亚博买球APP_遥感图像如何识别山地与冰川

栏目:母婴用品

更新时间:2021-08-05

浏览: 47701

亚博买球APP_遥感图像如何识别山地与冰川

产品简介

原标题:基于遥感图像的山地冰川识别方法对比摘 要:研究识别山地冰川面积对预测全球气候变化和洪水灾害具有重要意义。

产品介绍

本文摘要:原标题:基于遥感图像的山地冰川识别方法对比摘 要:研究识别山地冰川面积对预测全球气候变化和洪水灾害具有重要意义。

原标题:基于遥感图像的山地冰川识别方法对比摘 要:研究识别山地冰川面积对预测全球气候变化和洪水灾害具有重要意义。在总结海内外山地冰 川识别方法的基础上,以各拉丹冬冰川及其周围冰川群作为研究工具,基于有关遥感数据对比分析了 现在盘算冰川面积的 9 种主要方法,包罗比值法、雪盖指数法( NDSI) 、非监视分类方法、监视分类 方法、面向工具分类方法和神经网络分类方法,并基于混淆矩阵对这些分类方法举行了精度评价。

结 果讲明: 神经网络分类方法的总体分类精度为 99. 372%,比值法和 NDSI 的总体分类精度划分为 99. 370%和 99. 359%,最大似然分类方法、SVM 分类方法和面向工具分类方法的总体分类精度均高 于 98%,最小距离分类方法的漏分率最高为 34. 51%,非监视分类方法的漏分率和错分率划分为 11. 07%和 11. 31%。试验效果讲明: 神经网络分类方法的整体冰川提取效果好,可以区分水体、积雪 和冰; 比值法和 NDSI 识别裸冰效果好,但无法区分水体和冰。

最大似然分类方法、SVM 和面向工具 分类方法的整体冰川提取效果较好; 最小距离分类方法容易将部门冰川区域漏分为非冰川区域; 非监 督分类方法容易错分冰川区和非冰川区。关键词:遥感图像; 山地冰川; 识别; 对比分析; 深度学习;作者简介:范慧颖(1996—),女,硕士研究生,主要从事冰川遥感监测方面的研究。

E-mail:1395632010@qq.com;张大奇(1976—),男,副研究员, 博士,主要从事人工智能、图像处置惩罚、视频/图像检测与分析技术及其应用研究。E-mail:dqzhang2005@aliyun.com;基金:国家自然科学基金项目(51769027);引用:董武,康宝生,基于遥感图像的山地冰川识别方法对比[ J] . 水利水电技术,2020,51( 5) : 47-58. FAN Huiying,DONG Wu,KANG Baosheng,et al. Remote sensing image-based comparison of methods for mountain glacier identification[ J]. Water Resources and Hydropower Engineering,2020,51( 5) : 47-58.0 引 言在我国的西部,高山冰川是冰川存在的主要形式,主要漫衍在昆仑山、念青唐古拉山、喜马拉雅山等高原地域。这些冰川为我们提供了丰 富的淡水资源,冰川融水占出山口径流的25%~29%,是西北地域水资源的重要泉源。可是近50 a来,全球冰川面积严重退缩,16个主要冰川区面积退缩率达11.3%。

具有“亚洲水塔”之称的青藏高原冰川面积也在不停退缩,冰储量也在不停淘汰。冰川面积的退缩导致许多中小支河流面临枯竭,淡水资源严重淘汰,引起了 世界的关注。

另一方面,冰冻圈融水是导致海平面上升的主要因素,其中山地冰川和冰帽的孝敬量最大。SCAMBOS等 指出为了应对大气升温和海洋条件的变化,冰川会加速融 化,进而导致海平面上升、冰盖坍塌。冰川是气候变化的指示器,在全球水循环中饰演着不行或缺的角色。因此,监测冰川的变化可以反映气候和生态情况的变化。

随着人们对全球 气候和生态情况的重视增加,监测冰川变化的事情也刻不容缓,提高冰川监测效果的准确度为改善生态情况的事情人员及其它事情者提供有利支持。现在,目视解译法和盘算机自动识别方法是用于遥感图像山地冰川识此外主要方法。

其中盘算机自动识别方法包罗:比值阈值法、NDSI、监视分类方法、非监视分类方法、面向 工具的方法和神经网络分类方法等。目视解译法凭据专家履历和实地考察识别冰川,需要大量的人力物力,耗时长,但准确度高。随着遥感技术的生长,使用遥感影像举行山地冰川识别 监测可以快速获得监测效果,监测规模广,准确度较高,省时省力,是现在监测冰川变化的主要方法。对于监测效果有偏差的地方,可以通过目视解译法举行调整,这极大地提高了传统 方法的事情效率和使用规模。

海内外的一些学者通过对比分析差别冰川提取方法的优缺点,寻求越发精准的冰川提取方法。怀保娟等 对比值法、NDSI、监视分类方法、非监视分类方法和决议树自动阈值 法举行对比分析,发现非监视分类方法精度较低;监视分类方法的识别效果准确度显着高于非监视分类方法,可是对于影像中的积雪和岩石还是会发生错误分类的效果;波段比值法操作 相对简朴,精度较高。

亚博ag拜仁合作伙伴

决议树方法分类效果不佳,也会发生错误分类;发现面向工具的方法能够有效地提取出图像的种种特征,冰川的提取效果有着比力好的体现,而且能够抑制在提取 历程中云和积雪对试验效果的影响。仲振雄等 基于ASTER影像选取差别的波段组合对纳木那尼峰地域冰川举行提取,效果发现NDSI法将绝大部门的阴影区域误识别为冰川,使阴 影区域内的冰川面积显著偏大。而比值法更不容易将阴影区域内的冰川举行错分。

最后联合数字高程模型(DEM),组合使用比值法和NDSI方法举行冰川提取,提高了冰川提取的准确 度。讲明单一的方法不足以支撑整个冰川提取效果,要取得准确冰川数据需要联合多种方法。

刘梅 通过试验对比,综合分析了传统冰川提取方法的效果,得出了提取冰川效果最好的 是面向工具的目视判断方法,其次是传统的最大似然法监视分类、面向工具的自动分类、比值阈值法、NDSI等。发现传统冰川识别方法能够快速的对冰川举行提取,可是对影像中冰 川的细节、边缘位置的提取效果存在错误,最后提出头向工具的目视判读法既能够保证提取的精度,又能解决目视解译方法中耗时的问题。已有山地冰川的识别方法研究,都只对目视解译法、比值法、雪盖指数法、监视分类方法、非监视分类方法和面向工具分类方法等举行研究,未将神经网络分类方法纳入对比分 析。

本文增加了对神经网络分类方法的分析,发现神经网络分类方法能够越发准确地域分冰川和非冰川。本文首先先容试验数据,然后对冰川识别方法举行先容,接着选取9种典型的冰 川识别方法举行冰川识别,对试验效果举行定量评价,最后举行总结。表1 试验选用的 Landsat 8 影像数据信息图1 研究区Landsat 8影像 1 数据先容三江源处于青藏高原要地,是黄河、长江和澜沧江源头的交汇之处,具有“中华水塔”之称。

正是三江源内大量的雪山和冰川孕育了这些大江大河,是中国水资源的重要泉源。长江 源唐古拉山的各拉丹冬冰川及其周围冰川多为山地冰川,而且数据利便获取。因此我们选择该地域作为研究工具。

试验数据Landsat 8 OLI影像泉源于地理空间数据云(Geospatial Data Cloud)网站(http://www.gscloud.cn/)。该产物已经举行了系统辐射校正和地面控制点几何校正,而且经由地形校正。Landsat 8 OLI影像的分辨率与Landsat1-7的分辨率保 持一致,波段1~7和波段9~11的空间分辨率是30 m,波段8是空间分辨率为15 m的全色波段。选择遥感影像时只管选择含云量低、积雪少的影像。

表1为所选遥感影像的影像信息。图1为研究区的Landsat 8 OLI影像。针对试验数据,本文举行652假彩色合成,增强冰川颜色对比度,利便目视解译出冰川界限,蓝色像素为冰川区域,其它像素为非冰川区域。

如图5 (b)所示,解译出的冰川面积为807.26 km。2 研究方法随着遥感数据质量的提高,以及遥感数据处置惩罚软件的完善,冰川识别方法从传统的野外丈量法向盘算机自动识此外研究偏向生长,从光谱信息提取到光谱和空间特征提取融合的方 向生长。本节主要先容几种常用冰川识别方法,主要有比值阈值法、NDSI、监视分类方法、非监视分类方法、面向工具分类方法以及神经网络分类方法。2.1 比值阈值法比值阈值法使用冰的强反射特性来区别冰和其它物质。

比值的效果增强了地物波谱之间的差异,有利于阈值的选取,进而区分冰和其它地物。比值阈值法基本公式如下式中,CH(n)为冰的强反射波段(μm);CH(m)为冰的弱反射波段(μm)。常用的Landsat TM/ETM+ 影像比值波段有TM3/TM5或TM4/TM5,选取合适的阈值将比值效果划分成冰川区和非冰川区。但阈值不易确定,差别地域由于地物情况的差异适用的 阈值也不相同,需要联合履历重复对比,确定合适的阈值巨细,最后还需要联合目视解译来调整冰川界限。

2013年李成秀等 选用TM3/TM5的波段比值组正当和目视解译联合的方 法对西昆仑峰区差别时期的冰川举行提取,提取的误差为±2.2%。2.2 雪盖指数法冰在可见光规模内具有较高的反射率,在近红外波段或短红外波段具有较高的吸收率,凭据这一性质,提出了NDSI来区别冰和其它物质。NDSI是对植被指数法的推广,它的基本公 式如下常用的Landsat TM/ETM+影像波段有TM2和TM5, Landsat OLI影像波段选用band3和band6。NDSI的阈值一般凭据详细地物的情况,联合履历值来确定,没有一个确定的适合 提取所有地域冰川的阈值,且该方法不易区分冰碛和积雪。

金姗姗等 通过光谱特征分析,发现TM5、TM6、TM7是最有利于提取冰舌部门的波段,并使用NDSI举行冰川信息提 取。KACHOUIE等 提出联合热带B62和NDSI的方法来识别冰川末了位置。赵军等 使用NDSI提取积雪规模,发现阈值的不确定性主要受地形、阴影和地表植被笼罩的影 响。

付鹏 认为在近红外波段,云和雪的反射率相差较大,因此使用NDSI可以区分大部门的云和雪。张世强等 研究讲明使用NDSI提取冰川规模的准确率要比使用比值阈值 法的准确率高。2.3 非监视分类识别非监视分类是通过学习未知种别样本中像素间的空间关系,将相同种别的像素聚类在一起,形成判别规则,进而区分未知样本中的差别种别。

通过卫星监测可以获得大量无标签遥 感数据样本。典型的无监视分类方法有K-Means聚类算法 和迭代自组织数据分析算法(ISODATA)。K-Means算法的主要思想是首先随机选择K其中心点(也即K个种别),然后计 算剩余的点离这K其中心点的距离,并将其划分到距离最近的簇中。

再重新盘算这K个簇的中心点,重新划分剩余的像素,直到划分效果不再改变或到达指定的迭代次数为止。ISODAT A算法在K-Means算法的基础上,增加了“合并”和“破裂”操作。当某一类的类内方差大于划定值时举行破裂;当某一类内样本数量太少,或者某两类的类间距离小于划定值时举行合并。I SODATA算法越发适用于事先不知道划分种别个数的分类情况。

付鹏 试验效果讲明在对提取精度要求不太高,时间紧迫的情况下,可以基于MODIS数据使用无监视分类方法进 行雪盖面积提取。2.4 监视分类识别监视分类是通过学习已知种别的样本形成模型,进而预测未知种别的样本种别。对于山地冰川识别来说,带有标签的样本通常是通过气象站的逐日监测数据或者人工考察获得。

可是在冰川地域,气象站数量较少,漫衍比力稀疏,而且人工考察难度大,很难获得大量带有标签的数据。典型的监视分类方法有最大似然分类法和最小距离分类法。最大似然分类又称 贝叶斯分类,首先使用统计方法建设一个判别函数集,然后凭据判别函数盘算各待分类样本的归属概率,样本的种别就归为最或许率所对应的种别。这种算法的盘算量比力大,同时对方 差变化比力敏感,应用比力广泛。

最小距离法是最大似然法的特例,它只需要盘算训练样本中各个种别在各个波段的均值,然后盘算未知样本中各个像素离各个均值的距离巨细,将各个 像素划分到距离最小的种别中。这种方法原理简朴,盘算速度快,可是有时某些像素会泛起“无种别”现象,同时因为没有思量到样天职布的空间信息,所以一般情况下分类效果要次于最 大似然预计分类法。王岑岭等 试验讲明,监视分类的分类准确度比无监视分类准确度高。

SIDJAK等 用差别的输入带举行最大似然分类试验,以评估其检测出的冰川规模 和冰川区域的准确性,效果显示使用掩蔽冰川面积的主身分2、3、4和比值TM4/TM5,以及归一化差分雪指数相联合所获得的效果最好。2.5 面向工具的冰川识别方法传统的冰川识别方法如:比值法、NDSI等都是只基于单个图像像元信息对冰川举行提取。面向工具的图像支解方法以邻近像元为工具,克服了基于单个像元信息举行分类所发生 的“椒盐噪声”问题,充实使用高分辨率遥感图像的空间信息,从而提高冰川提取的精度。

面向工具分类历程首先提取图像中的光谱、空间和上下文等特征,然后对图像举行多尺度支解 和合并,最后建设分类规则对图像举行分类。怀保娟等 以喀纳斯河源地域为例,提出了基于多尺度图像支解的面向工具冰川提取方法,发现面向工具提取方法能更好地使用遥感 图像中的空间信息,提高冰川提取的准确度。聂勇等 、刘梅 把面向工具的分类方法和传统方法联合对冰川举行提取,取得了高质量的提取效果。

张继平等 综合分析 水体和冰川的光谱、纹理、结构等方面的特点对冰川举行提取,获得了高精度的提取效果,可是发现面向工具的方法对山体阴影和冰舌的提取精度还存在不足,容易发生混淆,后期还需 要剔除与冰川不相连的冰舌部门以及对阴影举行消除。胡凡盛等 使用面向工具的分类方法对影像举行支解,建设规则对支解后的图像实施分类,最后对马兰冰帽到达了准确提取 的效果,讲明面向工具分类方法能够灵活运用多光谱数据的特征信息,在分类历程中联合人的思维,构建规则集,使分类效果越发靠近人类的提取效果。2.6 基于神经网络的冰川识别方法近几年,深度学习生长火热,在图像分类方面体现优异,它通过学习大量样本,提取样本中的特征,形身分类模型,进而对未知样本举行分类。深度学习对于处置惩罚高维数据、海量数据 具有优势。

随着遥感技术的生长,可以获得多元化、海量的遥感数据。在冰川识别方面,深度学习可以发现传统方法发现不了的空间特征,联合传统方法提取的光谱特征,将特征举行融 合,可以提高冰川识此外精度。党宇等 使用AlexNet模型举行遥感影像地物分类,试验效果讲明使用深度学习可以有效地域分差别地物。

CHEN等 首次使用深度学习框架 综合处置惩罚HSI的空间特征和光谱特征,试验效果讲明这一方法用于处置惩罚HSI分类具有庞大潜力。ZHAO等 提出了一种基于谱空间特征分类(SSFC)的框架来分类HIS数据,它使用 平衡局部判别嵌入算法(BLDE)从原始HIS数据集中提取低维度光谱特征,使用卷积神经网络(CNN)框架提取高级空间特征,最后将光谱和空间特征融合在一起,训练逻辑回归(LR)分类 器举行分类。MOU等 提出了一种新颖的递归卷积神经网络(ReCNN)架构,该架构经由训练,可以在统一的框架中学习团结光谱-空间-时间的特征表现,以便在多光谱图像中举行 变化检测。

阚希等 提出了基于层叠去噪自编码器(stacked denoising auto-encoders,SDAE)的深度学习方法来举行青藏高原积雪判识,它先使用大量无标签样本举行网络预训 练,再用少量的有标签样本举行网络微调,联合了无监视分类和有监视分类在积雪判识中的优点,同时也解决了带标签样本数据量少的问题。3 试验效果对比与分析本节对冰川提取的经典方法展开试验并举行对比分析,试验运行时的硬件情况均为Intel(R) Core(TM) i7-4790 CPU @ 3.60 GHz,内存为8.00 GB,64位操作系统;软件情况为MA TLAB 2018b,所用遥感图像处置惩罚软件为ENVI 5.3。3.1 评价方法本文基于混淆矩阵,接纳错分误差、漏分误差、制图精度、用户精度、总体分类精度和Kappa系数对各个方法的提取效果举行定量评价。混淆矩阵是一个n×n矩阵,主要是对分类 效果和实际效果的比力;错分误差是划分为冰川区但实际为非冰川区面积与分类效果中冰川区面积的比值,即公式(3);漏分误差是划分为非冰川区但实际为冰川区面积与目视解译中冰 川区面积的比值,即公式(4);制图精度是划分为冰川区且实际为冰川区面积与分类效果中冰川区面积的比值,即公式(5);用户精度是划分为冰川区且实际为冰川区面积与目视解译中冰 川区面积的比值,即公式(6);总体分类精度是分类正确的样本个数占所有样本个数的比例,即公式(7);Kappa系数用于一致性磨练,也是权衡分类精度的指标,即公式(8)。

详细公式如下式中,S 为划分为冰川区但实际为非冰川区面积(km );S 为划分为非冰川区但实际为冰川区面积(km );S 为划分为冰川区且实际为冰川区面积(km );S 为划分为非冰川区且 实际为非冰川区面积(km );S 为分类效果中冰川区面积(km );S 为目视解译中冰川区面积(km );S为样本总面积(km );P 为每一类真实像素个数与分类获得的像素个数的积之和与 总像素个数的平方的比值。错分误差和漏分误差越靠近于0,制图精度、用户精度、总体分类精度和Kappa系数越靠近于1,代表分类效果越好。

3.2 试验效果及讨论基于Landsat 8试验数据,我们选择了9种典型方法举行冰川提取。其中比值法、NDSI基于MATLAB编程实现;非监视分类方法中的K-Means方法和IsoData方法,监视分类方法中 的最小距离分类、最大似然分类和SVM,面向工具分类方法和神经网络分类方法使用遥感图像处置惩罚软件ENVI 5.3举行冰川面积识别。比值法选择TM4/TM6举行比值运算。

NDSI选择波段3和波段6举行归一化运算。表2为比值法和NDSI冰川提取效果对比,图3和图4划分为差别阈值下比值法和NDSI冰川提取效果对比图。表3给出了监视分类方法、非监视分类方 法、面向工具分类方法和神经网络分类方法冰川提取效果对比,图5为对应的冰川提取效果对比图。

表2 比值法和NDSI冰川提取效果对比 图2 灰度直方图 图2(a)、(b)划分为比值法和NDSI的灰度直方图,横轴代表像素数值,也即阈值的巨细,纵轴代表像素个数。波谷的位置即最佳阈值。由图2(a)可以看出比值法的最佳阈值在1.30~ 2.00之间;由图2(b)可以看出NDSI的最佳阈值在0.15~0.30之间。

我们划分选取比值法的阈值1.30、1.60和2.00,NDSI的阈值0.15、0.25和0.30举行对比试验。图3和图4中,红色边 界为目视解译提取的冰川界限,白色区域为对应分类方法提取的冰川区域,玄色区域为非冰川区域。

由表2、图3(a)和图4(a)可以看出,比值法的阈值为1.30,NDSI的阈值为0.15时,错分 误差最大,将积雪等非冰川区识别为冰川区情况较多,如将C区的积雪识别为冰川,分类出的冰川面积也大于实际冰川面积,漏分误差最小,制图精度最高,用户精度最小;由表2、图3(c)和 图4(c)可以看出,比值法的阈值为2.00,NDSI的阈值为0.30时,漏分误差最大,将冰川区识别为非冰川区情况较多,分类出的冰川面积小于实际冰川面积,错分误差最小,制图精度最小,用 户精度最高;由表2、图3(b)和图4(b)可以看出,比值法的阈值为1.60,NDSI的阈值为0.25时,总体分类精度和Kappa系数最好,分类出的冰川面积最靠近实际冰川面积,冰川提取的总体 效果最好;由图3和图4可以看出,比值法和NDSI都无法区分水体和冰,都将A区和B区的水体识别为冰川。图5中,黄色线为目视解译提取的冰川界限,红色线为对应分类方法提取的冰川界限。

表3中非监视分类方法的错分误差最大,是因为把大量积雪、河流和裸地等非冰川区识别为冰 川。由图5(c)、(d)可以看出非监视分类方法的错分现象很是严重;表3中最小距离分类方法的错分误差最小,漏分误差最大,S 值严重偏小,制图精度最小,用户精度最大,总体分类精度 和Kappa系数也最小,由图5(e)可以看出,该方法漏分现象严重,部门冰川区识别为非冰川区,提取出的冰川面积严重偏小;表3中最大似然分类方法、SVM和面向工具分类方法提取冰川 效果整体较好,但联合图5(f)可以看出,最大似然分类方法将A区和B区的水体识别为冰川,不能区分水体和冰川;联合图5(g)可以看出,SVM可以区分出较大的水体;联合图5(h)可以看出, 面向工具分类方法提取的冰川界限平滑清晰,尺度选取合适时,可以区分水体、积雪和冰体,但会造成一部门小冰体的漏分,冰舌处划分不精致,部门非冰川区划分为冰川区。所以面向 工具的支解和合并尺度选择要适当,支解尺度可以选的稍小一些,支解比力细;合并尺度设置的大一些,但合并尺渡过大时,会丢失小块冰体,尺度偏小时,会将积雪、河流等物体识别为冰 体。所以在尺度的选择上,要凭据差别的情况,对比选择出最合适的尺度。

表3中神经网络分类方法的漏分误差最小,制图精度、总体分类精度和Kappa系数最大,联合图5(i)可以看出冰 川整体分类效果好,可以区分积雪、水体和冰,但网络隐藏层的个数、迭代的次数和网络结构会影响提取效果的精度。基于遥感图像的冰川提取方法从差别的原理角度出发建设冰川提取的细则,各有优缺点,提取的效果也各有优劣。表4联合已有的研究结果和本文的试验效果,总结了各个方法的优 缺点。比值法使用地物对差别波段的吸收率差别来提取冰川,能够提取阴影中的冰川,但不能对冰川和水体正确区分。

NDSI不能提取阴影中的冰川,也不能区分冰川和水体。监视分类 方法优于非监视分类方法,但都无法对积雪、有云、有水和阴影区等庞大情况的冰川正确分类。

比值法和NDSI对于裸冰有着很好的提取效果,但对于含有水和积雪的冰川提取效果相 对较差,后期在自动解译的基础上需要对提取效果举行人工精修。面向工具分类方法冰川界限平滑清晰,可以区分水体、积雪和冰,但冰舌部门界限划分不够准确,尺度选择时要合适。

接纳神经网络分类方法提取冰川可以有效区分较大的水体、积雪和冰,冰川提取整体效果好。接纳传统冰川提取方法提取冰川,对试验工具数据的选择有着较严格的要求。传统的冰 川提取方法只使用了遥感影像中的少部门信息,而且提取的图像特征层级级别较低,对于不含积雪、阴影、和水体的遥感影像有着很好的提取精度。

而对于含有积雪、水体等冰川边 界情况庞大的影像,要提取出准确的冰川信息,对图像信息的使用就有着更高的要求。神经网络分类方法可以使用遥感图像的光谱信息和空间信息,提取的图像特征层级更高、特征更 加抽象,可以更好地应对庞大的遥感影像。图3 差别阈值下比值法冰川提取效果对比 表3 监视分类方法、非监视分类方法、面向工具分类方法和神经网络分类方法冰川提取效果对比 图4 差别阈值下NDSI冰川提取效果对比 表4 各个方法的优缺点分析 图5 差别方法冰川提取效果对比 图5 差别方法冰川提取效果对比4 结 论本文先容了常用的冰川遥感监测技术的理论基础,针对各拉丹冬冰川及其周围冰川群,接纳9种典型的冰川识别方法举行试验,基于混淆矩阵举行定量评价,获得如下结论:(1)神经网络分类方法的总体分类精度为99.372%,提取冰川效果好,可以区分水体、积雪、和冰,但提取效果受样本质量、隐藏层数量、迭代次数和网络结构的影响。

(2)比值法和NDSI的总体分类精度划分为99.370%和99.359%,识别裸冰效果好,算法简朴,但提取效果对阈值敏感,无法有效区分水体、积雪和冰。(3)最大似然分类方法、SVM和面向工具分类方法的总体分类精度大于98%,整体冰川提取效果较好,但最大似然分类方法不能区分水体和冰。

SVM区分积雪、水体和冰的效果 好。面向工具分类方法提取的冰川界限平滑清晰,但尺度不容易选择,冰舌部门界限划分不准确。

最小距离分类方法的漏分误差最大,为34.51%,易将部门冰川区域划分为非冰川区 域。(4)监视分类方法提取冰川效果受样本质量影响,但整体冰川提取效果好于非监视分类方法。

非监视分类方法的总体分类精度为94.351%,错分误差和漏分误差划分为11.31%和1 1.07%,易错分冰川区和非冰川区。由本文研究效果可以看出,借助于深度学习建设冰川提取模型,举行深度训练将是未来的一个研究偏向。

单一的冰川提取方法不能够解决冰川提取中的所有问题,联合多种技术方 法的优点来提取冰川也是一个比力好的方法,可是种种方法之间如何联合这将是一个有待于研究的问题。水利水电技术水利部《水利水电技术》杂志是中国水利水电行业的综合性技术期刊(月刊),为全国中文焦点期刊,面向海内外公然刊行。本刊以先容我国水资源的开发、使用、治理、设置、节约和掩护,以及水利水电工程的勘察、设计、施工、运行治理和科学研究等方面的技术履历为主,同时也报道外洋的先进技术。

期刊主要栏目有:水文水资源、水工修建、工程施工、工程基础、水力学、机电技术、泥沙研究、水情况与水生态、运行治理、试验研究、工程地质、金属结构、水利经济、水利计划、防汛抗旱、建设治理、新能源、都会水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。


本文关键词:亚博买球APP,亚博ag拜仁合作伙伴,亚博ag拜仁合作伙伴

本文来源:亚博买球APP-www.kgvkindia.com