型进行水稻遥感识别被引量：16: 2016年; 传统变化检测手段进行水稻遥感识别受"云污染"和影像间配准误差导致的变化检测误差累积及"椒盐"现象的影响,水稻遥感识别精度低。本文提出时空融合模型(Temporal-Spatial-Fusion Model,TSFM)进行水稻遥感识别,旨在综合像元在时间、空间维度上的信息定义像元的水稻时空归属度,根据时空归属度划分阈值提取水稻。实验结果表明:在不同窗口尺度下,TSFM在整体和"云污染"区域对水稻提取均达到了较高精度。当窗口尺度为3×3时,水稻提取的用户精度、制图精度和总体精度分别达到93.4%、83.5%和87.9%。在不同窗口尺度下水稻提取的用户精度、制图精度、总体精度均高于分类后比较PCC(Post-Classification Comparison)和多数投票法(Majority Voting,MV);在"云污染"区域,水稻识别总体精度均在92.0%以上,水稻制图精度比PCC、MV分别至少提高了14.0%、7.6%。有效地解决了传统变化检测作物遥感识别存在的误差累积问题,在一定程度上避免了"云污染"和"椒盐"现象对识别结果的影响。另外,初步探讨了TSFM水稻提取精度与景观特征关系,发现在景观规整区域适宜采用较小的窗口,在破碎区域适宜采用较大的窗口。该方法的成功实施,为大范围开展秋粮作物遥感识别,消除"云"影响进行了前期实验探讨。; 孙佩军张锦水潘耀忠谢登峰袁周米琪; 关键词：变化检测景观特征水稻

一种构建高时空遥感数据的方法: 本发明公开了一种构建高时空遥感数据的方法，结合像元分解降尺度方法和STARFM模型的CDSTARFM方法，首先利用像元分解降尺度算法对低分辨率数据进行降尺度处理，然后用降尺度数据取代STARFM算法中直接重采样的低分辨率...; 张锦水谢登峰潘耀忠袁周米琪云雅孙佩军; 文献传递

结合像元分解和STARFM模型的遥感数据融合被引量：11: 2016年; 高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的"图斑"和STARFM模型融合影像中的"MODIS像元边界"。; 谢登峰张锦水孙佩军潘耀忠云雅袁周米琪; 关键词：像元分解降尺度遥感数据融合

Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物被引量：45: 2015年; 本文利用Wu等人提出的遥感数据时空融合方法 STDFA(Spatial Temporal Data Fusion Approach)以Landsat 8和MODIS为数据源构建高时间、空间分辨率的遥感影像数据。以此为基础,构建15种30 m分辨率分类数据集,然后利用支持向量机SVM(Support Vector Machine)进行秋粮作物识别,验证不同维度分类数据集进行秋粮作物识别的适用性。实验结果显示,不同分类数据集的秋粮作物分类结果均达到了较高的识别精度。综合各项精度指标分析,Red+Phenology数据组合对秋粮识别效果最好,水稻识别的制图精度和用户精度分别达到91.76%和82.49%,玉米识别的制图精度和用户精度分别达到85.80%和74.97%,水稻和玉米识别的总体精度达到86.90%。; 谢登峰张锦水潘耀忠孙佩军袁周米琪; 关键词：秋粮

基于无人机样方事后分层的作物面积估算被引量：7: 2016年; 无人机是开展野外调查的一种新型、有效的手段,能够及时、准确地获取地面调查样方信息,为作物面积遥感估算提供精准的样方数据。研究针对无人机抽样调查的样方特点,提出了适合于无人机样方的多层次事后分层指标(多层次-异质性指标、多层次-面积规模指标)。将这些指标分别用于事后分层抽样,估算冬小麦面积。并根据变异系数(coefficient of variance,CV)对其抽样效率进行评价。多层次指标是将多种分层指标分层结果叠加形成的,能够充分反映作物种植空间分布特征、空间异质性及种植规模,可以保证作物种植面积遥感估算的精度。以河南省冬小麦面积估算为例,在冬小麦空间分布空间范围,建立300m×300m抽样框格网,作为抽样基本单元。分别利用实验设计的多层次-面积规模指标、多层次-异质性指标、面积规模指标、异质性指标计算各抽样基本单元的对应指标值。按照累计平方根法计算不同分层指标下的分层界限值。最后进行事后分层估计,计算分层效率,对分层结果与分层效率进行对比分析。计算得到以上4种分层方法的变异系数分别为1.85%、1.41%、2.16%、1.55%。结果表明,结合无人机抽样调查,利用多层次指标法进行分层,各层内作物均质性较好,能够提高农作物面积估算的精度;此外,异质性指标较面积规模指标更能提高分层的层内作物均质性与农作物面积估算精度。; 孙佩军张锦水潘耀忠谢登峰袁周米琪; 关键词：种植面积无人机影像

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

谢登峰

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

谢登峰

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈