【摘 要】
:
本文以陕西省柞水县大西沟矿区为研究区域,通过实地采集土壤样本,结合在Landsat 8多光谱遥感影像上提取的辐射亮度值和光谱衍生指数,以及从ASTER GDEM提取的3种地形因素,通过相关性分析确定了建模因子,并以K折交叉验证法建立了砷、铜、铅3种重金属元素的随机森林回归模型。试验结果表明,所建立模型的预测精度优于多元线性回归模型和CART模型,可见随机森林回归模型适用于在小样本情况下的矿区重金属
论文部分内容阅读
本文以陕西省柞水县大西沟矿区为研究区域,通过实地采集土壤样本,结合在Landsat 8多光谱遥感影像上提取的辐射亮度值和光谱衍生指数,以及从ASTER GDEM提取的3种地形因素,通过相关性分析确定了建模因子,并以K折交叉验证法建立了砷、铜、铅3种重金属元素的随机森林回归模型。试验结果表明,所建立模型的预测精度优于多元线性回归模型和CART模型,可见随机森林回归模型适用于在小样本情况下的矿区重金属含量反演。经现场调查,空间反演结果与实际情况较符合,证明了基于多光谱遥感的随机森林回归模型在矿区土壤重金
其他文献
由于传统方法对肺结节检测准确率低、速度慢,故提出一种改进YOLOv3模型检测算法,利用聚类算法对数据集进行聚类分析,并获得新的Anchor size,在原有的基础网络上进行更新改进并且调整YOLOv3算法的模型使其适应肺结节的检测任务,提高检测效率。另外,利用K-means分离前景和背景完成CT图像的预分割,对预分割结果使用腐蚀、膨胀等形态学操作提取出肺实质。改进后的YOLOv3算法在LUAN16
随着智能装备的性能提升和普及应用,经常采用手势进行人机交互。为了更有效地解决复杂手势识别精度不理想的问题,提高对复杂手势的识别准确率,提出利用超声波多普勒频移的SVM-HMM手势识别算法对提取到的手势特征序列进行识别分类。该算法采用支持向量机SVM改进隐马尔可夫模型HMM中的状态转移概率矩阵,并经由Sigmoid函数处理状态序列中各个隐状态的输出概率,对HMM的分类性能进行优化。利用设置的三种不同
为了克服手机在封装工艺中的胶水断裂、溢出等缺陷,提出一种基于线结构光传感器(LMI Gocator 2510)及HALCON软件的手机封装胶测量方法。通过提取手机壳深度图中的胶水区域特征,采用直方图谷底法实现无胶水区域和点胶后有胶水区域的有效分离;分别截取已分割区域中对应行坐标的全部像素值,进一步重构出深度轮廓线,利用基于深度轮廓信息的最小二乘法拟合出胶路的胶基准;结合胶基准测量点胶后的胶水高度,
针对生态环境评价指数获取困难、评价标准各异的问题,本文提出了新生态环境指数(NEI),即以生物丰度指数、植被覆盖指数、干度指标、湿度指标及空气质量指数综合反映区域生态环境状况,并利用主成分分析法客观确定权重。结果表明,NEI的指标选取和结果均与《生态环境状况评价技术规范》中的生态环境指数(EI)具有较强可比性。但NEI指数具有结果量化、可视化及实时化的特点,对于评价区域生态环境状况具有较好的应用前
城市生态环境监测具有数据来源广泛、监测要素复杂、服务对象多样等特点,整合可用的资源进行城市生态的综合监测成为目前关注的热点。本文利用高分辨率遥感影像,以及地表覆盖、城市边界等遥感产品,在现有遥感生态指数的基础上,结合黑臭水体指数,构建适合综合评估城市生态状况的集成遥感监测模型,实现对城市生态环境状态的多维度监测。该方法能够较准确客观地反映城市的生态环境质量,理论上补充了基于遥感数据的城市生态环境监
泥石流灾害对流域植被、土壤、水体等生态环境要素具有极强的破坏作用,快速有效地监测灾害影响区内生态环境的变化对防灾减灾工作有着重要意义。本文选取白龙江流域泥石流灾害为研究对象,利用多期次遥感影像提取了生态因子信息,构建了生态质量评价模型。结果表明,基于时间序列影像的遥感监测能够有效地刻画灾害发生前后的区域生态变迁过程,对地质灾害区的生态监测和修复具有实际应用价值。
本文针对合成孔径声呐图像线目标提取过程中,由于线目标宽度(直径)小且图像受相干斑噪声影响严重而导致的提取困难的问题,提出了基于霍夫直线检测和区域生长的线目标提取算法。首先利用Otsu算法计算区域生长终止阈值,并对噪声进行初步抑制;然后在对图像进行霍夫直线粗检测的基础上,对检测结果进行不均匀分割,再进行细检测,得到区域生长种子点;最后利用区域生长对线目标进行还原。试验结果表明,该算法能准确地提取线目
本文以新疆焉耆盆地为研究区,首先利用实测数据和Landsat 8 OLI遥感数据获取土壤调查植被指数(MSAVI)和地表温度(Ts),构建Ts-MSAVI特征空间,拟合特征空间的干湿方程;然后利用该特征空间计算温度植被干旱指数(TVDIm),反演9—11月的土壤湿度,探讨土壤湿度时空分布特征。试验结果表明:(1)遥感影像反演的TVDI与实地考察的土壤湿度显著相关(a=0.05);不同土层中,TVD
随着遥感技术的不断发展,遥感大数据在人们生活中扮演着越来越重要的角色,但由于遥感数据量大,数据处理较为困难。机器学习技术凭借如今硬件科技的发展,使得其自身计算处理能力得到了巨大的提升,因而被广泛地应用于各个领域。由于数据处理和计算机能力的提升,深度学习被广泛应用于遥感领域中。同时,深度学习在其他领域中也被证明是一个极其强大的工具。结合遥感数据量大的特点,本文通用Faster R-CNN的方法实现了
百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U~2-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明:遥感智能视觉平台提取的图斑总