日韩久久午夜一级啪啪 I一区二区av I婷五月天激情 I婷婷在线网站 I亚洲精选在线观看 I亚洲精品看片 I亚洲精色 I色a网 I五月激情丁香图片 I夜夜操夜夜干 I天天曰天天干 I天天干天天操 I亚洲精品乱码久久久久久写真 I最新国产在线视频 I色av资源网 I在线播放亚洲 I天天干天天操av I色婷婷久久一区二区 I天天干天天射天天操 I伊人中文在线 I日韩美精品视频 I五月综合色 I五月激情五月激情

　　隨著對地觀測技術的不斷發展，人類每日獲得的遙感數據達到海量級別（TB級）。然而現有技術方法數據處理能力較弱，亟需發展智能化、自動化的地理遙感信息處理技術方法。最優聚類中心的挖掘及最優分類數目的確定，均為遙感信息智能處理研究中的關鍵技術。針對該技術需求，中國科學院東北地理與農業生態研究所地理信息系統學科組成員，將人工智能領域先進的生物群集智能算法引入遙感影像聚類（分類）領域，獲得了全局最優聚類中心；并遴選了適宜于遙感數據的聚類評估指數，從機理角度對現有聚類有效指數（CVI）進行了深入分析。作為一種度量聚類可靠性指標，CVI大多為解決模式識別問題而提出。通過研究發現，由于沒有充分考慮遙感集簇之間的重疊和中心距離過近問題，大部分已有CVI指數不適于處理遙感數據（包括遙感聚類常用的XBI），需要發展新的面向遙感數據的CVI指數。

　　研究人員構建了完整的基于蜂群智能的遙感信息提取理論方法與技術體系（UBCO）。將UBCO與傳統的k-means及遺傳算法、粒子群算法等進行了對比，并在多種景觀類型區域（復雜濕地地區等）對方法有效性進行了驗證。實驗結果表明，UBCO具備均衡且強大的最優聚類中心的挖掘能力：在濕地景觀地區，UBCO的總體分類精度（OA）顯著性地優于其它方法，OA提高3%以上；而在城市和自然景觀地區，UBCO的OA比傳統k-means方法提高2%以上。此外，經過多次運行測試，UBCO在所有方法中穩定度最高，魯棒性最好。

　　相關研究開拓了群集智能算法在遙感領域的應用，提高了遙感信息智能化挖掘的技術水平，并為遙感聚類評估指數的發展提供了指導，有望推進遙感信息自動化處理程度。

　　相關成果分別發表于國際學術期刊《國際遙感雜志》（International Journal of Remote Sensing）和《遙感》（Remote Sensing）上。有關研究工作是在國家自然科學基金（41301465）及國家重大專項項目（21-Y30B05-9001-13）的資助下完成的，東北地理所地理信息系統課題組助理研究員李華朋為第一作者和通訊作者。