期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于TM数据的森林植物碳储量估测方法研究
被引量:
7
1
作者
魏安世
林寿明
李志洪
《中南林业调查规划》
2006年第4期44-47,共4页
以广东省第六次森林资源连续清查样地数据为基础,根据TM数据及其非线性组合的光谱信息,结合地学信息及林分信息,建立了森林植物碳储量估测的多元线性回归方程及神经网络模型。分析结果表明,神经网络模型的估测精度高于回归模型估测精度...
以广东省第六次森林资源连续清查样地数据为基础,根据TM数据及其非线性组合的光谱信息,结合地学信息及林分信息,建立了森林植物碳储量估测的多元线性回归方程及神经网络模型。分析结果表明,神经网络模型的估测精度高于回归模型估测精度,但用它们估测落实到样地的森林植物碳储量误差仍然较大,还不能满足样地调查精度的要求。
展开更多
关键词
tm
数据
森林
碳储量
遥感
回归模型
神经网络
下载PDF
职称材料
基于植被指数和神经网络的热带人工林地上蓄积量遥感估测
被引量:
18
2
作者
王臣立
牛铮
+1 位作者
郭治兴
丛丕福
《生态环境学报》
CSCD
北大核心
2009年第5期1830-1834,共5页
热带森林作为陆地生态系统的组成成分之一,研究其蓄积量估测对我们了解其在全球碳循环中的地位和作用有很重要的意义。但遥感估测森林生态参数的精度如何,还是个不确定的问题。利用LANDSAT-TM数据,基于森林清查数据和遥感技术,以尾叶桉...
热带森林作为陆地生态系统的组成成分之一,研究其蓄积量估测对我们了解其在全球碳循环中的地位和作用有很重要的意义。但遥感估测森林生态参数的精度如何,还是个不确定的问题。利用LANDSAT-TM数据,基于森林清查数据和遥感技术,以尾叶桉和加勒比松为例,对中国南方地区人工林蓄积量估测进行了尝试研究。首先,通过测量样方胸径、树高,建立森林蓄积量估算模型。其次,通过对比分析不同植被指数与森林蓄积量之间的关系,选择合适植被指数组合,建立多元回归和神经网络模型。结果表明:单波段TM数据和大多数植被指数与蓄积量相关性并不好。神经网络比回归分析模拟效果好。而多元回归和神经网络模型大大提高预测精度。本研究方法对大面积的森林蓄积量估测具有一定的参考价值。
展开更多
关键词
tm
蓄积量
植被指数
神经网络模型
下载PDF
职称材料
联合星载ICESat-GLAS波形与多光谱Landsat-TM影像的森林郁闭度估测
被引量:
13
3
作者
王蕊
邢艳秋
+3 位作者
王立海
尤号田
邱赛
王爱娟
《应用生态学报》
CAS
CSCD
北大核心
2015年第6期1657-1664,共8页
森林郁闭度的空间分布是评价森林生产力和分解率的一个重要指标.本研究以吉林汪清林区为研究区,分别利用星载激光雷达ICESat-GLAS波形数据和多光谱遥感Landsat-TM影像对该区的森林郁闭度进行估测,然后采用多元线性回归和BP神经网络两种...
森林郁闭度的空间分布是评价森林生产力和分解率的一个重要指标.本研究以吉林汪清林区为研究区,分别利用星载激光雷达ICESat-GLAS波形数据和多光谱遥感Landsat-TM影像对该区的森林郁闭度进行估测,然后采用多元线性回归和BP神经网络两种方法对GLAS数据和TM数据进行联合,共同估测了森林郁闭度.结果表明:单一遥感数据估测森林郁闭度时,GLAS数据的模型决定系数为0.762,TM数据的模型决定系数为0.598.将GLAS数据和TM数据联合后估测森林郁闭度时,多元线性回归模型的复决定系数为0.841,BP神经网络模型的仿真精度为0.851.表明ICESat-GLAS数据与Landsat-TM影像联合能够发挥多源遥感数据的优势,提高森林郁闭度的估测精度,并为后续的空间区域内森林郁闭度的连续制图提供可靠的方法.
展开更多
关键词
森林郁闭度
ICESat-GLAS
Landsat-
tm
多源遥感数据
神经网络模型
原文传递
题名
基于TM数据的森林植物碳储量估测方法研究
被引量:
7
1
作者
魏安世
林寿明
李志洪
机构
广东省林业调查规划院
出处
《中南林业调查规划》
2006年第4期44-47,共4页
文摘
以广东省第六次森林资源连续清查样地数据为基础,根据TM数据及其非线性组合的光谱信息,结合地学信息及林分信息,建立了森林植物碳储量估测的多元线性回归方程及神经网络模型。分析结果表明,神经网络模型的估测精度高于回归模型估测精度,但用它们估测落实到样地的森林植物碳储量误差仍然较大,还不能满足样地调查精度的要求。
关键词
tm
数据
森林
碳储量
遥感
回归模型
神经网络
Keywords
tm
data
forest
carbon storage
remote sensing
multi-regression
model
neural
network
.
分类号
S718.55 [农业科学—林学]
S771.8 [农业科学—森林工程]
下载PDF
职称材料
题名
基于植被指数和神经网络的热带人工林地上蓄积量遥感估测
被引量:
18
2
作者
王臣立
牛铮
郭治兴
丛丕福
机构
中国文化遗产研究院
中国科学院遥感应用研究所
广东省生态环境与土壤研究所
国家海洋环境监测中心
出处
《生态环境学报》
CSCD
北大核心
2009年第5期1830-1834,共5页
基金
中国科学院知识创新工程重大项目(KZCX1-SW-01-02)
国家重点基础研究发展规划项目(G2000077902)
文摘
热带森林作为陆地生态系统的组成成分之一,研究其蓄积量估测对我们了解其在全球碳循环中的地位和作用有很重要的意义。但遥感估测森林生态参数的精度如何,还是个不确定的问题。利用LANDSAT-TM数据,基于森林清查数据和遥感技术,以尾叶桉和加勒比松为例,对中国南方地区人工林蓄积量估测进行了尝试研究。首先,通过测量样方胸径、树高,建立森林蓄积量估算模型。其次,通过对比分析不同植被指数与森林蓄积量之间的关系,选择合适植被指数组合,建立多元回归和神经网络模型。结果表明:单波段TM数据和大多数植被指数与蓄积量相关性并不好。神经网络比回归分析模拟效果好。而多元回归和神经网络模型大大提高预测精度。本研究方法对大面积的森林蓄积量估测具有一定的参考价值。
关键词
tm
蓄积量
植被指数
神经网络模型
Keywords
tm forests stoke volume vi neural network model
分类号
S758.51 [农业科学—森林经理学]
下载PDF
职称材料
题名
联合星载ICESat-GLAS波形与多光谱Landsat-TM影像的森林郁闭度估测
被引量:
13
3
作者
王蕊
邢艳秋
王立海
尤号田
邱赛
王爱娟
机构
东北林业大学森林作业与环境研究中心
出处
《应用生态学报》
CAS
CSCD
北大核心
2015年第6期1657-1664,共8页
基金
中央高校基本科研业务费专项(DL12EB07)
国家自然科学基金面上项目(41171274)资助
文摘
森林郁闭度的空间分布是评价森林生产力和分解率的一个重要指标.本研究以吉林汪清林区为研究区,分别利用星载激光雷达ICESat-GLAS波形数据和多光谱遥感Landsat-TM影像对该区的森林郁闭度进行估测,然后采用多元线性回归和BP神经网络两种方法对GLAS数据和TM数据进行联合,共同估测了森林郁闭度.结果表明:单一遥感数据估测森林郁闭度时,GLAS数据的模型决定系数为0.762,TM数据的模型决定系数为0.598.将GLAS数据和TM数据联合后估测森林郁闭度时,多元线性回归模型的复决定系数为0.841,BP神经网络模型的仿真精度为0.851.表明ICESat-GLAS数据与Landsat-TM影像联合能够发挥多源遥感数据的优势,提高森林郁闭度的估测精度,并为后续的空间区域内森林郁闭度的连续制图提供可靠的方法.
关键词
森林郁闭度
ICESat-GLAS
Landsat-
tm
多源遥感数据
神经网络模型
Keywords
forest canopy cover
ICESat-GLAS
Landsat-
tm
multi-source remote sensing data
BP-
neural
network
model
.
分类号
S758.58 [农业科学—森林经理学]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于TM数据的森林植物碳储量估测方法研究
魏安世
林寿明
李志洪
《中南林业调查规划》
2006
7
下载PDF
职称材料
2
基于植被指数和神经网络的热带人工林地上蓄积量遥感估测
王臣立
牛铮
郭治兴
丛丕福
《生态环境学报》
CSCD
北大核心
2009
18
下载PDF
职称材料
3
联合星载ICESat-GLAS波形与多光谱Landsat-TM影像的森林郁闭度估测
王蕊
邢艳秋
王立海
尤号田
邱赛
王爱娟
《应用生态学报》
CAS
CSCD
北大核心
2015
13
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部