排序方式: 共有22条查询结果,搜索用时 211 毫秒
1.
2.
4.
5.
6.
以西北地区重点城市兰州为研究对象,借助ENVI和GIS软件对兰州市1990、2000、2010年及2018年遥感影像图进行解译处理,得到兰州市4期土地利用型图。在此基础上进一步运用Fragstats及SPSS软件,进行类型变化、动态度、转移情况、相关性及景观格局指数分析,探寻其变化情况及影响因素。结果显示:(1)1990—2018年间,研究区土地利用和景观格局发生了明显变化,耕地、草地等自然景观利用类型面积逐年减少,建筑用地等人工景观利用类型面积则逐年增加;(2)驱动因素分析表明人为驱动因素GDP与城镇化率等是驱动土地利用变化的主要因素,总体变化与城市化的加快密切相关;(3)景观指数分析表明,人工景观的无限制扩张,导致整体景观向破碎化发展,景观复杂程度增加,斑块逐渐趋于分散。综上分析认为,兰州市的土地利用与景观格局状况在28年间趋于复杂,城市化发展是造成土地利用和景观格局向人工发生演变的重要因素。兰州市需要贯彻可持续发展理念,结合自身优势进行绿色生态农业及水域建设。 相似文献
7.
面向机器人自主运动的视觉感知技术是实现机器人与环境交互的关键技术之一,边线作为保证机器人运动安全的一种视觉信息,具有广泛的研究价值,而半结构化场景为边线检测带来新的挑战.基于手工提取特征的检测方法在面对非城市环境或路面视觉信息不明显的复杂场景时并不能表现出鲁棒性,利用深度学习方法进行边线检测已成为一种主流趋势.鉴于此,针对半结构化场景下的移动机器人视觉边线检测研究进行综述,考察部分边线检测算法在半结构化场景下的应用前景与应用效果.首先,对常用的边线检测数据集进行整理,从采集场景、标注类型等角度分析当前数据集及研究的侧重点;其次,对不同的方法进行分类与总结,比较检测与数据处理过程;接着,对深度学习常用的评价指标进行整理,并对不同方法在面对不同场景时的检测效果进行比较和分析;最后,针对半结构化场景下边线检测所存在的问题,对基于深度学习的视觉边线检测方法的研究方向进行展望. 相似文献
8.
为解决智能制造环境中具有多时间和多AGV约束的柔性作业车间调度问题,构建了以最小化最大完工时间、最小化总延期、最小化设备总负荷为目标的机器/AGV双约束多目标调度模型,模型中综合考虑加工时间、工件到达时间、交货期等多时间因素,进行了多AGV和机器集成调度。为求解该模型,设计了新的AGV调度规则和改进的NSGA-算法,算法中提出了基于工序的扩展染色体编码方式和基于AGV分配的贪婪式解码策略,同时设计了不同参数控制的多种群二元锦标赛选择和分段交叉变异策略以及基于Pareto级的去重精英保留策略,以促进个体协同优化搜索。通过实例实验,分析了不同AGV数量任务分配方案下的模型有效性,对4个案例的仿真测试和同类算法比较解也验证了改进NSGA-算法求解该模型的有效性。 相似文献
9.
10.