期刊导航
期刊开放获取
cqvip
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
2
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
基于时序遥感数据的福州市耕地非农化特征及驱动因子分析
被引量：
18
1
作者
丁书培
李蒙蒙
+3 位作者
汪小钦
李琳
吴瑞姣
黄姮
《遥感技术与应用》
CSCD
北大核心
2022年第3期550-563,共14页
耕地是粮食生产的基本载体,及时准确地获取耕地非农化信息,对于耕地资源管理和政策实施具有重要意义。为探究福州市近30 a耕地非农化变化规律,基于谷歌地球引擎(Google Earth Engine,GEE)和随机森林方法,利用多时相Landsat遥感影像提取...
耕地是粮食生产的基本载体,及时准确地获取耕地非农化信息,对于耕地资源管理和政策实施具有重要意义。为探究福州市近30 a耕地非农化变化规律,基于谷歌地球引擎(Google Earth Engine,GEE)和随机森林方法,利用多时相Landsat遥感影像提取了福州市1989、2000、2010和2019年耕地空间分布信息,并在此基础上利用土地转移矩阵、网格单元法和地理探测器等方法,分析了福州市耕地非农化的重要特征及其驱动因子。结果表明:(1)基于GEE平台的随机森林方法可有效提取南方多云多雨地区的耕地信息,土地利用分类总体精度高于90%,Kappa系数大于0.85;(2)福州市耕地空间分布不均匀,呈现东多西少,耕地面积随时间推移不断减少,耕地非农化呈现“快—慢—平”的特征。耕地非农化主要发生在高程100 m和坡度10°以下区域,耕地非农化类型主要为园林地和建设用地,其中西部地区主要为园林地,中东部地区为建设用地;(3)耕地非农化是由自然和社会因素共同驱动的结果,自然因素是耕地非农化的先决条件,城镇化增长率与人口数量增长率是导致耕地非农化主要驱动因素,其中城镇化增长率和第一产业比重增长率是耕地非农化“快—慢—平”的关键因素。
展开更多
关键词
耕地非农化
多时相遥感
随机森林
GEE
地理探测器
原文传递
基于TWDTW的时间序列GF-1 WFV农作物分类
被引量：
12
2
作者
邱鹏勋
汪小钦
+1 位作者
茶明星
李娅丽
《中国农业科学》
CAS
CSCD
北大核心
2019年第17期2951-2961,共11页
【目的】焉耆盆地是新疆重要的特色农产品生产基地,农作物种植结构较为复杂。利用时间序列的遥感数据对研究区内的农作物进行分类识别,获得不同农作物的空间分布、种植面积等信息,为政府部门制定粮食政策、经济计划提供重要依据。同时...
【目的】焉耆盆地是新疆重要的特色农产品生产基地,农作物种植结构较为复杂。利用时间序列的遥感数据对研究区内的农作物进行分类识别,获得不同农作物的空间分布、种植面积等信息,为政府部门制定粮食政策、经济计划提供重要依据。同时探讨时间加权的动态时间弯曲(time weighted dynamic time warping,TWDTW)方法在农作物分类识别中的适用性以及高分一号(GF-1)WFV在农业领域的应用潜力。【方法】以新疆焉耆盆地为研究区域,利用2018年作物生长季的GF-1 WFV时间序列数据集计算归一化植被指数(NDVI),基于TWDTW方法开展农作物分类识别研究。分别采集不同作物的样本点,形成各作物NDVI的标准序列。利用TWDTW相似性匹配算法计算每个待分类像元与不同作物标准序列间的相似度距离,距离值越小则相似性越高,通过对比确定像元的农作物类型,得到最终的分类结果,同时根据时间序列NDVI曲线建立决策树(decision trees,DTs)分类规则,人工设置分类阈值得到分类结果,并与TWDTW方法的结果进行对比分析。【结果】2种方法的分类结果较为一致,辣椒的种植范围最广,小麦主要分布在焉耆盆地北部和西部的农二师二十一团,番茄和甜菜的种植分布较为零星。在种植面积统计中,辣椒的种植面积最大,其后依次为番茄、小麦和甜菜。利用野外样本点对决策树和TWDTW两种方法的分类结果进行精度验证,总体精度分别为89.58%和90.97%,kappa系数为0.804和0.830,TWDTW方法的分类精度相比于决策树法略有提高。【结论】相比于决策树分类方法,TWDTW方法的分类精度略有提高的同时,分类结果客观可靠,而且算法不受地域因素限制,具有较强的灵活性和适用性。基于密集时相的GF-1 WFV数据集,采用TWDTW算法对农作物进行分类,得到较好的分类结果,能够满足农业部门的管理决策需求,该方法在农业领域具有较�
展开更多
关键词
TWDTW
时间序列
高分一号
农作物分类
决策树
下载PDF
职称材料
题名
基于时序遥感数据的福州市耕地非农化特征及驱动因子分析
被引量：
18
1
作者
丁书培
李蒙蒙
汪小钦
李琳
吴瑞姣
黄姮
机构
福州大学
空间数据
挖掘
与
信息共享
教育部
重点
实验室
、
卫星
空间信息
技术
综合
应用
国家
地方
联合
工程研究
中心
、
数字
中国
研究院
(
福建
)
福建
省地质测绘
院
出处
《遥感技术与应用》
CSCD
北大核心
2022年第3期550-563,共14页
基金
国家重点研发计划项目(2017YFB0504203)
中央引导地方发展专项(2017L3012)。
文摘
耕地是粮食生产的基本载体,及时准确地获取耕地非农化信息,对于耕地资源管理和政策实施具有重要意义。为探究福州市近30 a耕地非农化变化规律,基于谷歌地球引擎(Google Earth Engine,GEE)和随机森林方法,利用多时相Landsat遥感影像提取了福州市1989、2000、2010和2019年耕地空间分布信息,并在此基础上利用土地转移矩阵、网格单元法和地理探测器等方法,分析了福州市耕地非农化的重要特征及其驱动因子。结果表明:(1)基于GEE平台的随机森林方法可有效提取南方多云多雨地区的耕地信息,土地利用分类总体精度高于90%,Kappa系数大于0.85;(2)福州市耕地空间分布不均匀,呈现东多西少,耕地面积随时间推移不断减少,耕地非农化呈现“快—慢—平”的特征。耕地非农化主要发生在高程100 m和坡度10°以下区域,耕地非农化类型主要为园林地和建设用地,其中西部地区主要为园林地,中东部地区为建设用地;(3)耕地非农化是由自然和社会因素共同驱动的结果,自然因素是耕地非农化的先决条件,城镇化增长率与人口数量增长率是导致耕地非农化主要驱动因素,其中城镇化增长率和第一产业比重增长率是耕地非农化“快—慢—平”的关键因素。
关键词
耕地非农化
多时相遥感
随机森林
GEE
地理探测器
Keywords
Non-agricultural farmlands
Multi-temporal remote sensing
Random forest
GEE
Geographic detector
分类号
S127 [农业科学—农业基础科学]
TP75 [自动化与计算机技术—检测技术与自动化装置]
原文传递
题名
基于TWDTW的时间序列GF-1 WFV农作物分类
被引量：
12
2
作者
邱鹏勋
汪小钦
茶明星
李娅丽
机构
福州大学
/
空间数据
挖掘
与
信息共享
教育部
重点
实验室
/
卫星
空间信息
技术
综合
应用
国家
地方
联合
工程研究
中心
/
数字
中国
研究院
(
福建
)
出处
《中国农业科学》
CAS
CSCD
北大核心
2019年第17期2951-2961,共11页
基金
国家重点研发计划课题(2017YFB0504203)
中央引导地方发展专项(2017L3012)
文摘
【目的】焉耆盆地是新疆重要的特色农产品生产基地,农作物种植结构较为复杂。利用时间序列的遥感数据对研究区内的农作物进行分类识别,获得不同农作物的空间分布、种植面积等信息,为政府部门制定粮食政策、经济计划提供重要依据。同时探讨时间加权的动态时间弯曲(time weighted dynamic time warping,TWDTW)方法在农作物分类识别中的适用性以及高分一号(GF-1)WFV在农业领域的应用潜力。【方法】以新疆焉耆盆地为研究区域,利用2018年作物生长季的GF-1 WFV时间序列数据集计算归一化植被指数(NDVI),基于TWDTW方法开展农作物分类识别研究。分别采集不同作物的样本点,形成各作物NDVI的标准序列。利用TWDTW相似性匹配算法计算每个待分类像元与不同作物标准序列间的相似度距离,距离值越小则相似性越高,通过对比确定像元的农作物类型,得到最终的分类结果,同时根据时间序列NDVI曲线建立决策树(decision trees,DTs)分类规则,人工设置分类阈值得到分类结果,并与TWDTW方法的结果进行对比分析。【结果】2种方法的分类结果较为一致,辣椒的种植范围最广,小麦主要分布在焉耆盆地北部和西部的农二师二十一团,番茄和甜菜的种植分布较为零星。在种植面积统计中,辣椒的种植面积最大,其后依次为番茄、小麦和甜菜。利用野外样本点对决策树和TWDTW两种方法的分类结果进行精度验证,总体精度分别为89.58%和90.97%,kappa系数为0.804和0.830,TWDTW方法的分类精度相比于决策树法略有提高。【结论】相比于决策树分类方法,TWDTW方法的分类精度略有提高的同时,分类结果客观可靠,而且算法不受地域因素限制,具有较强的灵活性和适用性。基于密集时相的GF-1 WFV数据集,采用TWDTW算法对农作物进行分类,得到较好的分类结果,能够满足农业部门的管理决策需求,该方法在农业领域具有较�
关键词
TWDTW
时间序列
高分一号
农作物分类
决策树
Keywords
TWDTW
time series
GF-1
crop identification
decision trees
分类号
TP3 [自动化与计算机技术—计算机科学与技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于时序遥感数据的福州市耕地非农化特征及驱动因子分析
丁书培
李蒙蒙
汪小钦
李琳
吴瑞姣
黄姮
《遥感技术与应用》
CSCD
北大核心
2022
18
原文传递
2
基于TWDTW的时间序列GF-1 WFV农作物分类
邱鹏勋
汪小钦
茶明星
李娅丽
《中国农业科学》
CAS
CSCD
北大核心
2019
12
下载PDF
职称材料
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
