基于高程分段的黄河源区NDVI和水热条件空间分布格局

以黄河源区植被为研究对象,应用MODIS13Q1遥感数据、DEM数据、气象数据以及土地利用类型图,采用基于高程分段的研究方法对研究区NDVI(归一化植被指数)与水热条件空间分布特征进行深入探究。根据NDVI随高程分布特征,将研究区划分为高程段Ⅰ(3 400m),高程段Ⅱ(3 400～4 200m)和高程段Ⅲ(4 200m)。在各高程段内分析植被分布格局、NDVI与水热条件分布特征、NDVI与水热因子响应关系。结果表明:黄河源区内主要植被类型为草地,其面积占源区总面积75%,林地面积占比为7%,农田面积仅占1%。高程段Ⅰ内主要植被类型为农田和草地,高程段Ⅱ内主要植被类型为林地和草地,高程段Ⅲ内基本只有草地。3种不同类型植被NDVI平均值大小为林地草地农田。气温表现为梯度递减的空间分布格局,降水量呈现从东南向西北递减的趋势。高程段Ⅰ属干旱区域,高程段Ⅱ属湿热区域,高程段Ⅲ属干冷区域。3个高程段内水热组合条件最好的是高程段Ⅱ,高程段Ⅲ水热条件较差。植被NDVI在不同高程段内受水热因子的驱动作用不同。高程段Ⅰ和高程段Ⅲ内降水量较低,NDVI主要驱动因子是降水量,高程段Ⅱ的降水量丰沛,影响NDVI的主要因子是气温。     

基于JetsonTX2的无感式行人重识别特征提取系统

自1993年Yan LeCun首次展示了将卷积神经网络用于文本识别以来,卷积神经网络在计算机视觉领域的应用不断兴起,并且其表现特别优异,特别是在检测、识别方面有了长足的发展。通常在行人检测和行人重识别任务中,网络接受的对象都是单张图片,而实际在生产环境中,往往任务面对的都是一段连续的视频,其中充斥着大量有弱关联的目标样本。论文针对智能视频监控中,在JetsonTX2上使用MobilenetV2-YoloV3作为目标检测框架,使用一种改进的基于BOT行人重识别网络作为行人重识别框架。之后利用KM算法以及梯度下降计算特征中心对视频输出目标样本进行关联和特征融合,实现无感式行人特征提取。     

植被指数最佳地理轴线研究

在地形条件复杂的高原山区,植被指数并非严格按照经度或纬度的方向呈现条带性变化趋势.本文将经纬度作为组合因子,创新性地提出植被指数空间变化最佳地理轴线的概念,即寻找某一角度轴线,沿此方向植被指数的空间分布具有最显著的条带性特征.本研究以黄河源区植被指数为例,计算黄河源区植被指数空间分布最佳地理轴线,研究表明黄河源区植被指...     

分布式水文模型区域分解并行计算方法及其应用

针对区域分解并行计算方法中存在任务分配负载不均衡、通信时间长的问题,采用OpenMP编程模型,以WEP-L分布式水文模型汇流过程为例,设计了区域分解并行方法,首先通过子流域拓扑关系表确定子流域属于干流或支流,然后将每一条支流划分为一个水文区域,并保证水文区域中子流域按上游到下游的顺序排序,同时,为了实现分配的负载均衡,设计了基于贪心算法的优化调度,最后将支流任务分配给不同的线程计算,干流子流域采用串行计算。对黄河流域在不同线程条件下并行效果的测试结果表明,基于贪心调度的区域分解并行计算方法能有效提高汇流过程运算效率。