-
公开(公告)号：CN117473215A
公开(公告)日：2024-01-30
申请号：CN202311383585.5
申请日：2023-10-24
Abstract: 本申请适用于获取地表数字高程模型技术领域，提供了一种基于重复轨道InSAR的DEM高频更新方法及设备，该方法包括：获取多个重复轨道SAR影像数据；解缠获取解缠相位矩阵；基于多轨道解缠相位矩阵构建观测方程组，获取观测方程组的初始解；对初始解进行稳健估计得到稳健权重矩阵；计算后验方差矩阵；利用后验方差矩阵对稳健权重矩阵更新得到权重矩阵，判断后验方差矩阵中元素是否相等，若是，权重矩阵作为最优权重矩阵，否则，权重矩阵作为初始权重矩阵，返回对初始解进行稳健估计得到稳健权重矩阵的步骤；利用最优权重矩阵估计第T个时刻的地形残差，与参考DEM相加，得到当前的DEM。该方法能够解决DEM更新准确性低的问题。
-
公开(公告)号：CN117745959A
公开(公告)日：2024-03-22
申请号：CN202311214770.1
申请日：2023-09-20
Abstract: 一种基于PSO‑DBN模型的植被山区SRTM DEM校正方法，包括以下步骤：1)对获取的原始数据进行预处理；2)使用DBN网络结构对原始数据进行训练；在训练过程中使用PSO优化DBN的超参数，得到PSO‑DBN模型算法；3)使用PSO‑DBN模型算法校正预设林区的SRTM DEM。经本发明的基于PSO‑DBN模型的植被山区SRTM DEM校正方法校正之后，SRTM DEM平均误差和均方根误差能够分别下降了93.5％‑96.0％和21.5％‑23.5％，地形复杂区的精度提升超过了26.1％。
-
公开(公告)号：CN116797750A
公开(公告)日：2023-09-22
申请号：CN202310711266.6
申请日：2023-06-15
IPC: G06T17/05 , G06V10/774 , G06V10/82 , G06N3/0985 , G06N5/01 , G06N20/20
Abstract: 本发明中的基于深度学习的DEM误差校正方法，包括以下步骤：S10、获取输入参数；S20、将输入参数依次输入至两个以上的基学习器中，对每个基学习器以交叉验证的方式进行训练，获得每个基学习器中输入参数与输出结果之间的对应组数的初步预测结果，并将所有基学习器的所有初步预测结果组成新特征矩阵；S30、将新特征矩阵输入至元学习器中，通过元学习器训练融合所有的初步预测结果，获得最终预测结果。本发明中通过将具有不同算法结构的多个基学习器和元学习器进行融合，能够充分结合不同基学习器和元学习器的优势，同时最小化它们的劣势，使得在提升表现的同时降低了过拟合的可能性，因而具有更强的非线性拟合能力和泛化能力。
-
公开(公告)号：CN116740296A
公开(公告)日：2023-09-12
申请号：CN202310779189.8
申请日：2023-06-28
Abstract: 一种基于最小二乘配置的TanDEM‑XDEM误差校正方法，包括以下步骤：1)由TanDEM‑X/TerraSAR‑X数据生成TanDEM‑XDEM数据，获取ICESat‑2数据；2)将DEM任意一点的误差分为系统误差和随机误差，并建立基于最小二乘配置的误差校正模型；L＝BX+GY+Δ；(1)3)由原始的TanDEM‑XDEM减去步骤2)得到的误差估计值，便可得到校正后的DEM。本发明的方法，可以同时校正TanDEM‑XDEM的系统误差和随机误差。结果表明，经过本发明方法校正后的TanDEM‑XDEM在该区域的平均误差绝对值由2.019m减少到了0.058m；均方根误差由6.141m降低到了3.851m，精度提高了37.3％。
-
公开(公告)号：CN118964968B
公开(公告)日：2025-03-11
申请号：CN202411011137.7
申请日：2024-07-26
Applicant: 中南林业科技大学 , 湖南省自然资源事务中心
IPC: G06F18/2135 , G01S13/90 , G01S13/95 , G01S19/39 , G06F17/18
Abstract: 本发明公开了一种基于独立主成分分析和非平稳性探测的MT‑InSAR大气改正方法。包括：利用时序N景SAR影像形成的M幅差分干涉图，在选择高相干点后，校正轨道误差相位和地形相关的对流层延迟相位，并结合最小二乘估计获取时序上N景累积的差分干涉相位。然后，基于高相干点位置信息对研究区域进行格网划分，通过空间独立成分分析(sICA)算法和非平稳性探测算法处理每个格网的差分干涉相位，识别并重建大气误差信号与形变源信号，从而计算格网的时序形变结果。利用高相干点在相邻格网重叠区域的形变结果，实现整体研究区域形变结果的拼接，有效提升了时序InSAR形变监测的精度，避免了对高时空分辨率气象数据或主观滤波方法的依赖。
-
Patent Agency Ranking
公开(公告)号：CN112733596A
公开(公告)日：2021-04-30
申请号：CN202011393002.3
申请日：2020-12-01
Applicant: 中南林业科技大学
Abstract: 本发明涉及森林监测，具体涉及一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用。其方案包括以下步骤：(1)采集地物遥感数据；(2)对所采集的地物遥感数据预处理；(3)构建森林影像融合模型。因此本发明研究了单时相遥感影像时空融合技术，利用已有的中空间分辨率遥感影像和高空间分辨率遥感影像(简称中高空间分辨率遥感影像)生成某时刻缺失的、高质量的高空间分辨率融合影像，并将高空间分辨率融合影像应用到森林资源变化监测中，对森林资源的空间分布及其利用状况进行观测分析与评价，及时掌握森林资源现状和覆盖变化动态，为林业规划与政策实施提供重要依据。
-
公开(公告)号：CN110085433B
公开(公告)日：2020-12-04
申请号：CN201910256257.6
申请日：2019-04-01
Applicant: 中南林业科技大学
Abstract: 基于碳纳米管和二氧化锰的杉木碳片电极材料，包括由碳化后的片状杉木片经过活化处理、化学气相沉积和电化学沉积得到；经过活化处理在碳化后的片状杉木片内形成有从上到下整齐顺直的管胞结构；化学气相沉积包括在CO2活化后的片状杉木片上化学气相沉积碳纳米管，使得在管胞结构的内壁生长有碳纳米管；电化学沉积包括在化学气相沉积后的片状杉木片上碳纳米管的周围电化学沉积有二氧化锰。本发明采用化学气相沉积法在杉木管胞内壁制备了碳纳米管，并在管胞内表面电化学沉积了MnO2，提高了器件的稳定性和循环性能。
-
公开(公告)号：CN111652092A
公开(公告)日：2020-09-11
申请号：CN202010427807.9
申请日：2020-05-19
Applicant: 中南林业科技大学
Abstract: 本发明涉及森林覆盖变化监测，具体涉及一种基于Sentinel-2A数据监测森林覆盖变化的方法。本发明通过以Sentinel-2A遥感影像为数据源，从NDVI归一化植被指数、NDWI归一化水体指数、NDBI归一化建筑指数等方面设计构建指数得到对应地物的识别方式，然后引入纹理特征和决策树分类模型，通过光谱特征指数和纹理特征结合探究地物分类规则，运用决策树分类模型进行地物分类，得到相应森林覆盖面积，根据两个时间节点森林覆盖面积比较得到森林覆盖变化情况。本发明的方案解决了在地物复杂，相似度高的区域，利用单一光谱特征无法较为精确的进行森林覆盖变化监测的问题。本发明通过对Sentinel-2A影像的光谱特征和纹理特征结合研究，可以对地物复杂化和植被多样化的地域进行精确地监测并提高监测时效性，并且经与实地考察核算后，本发明的方法与实地调查统计的结果一致性高。
-
公开(公告)号：CN109192525B
公开(公告)日：2020-05-12
申请号：CN201810914960.7
申请日：2018-08-13
Applicant: 中南林业科技大学
Abstract: 一种基于杉木的超级电容器电极材料，由碳化后的片状杉木经过活化处理得到，所述活化处理包括CO2活化，所述CO2活化为：在CO2流动气氛中在650‑850℃的温度下活化处理8‑12小时，将活化后的杉木片抛光成厚度为0.4‑1.2mm的薄片。本发明中，采用CO2，碱和酸依次活化碳化横切杉木薄片。通过一系列活化处理，碳木木片具有更多的微纳米孔道，其比表面积显着增加至613.2m2g‑1。通过使用这些薄片作为电极，构建了具有优异的综合性能、高比电容和高能量密度的对称型超级电容器。
-
公开(公告)号：CN110310308A
公开(公告)日：2019-10-08
申请号：CN201910528152.1
申请日：2019-06-18
Applicant: 中南林业科技大学
Abstract: 近年来，所有的图像配准算法都是基于整景图像信息的配准，这样会花费大量的时间，特别是对于数据量巨大的遥感影像。这里提出一种新的基于子图的图像配准算法，这种算法在保证亚像素配准精度的前提下可以极大程度地减少配准时间。这个算法的中心思想是具有全局变换的图像对的变换模型通常与从原始图像划分的子图像的变换模型一致，反之亦然。因此，这个算法首先把参考图像划分为相同大小的子图，然后对每个子图进行小波分解，提取小波系数和最大的子图作为新的参考图像，接着利用小波变换和矩阵乘法离散傅里叶变换对待配准图像和参考子图。本发明和整个图配准一样能达到亚像素配准精度，且可以大量地缩短计算时间。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.035 seconds)
