简介:采用1种遥感影像和单纯的监督分类方法,在黄土丘陵沟壑地区的土地利用调查中,难以获得高精度的土地利用数据.为解决此问题,以陕北无定河流域为研究区,以主成分变换的方法,对多源遥感影像(TM多光谱数据和SPOT全色波段数据)进行融合处理;同时,在分类中,采用监督分类与非监督分类相结合的混合分类法,改进训练样本选取方法,先以非监督分类获得初始训练样本,在对样本进行删除、增补、合并等调整的基础上,再进行监督分类.2种方法的结合使用,使土地利用信息自动提取的精度明显提高.与仅以TM影像为信息源,采用单纯监督分类法的分类结果对比可知:土地利用各类别的提取精度都有不同程度的提高,分类总精度从82.0%提高到89.2%;水体、水田和城镇用地等面积较小类别的精度,提高了10%以上;坡耕地与林草地的混分现象明显减少,精度均提高了5%以上,取得了良好的分类效果.研究结果为陕北黄土丘陵沟壑区土地利用变化动态监测,提供了重要的技术支持和借鉴.
简介:[目的/意义]奶牛跛行检测是规模化奶牛养殖过程中亟待解决的重要问题,现有方法的检测视角主要以侧视为主.然而,侧视视角存在着难以消除的遮挡问题.本研究主要解决侧视视角下存在的遮挡问题.[方法]提出一种基于时空流特征融合的俯视视角下奶牛跛行检测方法.首先,通过分析深度视频流中跛行奶牛在运动过程中的位姿变化,构建空间流特征图像序列.通过分析跛行奶牛行走时躯体前进和左右摇摆的瞬时速度,利用光流捕获奶牛运动的瞬时速度,构建时间流特征图像序列.将空间流与时间流特征图像组合构建时空流融合特征图像序列.其次,利用卷积块注意力模块(Convolutional Block Attention Module,CBAM)改进PP-TSMv2(PaddlePad-dle-Temporal Shift Module v2)视频动作分类网络,构建奶牛跛行检测模型Cow-TSM(Cow-Temporal Shift Module).最后,分别在不同输..