公共文化服务平台

搜索到8850篇“ 植被指数“的相关文章

归一化植被指数重构模型的训练方法和重构方法: 本公开提供了一种归一化植被指数重构模型的训练方法和归一化植被指数重构方法，训练方法包括：获取归一化植被指数数据以及对应的地表参量再分析数据，地表参量再分析数据包括多个时间序列参数，其中，多个时间序列参数包括稳态因子和动态...; 柏永青陈正超李柏鹏昝露洋卢凯旋邱洵李庆亭

适合西藏地区的归一化植被指数预测模型构建及验证: 2025年; 基于差分自回归移动平均(ARIMA)方法、随机森林(RF)方法、Prophet方法构建适合西藏地区的归一化植被指数(Normalized Difference Vegetation Index,NDVI)预测模型,利用羊八井地区2000~2021年MODIS遥感NDVI数据进行了验证,结果表明:该地区植被覆盖率总体呈现不明显减少趋势;3个预测模型中,RF预测精度最高,其归一化均方根误差、平均绝对百分比误差、决定系数,分别达到了6.92%、4.04%、0.9;小波变换方法能有效提高模型预测精度;组合模型可以提高预测精度,其中误差倒数权重组合模型优于平均权重和方差倒数加权组合模型。因此可以利用RF等机器学习方法结合小波变换、组合模型在西藏地区进行NDVI预测,为生态环境保护和农牧业生产决策提供科学指导。; 孟慧美吴凌霄宣越健宣越健; 关键词：小波变换

青藏高原植被指数时空特征及其影响因素: 2025年; 文章以2011—2023年青藏高原214个县域为研究对象,运用GIS时空分析、Dagum基尼系数、时空地理加权回归模型(GTWR)刻画了青藏高原植被指数的时空变化、空间非均衡性并探索了青藏高原植被指数的影响因素。研究发现:①在时间演变上,青藏高原植被指数在研究期内呈上升趋势,各省份植被指数均有增长。其中青藏高原属云南、四川和甘肃部分植被指数高于平均值,属青海、西藏和新疆部分植被指数低于平均值。②空间分布上,青藏高原由西向东植被指数呈梯度递减;青藏高原植被指数低—低集聚分布于青藏高原西北部,高—高集聚主要分布于青藏高原东南部;青藏高原植被指数的区域内非均衡状况稳定,且存在空间分异特征。西藏的区域内分异程度表现出扩大的趋势;区域间差异是青藏高原植被指数空间分异的主要来源,其次是区域内,超变密度空间分异的贡献率最小。③影响因素方面,气温、降水、日照时长等气象因素以及实际蒸发量和坡度对青藏高原植被指数起到促进作用,而高程、土壤根部湿度和人口密度对青藏高原植被指数产生抑制作用。; 陈卫东取宗李晓童; 关键词：青藏高原植被指数气温人口密度

基于VAR模型与气候变化驱动的植被指数时序数据预测方法: 本发明公开了基于VAR模型与气候变化驱动的植被指数时序数据预测方法，属于地理信息技术领域，包括：确定研究区域、植被指数数据、气象数据、地貌数据；将各项要素数据作为一个影响成分，采用地理探测器因子探测对影响植被指数的成分进...; 张秀岩刘姗姗秦天玲温洁杨毓辉厉伟志

基于核归一化植被指数的中国西部四省自然保护区保护成效评估: 2025年; 自然保护区作为中国西部四省(西藏自治区、四川省、青海省和甘肃省)生态系统的重要保护屏障,评估其保护成效对推动生态文明建设具有重要意义。但当前鲜有在不同保护级别和保护对象(野生动物、野生植物、森林生态、内陆湿地以及荒漠生态)条件下综合评估中国西部四省自然保护区保护成效的研究。针对该问题,基于核归一化植被指数(kNDVI),采用趋势分析和稳定性指标这两种方法,在不同保护级别和保护对象条件下分别从时间(保护区成立前后)和空间(保护区内外样地)维度系统地评估了中国西部四省自然保护区的保护成效。研究发现:(1)近40年(1982-2022)中国西部四省保护区的植被生长整体呈上升趋势,东部增长趋势高于西部;(2)保护区保护成效较为显著,保护区成立后虽然70%像元内植被稳定性下降,但52%像元内植被生长趋势提高;保护区内部的植被生长趋势和稳定性均优于外部;(3)时间和空间维度分析均表明国家级内陆湿地类保护区优于省级,时间维度分析显示省级野生动物类保护区优于国家级,国家级森林生态类保护区优于省级,但空间维度结果相反;(4)保护区级别的提高(从省级变为国家级)对其保护成效有积极影响,保护区处于国家级时期的保护成效优于省级。本研究可为中国保护区管护措施的完善和生态文明建设提供参考。; 钟超慧陈甲豪杨涵金廷渊张子嘉胡中民吴凯; 关键词：自然保护区稳定性

一种基于LSTM模型的植被指数插值方法及系统: 本发明涉及植被指数处理技术领域，具体公开了一种基于LSTM模型的植被指数插值方法及系统，所述方法包括根据预设的时间周期获取植被区域的遥感数据，根据所述遥感数据计算植被指数；根据时间顺序排列计算得到的植被指数，根据植被指数...; 汪舜馨崔玉环刘琳贾月筱

基于植被指数特征优选的冬小麦叶片含水量估算: 2025年; 为进一步提升利用高光谱数据快速监测叶片含水量的能力,以关中地区冬小麦为研究对象,分别获取2022和2023年孕穗期、抽穗期及灌浆期冬小麦叶片含水量,并同步监测叶片高光谱信息。通过波段组合的形式构建植被指数,并利用相关性分析进行初步筛选,再以ReliefF算法优选得到输入特征变量,然后分别利用随机森林(random forest,RF)、长短期记忆(long short-term memory,LSTM)网络和基于粒子群(particle swarm optimization,PSO)优化的反向传播神经网络(back propagation neural network,BPNN)构建冬小麦叶片含水量估算模型,并进行精度评价。结果表明,通过相关性分析与ReliefF算法结合优选变量,能够较单独通过相关分析明显提升LSTM和PSO-BPNN模型的建模精度,但对RF模型则无法优化变量。相关性分析与ReliefF结合后PSO-BPNN模型在各生育时期均取得最佳预测结果,其中孕穗期、抽穗期和灌浆期验证集r2分别为0.816、0.736和0.806,RMSE分别为0.546%、0.899%和1.531%,NRMSE分别为0.681%、1.195%和2.185%。由此可见,在相关分析的基础上,通过ReliefF算法优选特征变量能够提升特定模型对冬小麦叶片含水量的估算精度,其中对PSO-BPNN模型的效果最好。; 马宇欣胡笑涛王亚昆范晓懂彭雪莲孙骏陈洪; 关键词：冬小麦叶片含水量植被指数

一种综合时空特征的时间序列植被指数图像重建方法: 本发明公开一种综合时空特征的时间序列植被指数图像重建方法，首先根据原始时间序列VI图像中缺失值的位置，判断连续缺失的长度，利用HANTS模型重建连续缺失长度较小的缺失值；然后，对于存在较大时间连续缺失的像素，将其作为目标...; 马建行赵鹏王俊威宋英进

一种优化影像植被指数的小麦植株氮含量精准监测方法: 本发明提供一种优化影像植被指数的小麦植株氮含量精准监测方法。该方法包括：步骤1：获取研究区域的无人机影像，对所述无人机影像进行预处理得到对应的正射影像；步骤2：从所述正射影像中提取植被指数；步骤3：构建自然对数对称转换规...; 郭燕王来刚贺佳宋晓宇程永政杨秀忠张红利张彦王风雷位盼盼

基于优化植被指数的芦苇地上生物量高光谱估算: 2025年; 基于93个湿地芦苇地上生物量(AGB)实测样本数据和原始光谱(R)反射率及其数学变换,包括一阶微分(R′)、二阶微分(R")、倒数(1/R)和积分(∫R),采用竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS),进行敏感波段筛选后,采用逐波段组合法(Band Combination Index,BCI)构建19种不同组合形式的双波段和三波段优化植被指数,使用极端梯度提升(eXtreme Gradient Boosting,XGBoost),提升回归树(Boosted Regression Tree,BRT)和随机森林(Random Forest,RF)三种算法,基于优化植被指数分别建立芦苇AGB的预测模型。结果表明:芦苇AGB与微分变换后的优化植被指数之间的相关性均有所提升,其中经R"变换的相关系数最大为0.56;XGBoost、BRT和RF基于微分变换构建的AGB模型R2均大于0.5,均可用于湿地芦苇AGB的估算;经过R"变换后,RF模型为最优模型,R2为0.65,RMSE为0.234kg/m2,是预测芦苇AGB的最优模型,可为准确获取湿地芦苇AGB提供可靠方法。; 张晓彤王昭伟刘玮佳尹轩杨睿何建男孙冉冉胡小辉王紫威吴风华刘明月

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈