缩小基于形态参数的卫星图像的空间分辨率,以使用GIS工具估计地形湿度指数
Haider Shabbir1, Muhsan Ehsan2, Danish Raza3,4
1Department of Earth and Environmental Sciences, Bahria School of Engineering and Applied Sciences, Bahria University, Islamabad, 44000, Pakistan.
霍普菲尔德神经网络 (HNN) 下调技术提供了最准确的数字海拔模型 (DEM) 形态参数,用于预测山区的山体滑坡危险. 与其他技术相比,这种方法显著提高了准确性.
科学领域:
- 地质科学 地质科学
- 地质形态学 地质形态学
- 遥感 遥感 遥感 遥感
背景情况:
- 数字高度模型 (DEM) 对于提取用于山体滑坡危险建模的地形因素至关重要.
- DEM衍生的形态测量数据的准确性显著影响了山体滑坡预测的可靠性,特别是在山地.
研究的目的:
- 评估和确定DEM的最佳缩放方法.
- 评估不同缩放方法对不同空间分辨率的DEM精度的影响.
- 为了确定增强地形特征的最佳方法,以绘制滑坡易感性的地图.
主要方法:
- 测试了六种DEM缩小方法:战争,最近邻居,多数,二线性,二立方体和霍普菲尔德神经网络 (HNN).
- 分析使用了分辨率为20m,12.50m和1.50m的DEM.
- 使用高精度现场高度测量点 (垂直精度为1.50米) 验证了缩小规模的结果.
主要成果:
- 霍普菲尔德神经网络 (HNN) 技术在推导地形湿度指数 (TWI) 估计的形态参数方面表现出卓越的准确性.
- 双立方和HNN方法的准确性明显高,相比Kriging,最近的邻居,多数和双线方法.
- 从低分辨率到中等分辨率的DEM时,根平均平方误差 (RMSE) 精度提高了25%至93%.
结论:
- 强烈建议使用霍普菲尔德神经网络 (HNN) 进行DEM缩小,以获得精确的形态参数来评估山体滑坡危险.
- 与其他经过测试的技术相比,双立方和HNN方法都为DEM缩放提供了更高的精度.
- 有效的DEM缩小规模对于加强地形特征提取和提高山区山体滑坡易感性模型的准确性至关重要.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
08:09Measuring and Mapping Patterns of Soil Erosion and Deposition Related to Soil Carbonate Concentrations Under Agricultural Management
Published on: September 12, 2017
相关概念视频
Methods of Obtaining Topography
Plotting of Topographic Maps
Levels of Use of a GIS
Manipulation and Analysis
Topographic Surveying and Contours
Thematic Layering in GIS
