.png){kind=icon}
返回
A DEEP LEARNING-BASED ALGORITHM FOR UNITIZING ECOLOGICALLY SENSITIVE AREAS IN RURAL LANDSCAPES
.png){kind=icon}
PRE
AI
DOI：10.3846/jeelm.2026.25786.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
农村景观生态敏感性的复杂性和多样性。传统评价方法仅考虑单一因素或有限因素，难以有效管理不确定信息，导致农村景观生态图像中生态单元分类不准确，从而影响农村景观生态敏感性分布的精确评估。因此，提出一种基于深度学习的农村景观生态敏感区划分算法。通过选择地质环境、生态水文条件等影响农村景观生态敏感性的六大因素，构建生态敏感性评价指标体系，作为输入向量，利用模糊神经网络输出农村景观生态敏感性；此外，使用支持向量机划分收集的农村景观生态图像的生态单元，并将划分结果及各农村景观单元的敏感性评价结果作为ArcGIS软件的输入数据，实现农村景观生态敏感区单元划分结果的可视化展示。结果表明，随着坡度增加，农村景观生态敏感性呈现先增加后减少的趋势，植被覆盖率降低，农村景观生态敏感性呈现逐渐增加的趋势；该算法能有效评估各农村景观单元的敏感性，并可视化呈现农村景观生态敏感区的单元划分结果。该算法能比较分析不同时间维度下生态敏感性的变化。
Keyword:
deep learning
rural landscape
ecological environment
sensitivity assessment
unit division
evaluation indicator system.
期刊
J
IF:
1.1
论文数:
13
被引数:
565
机构
引用论文
A data‐intensive documentation of plant ecosystem thermoregulation across spatial and temporal scales一个数据密集型的植物生态系统热调节的时空尺度文档记录
OAAI
OAAI分享收藏Evolution and driving mechanisms of eco-environmental quality across different urbanization stages不同城市化阶段下生态环境质量演化的驱动机制.png)
IF0
PREAI
分享收藏Multi spectral image classification based on deep feature extraction using deep learning technique
PREAI
分享收藏A Performance Comparison Study on Climate Prediction in Weifang City Using Different Deep Learning ModelsWATER
OAAI
WATERIF3
OAAI分享收藏
查看更多内容