排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异,导致传统阈值算法对云识别精度不高的问题,文章提出了一种顾及样本优化选择,耦合物理阈值方法和机器学习的云检测算法模型,利用“葵花8号”卫星(Himawari-8)数据进行日间云检测。通过样本优化选择,使样本中尽可能包括不同情形下的云特征,为机器学习模型提供良好的样本基础,增加模型泛化能力;同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外,还加入了基于反照率和亮温差的物理阈值方法云识别结果;最后基于极限随机树模型进行云检测。结果表明:模型云检测交叉验证精度为96.41%,总漏检率和总虚检率分别为2.08%和0.91%;通过云-气溶胶激光雷达与红外探路者卫星观测(CALIPSO)产品数据进行对比分析,结果显示云检测总体精度为97.1%。 相似文献
2.
电力行业是国民经济与社会发展的重要行业。可靠的输电走廊环境监测有利于电力系统的安全运行。近年来,卫星遥感因为其大范围观测、高频次重返特性,展现出优于传统巡线方法的优点,开始应用于电力行业研究。然而,基于变化检测技术的输电走廊巡线研究还几乎处于空白。文章提出了一种基于卫星影像的外力破坏隐患区域识别方法,具体而言,提出了基于深度学习模型、植被指数与聚类模型的分层分类方法,构建了基于特殊地类变化的外力破坏隐患识别方案。在石林县的“高分一号”、“高分六号”卫星影像上进行了实验,结果显示:分层分类方法提高了深度学习方法的裸地分类精度。研究同时验核了石林县外力破坏台账记录区域的识别情况,识别结果与台账描述基本一致。研究成果有利于提高电网巡线效率,及时发现输电走廊环境变化异常,同时也为遥感影像分类与变化检测研究提供参考。 相似文献
3.
1