排序方式： 共有2条查询结果，搜索用时 46 毫秒
1
1.
快速准确获取森林的空间分布对评估森林资源和生态环境状况具有重要的意义。以云南省普洱市为研究区,基于Google Earth Engine(GEE)平台和Sentinel-2影像数据,结合实地调查数据、机载遥感数据及地形辅助数据,提取影像的光谱特征、纹理特征以及地形特征,通过特征筛选,得到适合森林分类的最优特征数据集。结合简单线性非迭代聚类（SimpleNon-Iterative Clustering,SNIC）超像素分割算法,探究不同分类方法、特征变量等因素对分类精度的影响。结果表明：面向对象分类方法的分类精度要优于基于像元分类方法,分类总体精度为88.21%,Kappa系数为0.87,可以较为准确地对普洱市进行森林覆盖制图。面向对象方法可以有效减轻“椒盐现象”,特征优选避免了冗余信息对分类结果的影响,有效提高了分类效率。GEE平台与面向对象方法结合可以提供大区域、高精度的森林覆盖遥感快速制图。 相似文献
2.
高分一号光学遥感数据自适应云区识别 总被引：1，自引：0，他引：1
光学卫星遥感数据在获取过程中易受云层干扰,云区识别是光学遥感数据应用及分析的一个基础但重要的步骤,高效的云区识别技术对节省数据收集成本和提高数据利用效率具有较强的现实意义.同态滤波算法是经典的基于单幅影像的云区识别方法之一,该算法具有计算快速方便、云区检测精度较高的优点,然而识别的云区范围极大程度取决于同态滤波器截止频率的位置.同态滤波截止频率通常采用经验值,显然经验截止频率无法适应批量遥感数据的自动处理需求.针对以上问题,本文通过建立输入影像频谱能量与截止频率的关系,结合白度指数(Whiteness Index)和形态学算子,实现对国产高分辨率光学卫星高分一号(GF-1)遥感数据的批量云区识别处理.与传统同态滤波方法相比,该算法能根据影像频谱能量自适应判定同态滤波时采用的截止频率,具有更强的适用性.通过对98景GF-1多光谱数据进行随机点人工目视标记精度检验,精度检验结果表明该算法对云区有较好的检测效果,总体识别精度达93. 81%.该算法对GF-1遥感数据能进行批量化云区检测,获得高精度的云区掩膜结果,并有效降低高反射率地物造成的误识率. 相似文献
1