一、概述原
发性肺癌（以下简称肺癌）是我国最常见的恶性肿瘤之一。国家癌症中心2015年发布的数据显示,2006年-2011年我国肺癌5年患病率是130.2（1/10万）。其中男性84.6（1/10万）,居恶性肿瘤第2位。女性45.6（1/10万）,居恶性肿瘤第...一、概述原
发性肺癌（以下简称肺癌）是我国最常见的恶性肿瘤之一。国家癌症中心2015年发布的数据显示,2006年-2011年我国肺癌5年患病率是130.2（1/10万）。其中男性84.6（1/10万）,居恶性肿瘤第2位。女性45.6（1/10万）,居恶性肿瘤第4位[1]。国际肺癌研究协会（International Association for the Study of Lung Cancer,I A SLC）2015年制定了第八版肺癌肿瘤-淋巴结-转移（tumor-node-metastasis,TNM）分期。展开更多
农作物遥感识别是地理学和生态学研究的前沿和热点,多源数据在农作遥感识别中日益发挥重要作用。笔者从多源数据融合的角度,归纳了2000年后多源数据在农作物遥感识别中应用的总体概况,系统梳理并提炼了当前多源数据融合的主要融合技术...农作物遥感识别是地理学和生态学研究的前沿和热点,多源数据在农作遥感识别中日益发挥重要作用。笔者从多源数据融合的角度,归纳了2000年后多源数据在农作物遥感识别中应用的总体概况,系统梳理并提炼了当前多源数据融合的主要融合技术和融合模式。围绕与多源数据融合和农作物遥感识别相关的关键词,在Google学术、ISI Web of Knowledge和中国知网中对2000—2014年间国内外发表的论文进行检索,并统计不同传感器的使用频率及结合方式。研究表明,以提高空间分辨率为目标的多源数据融合和以提高时间分辨率为目标的多源数据融合技术是当前的两种主要方式,可以在一定程度上实现时空尺度的扩展。前者的融合技术包括图像融合、正态模糊分布神经网络模型、成分替换、半经验数据模型融合及多分辨率小波分解等,可以提升遥感数据的空间分解力和清晰度,较好弱化混合像元产生的影响,但农作物光谱信息有一定程度的丢失或扭曲,农作物空间分布局部细节信息与纹理特征依然会缺失;后者的融合技术形式灵活多样,可分为同源数据联合扩展时序的时空优化技术和异源数据联合扩展时序的时空优化技术,其可以有效排除短时间段内农作物生育期交叉,但易受不同遥感数据源间光谱反射率或植被指数转换模型及光谱波段设置差异的影响。在融合模式方面,根据数据类型分为光学数据的融合、光学数据与微波数据的融合以及遥感与非遥感数据的融合,以实现卫星资源优势互补为宗旨,充分挖掘不同类型农作物在遥感数据上呈现的光谱、时间和空间特征差异信息。同样,农作物遥感识别研究中的多源遥感数据融合也存在诸多挑战,在未来一段时间内,完善不同传感器之间的合作、更深层次挖掘融合信息以及多尺度长时间序列的中高分辨率农作物空间分布数据展开更多
文摘一、概述原
发性肺癌（以下简称肺癌）是我国最常见的恶性肿瘤之一。国家癌症中心2015年发布的数据显示,2006年-2011年我国肺癌5年患病率是130.2（1/10万）。其中男性84.6（1/10万）,居恶性肿瘤第2位。女性45.6（1/10万）,居恶性肿瘤第4位[1]。国际肺癌研究协会（International Association for the Study of Lung Cancer,I A SLC）2015年制定了第八版肺癌肿瘤-淋巴结-转移（tumor-node-metastasis,TNM）分期。
文摘农作物遥感识别是地理学和生态学研究的前沿和热点,多源数据在农作遥感识别中日益发挥重要作用。笔者从多源数据融合的角度,归纳了2000年后多源数据在农作物遥感识别中应用的总体概况,系统梳理并提炼了当前多源数据融合的主要融合技术和融合模式。围绕与多源数据融合和农作物遥感识别相关的关键词,在Google学术、ISI Web of Knowledge和中国知网中对2000—2014年间国内外发表的论文进行检索,并统计不同传感器的使用频率及结合方式。研究表明,以提高空间分辨率为目标的多源数据融合和以提高时间分辨率为目标的多源数据融合技术是当前的两种主要方式,可以在一定程度上实现时空尺度的扩展。前者的融合技术包括图像融合、正态模糊分布神经网络模型、成分替换、半经验数据模型融合及多分辨率小波分解等,可以提升遥感数据的空间分解力和清晰度,较好弱化混合像元产生的影响,但农作物光谱信息有一定程度的丢失或扭曲,农作物空间分布局部细节信息与纹理特征依然会缺失;后者的融合技术形式灵活多样,可分为同源数据联合扩展时序的时空优化技术和异源数据联合扩展时序的时空优化技术,其可以有效排除短时间段内农作物生育期交叉,但易受不同遥感数据源间光谱反射率或植被指数转换模型及光谱波段设置差异的影响。在融合模式方面,根据数据类型分为光学数据的融合、光学数据与微波数据的融合以及遥感与非遥感数据的融合,以实现卫星资源优势互补为宗旨,充分挖掘不同类型农作物在遥感数据上呈现的光谱、时间和空间特征差异信息。同样,农作物遥感识别研究中的多源遥感数据融合也存在诸多挑战,在未来一段时间内,完善不同传感器之间的合作、更深层次挖掘融合信息以及多尺度长时间序列的中高分辨率农作物空间分布数据
