检索结果-内蒙古大学图书馆

遥感学报 2020年第11期24卷 1342-1352页

作者：张静宇王锦地石月婵遥感科学国家重点实验室北京师范大学地理科学学部北京100875 北京市陆表遥感数据产品工程技术研究中心北京师范大学地理科学学部北京100875 北京师范大学地理科学学部北京100875

目前,估算高分辨率叶面积指数LAI(Leaf Area Index)的常用方法是采用大量地面测量数据和遥感数据建立统计模型,再用统计模型估算LAI。然而,与农田地面测量实验相比,森林地面测量实验获取的观测数据更加有限,这使得基于统计模型的森林高... 详细信息

目前,估算高分辨率叶面积指数LAI(Leaf Area Index)的常用方法是采用大量地面测量数据和遥感数据建立统计模型,再用统计模型估算LAI。然而,与农田地面测量实验相比,森林地面测量实验获取的观测数据更加有限,这使得基于统计模型的森林高分辨率LAI的估算精度低,难以满足应用需求。为此,本文提出一种基于森林模型参数先验知识、使用森林研究区少量的LAI地面测量数据和归一化植被指数NDVI数据估算森林高分辨率LAI的方法。首先,获取全球20个森林实验区的LAI地面测量数据和NDVI数据,建立LAI-NDVI统计模型并提取森林模型参数的先验知识。然后,以一个新的森林站点Concepción作为研究区,将该研究区的数据分为建模数据和验证数据两个部分。使用研究区有限的建模数据对森林模型参数先验知识进行本地化校正得到优化模型,优化模型用于估算森林高分辨率LAI,使用验证数据评价LAI的估算精度。同时,选取了Camerons站点、Gnangara站点、Hirsikangas站点评价本文方法的LAI估算精度。使用地面测量LAI验证基于森林模型参数先验知识估算高分辨率LAI的结果精度,经验证4个森林站点的均方根误差分别为0.6680,0.4449,0.2863,0.5755。研究结果表明:在仅有少量观测数据时,采用本方法能有效地提高森林高分辨率LAI的估算精度。因此,本方法可为森林高分辨率LAI的遥感估算提供参考。

关键词：遥感先验知识森林模型参数叶面积指数高分辨率

来源：评论

学校读者我要写书评

暂无评论

黑河中游农作物MODIS叶面积指数产品时间序列精度验证与变化特征分析

引用

遥感学报 2024年第2期28卷 359-374页

作者：王丹彤屈永华北京师范大学遥感科学国家重点实验室北京100875 北京师范大学北京市陆表遥感数据产品工程技术研究中心/地理科学学部遥感与工程研究院北京100875

叶面积指数LAI (Leaf Area Index)是表征植被生长状态的一个重要的冠层结构参数。MODIS LAI产品是全球常用的遥感LAI产品之一。然而,由于地表异质性、数据质量、模型精度等多方面的差异,MODIS LAI产品质量各有不同。基于无线传感器网络... 详细信息

叶面积指数LAI (Leaf Area Index)是表征植被生长状态的一个重要的冠层结构参数。MODIS LAI产品是全球常用的遥感LAI产品之一。然而,由于地表异质性、数据质量、模型精度等多方面的差异,MODIS LAI产品质量各有不同。基于无线传感器网络的LAINet仪器可以自动获取时间频率更密集的LAI实测数据,为验证卫星遥感LAI产品质量提供了有力支持。本文基于2018年和2019年黑河中游时间序列地面实测LAI数据与高空间分辨率卫星遥感植被指数数据,建立经验回归模型。将该模型反演高空间分辨率卫星遥感LAI作为参考LAI真值,对MODIS LAI产品进行了精度验证与稳定性评价,分析了MODIS LAI与LAINet地面测量的差异原因。结果表明:与Landsat 8参考真值相比,MODIS LAI生长季的质量(RMSE_(2018)=1.17,RMSE_(2019)=1.14)优于衰落季(RMSE_(2018)=1.39,RMSE_(2019)=1.84),MODIS LAI总体低估,尤其是生长季后期。时间序列上,MODIS LAI产品能够刻画植被生长和凋落的季节特征,但生长前期波动性要强于后期。与LAINet观测方式的差异是MODIS LAI低估的主要原因,即遥感传感器从太空平台向下观测,LAI值在生长季后期受到叶绿素降低的影响,而LAINet仪器从冠层下向上观测,主要受到冠层间隙率的影响,因此对叶片内色素变化不敏感。对MODIS LAI产品的精度验证与稳定性评价结果表明,可以利用地面实测数据和卫星遥感数据反演时间序列LAI,但是,在使用类似玉米作物的生长季后期数据的时候,需要考虑到MODIS LAI与LAINet LAI观测对象与算法原理的差异。本研究可为MODIS LAI产品的使用者和算法研究者提供参考。

关键词： MODIS 叶面积指数 LAINet 精度验证稳定性评价

来源：评论

学校读者我要写书评

暂无评论

北极气候和陆地环境变化对第一产业影响研究进展

引用

地理学报 2022年第11期77卷 2838-2861页

作者：赵涔良朱文泉郭红翔陈力原谢志英北京师范大学地理科学学部遥感科学国家重点实验室北京100875 北京师范大学地理科学学部遥感科学与工程研究院北京市陆表遥感数据产品工程技术研究中心北京100875 北京师范大学水科学研究院北京100875

北极地区正在经历前所未有的气候及陆地环境变化,气温升高、植被绿化、冻土融化以及野火频发等因素已经对北极地区的第一产业产生了广泛而深远的影响。为了支撑气候变化背景下北极第一产业的可持续发展与相关政策的制定,有必要加强北极... 详细信息

北极地区正在经历前所未有的气候及陆地环境变化,气温升高、植被绿化、冻土融化以及野火频发等因素已经对北极地区的第一产业产生了广泛而深远的影响。为了支撑气候变化背景下北极第一产业的可持续发展与相关政策的制定,有必要加强北极气候及陆地环境变化对第一产业影响的整体性认识。本文针对北极地区的种植业、畜牧业、林业以及渔业4个第一产业部门,系统梳理了它们受到气候及陆地环境变化影响的类型与程度。同时,本文基于跨部门视角总结了当前北极环境变化对第一产业影响的相关研究,并从5个方面进行了分析与展望:①气候及陆地环境变化对第一产业的具体影响方式;②整合局域性科学认识的挑战;③气候变化适应策略的制定与实施;④数据与方法层面的整合与创新;⑤气候变化影响下北极第一产业变化对中国的启示。本文总结了未来气候变化背景下北极第一产业研究的重点领域,可为中国参与北极第一产业资源的可持续利用与开发提供参考。

关键词：北极气候变化陆地环境变化第一产业

来源：评论

学校读者我要写书评

暂无评论

深度学习农作物分类的弱样本适用性

引用

遥感学报 2022年第7期26卷 1395-1409页

作者：许晴张锦水张凤盖爽杨志段雅鸣北京师范大学遥感科学国家重点实验室北京100875 北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心北京100875 北京师范大学地理科学学部遥感科学与工程研究院北京100875

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模... 详细信息

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略:以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN(Deep Convolutional Neural Networks),获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示:测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。

关键词：弱样本卷积神经网络模型深度学习 GF-1影像农作物遥感分类

来源：评论

学校读者我要写书评

暂无评论

遥感影像云检测网络泛化性能研究:以DeepLabv3+为例

引用

遥感学报 2021年第5期25卷 1169-1186页

作者：彭龙康刘励聪陈学泓陈晋曹鑫邱岳安北京师范大学地理科学学部地表过程与资源生态国家重点实验室北京100875 北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心北京100875

近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以... 详细信息

近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以一组广泛使用的云标记数据集"L8 Biome"为验证数据,探讨该算法用于云检测时在不同的地表景观、空间分辨率和光谱波段组合的遥感影像上的泛化性能。云标记数据集"L8Biome"包含96景具有全球代表性的Landsat 8 OLI影像及相应的人工云掩膜,被广泛用于测试云和云阴影检测算法性能。首先,利用Landsat 8 OLI云标记数据集"L8 Biome",构建不同类型景观、不同空间分辨率、不同波段组合的训练影像集和测试影像集;其次基于不同训练样本集和测试集,评估了DeepLabv3+算法在不同情况下的云检测精度,并与Fmask算法作对比分析。研究结果表明:(1)使用全混合景观类型的训练集训练出来的云检测网络在总体检测精度(92.81%)与稳定度(标准差12.08%)上都优于使用单一景观类型的训练集训练得到的云检测网络,也优于Fmask的总体精度(88.75%)与稳定度(标准差17.34%),说明在构建深度学习算法的训练集时,应该尽可能包含多类型的地表景观;(2)将全混合景观训练集中剔除一类景观的样本(冰/雪景观除外)构建的"混合-1"训练集与全混合景观训练集训练的DeepLabv3+网络的云检测精度也相差不大,说明现有训练样本集已具备较强的景观泛化能力;(3)基于30 m空间分辨率的全混合景观训练样本集训练得到的DeepLabv3+云检测网络在不同分辨率(30 m、60 m、120 m、240 m)的测试集上云检测精度差异不大,都取得较好的效果,说明DeepLabv3+能够泛化应用于不同空间分辨率的遥感影像,相反Fmask直接应用于低分辨率影像时精度明显下降;(4)DeepLabv3+能充分自适应不同波段的信息用于云检测,总体来说更多的光谱波段输入能够提高DeepLabv3+的云检测的精度和稳定度,其中短波红外波段对于DeepLabv3+区分冰/雪与云具有重要价值,而热红外波段对DeepLabv3+云检测网络的性能提升很微小。以上结果说明利用现有数据集"L8 Biome"训练的DeepLabv3+云检测网络能够适用于多种类型的遥感影像,并优于Fmask算法。

关键词：深度学习云检测 DeepLabv3+ 泛化性能地表景观光谱波段组合空间分辨率

来源：评论

学校读者我要写书评

暂无评论

撂荒耕地的提取与分析——以山东省庆云县和无棣县为例

引用

地理学报 2018年第9期73卷 1658-1673页

作者：肖国峰朱秀芳侯陈瑶夏兴生北京师范大学环境遥感与数字城市北京市重点实验室北京100875 北京师范大学地表过程与资源生态国家重点实验室北京100875 北京市陆表遥感数据产品工程技术研究中心北京100875 北京师范大学地理科学学部遥感科学与工程研究院北京100875

由于城镇化的快速发展和农村劳动力不断流失,中国部分地区出现大面积的撂荒现象。利用遥感技术可以间接提取撂荒耕地的规模和数量,对耕地的保护和粮食安全有重要意义。以山东省庆云县和无棣县为研究区,基于Landsat数据和HJ1A数据,采用C... 详细信息

由于城镇化的快速发展和农村劳动力不断流失,中国部分地区出现大面积的撂荒现象。利用遥感技术可以间接提取撂荒耕地的规模和数量,对耕地的保护和粮食安全有重要意义。以山东省庆云县和无棣县为研究区,基于Landsat数据和HJ1A数据,采用CART决策树分类方法,制作了1990-2017年的土地利用图,制定了撂荒地的识别规则,在此基础之上提取了研究区的撂荒地空间分布、持续撂荒时间分布和撂荒地复垦区域。结果显示:1990-2017年基准期影像的CART决策树分类精度高于85%;1992-2017年间,研究区撂荒地面积最大值为5503.86 hm^2,最大撂荒率为5.37%,其中1996-1998年撂荒率最高,2006-2017年撂荒地面积的整体趋势逐年降低;1992-2017年间最大持续撂荒时间为15年,大部分耕地持续撂荒时间在4年之内,少数耕地持续撂荒时间超过10年;1993-2017年撂荒耕地复垦面积最大为2022.3 hm^2,最小复垦面积约为20 hm^2,复垦率最大值为67.44%,年均复垦率为31.83%。研究结果不仅能够为研究区撂荒驱动因素分析提供数据支撑,而且也可以为其他地区的撂荒耕地识别提供参考。

关键词： CART 撂荒复垦耕地山东省 Landsat数据

来源：评论

学校读者我要写书评

暂无评论

森林生物量遥感降尺度研究

引用

生态学报 2019年第11期39卷 3967-3977页

作者：刘沁茹孙睿遥感科学国家重点实验室北京师范大学地理科学学部北京100875 北京市陆表遥感数据产品工程技术研究中心北京师范大学地理科学学部北京100875

森林生物量是评价全球碳氧平衡、气候变化的重要指标。目前已有基于星载激光雷达数据的全球森林生物量产品,但空间分辨率较低,不能很好地满足小区域森林调查和动态监测的需要。针对这一现状,以美国马里兰州两个森林分布状况不同的区域... 详细信息

森林生物量是评价全球碳氧平衡、气候变化的重要指标。目前已有基于星载激光雷达数据的全球森林生物量产品,但空间分辨率较低,不能很好地满足小区域森林调查和动态监测的需要。针对这一现状,以美国马里兰州两个森林分布状况不同的区域为研究区,基于CMS(Carbon Monitoring System)30 m分辨率和GEOCARBON 1 km分辨率森林地上生物量产品以及TM等数据源,通过升尺度模拟低分辨率生物量数据和直接使用低分辨率产品两种方式,分别尝试建立了多光谱地表参数和低分辨率森林地上生物量之间的统计关系,以此作为降尺度模型实现了森林地上生物量空间分辨率从1 km到30 m的转换,并对降尺度结果进行精度评价和误差分析。结果表明:模拟数据降尺度后的30m分辨率森林地上生物量空间分布和CMS森林地上生物量分布状况大致相同,RMSE=59.2-65.5 Mg/hm^2,相关系数约为0.7;其降尺度结果优于GEOCARBON产品直接降尺度结果RMSE=75.3-79.9 Mg/hm^2;相较于线性模型,非线性模型能更好地呈现森林地上生物量和地表参数间的关系;总体上,降尺度生物量呈现高值区低估,低值区高估的现象。

关键词：森林地上生物量空间降尺度统计回归遥感

来源：评论

学校读者我要写书评

暂无评论

山地叶面积指数反演理论、方法与研究进展

引用

遥感学报 2020年第12期24卷 1433-1449页

作者：江海英贾坤赵祥魏香琴王冰姚云军张晓通江波北京师范大学地理科学学部遥感科学国家重点实验室北京100875 北京师范大学北京市陆表遥感数据产品工程技术研究中心北京100875 中国科学院空天信息创新研究院北京100101

叶面积指数LAI(Leaf Area Index)是表征叶片疏密程度和冠层结构特征的重要植被参数,在气候变化、作物生长模型以及碳、水循环研究中发挥着重要作用。遥感是获取区域及全球尺度LAI的一个重要手段,当前LAI产品主要基于遥感数据反演得到,... 详细信息

叶面积指数LAI(Leaf Area Index)是表征叶片疏密程度和冠层结构特征的重要植被参数,在气候变化、作物生长模型以及碳、水循环研究中发挥着重要作用。遥感是获取区域及全球尺度LAI的一个重要手段,当前LAI产品主要基于遥感数据反演得到,但是多数LAI产品算法并未考虑地形特征的影响,导致山地LAI遥感反演精度不确定性大。提高山地LAI遥感反演精度亟需考虑地形因子对冠层反射率的影响,其中山地冠层反射率模型和遥感数据地形校正是提升山地LAI遥感反演精度的关键。本文围绕山地LAI遥感反演理论与方法,综合分析了国内外山地冠层反射率模型和地形校正模型的研究进展,总结了目前山地LAI遥感反演存在的问题,并讨论了未来研究的发展趋势。

关键词：遥感光学遥感叶面积指数地形校正山地冠层反射率模型 DEM

来源：评论

学校读者我要写书评

暂无评论

迁移深度卷积神经网络模型秋粮作物泛化识别

引用

遥感学报 2024年第3期28卷 661-676页

作者：张凤张锦水段雅鸣杨志北京师范大学遥感科学国家重点实验室北京100875 北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心北京100875 北京师范大学地理科学学部遥感科学与工程研究院北京100875 青海师范大学高原科学与可持续发展研究院西宁810016

深度卷积神经网络DCNN (Deep Convolutional Neural Networks)具有“端到端”、高效提取多尺度语义特征的优点,被广泛应用于遥感农作物识别中,取得了重要的进展。但深度学习模型需要大量标签样本,获取费时费力、成本高,限制了其广泛使... 详细信息

深度卷积神经网络DCNN (Deep Convolutional Neural Networks)具有“端到端”、高效提取多尺度语义特征的优点,被广泛应用于遥感农作物识别中,取得了重要的进展。但深度学习模型需要大量标签样本,获取费时费力、成本高,限制了其广泛使用。本文基于模型迁移学习策略,将美国农业部统计署作物数据层CDL(Cropland Data Layer)作为作物标签数据,利用伊利诺伊州和印第安州的作物生长季Landsat OLI卫星影像训练2016年—2019年4个单年份模型和2016年—2017年、2016年—2018年两个多年份的U-net模型,将模型直接在美国3个测试区和中国黑龙江省黑河市的2016年—2020年迁移泛化分类。研究结果表明:1)基于CDL训练的U-net模型能够在美国本土推广应用,美国3个测试区的2016年—2020年的时间泛化总体精度在80%以上,玉米识别精度高于大豆,说明了模型在空间上具有很好的迁移能力。(2)对于黑河市秋粮,多年玉米识别总体精度平均高出大豆3%,原因是玉米种植地块更为规整、种植规模更大,单年份秋粮识别总体精度69%—79%,但多年份模型要优于单年份模型,这可能是随标签样本数量增多提升了训练样本的代表性,将中国与美国秋粮种植的差异通过样本数量的增加得以弥补,模型迁移到中国黑河区域的精度均低于美国本土,这是由于洲际间气候、作物物候、种植农业景观等差异导致遥感特征不一致,导致模型泛化能力降低。

关键词：遥感迁移学习 CDL 时空泛化大豆玉米

来源：评论

学校读者我要写书评

暂无评论

基于像元物候曲线匹配的生长季内河北省冬小麦空间分布识别

引用

农业工程学报 2020年第23期36卷 193-200页

作者：张锦水赵光政洪友堂孙智虎段雅鸣北京师范大学遥感科学国家重点实验室北京100875 中国地质大学(北京)土地科学技术学院北京100083 北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心北京100875 北京师范大学地理科学学部遥感科学与工程研究院北京100875

及时、准确的农作物空间分布信息是进行作物长势监测、灾害评估与产量估计的基础。传统方法一般在作物收获期前后进行作物的识别,时间上滞后,难以满足农业生产的应用,时空泛化能力差,模型复用程度低。该研究以历史知识为支撑,提出冬小... 详细信息

及时、准确的农作物空间分布信息是进行作物长势监测、灾害评估与产量估计的基础。传统方法一般在作物收获期前后进行作物的识别,时间上滞后,难以满足农业生产的应用,时空泛化能力差,模型复用程度低。该研究以历史知识为支撑,提出冬小麦像元匹配模型(Pixel-Matched Model,PMM)进行冬小麦空间分布提取,旨在生长季内实现冬小麦空间分布的快速提取。研究结果表明,PMM能充分利用作物物候特征变化,排除冬小麦种植物候空间异质性的影响,能够在播种后2个月内实现冬小麦的准确提取,总体精度达到了95.49%,F1分数为0.83,且不随物候曲线的延伸而大幅提高精度。与传统参考曲线模型(Reference Curve Model,RCM)相比,PMM在消除区域内冬小麦生长物候差异方面具有优势,可在年际间实现冬小麦的准确识别,具有较强的时间泛化能力,能够实现冬小麦的自动化识别。

关键词：模型物候时间序列时间泛化像元相似度先验知识冬小麦

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：