排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
选取Quick Bird影像,以目视判读法作为精读评价的参考标准,对基于像元值的监督分类和非监督分类法、面向对象分类法进行了分析比较.结果表明,使用面向对象方法能显著提高Qujck Bird影像分类精度. 相似文献
4.
5.
基于二维小波变换的遥感分类研究 总被引:3,自引:0,他引:3
对于遥感影像的植被特征直接进行计算机智能提取、分类,不同的理论下有着不同的方法。但是由于受到各种因素的影响,传统方法的提取精度还不是很高。在对研究区内的试验区图像运用小波理论,对图像进行二维小波变换处理并提取NDVI的基础上,再进行分类,将得到的结果与直接进行计算机自动分类结果相比较,得到如下结论:①经过小波变换后的图像,其相同地物内部的土壤亮度噪声得到削弱,不同地物的边缘差异得到增强,有利于进行图像的计算机智能分类;②对图像进行小波变换后试验区植被特征的分类精度明显高于没有经过小波变化的图像分类精度;③由于小波函数的多样性,小波系数的不确定性,二维小波变换用于遥感图像的植被特征分类技术还不是很成熟,这种技术还有待进一步改进。 相似文献
6.
7.
为了评估基于Sentine 1/2影像数据反演滇池湖滨带湿地森林地上生物量(AGB)的效果和能力,以Sentinel-1 A/B(SAR)和Sentinel-2 A/B(多光谱)卫星图像为数据源,获取SAR双极化后向散射系数、多光谱波段、植被指数和林冠生物物理变量等因子,利用线性回归和机器学习算法,建立了多个滇池湖滨湿地生物量反演模型。所有模型与滇池湖滨湿地样地地上生物量的相关性为0.619~0.84,均方根误差(RMSE)范围为40.14~59.7 t/ha,其中基于SAR的模型反演精确度最低;在多光谱波段中,红色和红边(波段4,5和7)与生物量有很好的相关性;叶面积指数(LAI)模型是生物量反演的最佳变量组合(r=0.84,RMSE=40.14);基于Sentine 1/2影像数据反演滇池湖滨带湿地地上生物量具有可行性。 相似文献
1