珞珈一号夜间灯光影像的建设用地提取

建设用地的准确获取对了解城市建设发展、监测城市建设情况和规划空间布局有重要意义.以往的夜间灯光数据在市级以上的建设用地提取中,准确度都会受到分辨率与尺度的影响,小尺度对准确度影响更大.130 m分辨率和250 km幅宽的珞珈一号数据的出现,让城市建设用地的提取更具潜力.本研究通过整合珞珈一号夜间灯光数据与兴趣点数据以及Landsat8反演得到的地表温度数据,采用经验阈值法提取建设用地并进行精度评价.结果显示,珞珈一号影像在小尺度提取中,虽然总体精度(0.825)较高,但是误分很严重,导致Kappa系数只有0.359;通过平均值法与兴趣点数据结合提取,精度数值均有提高,但误分还是较多,Kappa系数只有0.442;在加入地表温度数据后,用LJ&LST综合指数提取建设用地,极大地改善了误分的现象,总体精度为0.874,Kappa系数达到0.620.实验表明,即使城市中存在河流,在珞珈一号数据的支持下介入地表温度的LJ&LST综合指数也可以提高建设用地的提取精度.

基于小样本数据挖掘的空气处理机组传感器隐形故障诊断方法

针对空气处理机组系统内传感器隐形故障诊断准确率不足及虚警率较高等问题,本文提出了基于集成经验模态分解软阈值去噪法与RBF神经网络(EEMDSTD-RBF)相结合的故障诊断方法,通过集成经验模态分解软阐值去噪法对采集的原始数据进行数据去噪,将去噪后的正常运行数据以及隐形故障数据输入RBF神经网络进行训练,得到EEMDSTD-RBF故障诊断模型,从而提高RBF神经网络对于空气处理机组传感器隐形故障的诊断准确率,同时,实验证明,该方法有效降低了虚警率。在关于空气处理机组六个传感器点位在三种隐形故障等级下的偏置故障的实验中,结果表明,与RBF及EEMDSTD-BP方法相比较,该方法在不同故障状态下,EEMDSTD-RBF的诊断准确率提高了8.7%~64.7%,虚警率降低了12.62%。