Assessing Forest Canopies and Understorey Illumination: Canopy Closure, Canopy Cover and Other Measures
1
1999
... 森林郁闭度(Forest Canopy Closure,FCC)是乔木树冠投影覆盖面积与林地总面积之比[1-2],是反映森林成效和林分空间利用度的基本指标,可为森林经营决策和森林生态系统管理提供重要依据[3-4]. ...
Good Practice Guidance for Land Use, Land- Use Change and Forestry, Intergovernmental Panel on Climate Change: IPCC National Greenhouse Gas Inventories Program
1
2003
... 森林郁闭度(Forest Canopy Closure,FCC)是乔木树冠投影覆盖面积与林地总面积之比[1-2],是反映森林成效和林分空间利用度的基本指标,可为森林经营决策和森林生态系统管理提供重要依据[3-4]. ...
森林郁闭度对蓄积量估测的影响规律
1
2006
... 森林郁闭度(Forest Canopy Closure,FCC)是乔木树冠投影覆盖面积与林地总面积之比[1-2],是反映森林成效和林分空间利用度的基本指标,可为森林经营决策和森林生态系统管理提供重要依据[3-4]. ...
森林郁闭度对蓄积量估测的影响规律
1
2006
... 森林郁闭度(Forest Canopy Closure,FCC)是乔木树冠投影覆盖面积与林地总面积之比[1-2],是反映森林成效和林分空间利用度的基本指标,可为森林经营决策和森林生态系统管理提供重要依据[3-4]. ...
Land Use/Land Cover and Forest Canopy Density Monitoring of Wafi-Golpu Project Area, Papua New Guinea
1
2016
... 森林郁闭度(Forest Canopy Closure,FCC)是乔木树冠投影覆盖面积与林地总面积之比[1-2],是反映森林成效和林分空间利用度的基本指标,可为森林经营决策和森林生态系统管理提供重要依据[3-4]. ...
利用航空数码影像的色彩特征估测森林郁闭度
1
2014
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
利用航空数码影像的色彩特征估测森林郁闭度
1
2014
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
森林郁闭度测定方法探讨与展望
1
2014
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
森林郁闭度测定方法探讨与展望
1
2014
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
基于几何光学模型的毛竹林郁闭度无人机遥感定量反演
1
2015
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
基于几何光学模型的毛竹林郁闭度无人机遥感定量反演
1
2015
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
Estimation of Forest above-ground Biomass Using Multi-parameter Remote Sensing Data over a Cold and Arid Area
1
2012
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
基于KNN方法的大兴安岭地区森林地上碳储量遥感估算
1
2015
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
基于KNN方法的大兴安岭地区森林地上碳储量遥感估算
1
2015
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
基于分类回归树的密云水库上游森林覆盖度遥感估算
1
2014
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
基于分类回归树的密云水库上游森林覆盖度遥感估算
1
2014
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
Estimation and Mapping of Forest Stand Density, Volume, and Cover Type Using the k-nearest Neighbors Method
1
2001
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
yaImpute: An R Package for kNN Imputation
1
2008
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
Missing Value Estimation Methods for DNA Microarrays
1
2001
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
Modeling Forest above-ground Biomass Dynamics Using Multi-source Data and Incorporated Models: A Case Study over the Qilian Mountains
1
2017
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
A Nearest-neighbor Imputation Approach to Mapping Tree Species over Large Areas Using Forest Inventory Plots and Moderate Resolution Raster Data
0
2012
Applications Using Estimates of Forest Parameters Derived from Satellite and Forest Inventory Data
0
2002
Estimating Montane Forest above-ground Biomass in the Upper Reaches of the Heihe River Basin Using Landsat-TM Data
1
2014
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
基于多源遥感的森林地上生物量KNN-FIFS估测
1
2018
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
基于多源遥感的森林地上生物量KNN-FIFS估测
1
2018
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
Heuristics of Instability and Stabilization in Model Selection
1
... 传统FCC的测定主要采用目测、样点、样线等方法调查[5],以在小班内部选取代表性地段观察的数据作为整个小班的信息,无法实现全覆盖观测,因此难以掌握面上的空间分布情况[6].遥感技术的全覆盖及可重复观测特性为FCC的估测提供了良好手段,其估测方法主要包括统计模型、物理模型和混合模型3类方法[7].在实际应用中,统计方法在区域尺度的森林参数估测中普适性更强,其中基于非参数的估测方法,如支持向量机(Support Vector Machine,SVM)、k-最近邻法(k-Nearest Neighbor,k-NN)、分类回归树(Classification and Regression Tree,CART)等,能很好地在难以获取森林调查数据的背景下广泛应用[8-10].k⁃NN法不依赖于特定的函数分布[11],在样本数量较少的情况下易于估算缺失值[12-13],在森林参数遥感估测中应用广泛[9,14-17].快速迭代特征选择的k最近邻法(k-Nearest Neighbor with Fast Iterative Features Selection, KNN-FIFS)是在k-NN方法的基础上,依次迭代选取遥感特征,进行特征因子优化组合,提高森林参数估测效率,进而得到最小均方根误差对应模型的估测结果[18].模型以留一法(Leave-One-Out,LOO)交叉验证,可以最大程度地利用样地数据,适用于样本较少的情况,同时避免分配训练和检验样本带来的随机误差[19],保证了KNN-FIFS特征选择结果的稳定性,为基于遥感及其特征因子的FCC估测提供了一种有效方法. ...
结合机载LiDAR和Landsat ETM+数据的温带森林郁闭度估测
1
2016
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
结合机载LiDAR和Landsat ETM+数据的温带森林郁闭度估测
1
2016
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
基于像元二分模型的森林郁闭度估测方法
0
2013
基于像元二分模型的森林郁闭度估测方法
0
2013
Estimation of Crown Closure and Tree Density Using Landsat TM Satellite Images in Mixed Forest Stands
1
2014
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
内蒙古大兴安岭根河森林保护区植被覆盖度变化
1
2016
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
内蒙古大兴安岭根河森林保护区植被覆盖度变化
1
2016
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
Fractional Vegetation Cover Estimation Algorithm for Chinese GF-1 Wide Field View Data
1
2016
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
Comparison of Different Vegetation Indices for the Remote Assessment of Green Leaf Area Index of Crops
1
2011
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
Green Leaf area Index Estimation in Maize and Soybean: Combining Vegetation Indices to Achieve Maximal Sensitivity
0
2012
森林类型遥感分类及变化监测研究进展
1
2019
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
森林类型遥感分类及变化监测研究进展
1
2019
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究
1
2016
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究
1
2016
... FCC遥感反演所采用的遥感数据源基本涵盖了目前所能用到的各种遥感数据源,如美国陆地卫星(Landsat)系列遥感数据具有很好的时空连续性与承接性,被广泛应用于区域FCC估算[20-22].近年来,国产高分1~6系列卫星的发射,有效弥补了国内外卫星资源在行业中空间分辨率、幅宽等指标的不足,提升了中高分辨率国产遥感卫星数据的自给率,因此在区域森林参数如郁闭度、地上生物量反演中广泛应用[23-24],GF-6卫星继承了GF-1宽视场(GF-1 wide field of view,GF-1 WFV)成像能力,是我国首颗具备8谱段宽视场成像能力的多光谱遥感卫星.红边部分植被冠层反射率变化较快,红边信息对叶绿素含量变化具有明显的响应[25-27],使得红边区域包含更多用于对森林冠层参数进行探测的信息.因此GF-6新增的红边谱段(Red-Edge band,RE)对于大区域的森林、农作物等植被生长状况具有独到的优势.GF-6数据能够作为重要的基础数据源,广泛应用于森林参数估算,可极大提高中高分辨率遥感数据的保障,为我国森林资源保护和生态建设提供更加科学、翔实的数据[28]. ...
6种地形校正方法对雷竹林地上生物量遥感估算的影响
1
2011
... 由于地形的影响,相同地物因山区阴坡和阳坡接收到的光照强度的不同产生“同物异谱”现象,影响参数反演的结果[29].为消除地形对植被反射率的影响,国内外学者提出了地形校正模型,其中基于DEM的朗伯体反射率模型使用较为广泛.但是校正模型均存在不确定性误差,对反演结果产生的影响也不同.太阳入射角是表征起伏地表接收太阳直射辐射的参量[30],太阳入射角的余弦值(cosi)作为朗伯体反射率模型中的关键因子,参与到大部分现有的校正模型中,在地形校正中起到重要的作用. ...
6种地形校正方法对雷竹林地上生物量遥感估算的影响
1
2011
... 由于地形的影响,相同地物因山区阴坡和阳坡接收到的光照强度的不同产生“同物异谱”现象,影响参数反演的结果[29].为消除地形对植被反射率的影响,国内外学者提出了地形校正模型,其中基于DEM的朗伯体反射率模型使用较为广泛.但是校正模型均存在不确定性误差,对反演结果产生的影响也不同.太阳入射角是表征起伏地表接收太阳直射辐射的参量[30],太阳入射角的余弦值(cosi)作为朗伯体反射率模型中的关键因子,参与到大部分现有的校正模型中,在地形校正中起到重要的作用. ...
地形复杂区域的典型植被指数评估
1
2009
... 由于地形的影响,相同地物因山区阴坡和阳坡接收到的光照强度的不同产生“同物异谱”现象,影响参数反演的结果[29].为消除地形对植被反射率的影响,国内外学者提出了地形校正模型,其中基于DEM的朗伯体反射率模型使用较为广泛.但是校正模型均存在不确定性误差,对反演结果产生的影响也不同.太阳入射角是表征起伏地表接收太阳直射辐射的参量[30],太阳入射角的余弦值(cosi)作为朗伯体反射率模型中的关键因子,参与到大部分现有的校正模型中,在地形校正中起到重要的作用. ...
地形复杂区域的典型植被指数评估
1
2009
... 由于地形的影响,相同地物因山区阴坡和阳坡接收到的光照强度的不同产生“同物异谱”现象,影响参数反演的结果[29].为消除地形对植被反射率的影响,国内外学者提出了地形校正模型,其中基于DEM的朗伯体反射率模型使用较为广泛.但是校正模型均存在不确定性误差,对反演结果产生的影响也不同.太阳入射角是表征起伏地表接收太阳直射辐射的参量[30],太阳入射角的余弦值(cosi)作为朗伯体反射率模型中的关键因子,参与到大部分现有的校正模型中,在地形校正中起到重要的作用. ...
MODTRAN4-based Atmospheric Correction Algorithm: FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)
1
4725
... 对GF-1 WFV遥感影像进行正射校正,并将影像灰度值定标为辐亮度值,随后采用FLAASH(Fast Line-of-sight Atmospheric Analysis of Hypercubes)大气校正模型[31]对影像进行大气校正.同样将哨兵2A数据影像值转换为辐亮度,随后进行FLAASH大气校正.哨兵2A数据为13波段,辐射校正时将数据输出分辨率为20 m的9个波段定标,即B2、B3、B4、B5、B6、B7、B8A、B11、B12.因30 m×30 m大小样地占大多数,因此将遥感影像空间分辨率采样到30 m. ...
Monitoring Vegetation Systems in the Great Plains with ERTS
1
1973
... 利用 ENVI 5.3对遥感影像进行运算,得到归一化植被指数[32](Normalized Difference Vegetation Index,NDVI)、简单比值指数[33](Simple Ratio Index,SR)、差值植被指数[34](Difference Vegetation Index,DVI)和归一化红边指数[35](Normalized Difference Red Edge Vegetation Index,NDRE)等植被指数(Vegetation Index,VI),红边指数(Red-Edge Index,RI)以及纹理信息[36](Texture Information,TI).其中影像纹理采用灰度共生矩阵(GLCM)计算得到,提取窗口大小为5×5. ...
Measuring the Color of Growing Turf with a Reflectance Spectrophotometer
1
1968
... 利用 ENVI 5.3对遥感影像进行运算,得到归一化植被指数[32](Normalized Difference Vegetation Index,NDVI)、简单比值指数[33](Simple Ratio Index,SR)、差值植被指数[34](Difference Vegetation Index,DVI)和归一化红边指数[35](Normalized Difference Red Edge Vegetation Index,NDRE)等植被指数(Vegetation Index,VI),红边指数(Red-Edge Index,RI)以及纹理信息[36](Texture Information,TI).其中影像纹理采用灰度共生矩阵(GLCM)计算得到,提取窗口大小为5×5. ...
Red and Photographic Infrared Linear Combinations for Monitoring Vegetation
1
1979
... 利用 ENVI 5.3对遥感影像进行运算,得到归一化植被指数[32](Normalized Difference Vegetation Index,NDVI)、简单比值指数[33](Simple Ratio Index,SR)、差值植被指数[34](Difference Vegetation Index,DVI)和归一化红边指数[35](Normalized Difference Red Edge Vegetation Index,NDRE)等植被指数(Vegetation Index,VI),红边指数(Red-Edge Index,RI)以及纹理信息[36](Texture Information,TI).其中影像纹理采用灰度共生矩阵(GLCM)计算得到,提取窗口大小为5×5. ...
Three‐band Model for Noninvasive Estimation of Chlorophyll, Carotenoids, and Anthocyanin Contents in Higher Plant Leaves
1
2006
... 利用 ENVI 5.3对遥感影像进行运算,得到归一化植被指数[32](Normalized Difference Vegetation Index,NDVI)、简单比值指数[33](Simple Ratio Index,SR)、差值植被指数[34](Difference Vegetation Index,DVI)和归一化红边指数[35](Normalized Difference Red Edge Vegetation Index,NDRE)等植被指数(Vegetation Index,VI),红边指数(Red-Edge Index,RI)以及纹理信息[36](Texture Information,TI).其中影像纹理采用灰度共生矩阵(GLCM)计算得到,提取窗口大小为5×5. ...
Textural Features for Image Classification
1
1973
... 利用 ENVI 5.3对遥感影像进行运算,得到归一化植被指数[32](Normalized Difference Vegetation Index,NDVI)、简单比值指数[33](Simple Ratio Index,SR)、差值植被指数[34](Difference Vegetation Index,DVI)和归一化红边指数[35](Normalized Difference Red Edge Vegetation Index,NDRE)等植被指数(Vegetation Index,VI),红边指数(Red-Edge Index,RI)以及纹理信息[36](Texture Information,TI).其中影像纹理采用灰度共生矩阵(GLCM)计算得到,提取窗口大小为5×5. ...
Point Accuracy of a Non-parametric Method in Estimation of Forest Characteristics with Different Satellite Materials
1
1996
... 因估测结果受到k值的影响,且研究表明,k值越大,估测结果越容易向平均值的方向平衡并呈现集中分布趋势,虽然估测结果可能依然具有较高的精度,但原有的森林参数统计分布特征并不能维持[37],本研究设置研究区FCC估算k值的范围为1~11. ...
Support-vector Networks
1
1995
... 使用上述最优结果的特征组合4(GF-1 WFV+RE+RI+TI+TF),分别利用多元逐步线性回归模型(Stepwise Multiple Linear Regressions,SMLR)[38-40]与SVM模型 [41-43]进行实验区FCC建模估测,并使用LOO方法进行交叉验证.其中SVM模型使用径向基核函数(RBF),并以绝对平均误差(Mean Absolute Error,MAE)为模型精度评价指标依次选取与当前组合精度最优的特征进入,至模型精度不再提升则停止,得到该模型的最优特征.SMLR与SVM模型估测结果精度分别为R2=0.39,RMSE=0.10和R2=0.49,RMSE=0.10.显然,SVM方法较SMLR方法估测结果更优,但与KNN-FIFS方法相比仍有差距(R2=0.68,RMSE=0.07). ...
A Tutorial on Support Vector Machines for Pattern Recognition
0
1998
LIBSVM: A Library for Support Vector Machines
1
2011
... 使用上述最优结果的特征组合4(GF-1 WFV+RE+RI+TI+TF),分别利用多元逐步线性回归模型(Stepwise Multiple Linear Regressions,SMLR)[38-40]与SVM模型 [41-43]进行实验区FCC建模估测,并使用LOO方法进行交叉验证.其中SVM模型使用径向基核函数(RBF),并以绝对平均误差(Mean Absolute Error,MAE)为模型精度评价指标依次选取与当前组合精度最优的特征进入,至模型精度不再提升则停止,得到该模型的最优特征.SMLR与SVM模型估测结果精度分别为R2=0.39,RMSE=0.10和R2=0.49,RMSE=0.10.显然,SVM方法较SMLR方法估测结果更优,但与KNN-FIFS方法相比仍有差距(R2=0.68,RMSE=0.07). ...
Comparisons among Vegetation Indices and Bandwise Regression in a Highly Disturbed, Heterogeneous Landscape: Mount St. Helens, Washington
1
1998
... 使用上述最优结果的特征组合4(GF-1 WFV+RE+RI+TI+TF),分别利用多元逐步线性回归模型(Stepwise Multiple Linear Regressions,SMLR)[38-40]与SVM模型 [41-43]进行实验区FCC建模估测,并使用LOO方法进行交叉验证.其中SVM模型使用径向基核函数(RBF),并以绝对平均误差(Mean Absolute Error,MAE)为模型精度评价指标依次选取与当前组合精度最优的特征进入,至模型精度不再提升则停止,得到该模型的最优特征.SMLR与SVM模型估测结果精度分别为R2=0.39,RMSE=0.10和R2=0.49,RMSE=0.10.显然,SVM方法较SMLR方法估测结果更优,但与KNN-FIFS方法相比仍有差距(R2=0.68,RMSE=0.07). ...
Mapping the Biomass of Bornean Tropical Rain Forest from Remotely Sensed Data
1
2001
... 红边是指示绿色植被生长状况的敏感性波段[44],红边范围内的光谱数据与植被生长状况关系密切[45];植被指数能反映植物冠层的背景影响,常用于检测植被生长状态、植被覆盖度和消除部分辐射误差等;太阳入射角的余弦值(cosi)与影像亮度值之间具有高度的相关性,入射角的确定使像素亮度值得以修正[46];纹理信息可以更好地表达影像的空间信息,抑制“同物异谱”现象[42].以上在一定程度上解释模型特征优选的组合结果. ...
Estimation of above- and Below-ground Biomass Across Regions of the Boreal Forest Zone Using Airborne Laser
1
2008
... 使用上述最优结果的特征组合4(GF-1 WFV+RE+RI+TI+TF),分别利用多元逐步线性回归模型(Stepwise Multiple Linear Regressions,SMLR)[38-40]与SVM模型 [41-43]进行实验区FCC建模估测,并使用LOO方法进行交叉验证.其中SVM模型使用径向基核函数(RBF),并以绝对平均误差(Mean Absolute Error,MAE)为模型精度评价指标依次选取与当前组合精度最优的特征进入,至模型精度不再提升则停止,得到该模型的最优特征.SMLR与SVM模型估测结果精度分别为R2=0.39,RMSE=0.10和R2=0.49,RMSE=0.10.显然,SVM方法较SMLR方法估测结果更优,但与KNN-FIFS方法相比仍有差距(R2=0.68,RMSE=0.07). ...
The Red Edge Position and Shape as Indictors of Plant Chlorophyll Content, Biomass and Hydric Status
1
1994
... 红边是指示绿色植被生长状况的敏感性波段[44],红边范围内的光谱数据与植被生长状况关系密切[45];植被指数能反映植物冠层的背景影响,常用于检测植被生长状态、植被覆盖度和消除部分辐射误差等;太阳入射角的余弦值(cosi)与影像亮度值之间具有高度的相关性,入射角的确定使像素亮度值得以修正[46];纹理信息可以更好地表达影像的空间信息,抑制“同物异谱”现象[42].以上在一定程度上解释模型特征优选的组合结果. ...
Reflectance Measurement of Canopy Biomass and Nitrogen Statue in Wheat Crops Using Normalized Difference Vegetation Indices and Partial Least Squares Regression
1
2003
... 红边是指示绿色植被生长状况的敏感性波段[44],红边范围内的光谱数据与植被生长状况关系密切[45];植被指数能反映植物冠层的背景影响,常用于检测植被生长状态、植被覆盖度和消除部分辐射误差等;太阳入射角的余弦值(cosi)与影像亮度值之间具有高度的相关性,入射角的确定使像素亮度值得以修正[46];纹理信息可以更好地表达影像的空间信息,抑制“同物异谱”现象[42].以上在一定程度上解释模型特征优选的组合结果. ...
The Topographic Effect on Spectral Response from Nadir-pointing Sensors
1
1980
... 红边是指示绿色植被生长状况的敏感性波段[44],红边范围内的光谱数据与植被生长状况关系密切[45];植被指数能反映植物冠层的背景影响,常用于检测植被生长状态、植被覆盖度和消除部分辐射误差等;太阳入射角的余弦值(cosi)与影像亮度值之间具有高度的相关性,入射角的确定使像素亮度值得以修正[46];纹理信息可以更好地表达影像的空间信息,抑制“同物异谱”现象[42].以上在一定程度上解释模型特征优选的组合结果. ...
4 种常用植被指数的地形效应评估
1
2013
... 研究表明地形对植被指数的影响与坡度相关,虽然波段比形式的植被指数利用不同波段反射率相除在一定程度上缓解了地形效应,地形校正对其作用有限,但非波段比形式的植被指数地形效应明显,地形校正可以减小地形对其影响[47].研究使用植被指数中包括波段比形式的植被指数和非波段波比形式的植被指数.因此,在加入地形因素后,植被指数参与建模,反演精度有所提高.统计研究区样地点的坡度值(图10),可见样地点坡度高低不一,部分样地点坡度在20°以上,经过地形校正后,添加的植被指数特征对反演结果仍起到积极效应. ...
4 种常用植被指数的地形效应评估
1
2013
... 研究表明地形对植被指数的影响与坡度相关,虽然波段比形式的植被指数利用不同波段反射率相除在一定程度上缓解了地形效应,地形校正对其作用有限,但非波段比形式的植被指数地形效应明显,地形校正可以减小地形对其影响[47].研究使用植被指数中包括波段比形式的植被指数和非波段波比形式的植被指数.因此,在加入地形因素后,植被指数参与建模,反演精度有所提高.统计研究区样地点的坡度值(图10),可见样地点坡度高低不一,部分样地点坡度在20°以上,经过地形校正后,添加的植被指数特征对反演结果仍起到积极效应. ...