QQ客服 官方微博 反馈留言

浏览/检索结果: 共6条，第1-6条 帮助 限定条件 发表日期：2019    专题：地理科学与资源研究所    第一署名单位    第一作者单位    通讯作者单位     已选(0)清除 条数/页：5101520253035404550556065707580859095100   排序方式：请选择作者升序作者降序题名升序题名降序发表日期升序发表日期降序提交时间升序提交时间降序 A Machine Learning Approach to Crater Classification from Topographic Data 期刊论文 REMOTE SENSING, 2019, 卷号: 11, 期号: 21, 页码: 30 作者:  Liu, Qiangyi;  Cheng, Weiming;  Yan, Guangjian;  Zhao, Yunliang;  Liu, Jianzhong 收藏  |  浏览/下载：3/0  |  提交时间：2020/05/19 moon  distinguish primary craters from secondary craters  machine learning  crater characteristics   Observing storm surges in China's coastal areas by integrating multi-source satellite altimeters 期刊论文 ESTUARINE COASTAL AND SHELF SCIENCE, 2019, 卷号: 225, 页码: 14 作者:  Ji, Tao;  Li, Guosheng;  Zhang, Yue 收藏  |  浏览/下载：51/0  |  提交时间：2019/09/24 Storm surge  Multi-source satellite altimeters  Monitoring  China's coastal areas   Contemporary monitoring of storm surge activity 期刊论文 PROGRESS IN PHYSICAL GEOGRAPHY-EARTH AND ENVIRONMENT, 2019, 页码: 16 作者:  Ji, Tao;  Li, Guosheng 收藏  |  浏览/下载：9/0  |  提交时间：2020/05/19 Storm surge  spatial and temporal variability  monitoring  recent progress  future trends   Surface modelling of forest aboveground biomass based on remote sensing and forest inventory data 期刊论文 GEOCARTO INTERNATIONAL, 2019, 页码: 16 作者:  Sun, Xiaofang;  Li, Bai;  Du, Zhengping;  Li, Guicai;  Fan, Zemeng 收藏  |  浏览/下载：26/0  |  提交时间：2020/03/23 Aboveground biomass  high accuracy surface modelling  mapping   Evaluation and Validation of CryoSat-2-Derived Water Levels Using In Situ Lake Data from China 期刊论文 REMOTE SENSING, 2019, 卷号: 11, 期号: 8, 页码: 16 作者:  Liu, Zhaofei;  Yao, Zhijun;  Wang, Rui 收藏  |  浏览/下载：30/0  |  提交时间：2019/09/24 altimetry  water level  CryoSat-2  outlier  lake  in situ gauge   Analyzing the Uncertainty of Estimating Forest Aboveground Biomass Using Optical Imagery and Spaceborne LiDAR 期刊论文 REMOTE SENSING, 2019, 卷号: 11, 期号: 6, 页码: 16 作者:  Sun, Xiaofang;  Li, Guicai;  Wang, Meng;  Fan, Zemeng 收藏  |  浏览/下载：54/0  |  提交时间：2019/09/24 aboveground biomass  prediction model  number of samples  cross-validation  remotely sensed data